量化课堂

2017年10月13日

第14节 量化相关性分析应用

交易目标之间的相关性分析是量化交易中一个非常重要的工具,本节将示例abupy中相关分析模块的使用示例: 受限于沙盒中数据限制,本节示例的相关性分析只限制在abupy内置沙盒数据中,首先将内置沙盒中美股,A股,港股, 比特币,莱特币,期货市场中的symbol都列出来:
2017年10月13日

第13节 量化技术分析应用

量化交易的最大优势即为通过计算机强大的运算能力,在市场广度分析上占有绝对优势,通过历史规律的总结,在规律的基础上发现概率优势,形成良好投机优势,量化交易离不开技术分析,本节将主要示例一些常用的技术分析在abupy中的接口实现。 将abupy内置沙盒数据中美股,A股,港股市场中的symbol都列出来,稍后绘制这些symbol的阻力线,支持线:
2017年10月13日

第12节 机器学习与比特币示例

在《量化交易之路》中我曾经编写过猪老三的世界中使用机器学习对股价和涨跌进行预测的幻想示例。 在猪老三的世界中实现了:机器学习.fit(x, y) = (股价预测,涨跌预测) =发财
2017年10月13日

第11节 期货市场的回测

上一节讲解的是比特币,莱特币市场的回测,以及使用abupy内置模块对市场进行分析优化策略,提高系统的稳定性,本节主要示例期货市场的回测。 abupy中内置的期货沙盒数据有如下交易品种
2017年10月13日

第10节. 比特币, 莱特币的走势数据分析

上一节讲解的是港股市场的回测,以及使用AbuTLine.show_least_valid_poly优化策略,提高系统的稳定性,本节主要示例比特币与莱特币的走势分析与回测。
2017年10月13日

第9节 港股市场的回测

上一节讲解的是A股市场的回测,本节讲解港股市场的回测示例。 买入因子,卖出因子等依然使用相同的设置,如下所示:
2017年10月13日

第8节 A股市场的回测

之前的小节回测示例都是使用美股,本节示例A股市场的回测。 买入因子,卖出因子等依然使用相同的设置,如下所示:
2017年10月13日

第7节 寻找策略最优参数和评分

上一节主要讲解了如何使用abupy中度量模块对回测的结果进行度量,本节将主要讲解使用grid search模块对策略参数寻找最优。 最优参数的意思是比如上一节使用的卖出因子组合使用:
2017年10月11日

第6节 回测结果的度量

前面小节中都使用分解流程方式一步一步实现回测,目的是为了更清晰的说明内部操作流程, 编码过程会显的有些复杂臃肿,但实际上在编写完成一个策略后只需要使用一行代码即abu.run_loop_back可以完成回测。 详细代码实现请阅读abu.run_loop_back()函数,下面使用run_loop_back()进行策略示例: