Quantinsti-博客中文翻译-一-

Quantinsti 博客中文翻译（一）

原文：Quantinsti Blog

协议：CC BY-NC-SA 4.0

15 年的工程职业生涯到现在的 Algo Trading | Chris 的故事

原文：https://blog.quantinsti.com/15-year-engineer-algo-trading-epat-success-story-chris-luman/

你是认为他们学不会算法交易的电气工程师吗？
你以为学习 algo 交易仅限于课堂吗？

再想想！

Chris 来自美国，是一名电气工程师，拥有 14 年以上的工作经验。克里斯通过学习算法交易，发展了正确的技能组合，这对获得市场和其他交易者的优势至关重要。

世界在快速发展，我们的技术也在快速发展，市场也在快速适应这些技术。培养技能是当务之急，尤其是如果你想让自己的交易自动化并学习算法交易的话。他已经做到了。他的奉献精神和学习意愿也使之成为可能。

我们联系了 Chris 来了解他的 Algo 交易之旅，下面是讨论的过程。

嗨，克里斯，给我们介绍一下你自己吧！

嗨！我是克里斯·鲁曼。我是中西部的一名电气工程师。在疫情期间，我一直被困在家里工作。当我不工作的时候，我喜欢在大自然中散步来获取财经播客和新闻。我有我的太阳和股票。我在美国密歇根州工作，有 14 年以上的工作经验。

你从电气工程到算法交易的旅程是如何发生的？

在凯特林大学完成电气工程后，我在密歇根大学迪尔伯恩分校攻读电气和电子工程硕士学位，我的职业生涯开始起步，在一些大公司担任工程职位。目前，我在汽车行业一家知名机构担任高级硬件工程师。

早在 2018 年，一次严重的受伤几乎使我残疾——就在那时，我意识到我在经济上是多么脆弱。这促使我开始了一个新的爱好，假以时日，这个爱好会成为一座金融堡垒。有一天，我在网上的博客中迷路了，这时 QuantInsti 联系了我。

我知道我想以自动化的方式交易，但我不知道从哪里开始。MATLAB？Python？我对算法交易知之甚少，上过机器学习和统计学的正式课，我在课程中学习过统计学，但没有实践过。

QuantInsti 的 EPAT 给了我正确的方向，让我进入了算法和量化交易的世界。

EPAT 帮你实现了什么？

我对 Python 在交易中的知识和实际应用有了成倍的增长。我让我的工程师同事感到惊讶，他们想知道我是从哪里学到这些关于熊猫和其他包装的东西的。

作为一名电气工程师，我在 QuantInsti 学到的编程和统计技能也帮助了我。我的交易和投资朋友问我关于期权的问题，因为我对它们有很深的理解。

在过去的两年里，我一直在研究金融的许多领域，包括期权、细价股和加密货币。我一直想看看我想把时间投入到什么领域去做算法交易。

目前，我正在以自动化的方式对许多著名投资者的投资组合进行量化基准测试。我想用这个来做宏观决策。我已经实现了自己的系统来与 SEC Edgar 接口。

虽然在做了这些工作之后，我现在同意我的 Quantinsti 教授的观点，为数据付费是一个好的选择。这样你可以在秘制酱上多花些时间。但是我认为做一次简单的工作是有好处的，这样我就有了背景。

你必须自己焊接一段时间，但最终你会为别人编写工作程序，对吗？

你认为 EPAT 最大的特点是什么？

我最喜欢选项部分，因为它带我从零到英雄。我不知道期权是什么，EPAT 课程的这一部分让我创建了非常有趣的交易策略，并理解了它们背后的理论。

我现在全神贯注于“用 scikit-learn 和 tensorflow 2e 进行动手机器学习”。我将很快开始在我的交易中实施 Quantra 机器学习课程，以获得更多的机器学习经验。这是一个如此巨大的领域。

你有什么话想和有抱负的量化分析师分享吗？

总是从 SSRN，其他交易者，甚至是吉姆·西蒙斯的《解决市场的人》中的量化分析师的历史中吸取知识。QuantInsti 的 CEO 推荐那本书用，超赞！

感谢你的时间，克里斯，祝贺你获得了 EPAT 的优秀证书！我们希望你继续突飞猛进。我们祝你好运。

如果你也想用终生的技能来武装自己，这将永远帮助你提升你的交易策略。这门 algo 交易课程的主题包括统计学和计量经济学、金融计算和技术、机器学习，确保你精通在交易领域取得成功所需的每一项技能。现在就报名 EPAT 吧！

免责声明:为了帮助正在考虑从事算法和量化交易的个人，本案例研究是根据 QuantInsti 的 EPAT 项目的学生或校友的个人经历整理的。案例研究仅用于说明目的，并不意味着用于投资目的。EPAT方案完成后取得的成果对所有个人而言可能不一致。T15】

2016 年回顾- QuantInsti

原文：https://blog.quantinsti.com/2016-year-review-quantinsti/

对于 QuantInsti 而言，2016 年在许多方面都令人振奋。作为亚洲最早的算法交易研究和培训机构之一，QuantInsti 在 2016 年庆祝了其第六个^{周年纪念日。这是我们在过去一年中取得的成就的一个快速快照。}

2017 年回顾- QuantInsti

原文：https://blog.quantinsti.com/2017-year-review-quantinsti/

T2】

2018 年回顾- QuantInsti

原文：https://blog.quantinsti.com/2018-year-review-quantinsti/

2020 年印度地区峰会| CMT 协会

原文：https://blog.quantinsti.com/2020-india-regional-summit-cmtassociation-oct/

10&2020 年 10 月 11 日T3】

虚拟会议记录截止到 2020 年 11 月 16 日
通过 CMT 会议数字活动指南

查看会话录音

回放:不可思议的航行

没能参加 2020 年印度虚拟峰会？您仍然可以观看本次研讨会的录像，包括我们所有的演讲者，包括 CMT CFA 的阿图尔·苏里和大卫·伦德格伦；Rakesh Jhunjhunwala 和 CMT 的史蒂夫·尼森。

这些录音将在 11 月 16 日^日之前提供，并将在我们的数字活动指南平台上发布，让您可以与其他与会者交流。一旦您购买了重播包，我们将向您发送电子邮件，说明如何访问该平台。

我们认为 2008 年的危机是有史以来最严重的事件——直到我们来到地球静止不动的时候。

在这种新环境下，技术分析给了我们市场风险管理工具，保护我们自己不被掉刀。无论你是初学者还是老手；无论你是古典技术人员，还是现代交易系统架构师；无论你是从短期还是长期来看，每个人都应该学习如何管理未知的未知事物。加入我们的 CMT 印度虚拟峰会寻找答案。

扬声器

登记

印度峰会重播报名信息

非会员重播注册查看会议录像:40 美元

成员: 免费

CMT 考生: 免费凭优惠码考试

请注意，这些录像将在 2020 年 11 月 16 日之前通过 CMT 会议数字活动指南平台提供。11 月 16 日之后，这些录像将转移到我们在 CMT 协会网站上的视频档案中，在那里它们将只对会员开放。要在 11 月 16 日之前观看录像，会员必须注册使用数字活动指南。

查看会话录音

QuantInsti 算法交易(EPAT)的执行课程是印度最好的算法交易课程之一。要了解更多关于 EPAT 的信息，请立即联系课程顾问。

2020 年回顾- QuantInsti

原文：https://blog.quantinsti.com/2020-year-review-quantinsti/

这篇文章强调了我们的一些值得注意的成就&在 2020 年期间对无数个人以及算法交易和量化交易领域的贡献。当我们进入旅程的下一阶段时，我们感谢您对我们的信任。

有用链接:

2021 年回顾- QuantInsti

原文：https://blog.quantinsti.com/2021-year-review-quantinsti/

2021 年过去了，我们已经步入 2022 年。然而，我们不禁回忆起这一年的一些重要亮点，我们也愿意与您分享！

有用链接:

第四届年会-行为模型和情绪分析

原文：https://blog.quantinsti.com/4th-annual-conference-behavioural-models-sentiment-analysis/

日期:【2014 年 6 月 16 日至 20 日

地点:伦敦

QuantInsti 联合创始人、董事兼教员 Rajib Ranjan Borah 受邀于 2014 年 6 月 16 日至 20 日在伦敦举行的“第四届年会:应用于金融的行为模型和情绪分析”上发表演讲。

关于发布会

本次会议是全球最大的金融新闻和情绪分析会议，有来自世界各地的 180 名与会者参加。发言者和小组成员名单包括

(一)该领域领先的学术研究专业人员，

(二)设计该领域研究工具和产品的供应商的专业人员，以及

(iii)金融行业的主要从业者，他们是交易和风险管理新闻分析的早期用户。

该活动包括一个为期两天的会前研讨会，主题为“市场微观结构、流动性和自动化交易研讨会”,于 6 月 16 日和 17 日在伦敦惠誉学习中心举办。

主要会议于 6 月 18 日和 19 日在伦敦格罗夫纳广场千禧梅菲尔酒店举行。

随后于 6 月 20 日在伦敦惠誉学习中心举办了一个关于“使用新闻专线和微博(Twitter)进行情感分类和观点挖掘”的会后研讨会。

QuantInsti 参加会议

Rajib 在会前研讨会上主持了 12 场研讨会中的 6 场，也是一个会议小组的发言人:“利用新闻和社交媒体数据进行市场监控和运营风险控制”。研讨会的重点是市场微观结构和算法交易的概念，需要自动化的量化策略，如量化新闻分析。他们还以算法的方式探索了基于新闻分析的交易策略的技术和数量方面。

会议上的小组讨论探讨了交易员和风险经理如何利用量化的新闻评分来监控统计套利策略中的风险。该小组还讨论了不同地区的新监管方法以及使用新闻分析来增强监管数据挖掘能力的方法。

此外，惠誉学习的 CQF 项目(CQF 威尔莫特)的过去和现在的学生也在线参加了这些会议，惠誉学习是企业赞助商之一，它对这些会议进行了直播。

成功的交易策略:知道这 5 个因素

原文：https://blog.quantinsti.com/5-factors-will-make-trading-strategy-work/

Sushant Ratnaparkhi

制定战略是一项繁重的工作。制定一个成功的策略会压碎你的大脑面。交易策略是一个持续的工作，就像关系一样。你必须测试它，培育它，改进它，并确保它在这些不断变化的市场条件下继续为你赚钱。

今天，我们提出了 5 件你应该做的事情(比如一个清单),以使你的策略真正奏效。

1.坚实的基础

不，我们不是在谈论基于公司管理、宏观经济因素等基本面因素的交易(不管怎样，不确定今天是否有人这么做)。我们正在谈论的是你的战略的基础和核心。你的策略相对于市场的数量优势，不管你的策略是基于动量、套利、营销、刷单还是其他。

如何知道自己的策略是否有扎实的基本面？这很简单，这是一个清单

有明确的进入和退出规则
目标！了解你的目标。你的策略应该知道什么时候交易应该兑现，甚至在进入一个位置之前
止损！你的策略应该知道当事情不像预期的那样发展时，什么时候退出
明确定义单个交易和整体账户的风险水平

然而，如果这些事情已经发生了，即使这样，你仍然认为你的策略不像以前那样有效，你觉得你需要一个新的。我们已经为你做好了准备，这里有一个你可以获得新策略的方法列表

如何获得新策略？

论坛:

有大量的交易论坛讨论量化策略，人们分享他们的经验。然而，在论坛上分享的策略可能不一定是有利可图的和“现成的”,但它是一个为你的策略获得想法的好地方。

我们认为可能有用的一些网站是:

金融论文:

每年都有大量基于量化交易方法的金融研究论文发表。你可以读一些来为你的下一个百万美元交易策略获得一些想法(当你找到一个好的时，一定要告诉我们:P)

这里有一些发表有用的金融研究论文的网站

2。回溯测试您的策略

现在，这听起来像是一件很平常的事情。但是等等，这样做是有好处的。我们将告诉你如何正确地做这件事。

在执行回溯测试时，您需要确保许多事情都是正确的。最终目的是确保你的回溯测试尽可能接近真实的市场场景。

下面是在执行回溯测试时需要记住的一些事情

事先决定，哪些将是你最重要的指标。开始时的标准指标可以是利润/亏损、最大亏损和夏普或索提诺比率等
在开始回溯测试之前，确保您的数据是干净的，即没有任何垃圾数据点，并且符合回溯测试软件要求的格式
不要试图过度拟合数据。过度拟合只会满足你一时，你会在实际情况下赔钱
执行样品内和样品外测试。样本内测试是在一组给定的数据上运行您的策略并对其进行优化，而样本外测试是在一个数据上运行您的策略，该数据不是您优化策略的数据的一部分，这种实践被广泛用于各种测试，并提供了对策略在真实市场条件下的表现的良好理解。如果你的样本外测试的结果和你在样本内测试中看到的结果一样好，很可能你的策略会为你做得很好！

我们在之前的博客中已经详细讨论过回溯测试的话题，你可以在这里查看，在这里查看。

3。了解你的优势

你比大多数交易者更擅长什么？确认一下，然后孤注一掷。如果你想一想，每个人都有一些独特的品质，可以在你的交易策略中加以利用。

有些人擅长发现违反直觉的趋势，有些人有很强的分析能力，有些人擅长编码，有些人擅长处理自己的情绪。所有这些因素都可以应用到交易策略中，并作为一种优势。

了解你的策略:

了解您的战略要求，例如，如果您的战略是 HFT(高频交易)战略，那么像主机托管、基础设施和直接市场准入(DMA)等因素对您战略的成功非常重要。同样，如果你的策略是趋势跟踪型的低频策略，那么你的策略正确发现趋势的能力就成为最重要的因素之一，在这种情况下，上面提到的因素并不重要。

4。优化

如果你问我们，什么时候是停止优化策略的好时机？我们会直截了当地说“决不”。没错！市场总是在发展，这就是为什么你和你的策略也应该不断发展。

虽然优化策略意味着对策略参数进行微小的更改以改善结果，但同样重要的是要注意，对策略进行更改需要您重新进行整个测试过程，以便将意外行为的风险降至最低。

那么，你如何优化你的策略呢？

嗯，这主要是“尝试和检查”的方法，你改变小幅度的参数值和检查，你将不得不尝试不同的组合。你也可以做模拟，看看什么参数最适合你选择的资产和市场。有几个交易模拟软件可用，我们已经就此单独发表了一篇博文，你可以在这里阅读相同的。

5。这是一笔生意

事实上，交易是一件严肃的事情，你应该认真对待。任何生意都需要你投入时间和努力！交易也是如此。如果你认为交易是你轻松赚钱和轻松度假的门票(这是可能的，但你必须非常努力才能达到)，那么你可能看错了。

和任何行业一样，你需要足够的竞争优势来超越竞争对手。优势可以包括你拥有的基础设施、你的技能、你的交易系统、技术、你可以获得的信贷成本、风险管理等等。你拥有的优势越多，你成功的机会就越大。最近，在所有交易相关的任务中使用技术是新的趋势，他们称之为算法交易或系统交易。

算法交易并不容易，但它肯定比传统的交易方式有很多好处，我们已经写了一篇详细的博文，题为“你为什么要做算法交易？”你可以在这里查看或者在 best 算法交易平台了解。

后续步骤

如果你想学习算法交易的各个方面，有一个简单的方法，那就是查看算法交易(EPAT)中的高管课程。课程涵盖了统计学&计量经济学、金融计算&技术和算法&量化交易策略等培训模块。EPAT 为你提供了在算法&量化交易领域建立一个有前途的职业生涯所需的技能。现在报名！

或者，您可以通过查看 Quantra 上的自定进度认证课程，开始学习交易策略范例、可用于交易的不同编程语言以及算法交易相对于传统交易技术的优势！

开始算法交易前要知道的 5 件事

原文：https://blog.quantinsti.com/5-things-know-starting-algorithmic-trading/

由米林德·帕拉德卡

随着美国市场超过 70%的交易量实现自动化，算法的崛起似乎比以往任何时候都更加不可避免。机械工作正在向计算机转移，只有那些能驯服机器的人才能统治贸易市场。用算法交易的技能武装自己是为金融市场的变化做准备的最好方法之一。

市场上最近的一个趋势是 DIY 交易者的出现。白天，他们做日常工作，晚上，哄孩子睡觉后，他们运行自己的算法交易策略。

这篇文章特别针对那些想学习算法交易并希望建立自己的交易系统的人。作为算法交易者，你的成功不仅取决于你的量化技能，还很大程度上取决于你选择的分析、设计和执行策略的过程和工具。

让我们熟悉一下交易所需的工具吧！

1.数据就是一切(嗯，差不多！)

算法交易的第一个也是最重要的方面是数据。数据是算法交易者最好的朋友。交易者需要访问他打算以旧换新的交易所的各个部分的数据。这些数据最初是如何产生的？让我们以新兴市场的交易所为例:

印度国家证券交易所有限公司

NSE 为资本市场部门(CM)、期货和期权部门(F&O)、批发债务市场部门(WDM)、证券借贷市场(SLBM)、货币衍生品市场部门(CDS)和公司数据提供市场报价和数据。

这些报价由 DotEx 国际有限公司提供，该公司是 NSE 的 100%子公司，专门用于此目的。它向各种信息机构广播实时数据。

NSE 提供 5 种不同类型的数据产品，即。

实时数据(1 级、2 级、3 级和逐节拍数据)
快照数据
一天结束时(EOD)数据
公司数据
史料

来源:【www.nseindia.com】T2

现在，让我们试着理解 1 级、2 级、3 级和逐滴答(TBT)数据。

级别 1 数据包括最佳出价和最佳要价，加上出价大小和要价大小。级别 2 提供高达 5 个最佳买价和卖价的市场深度数据，级别 3 提供高达 20 个最佳买价和卖价的市场深度数据。逐笔成交点(TBT)数据包括每份订单或订单中的变更。

二级数据示例- NSE:YESBANK

对于新的交易者来说，1 级数据足以分析价格图表，设计策略和做出交易决定。其他类型的数据通常由有经验的交易者和高频交易公司/机构使用。

NSE 向授权数据供应商(授权数据供应商/再经销商列表 ^{[ 1 ]} )提供数据，再由后者将数据再分发给贸易公司和零售商。

印度市场的一些数据供应商包括:

一些数据供应商仅提供数据馈送，而其他一些供应商提供图表平台和其他分析工具，用于创建观察列表、跟踪不同市场、制定战略、生成买入/卖出信号等。

一个交易者可以通过一个桥把这个平台和他的经纪人的平台连接起来，然后执行订单。数据供应商通常会在他们的网站上列出代理合作伙伴，以及他们的提要与不同图表平台的兼容性。

eSignal

让我们以 eSignal 为例，列出这些数据供应商提供的一些服务。eSignal 是全球领先的数据供应商，提供三种主要产品

签名
经典的
精英

签名是最受欢迎的一种，它的一些重要特征包括:

流式实时数据
具有可定制研究的高级图表
股票、期货、外汇和期权
回溯测试
使用 Qlink 或 RTD 下载数据
1 年的日内历史数据
新闻、评论和研究

除了算法交易平台，eSignal 还提供 QLink 服务，可以快速简单地将实时流数据下载到 Excel 工作表中。交易者可以使用工作表函数/宏在 excel 中执行进一步的分析和构建策略，并通过 Excel API 执行它们。

T2】

2.图表平台

作为交易者，你必须熟悉不同的图表技术和基于图表的策略，这些技术和策略可以在市场中获利。有许多具有高级图表功能和分析的图表平台。

一些受交易者欢迎的图表平台包括:

这些平台提供的功能包括实时扫描、技术指标数量、专家顾问、回溯测试、公司基本面、新闻服务、自动下单、预测、二级数据等。交易者应该根据自己的交易风格、特点和定价选择一个算法交易平台。

让我们以 MetaStock 为例，列出图表平台的一些特性。MetaStock 是一个非常受欢迎的平台，为个人日末交易者、实时交易者和外汇交易者提供解决方案。

提供的一揽子产品包括:

METASTOCK 实时
METASTOCK XENITH
METASTOCK 日线图
数据链
第三方加载项

METASTOCK 实时功能–

市场浏览器–扫描市场和证券
增强型系统测试器——测试你的交易想法
指标和交易系统-全面收集指标
专家顾问-行业专业人士的专家意见
预测工具——查看未来可能价格的工具

大多数图表平台都提供了一个试用期，交易者可以用它来评估平台是否能满足他的交易需求。

在订阅算法交易平台之前，交易者了解定价政策也是至关重要的，因为这些平台除了软件收费之外，还单独收取数据馈送费、交易费和第三方附加费用。

3.这都是关于编程的，宝贝

T2】

算法交易包括通过分析从数据供应商那里获得的历史/实时数据来设计和编码策略。上面提到的一些算法交易平台有他们自己的脚本语言，可以用来在平台中编码&回溯测试策略。

当 Van Rossum 开始在圣诞节期间忙于 Python 开发时，他想做一个对 Unix 和 C 黑客有吸引力的解释器。然而，今天 Python 是全世界算法交易者最感兴趣的语言之一。原因很简单，可以在这里找到。

在交易平台上使用 Python、Java、Matlab 等语言进行交易，是算法交易员广泛使用的一种方法。

有数百种外部分析包可以用这些语言来帮助开发各种交易策略，例如:

基于动量，
均值回复，
剥头皮，
基于机器学习算法的策略，
基于情感的策略等。

我们使用外部包装器来实现我们编写到交易平台中的代码。在我们关于 IBPy 和 IBridgePy 的文章中，我们已经讨论过使用两个这样的包装器在交互式经纪人上用 Python 实现算法交易策略。

建议课程:使用交互式经纪人平台使用 IBridgePy 进行自动交易

因此，作为交易者，拥有良好的编程知识对于在市场中成功交易是至关重要的。QuantInsti 的 EPAT 课程包括 Python、R 和 MATLAB，学生不仅学习编程的基础知识，还学习使用这些语言为不同的市场设计不同的策略。

4.经纪人经纪人经纪人

算法交易的下一个方面是选择正确的经纪人。

选择合适的经纪人需要考虑的因素包括:

交易平台的速度和可靠性
提供的细分市场
佣金
杠杆和保证金要求
制图软件与经纪人平台的兼容性
代理提供的网关 API

印度市场一些受欢迎的经纪人包括:

我们已经在这篇文章中详细介绍了算法交易平台。

作为一个想要自动化交易过程的算法交易者，你可以通过连接到你的经纪人的图表平台或者通过提供的网关 API 在真实市场中执行你的策略。可用的 API 通常由经纪人在其网站上列出。

像 Zerodha 这样的一些经纪人提供平台，这些平台是一组简单的 HTTP APIs，建立在交易所批准的基于网络的交易平台之上。这使用户能够以编程方式访问数据，如个人资料和资金信息、订单历史、头寸、实时报价等。

此外，它使用户能够使用他们选择的任何编程语言(从 excel VBAs 到 Python、Java、C#)在方便的时候下订单和管理投资组合。

因此，对于一个潜在的交易者来说，他必须熟悉 API 的工作原理和经纪人平台提供的其他相关功能。

5.一个击败算法交易的系统

到现在为止，你一定已经意识到作为一个算法交易者，你将会使用不同的应用程序(图表平台/编程工具/经纪人终端/新闻源等)。)，处理海量数据进行回溯测试，以及实时市场中的多任务处理。因此，有一个合适的计算机系统来满足所有这些需求而不会偶尔中断和罢工是至关重要的。

毕竟，这是自动化的目标，让事情顺利快速地完成(当然，没有情绪)。用笔记本电脑交易是不可靠的，会限制你的多任务处理能力。因此，算法交易宜使用多台显示器的高端桌面系统。

您需要价格合理的台式机，配备高速处理器、高内存、多台显示器和相关显卡、可靠的主板以及充足的存储空间。

交易者可以在研究自己的需求后购买合适的系统，或者咨询对计算机硬件和技术有丰富知识的人。

最低要求:

处理器:英特尔酷睿 2 双核 2.13Mhz
操作系统:如果需要 R，最好是 Windows7 Professional 或 Ubuntu x64
内存:3gb DDR3

下一步

这只是一个前奏，我们认为在你观看算法交易的信息会议之前，你应该知道。点击此处观看 algo 交易的视频记录。在这个视频中，你不仅可以听到在冒险进入算法交易之前你应该知道的一切，而且是从这个行业的中坚分子那里听到的。

如果你想进入算法交易和量化交易的世界，我们可以通过我们的算法交易(EPAT) 高管课程为你提供指导，让你具备在这一领域取得成功所需的必要技能和知识。

免责声明:本文提供的所有数据和信息仅供参考。QuantInsti 对本文中任何信息的准确性、完整性、现时性、适用性或有效性不做任何陈述，也不对这些信息中的任何错误、遗漏或延迟或因其显示或使用而导致的任何损失、伤害或损害负责。所有信息均按原样提供。

第五届金融应用行为模型和情绪分析年会

原文：https://blog.quantinsti.com/5th-annual-conference-behavioural-models-sentiment-analysis-applied-to-finance/

日期:2015 年 7 月 15 - 16 日

地点:英国伦敦梅费尔千禧酒店

关于发布会

情感分析已经发展成为一种应用机器学习并对新闻发布中表达的情感进行快速评估的技术。新闻(事件)推动市场，并被量化衡量。分析师和投资者消化金融新闻，他们的看法影响市场，推动股价。会议的目的是介绍这个快速发展领域的最新技术。

这是联通研习会有限公司举办的第五次会议，会议的主题是情绪分析在交易、资金管理和风险控制模型中的应用。这一领域的专家介绍了他们最近的研究成果、案例研究和技术概述。特别是算法交易的话题。这次会议的特点是纳入了社交媒体数据(推特、博客、谷歌趋势、在线搜索)；它们的可信度如何，它们如何影响市场情绪，多种资产类别的情绪分析。

会话标题

第一场:金融情感分析的基础和技术
第二场:股票资产配置和风险控制中的情绪分析
第三场:社交媒体、微博、谷歌趋势
第四场会议:利用石油、能源、商品和股票的全球宏观经济

谁参加了 2014 年的会议

对冲基金的量化团队
投资银行自营交易部门
投资基金的量化团队

扬声器

加里·卡赞采夫，彭博；汤森路透的詹姆斯·坎塔雷拉和伊莱贾·德帕尔马；阿曼多·冈萨雷斯和彼得·哈菲兹，拉文帕克，高塔姆·米特拉，项羽和克里斯蒂亚诺·阿贝克斯·瓦莱，OptiRiskStephen Pulman，牛津大学/TheySay 有限公司；Deltix 公司的 Ilya Gorelik 福斯特商学院阿什·柯蒂斯；Ashok Banerjee，印度管理学院(IIM );麦格理的朱利亚诺·德罗西；Richard Peterson，MarketPsych DataDan diBartolomeo，Northfield 信息服务公司；东安格利亚大学诺里奇商学院 Raphael Markellos 赛义德·阿门，泰雷西亚人；Svetlana Borokova，阿姆斯特丹自由大学/荷兰中央银行；华威商学院阿德里安·莱奇福德；Rajib Ranjan Borah，伊拉克资本公司

会前和会后研讨会

【行为金融:基础】&近期发展 ，7 月 13 日
市场微观结构流动性&自动化交易7 月 14 日
情绪分类&利用新闻专线进行意见挖掘&微博(Twitter)7 月 17 日

请联系【info@unicom.co.uk】T5】

会议费用&报名

最终用户组织:【2015 年 5 月 8 日后的标准价格:275 英镑+增值税

供应商&顾问:【2015 年 5 月 8 日后的标准价格:750 英镑+增值税

特别促销优惠

手册套装优惠

金融新闻分析手册(2011 年)和金融情绪分析手册(2015 年)

这两本手册的价格是 75 英镑+运费(16 英镑)。

链接:https://optirisk-systems . com/publications/books/news-analytics-handbook/

网络研讨会和会议幻灯片

来自行为模型&情绪分析的所有网络研讨会和会议幻灯片:适用于财务会议，295 英镑+增值税(@ 20%)。

行为模型和情绪分析:应用于金融——7 月 15 日^日日& 16 日^日

行为模型&情绪分析:应用于财务会议每位代表的价格为:275 英镑+增值税(@ 20%)。(适用于物品 1 的所有买家。折扣代理价格为 195 英镑+增值税(@ 20%)

链接:http://conferences.unicom.co.uk/sentiment-analysis/

活动照片

关于算法交易，你不知道的 7 件事

原文：https://blog.quantinsti.com/7-things-you-didnt-know-about-algorithmic-trading/

由维拉伊·巴加

比超速交易更快 能够在单个实例中飞跃障碍 比手动交易更强 它是鸟吗？ 是飞机吗？ 不！ 是算法交易！

有一些信仰，不信仰和谣言阻止人们充分利用算法交易，现在是每个人都意识到它的真正潜力的时候了。因此，我们带给你 7 件事，我们相信每个人都应该知道算法交易。

快速、可靠和无情的算法交易席卷了世界，它是交易进化的下一步，是明天的交易技术。

事实: 根据《2016-2020 年全球算法交易市场报告》，算法交易市场正以 10.3%的 CAGR 增长。据《经济时报》报道，截至今天，全球约 75%的交易是自动化的，算法交易占了其中的很大一部分。

一次又一次，Algo Trading 不得不证明自己的勇气，在全球交易所的交易中赢得一席之地，并清除许多障碍，以获得世界的认可。这在很大程度上是因为人们不愿意轻易接受新技术，尤其是那些可以使工作自动化并消除人力使用的技术。

你知道吗！Algo 交易职业培训没有年龄限制

人们经常削弱自己的表现能力，经常低估自己，怀疑自己是否能在以后的生活中交易。一些人说他们老了，或者他们不能应付技术。但是，如果你不愿意打破老式的手工交易方法，这些只是原因。

如果有人真的想取得成就，那么他们需要有意愿、能力、动力和必要的技能，无论如何都要勇往直前。不要让你的年龄或职业阻止你交易！有很多这样的例子，其中一个成功的故事是这个 40 岁的量化分析师克服一切困难取得成功。他的故事激励着勇往直前！

你知道 Algo 专业人士有很多职业和工作机会吗？

每个角色对公司的成功都至关重要。像算法经销商、分析师、数据科学家、战略家等职位有各种各样的工作机会。

程序员开始从事算法交易，并成功实现了职业生涯中的一些里程碑。高频交易工作通常会有更高的薪水。许多独立交易员建立了自己的算法交易平台，并从中获益。点击这里，了解如何建立自己的交易平台。

如今，创业已经成为一种时尚，商人都在争相建立自己的公司，这已经为他们中的许多人带来了成功。一个相关的例子是来自两个不同国家的金融专家德里克和马克西姆，他们如今掌管着一家成功的企业。

这需要时间。像酒一样，随着时间的推移越来越好

在几个月内学习算法交易速成课程是不明智的。掌握算法交易需要多年的实践和经验，你的技能很重要，遵循结构化的方法是必要的，这是像我们这样的机构提供的。与以前通过调用利率、经纪人依赖性和结转系统进行交易的做法不同，今天有了开放系统、在线交易、衍生品和算法。再加上监管机构加强监管，交易变得迅速且竞争激烈。

随着加密货币、区块链、人工智能、机器学习等新技术的出现，交易将变得更加富有成效和令人惊讶。谁知道它会把我们引向何方。毕竟只是时间问题。

个人交易者可以做算法交易

所有人都有平等的机会赚钱或赔钱。由于缺乏方法、不切实际的期望和缺乏经验，一个人经常会赔钱。将大公司和对冲基金与个人交易者进行比较是不公平的，因为投资和回报的性质各不相同，差异高达数百万。大公司有强大的资金支持，在最新技术和其他资源上有很高的支出能力。

现实情况是，任何拥有市场知识、经验和理解的人都可以进行算法交易，即使他们与任何公司都没有关联。许多交易者求助于算法交易，T2 有无数的成功故事，激励着许多其他人。与其盲目相信或假设只有大公司才能做 Algo 交易，不如了解事实！你不同意吗？

算法交易和高频交易不一样

算法交易是一种自动化的交易系统，它使用先进的数学模型和公式、预编程的交易指令和复杂的算法来进行高速决策和交易，以便在金融市场上执行大订单。在这里，交易是基于定义的标准进行的。它们被分割成更小的部分，因此股票或资产的价格不会受到显著影响。因此，它控制执行成本和市场风险。

高频交易(HFT) 是指利用专有算法分析多个市场，并根据市场情况执行大量订单的计算机化交易。它是算法交易的极端版本，以高速度、高换手率和高订单交易比为特征，利用高频金融数据和电子交易工具。在市场高波动时期，HFT 利用了短暂的机会。引进这项技术需要巨额投资。

简而言之，HFT 是算法交易的一个子集。

时间和延迟是决定因素

时间和潜伏意味着成功和失败，盈利和亏损。交易是一个时间敏感的生态系统，但距离同样重要。算法交易有助于比竞争对手更快地对市场事件做出反应，从而提高交易的盈利能力。

托管就是这样一种解决方案。交易者可以将他们的服务器与交易所放在一起，即交易引擎在物理上靠近交易所，甚至与计算机服务器所在的交易所在同一栋大楼里。这大大减少了时间和距离方面的疑虑。几个路由器，交换机，电缆和协议的变化是为了减少延迟，而 R&D 对新技术正在进行，如无线数据传输，低数据速率等。

谁说交易需要巨额资金？

不是交易的数量，而是你交易的方式，你使用的策略，你的经验和技巧。很可能，这通常不是你使用的设备或你升级机器的费用。有了适当的技能、知识和工具，以及正确的指导，您可以获得最适合您需求的设备，而不是在不必要的、利用率低的昂贵设备上大肆花费。

下一步

交易展示了未来几年一些有希望的潜在增长。围绕 Algo Trading 出现了各种业务，并被广大交易者群体所接受。你可能有很多关于算法交易的问题。我们都是。

所需要的是有人倾听你的想法和主意，解答你的疑问，并根据你的目的和目标为你指明正确的道路。了解算法交易的各个方面，加入我们强大的领先校友基地，并与我们的全球教师联系。导师是经验的最佳来源，也是获得诚实反馈的校友。

人们经常通过让他们的算法为他们说话来进行交易。为什么不能？一些成功交易者的故事证实了这样一个事实:通过参加一些精彩的课程，你可以获得交易的技能和知识。算法交易 (EPAT ) 的高管课程通过统计&计量经济学、金融计算&技术和算法&量化交易等培训模块，让你具备成为成功交易者所需的技能。

新手的 8 个基本差价交易技巧

原文：https://blog.quantinsti.com/8-spread-trading-tips-for-beginners/

作者:阿波瓦·辛格

差价交易允许你进行低风险的定向交易。价差头寸是通过买入和卖出相同基础证券的相同类别的相同数量的期权，但具有不同的执行价格或到期日。这里有一些给新手看交易差价的建议。

做你的研究

小投机者不会频繁交易价差，因为分析更复杂，因为它涉及两个合约的相对供需分析，而不仅仅是总体供需分析。尽管如此，作为一个小投机者，你会对价差非常感兴趣，因为当交易适当时，价差可以在较低的波动性下显著提高你的利润潜力。

因此，有必要对你打算交易的证券进行研究，寻找任何可能影响你交易的收益公告或任何其他关键经济数据。总是更新最新的消息和图表——永远不要仅仅依靠技术分析，基本面可以决定成败。因此，明智的做法是跟踪年度会议日期、季度报告更新、分析师评级、分红日期等。

票据交易

新手在用真金白银投资之前，可以选择进行一段时间的纸上交易。这将有助于你更仔细地审视你的策略。计划好你将在哪里设置 T2 止损，为什么，计划好你将在哪里获利，为什么，看看你的策略是否能达到预期的效果。

小规模开始

如果你是一个交易的初学者，或者是一个价差赌注的新手，试着从你认为你能处理的小规模开始，因为你会先犯一些错误，你的杠杆可能会对你不利。这并不是要打击你，而是要真正知道你在做什么，因为作为一个初学者，你可能会做出让你付出长期代价的决定。所以在做大之前，先用较小的量进行深入的了解和动手的现场体验是有意义的！

跟踪市场动向

在一个交易时段的前 30-60 分钟，市场往往波动最大，尤其是在美国市场开盘时。在这个时间段你是否选择交易，取决于你的风险偏好。在你很了解的领域交易，因为如果你不了解你应该跟踪的公司的最新情况，或者不了解可能影响你头寸的因素，那么你只是在赌丨博！确保你很好地了解和理解你的细分市场。

低风险策略

由于头寸的对冲性质，差价交易具有较低的波动性/风险。由于风险较低，你可以在交易所投入少得多的保证金。因此，本质上来说，价差交易比直接交易能给你提供更好的回报/风险比。

大型商业公司的期货差价交易

在商品市场中，差价交易是指同时买入一份商品期货合约和卖出另一份合约。同一商品的合约可以在不同的交割月份；它们可以是两种相关的不同商品；它们可以是在两个不同地点交易的同一种商品。作为一家商业公司，你可以使用差价交易将对冲从一个合约月转移到另一个合约月。这有助于收回存货的存储和融资成本。

在英国免税

在英国，价差交易被归类为赌丨博，赌丨博的收入是免税的，除非价差交易者/better 被法律( HMRC -英国税务海关总署)认定为职业赌徒，这是一个相当灰色的领域。除了差价之外，每笔交易也没有印花税和佣金。请始终注意您所在国家的贸易法规，以及可能收取的任何税费、印花税和佣金。

自动点差下注

价差交易者可以将他们的交易策略开发到交易系统中，通过减少人工干预来提高策略的性能。交易系统可以帮助消除持续的市场监控和交易情绪。市场上提供的各种免费策略开发系统可以帮助建立、回测和优化价差交易策略。因此，继续前进，通过自动化为您的战略增加额外的优势吧！

下一步

你也可以开始学习流行的自动化交易策略，如' VWAP '、指数套利'、统计套利和'事件驱动策略。我们还有一系列关于“交易策略统计数据”的文章，解释多个方面，即历史数据分析、分布、回归、相关性和协整。

R Quantmod 软件包指南:如何入门？

原文：https://blog.quantinsti.com/a-guide-on-r-quantmod-package-how-to-get-started/

“为 R 设计的 quantmod 软件包旨在帮助量化交易者开发、测试和部署基于统计的交易模型。”

这是一个快速原型开发环境，爱好者可以用最少的努力探索各种技术指标。它提供了 R. Quantmod 软件包中没有的图表工具，使建模更容易，分析更简单。本文旨在使用样本市场数据展示 quantmod 的一些功能。quantmod 的功能分为三个部分，下载数据、图表、技术指标和其他功能。

事不宜迟，我们将看到 quantmod 包的用法。

下载数据

一旦安装了 quantmod 包并加载了库，运行下面的命令将 Apple Inc .股票的数据放入 R 控制台。

getSymbols(‘AAPL’)

要查看数据的起点，请键入以下命令。

head(AAPL) # You should see the following result.

AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted

2007-01-03     86.29     86.58   81.90     83.80   309579900     11.19449

2007-01-04     84.05     85.95   83.82     85.66   211815100     11.44295

2007-01-05     85.77     86.20   84.40     85.05   208685400     11.36147

2007-01-08     85.96     86.53   85.28     85.47   199276700     11.41757

2007-01-09     86.45     92.98   85.15     92.57   837324600     12.36603

2007-01-10     94.75     97.80   93.45      97.00   738220000     12.95782

可视化图表

quantmod 的美妙之处在于其可视化图表的能力。键入以下命令。

chartSeries(AAPL, TA=NULL) # this should produce the following chart.

可以看到，x 轴显示的是时间段，而 y 轴显示的是 AAPL 股票的价格范围。在上面的命令中，我们设置 TA =“Null”。这意味着不包括任何技术分析参数。下面的命令产生了带有 volume 参数的相同图形。

barChart(AAPL)

这张图和上一张图的显著区别是 AAPL 体积的表示。其余的语法是用来修饰图表外观的。

我们将选择收盘价作为参考，并以此为基础计算各项技术指标。以下命令选择苹果公司的收盘价。

Apple_closeprice = Cl(AAPL) # We assign the closing price to a new variable called Apple_closeprice.

plot(Apple_closeprice) # Plotting the close price

绘制直方图很简单。

hist(AAPL[,4]) #This command plots the histogram of closing price of apple stock.

hist(NSEI[,4], main = "Apple Close") #The histogram of closing price of apple stock with the heading “Apple Close”

hist(NSEI[,4], main = "Apple Close", breaks =25) # Introducing more price ranges.

技术指标

chartSeries(AAPL)

addMACD() # adds moving average convergence divergence signals to the apple stock price

addBBands() # Adds Bollinger bands to the apple stock price.

addCCI() # Add Commodity channel index.

addADX() #Add Directional Movement Indicator

addCMF() #Add Chaiken Money Flow

同样，也可以计算出其他技术指标。以下是 quantmod 支持的技术指标列表。

addCMO # Add Chaiken Money Flow

addDEMA # Add Double Exponential Moving Average

addDPO # Add Detrended Price Oscillator

addEMA # Add Exponential Moving Average

addEnvelope # Add Price Envelope

addEVWMA # Add Exponential Volume Weigthed Moving Average

addMACD # Add Moving Average Convergence Divergence

addMomentum # Add Momentum

addROC # Add Rate of Change

addRSI # Add Relative Strength Indicator

addSAR # Add Parabolic Stop and Reverse

addSMA # Add Simple Moving Average

addSMI # Add Stocastic Momentum Index

addTRIX # Add Triple Smoothed Exponential Oscillator

addVo # Add Volume

addWMA # Add Weighted Moving Average

我们将看看 quantmod 的数据处理特性。我们之前看到下载的苹果数据有如下结构。

AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted

2007-01-03     86.29     86.58   81.90     83.80   309579900     11.19449

2007-01-04     84.05     85.95   83.82     85.66   211815100     11.44295

2007-01-05     85.77     86.20   84.40     85.05   208685400     11.36147

2007-01-08     85.96     86.53   85.28     85.47   199276700     11.41757

2007-01-09     86.45     92.98   85.15     92.57   837324600     12.36603

2007-01-10     94.75    97.80   93.45     97.00   738220000     12.95782

有用的功能

Quantmod 提供了探索数据帧特征的函数。以下命令显示保存 apple 数据的对象类型是 xts 和 zoo。

class(AAPL)

人们想要探究提取的数据是否包含开盘价、交易量等。看看下面的命令。

is.OHLC(AAPL) # Checks whether the xts data object has the open,high, low and close price?

输出为真，意味着数据对象包含开盘价、最高价、最低价和收盘价。

has.Vo(AAPL) # Checks whether the data object has volume

seriesHi(AAPL) # To check the highest point of price.

Lag(Cl(AAPL)) #One period lag of the closing price

Next(OpCl(AAPL)) #The next periods open to close - today!

AAPL ['2007'] #Fetches all Apple’s 2007 OHLC

AAPL ['2008::'] # Apple data, from 2008 onward

dailyReturn(AAPL) # Returns by day

weeklyReturn(AAPL) # Returns by week

monthlyReturn(AAPL) # month, indexed by yearmon  daily,weekly,monthly,quarterly, and yearly

allReturns(AAPL) # note the plural

下一步

如果你是新手，不能掌握这篇文章的所有技术方面，你可以看看一些解释基本概念的文章，比如在 R 中设计一个 quant 交易策略。你也可以看看用 R 编码的交易策略的基本例子。

免责声明:股票市场的所有投资和交易都有风险。在金融市场进行交易的任何决定，包括股票或期权或其他金融工具的交易，都是个人决定，只能在彻底研究后做出，包括个人风险和财务评估以及在您认为必要的范围内寻求专业帮助。本文提到的交易策略或相关信息仅供参考。

适合算法交易的学术背景

原文：https://blog.quantinsti.com/academic-backgrounds-algo-trading/

由查尼卡·塔卡

算法交易是一种交易方式，在这种交易方式中，交易指令是在携带预定义指令的算法的帮助下执行的。现在，一个很常见的问题是:

做算法交易应该属于什么学术背景？

答案很简单！

有一些本科和研究生学位包含了帮助获得算法交易所需的基本技能的科目。拥有其中一个学位可以帮助你详细学习和理解算法交易所需的概念。

此外，这篇文章包含了专业人士和学生对算法交易的常见问题的回答。

这篇文章包括:

哪些本科和研究生学位的科目可以帮助从事算法交易？
学习算法交易的资源
关于算法交易所需教育的常见问题

哪些本科和研究生学位的科目可以帮助从事算法交易？

在这一部分，我列出了一个对有抱负的算法交易者有帮助的学位清单。因为算法交易包括不同的工作角色，如量化分析师、量化开发员、风险分析师等。根据你所拥有的技能，你可以决定专攻某个特定的角色。

但是，你需要同时掌握所有其他角色的知识。作为一名定量开发人员，即使你专攻编程，你也需要有数学知识来避免代码中的任何基本错误。

例如，在显示一只股票的最大提款时，需要很好地理解最大提款的含义，以便您能够编写正确的条件语句。

看看对算法交易有帮助的本科和研究生学位，每个学位获得的技能(为学习算法交易打下基础)和每个学位错过的技能:

本科学历:

machine learning
program

|
| 计算机科学 |

program

|
| 数学/统计学 |

Statistics & Probability
Monte Carlo

|
| 金融 |

Fundamental Analysis
Trading/Finance (Market Basis)
risk management

研究生学历:

machine learning
program

|
| 计算机科学 |

program
Network and system

|
| 数学/统计学 |

Statistics and probability theory
Stochastic calculus
Advanced calculus

|
| 金融工程 |

machine learning
Statistics and probability theory
Stochastic calculus
risk management
program
quantitative analysis

|
| 金融 |

risk management
quantitative analysis
Trading/Finance (Market Basis)

表格信息的致谢:高拉夫·辛格

而且，如果你已经拥有了上面提到的学位，那么你可以专注于缺少的技能，并从可用的资源中学习。

学习算法交易的资源

无论您是想学习错过的技能，还是想深入了解现有技能，这些学习路线和课程都将满足您的需求:

学习曲目

学习轨迹:金融市场中的机器学习和深度学习进行学习:

机器学习导论
机器学习的基本概念，如神经网络和决策树

学习轨迹:人人算法交易学习用:

Python 编程
用机器学习和数学概念进行交易
交易策略:量化交易策略，日内交易，期权交易(市场基础)

课程

算法交易高管课程(EPAT) -为期 6 个月的综合算法交易课程，培养您在以下方面的知识和专业技能:

定量分析
统计数字
贸易

量化投资组合管理学习用:

风险管理

博客

如何回测交易策略学习:

回溯测试

接下来，围绕算法交易的学术背景，有一系列有趣的常见问题。

关于 Algo 交易所需教育的常见问题

没有前期技术知识的人可以做算法交易吗？

是的，最初没有现有的技术知识是可以的。但是对于算法交易，你可以轻松地学习技术。这些技术是编程、创建机器学习算法和应用量化交易策略。我们在上面的博客中讨论了可以帮助你掌握相关技能的学习资源。

看看这个鼓舞人心的故事，萨拉从 17 岁开始了她的交易之旅。后来，在 EPAT 的帮助下，她成功地从手工交易员转型为算法交易员。如果萨拉能做到，你也能！

在注册算法交易课程之前，学习 MFE 或任何定量分析课程是否更有意义？

从 MFE 或其他研究生课程中获得一些知识总是好的。这就是为什么我们提到研究生和研究生学位有助于获得算法交易的基本知识。定量分析课程有助于更容易掌握算法交易的基本概念。

例如，高等数学知识(概率论、随机微积分、偏微分方程、数值分析、统计学、计量经济学)和/或使用 Python 等编程语言编程的能力。

另一方面，你可以选择像 EPAT 这样的课程，从头开始为你提供算法交易的全部知识。参加这样的课程，你不需要先修课程。纳西索·佩雷兹和 T2·舒巴拉兰的故事让我们对这一项目的益处有了更深入的了解。

我们在这个领域只看到博士、数学学者、核心程序员和 IITians。对大多数人来说是这样吗？

虽然许多人认为只有博士、C++程序员或 IITian 人才能进入算法交易领域，但这并不完全正确。事实是，做算法交易，你需要基本概念的知识，如编程，机器学习，交易等。

但是，来自不同的学科并不是一个障碍。如果你仍然致力于算法交易领域，你可以报名参加一个课程，这个课程会让你具备所需的知识。

除了 IITians，博士，数学学者和核心程序员，还有其他人报名参加算法交易课程，从零开始学习基本概念。

这张图表显示了 EPAT 项目中其他专业/学科的注册学生的百分比:

饼状图显示，来自其他背景的 EPAT 学生的比例为 25.7%。这表明，来自不同领域的学生比例远远高于拥有交易、数据分析师和编程背景的学生比例。

结论

作为一名学生，一个能帮助你获得算法交易所需技能的学位当然是加分的。错过的技能可以通过专业课程获得，你从学术背景中获得的知识将帮助你获得学习算法交易的基础。

此外，如果你对算法交易有热情，在其他领域多年也不会成为障碍。通过正确的指导和训练，你可以获得算法交易所需的知识，并进一步采取正确的步骤。

从算法交易(EPAT) 的执行项目开始，提升你的算法交易知识。这是一门综合课程，涵盖从统计学&计量经济学到金融计算&技术，包括机器学习等等。点击这里查看。

会计、MBA 和算法交易——曼纽尔的故事

原文：https://blog.quantinsti.com/accounting-mba-algo-trading-success-story-manuel-roldan/

是什么阻止了你学习算法交易？
是缺乏领域知识吗？
是对编程的恐惧吗？

如果我们能告诉你一个克服了这一切的人会怎么样？

不是别人，正是曼纽尔·罗尔丹。Manuel 来自委内瑞拉，职业是会计师，拥有金融学位和工商管理硕士学位。这是一个有趣的故事，也描述了他学习算法交易的渴望。

我们通过电话采访了曼纽尔，在这里，他与我们分享了他的故事！

嗨！我是曼纽尔·罗尔丹，我来自委内瑞拉。我目前是委内瑞拉公共部门的一名会计，另外，我有时也从事金融市场交易。我有工商管理学位和金融学位，我主修会计和银行经济学。

我在大学二年级时被介绍到股票市场，在那里我学到了交易的不同方面。我对全职交易越来越感兴趣，所以我花了两年时间研究金融市场的不同工具，比如期权、期货和商品。

在这一切进行的同时，我发现了“高频交易”，这完全是一个全新的领域，你可以使用算法和程序进行交易。最终，当我在互联网上探索算法交易时，我发现了 Quantra。

我想学习更多关于算法交易的知识，所以我参加了 Quantra 提供的一些免费课程。

起初，我认为这对我来说很难，因为我没有早期的计算机科学背景，但我发现这很容易，因为有视频和练习单元。

虽然还有很长的路要走，但通过几个小时的不断练习，我已经能够克服恐惧，熟悉 Python 了。展望未来，我想了解更多关于如何将机器学习和人工智能应用于金融市场。

我的目标是拥有自己的交易公司，在那里我可以运用我的知识建立、发展策略，并把它们运用到市场中。

谁可以学习算法交易

Manuel，我们很高兴看到你负责自己的学习，提前计划，并且很高兴看到你克服了对编程的恐惧。感谢您的时间，我们祝您一切顺利！

我们经常求助于不同的方式来满足我们的学习需求，而不管质量或学习。Quantra 的自定进度的小型课程由该领域的专家设计和管理，你也可以获得认证。它让积极的学习者在几个小时内获得并完善在算法交易领域取得成功所需的技能。

托马斯如何通过算法交易实现卓越

原文：https://blog.quantinsti.com/achieve-excellence-algo-trading-tomas/

很少有人能激励我们在生活中不断取得成就——无论是个人的还是职业的。特许金融分析师(CFA)，特许另类投资分析师(CAIA)，拥有金融市场硕士学位，目前是多资产投资组合经理——这是托马斯的故事，他建立了一个惊人的成就和技能的“军火库”。

对于一个拥有从外汇到定量分析等一系列技能的人来说，托马斯非常热爱学习，并相信分享知识。因此，他也在几所大学和商学院任教。

托马斯非常友好地在一次谈话中与我们分享了他的旅程。下面是他的故事:

你好托马斯！你能给我们介绍一下你自己吗？

嗨！我的名字是托马斯·v·加西亚·普里诺斯。我目前住在安道尔，这是一个美丽的小国家，位于西班牙和法国之间，在比利牛斯山脉的中部。我觉得住在这里很幸运。

我最热爱的工作之一是金融市场。

我的一些爱好是户外运动，它让我更接近大自然，比如跑步或冲浪。我也喜欢阅读，不仅是金融市场，还有历史、科幻、英雄幻想和漫画。

当然，我喜欢和家人在一起。安道尔是一个非常安静和安全的国家，非常适合儿童。

你能告诉我们你目前作为多资产投资组合经理的角色吗？

作为一名多资产经理，我负责所有资产类别和投资策略。我有我们专业团队(股票、固定收益、基金选择和 ETF 等)的支持和帮助。)这让我可以更专注于资产配置部分和投资策略的制定。

还有，我一直对货币和大宗商品有些偏好。

总而言之，我的工作是管理投资基金、投资组合和投资委托，并为其制定最佳投资策略。当然，还有帮助我们的商业团队将这些策略传达给我们的客户。

你是一名 CFA，一名 CAIA，拥有金融市场硕士学位。但你是从法学学士开始的。给我们讲讲那个故事。

这无疑是一次有趣的旅程。我开始学习法律是因为它是由法律学位和金融市场硕士学位组成的双学位的一部分。

尽管在法律方面学到了很多有趣的东西，特别是很多“法律语言”，在我们的领域如此重要，但我从未致力于法律，我所有的工作都与金融市场有关，这是我最感兴趣的领域。

从这个意义上说，我决定从 CFA 和 CAIA 开始我的培训，但也包括其他课程和认证，如计量经济学课程、数学或算法交易，以完成我在学位期间最少深入研究的理论部分。

超过 12 年的金融行业工作经验和丰富的教学经验——那一定是一段非常奇妙的经历！

一开始，事情要复杂得多，因为你必须在你的兴趣和现有工作之间找到平衡点。幸运的是，我开始在马德里一家大型国际银行分行的交易团队工作。

首先，我从衍生品交易员做起。然后，他们给了我加入分析和策略团队的机会，让我担任宏观经济分析师和投资组合顾问。尽管我在那里很开心，但我最大的愿望是管理投资组合，所以当机会出现时，我毫不犹豫。

你是几所大学和商学院的教师。你能给我们讲讲吗？

我的形成天职来自我的家庭。我的曾祖母，我的母亲，我的两个姐妹和我的妻子曾经是或现在是学校老师或高中教授。我的父亲是各种学校和高中的主任和研究负责人。我的一个兄弟是大学教授，我的大多数兄弟姐妹都以这样或那样的方式与大学或培训课程合作。

对我来说，教学是巩固知识的一种方式。找到简单易懂的词语来解释复杂的事物有助于你更多地思考重要的概念。

目前，我在一家著名的西班牙金融交流公司担任行为金融学、商品、货币和另类策略教授，同时也是 A Coruñ一所著名商学院的行为金融学和风险管理教授。

此前，我在不同的大学和商学院讲授过交易、行为金融学和经济学。

而且，谁知道呢，也许有一天我会有机会自豪地说，我是惊人的 EPAT 教职员工阵容的一部分！

你能告诉我们你的交易经验吗？

总的来说，我使用的策略主要是中长期的。

我认为，如果你需要一个关于市场的总体概念，就像我需要的那样，你必须考虑基本面和技术面，以及投资者的情绪。

这就是为什么我通常将经典技术指标与基本面指标(通常在宏观经济层面)相结合，同时加入情绪和流量指标。

总的来说，我对风格和哲学很务实。我认为他们在市场上都有自己的时间，没有什么对每个市场情况都有效。

无论如何，最重要的是风险管理。投资组合经理不是算命先生，不可能知道未来。但幸运的是这也不是我们的工作。我们的工作是以最好的方式管理所有风险。

另一方面，我认为一个人的财务规划比具体管理一个特定的策略要重要得多。所以我的另一个重点在这部分。

你在交易方面已经建立了相当不错的声誉。是什么激励你学习算法交易？

我相信量化策略是投资的未来。这是我想加强这方面知识的主要原因。

毫无疑问，算法交易(EPAT)的高管课程对我帮助很大，它强化了我的弱点，巩固了我的知识，并为我自己的研究开辟了新的道路。

EPAT 最大的优点是它非常实用。老师们用 Excel、Jupyter Notebook、Spider、RStudio 或打开的 MATLAB 来上课，用代码复制他们正在解释的一切。即使是最理论化的部分，如对选项的解释，也是实用的，从一开始就解释了曾经发展的策略的基础。

我们目前正在使用量化策略，将它们与定性策略相结合，来管理我们的许多基金和客户投资组合。此外，我们正在开发和测试投资策略，主要使用 Python。所以，这些知识真的很有帮助。

我对技术分析最重要的批评之一是，有时它缺乏严密性。毫无疑问，EPAT 在这方面给了我很多帮助。与对基本比率的研究相比，等等。，在最知名的技术分析书籍中，对指标的解释没有强调其可靠性。在 EPAT，你学会自己严格地测试它们。

你对未来有什么计划？

我想继续提高我的量化技能，并在机器学习部分加深。还有，我想开发更多的算法策略，尤其是与资产配置、大宗商品和货币相关的策略。

另一方面，关于培训，我正在考虑读博。关于更多个人话题，但仍与金融市场有关，我也在写一本关于行为金融学的书。

我的想法是永远不要停止专业成长！

你想向有抱负的算法交易者传达什么信息？

我认为让他们知道这一点很重要——他们不应该停止他们最热衷的训练，也不应该放弃献身于他们最喜欢的事情。机会只给那些在正确的时间出现在正确的地点的人。为此，你必须在许多时间出现在许多地方。

都说签合同前看合同给智慧，不看合同给经验。理论和实践都是实现目标的关键。所以，我推荐你去实践，去实践你所学到的东西。正如我之前说过的，EPAT 最大的优点是，从第一课开始，你就在实践这个理论。

万事如意！

虽然你对技术分析的熟练程度只是反映了你的旅程，但你详尽的技能清单，如资产配置、投资组合管理、共同基金经理、投资顾问、经济分析、定量分析，确实是那些想进入金融市场的人的清单。

谢谢你和我们分享你的故事，托马斯。我们确信这将激励、引导和鼓励个人适应算法交易。

我们同意传授知识是一种恩惠。我们在 QuantInsti 提供算法交易(EPAT)的高管课程，确保你精通在交易领域取得成功所需的每一项技能，例如统计和计量经济学、金融计算和技术、机器学习等等。如果你也想用终生的技能来武装自己，这将永远帮助你提升你的交易策略， 在这里 询问 EPAT。

孟买 NMIMS 高级选项讲座

原文：https://blog.quantinsti.com/advanced-options-trading/

https://www.youtube.com/embed/TVyenjvb6tc

Rajib Ranjan Borah 解释了“期权投资组合管理的高级概念”，特别是如何通过管理一阶、二阶和三阶希腊衍生品来管理投资组合风险(例如:波动性等因素对 Gamma 的影响等)。

他还解释了一种“复杂的期权交易策略”，即分散交易，期权用于交易一篮子股票的相关性观点。

这段视频摘自 Rajib 于 2012 年 12 月在一家领先的管理学院举办的讲座——这些概念对于任何计划管理相当规模的期权工具组合的人来说都至关重要。QI 提供的 E-PAT 计划中有关于这些主题的更详细的概念

Rajib Ranjan Borah 是 irage capital Advisory Private Limited 和 quantin STI Quantitative Learning Private Limited 的联合创始人和董事。在 iRage，Rajib 为东南亚交易所设计高频交易策略；在 QuantInsti，他与 T2 的其他交易所合作设计教育项目，并管理一个 100 小时的算法交易在线教育项目。在加入 iRage 之前，Rajib 与领先的 HFT 公司 Optiver 合作，为所有主要的美国和欧洲交易所贡献了大量的交易量。

此前，作为一名战略顾问，Rajib 曾协助一家财团创办了一家全国性的大宗商品衍生品交易所。他在纽约的彭博公司实习，在比利时的首诺国际 EMEA 战略总部实习。作为国家奥林匹克决赛选手，Rajib 曾两次代表印度参加世界拼图锦标赛。

ADX 指标的数学直觉:Python 方法

原文：https://blog.quantinsti.com/adx-indicator-python/

以重香重香

如果要确定趋势的强度，可以使用平均方向指数(ADX)指标。但是你为什么想要找到趋势的强度呢？如果你在较弱的趋势中交易，那么与较强的趋势相比，反转的可能性很大。所以把你的方向性交易和更强的趋势结合起来会帮助你获得更高的命中率和更高的平均盈利能力。

这里有一个有趣的事实，虽然名称是平均方向指数(ADX)，但它并没有告诉我们趋势的方向。虽然这听起来令人担忧，但原因很简单，ADX 指标总是与正方向指标和负方向指标一起使用，它们分别表示上升和下降趋势。我们将在本博客中了解 ADX 指标及其用途。

我们将讨论以下主题:

什么是 ADX 指标？
ADX 指标的计算
使用 Python 使用 ADX 指标交易策略

什么是 ADX 指标

威尔斯·怀尔德创造了方向移动指标和 ADX 指标来确定趋势的方向和强度。根据 Welles Wilder 的说法，方向移动指示器据说由以下部分组成:真实范围、平滑的正方向指示器(+DI)和平滑的负方向指示器(-DI)。

ADX 指标计算为+DI 指标和-DI 指标之差的平滑平均值，从而告诉我们趋势的强度。

ADX 指示器的值介于 0 和 100 之间。人们普遍认为，如果 ADX 高于 25，这是一个强劲趋势的迹象。

在我们继续讨论基于 ADX 指标的策略之前，让我们看一个小例子，看看 ADX 指标是如何计算的。

ADX 指标的计算

我们将此部分分为以下步骤:

真实范围
正向运动
负向运动
平滑值
正指数指示器和负指数指示器
ADX 指标:最终计算

假设我们有以下数据。

在我们实际使用 ADX 指标之前，我们还必须了解一些其他变量。我们已经将博客的这一部分分成了许多小部分，我们从寻找股票价格的真实范围开始。我们走吧！

真实范围

第一行的范围是上限和下限之间的差值。那是 90 - 82，8。只有真理才能让你自由！虽然前面的陈述是武断的，但它在某种程度上也是正确的。如果你看高低点数据，你可能会错过连续几天的价格变化。这就是真正的范围。

简单地说，我们取以下三个分量的最大值:

(当前高电平-当前低电平)

(当前高点-前一收盘点)的绝对值

(当前低点-前一收盘点)的绝对值

在这方面，我们发现了不同日期之间价格波动的实际范围。

如果我们必须计算上述值的真实范围，那么对于 12 月 2 日，这三个值将是:

(当前高-当前低)= 95 - 85 = 10

(当前高点-前一收盘点)的绝对值= 95 - 87 = 8

(当前低点-前一收盘点)的绝对值= (85 - 87) =绝对值(-2) = 2

因此，因为真实范围是三个值中的最大值，所以它应该是 10。

现在让我们来填桌子吧。

好吧。让我们继续前进。

正向运动

我们一路向上，我的朋友。顾名思义，积极的方向指标是用来帮助我们衡量市场的上升趋势。当然，我们将它与负方向指标配对，以从指标中获得真正的意义。

但是我怎么知道哪条路是向上的？

直觉上，如果每天的新高是与前一天的新高相比，那么我们可以说价格在上升。

对此我们有一个简单的公式，它使用了在英语和编程中都能找到的著名的“if-else”语句。

如果(今日高点-昨日高点)>(昨日低点-今日低点)，那么

+DM =(今日高点-昨日高点)

否则就是 0。

但是我们为什么要这样做呢？我们正在检查两个“高点”的价格差是否大于两个低点的价格差。这表明对该股票有需求，并愿意以高于前一高点的价格买入。

让我们进入下一部分。

负向运动

就像人生一样，有起有落，总会有股票下跌的时候。正如我们在上一节中讨论的，我们正在检查抛售压力，如果投资者准备以低于前一天的价格出售股票，这种压力就会出现。

因此，在负方向指示器的情况下，公式为:

如果(昨日低点-今日低点)>(今日高点-昨日高点)，那么

-DM =(昨日低点-今日低点)

否则就是 0。

我们将使用上述公式计算桌子的正向移动和反向移动。

因此，通过这种方式，我们理解了方向性运动。

在我们转向方向指数指标之前，我们必须弄清楚什么是真实范围的平滑版本，正方向移动和负方向移动。

平滑值

我们应该注意，平滑版本有点类似于移动平均，因为它用于平滑数据中的波动(如果有的话)。

我们将周期定义为 5。这是任意选择的。

我们将做正向运动的平滑值。第一个值的计算方法是取前 5 个值的和，即(5 + 10 +15 + 20 + 25) = 75。

下一个值是通过取前一个平滑值并从中减去平均值来计算的。最后，加上正向移动的当前值。

迷茫？别担心，我们有下面的例子。

第一次平滑的正向移动值= 75。

平滑正向移动值的平均值= 75/5 = 15。

当前正向移动= 30°(回想一下，这是第六个值)

因此，第二个平滑的真实范围值= 75 - (75/5) + 30 = 75 - 15 + 30 = 90。

让我们为以下内容创建表格:

我们注意到，由于负 DM 为 0，平滑后的负 DM 也为 0。

类似地，平滑的真实范围值被计算并填入下表:

太好了！我们已经计算了相当多的变量。我们现在来看三位一体，正方向指数指标，负方向指数指标和最后一个 boss，即平均方向指数(ADX)指标。我们继续吧，好吗？

正向指标指示器和负向指标指示器

我们发现了平滑的正向运动和负向运动。就其本身而言，这两个指标的用途都有限。但是怀尔德同时使用了这两种信号，因此它们的交叉可以被归类为一种信号。

现在，由于每一个都可能有不同的幅度，我们通过除以真实范围并将其表示为百分比来对其进行归一化。

因此，对于正方向指示器，我们取平滑的正 DM ie 75 的值，并将其除以真实范围 70，得到值 75/70 = 1.07，作为百分比，它将是 107。

这里，我们应该注意，平滑的负 DM 总是 0，因此负方向指数指示器将是 0。

太好了！我们离这个故事的要点，即 ADX 指标，只有几步之遥了。

ADX 指标:最终计算

记得我们说过 ADX 指标告诉我们趋势的强度，而不是方向。简单回顾一下情况，到目前为止，我们发现了正向指标和负向指标。这些会告诉我们趋势的方向。

但是，让我们退一步，看看我们是否能从指标中获得更多信息。我们需要检查的是这两个指标之间的差距，这将让我们对市场的表现有一个公平的想法。

如果我们有两个指标彼此接近的情况，那么这意味着可能有一个疲软的趋势，如果有的话。

但如果两者相差很大，就说明我们有很强的趋势。怀尔德通过给出方向指数(DX)指标的公式对此进行了量化。内容如下:

DX =(正负方向指标之差)/(正负方向指标之和)

因此，12 月 6 日的 DX 值为:

DX = (75 - 0) / (75 + 0) = 1。

因为我们用百分比表示它们，所以它将乘以 100 得到值:1 * 100 = 100。

现在，由于我们必须消除任何波动，我们采用 DX 的移动平均线来获得平均方向指数(ADX)指标。

因为我们将时间段设为 5，所以我们取这五个值的平均值。

因此，更新后的表格如下:

| 日期 | 真实范围 | 阳性糖尿病 | 负 DM | 平滑的正 DM | 平滑负 DM | 平滑后的真实范围 | 正向指示灯 | 负方向指示灯 | DX | ADX |
| 11/29/2019 | - | - | - | - | - | - | - | - | - | - |
| 12/2/2019 | Ten | five | Zero | - | - | - | - | - | - | - |
| 12/3/2019 | Eighteen | Ten | Zero | - | - | - | - | - | - | - |
| 12/4/2019 | Twenty-three | Fifteen | Zero | - | - | - | - | - | - | - |
| 12/5/2019 | Twenty-six | Twenty | Zero | - | - | - | - | - | - | - |
| 12/6/2019 | Thirty-two | Twenty-five | Zero | Seventy-five | Zero | One hundred and nine | 68.80733945 | Zero | One hundred | - |
| 12/9/2019 | Thirty-eight | Thirty | Zero | Ninety | Zero | One hundred and twenty-five point two | 71.88498403 | Zero | One hundred | - |
| 12/10/2019 | forty-four | Thirty-five | Zero | One hundred and seven | Zero | One hundred and forty-four point two | 74.22308546 | Zero | One hundred | - |
| 12/11/2019 | Forty-seven | Forty | Zero | One hundred and twenty-five point six | Zero | One hundred and sixty-two point three | 77.37420531 | Zero | One hundred | - |
| 12/12/2019 | Fifty-one | Forty-five | Zero | One hundred and forty-five point five | Zero | One hundred and eighty point nine | 80.43684038 | Zero | One hundred | One hundred |
| 12/13/2019 | Fifty-four | Fifty | Zero | One hundred and sixty-six point four | Zero | One hundred and ninety-eight point seven | 83.74053399 | Zero | One hundred | One hundred |

由于该值为 100，我们可以说 ADX 指标呈现出非常强劲的趋势。这也可以通过上面显示的数据的蜡烛图直观地证实。

考虑到我们之前举了一个简单的例子，我们在下面添加了另一个表，该表给出了苹果的股价及其相应的 ADX 指标。

这里我们可以看到正方向指标多次从负方向指标下方穿过。但是，正如我们上面提到的，我们也检查 ADX 指标水平来确定趋势的强度。

让我们举几个例子，我们可以使用 ADX 指标作为交易策略的一部分。

使用 Python 使用 ADX 指标交易策略

前面，我们看到了使用简单的表格查找 ADX 指标的过程。现在，为了处理真实世界的数据，我们将借助 Python 来简化工作。

我们将通过以下方式从 yahoo finance 获取数据。

import yfinance as yf
aapl = yf.download('AAPL', '2017-1-1','2019-12-18')

我们随机选取了苹果公司的股票，从 2017 年 1 月 1 日到 2018 年 12 月 18 日。我们将在下面的代码中使用调整后的值。

aapl['Adj Open'] = aapl.Open * aapl['Adj Close']/aapl['Close']
aapl['Adj High'] = aapl.High * aapl['Adj Close']/aapl['Close']
aapl['Adj Low'] = aapl.Low * aapl['Adj Close']/aapl['Close']
aapl.dropna(inplace=True)

您可以使用以下代码在 Python 中轻松计算 ADX 指标

from ta.trend import ADXIndicator
adxI = ADXIndicator(aapl['Adj High'],aapl['Adj Low'],aapl['Adj Close'],14,False)
aapl['pos_directional_indicator'] = adxI.adx_pos()
aapl['neg_directional_indicator'] = adxI.adx_neg()
aapl['adx'] = adxI.adx()
aapl.tail()

输出如下所示:

在 Python 中，我们使用“matplotlib”库以下列方式绘制图形:

import matplotlib.pyplot as plt
def plot_graph(data,ylabel,xlabel):
plt.figure(figsize=(10,7))
plt.grid()
plt.plot(data)
plt.ylabel(ylabel)
plt.xlabel(xlabel)
plot_graph(aapl['Adj Close'], 'Price', 'Date')
plot_graph(aapl['adx'], 'Price', 'Date')

输出如下所示:

通过这种方式，我们可以比较 ADX 指标和价格，并制定您的交易策略。

但是看起来很混乱！

别担心，我们会掩护你的。在下面的代码中，我们将绘制价格数据，并突出显示 ADX 指标高于 25 的部分，这表明趋势强劲。

aapl['trend'] = np.where(aapl.adx>25,aapl['Adj Close'],np.nan)

aapl['trend_signal'] = np.where(aapl.adx>25,1,0)
plt.figure(figsize=(10,7))
plt.grid()
plt.plot(aapl['Adj Close'])
plt.plot(aapl['trend'])
plt.ylabel('Price')
plt.xlabel('Date')

As we had mentioned earlier, The ADX indicator tells us the strength of the trend and not the direction. Thus, if we take the example of the data from Oct 2018 to Jan 1, 2019, the ADX indicator has highlighted the price data signifying that there is a strong trend present. Further, when we see the price chart, we can see it is a downtrend and can take a short position.

但我们看到从 2019 年 1 月开始的数据，直到 2019 年 5 月，价格上涨，ADX 指标高于 25，表明上涨趋势，我们可以将此作为做多的信号。

如果我们使用 ADX 指标作为交易策略，回报将按以下方式绘制。

aapl['direction'] = np.where(aapl.pos_directional_indicator>aapl.neg_directional_indicator,1,-1) * aapl['trend_signal']
aapl['daily_returns'] = aapl['Adj Close'].pct_change()
aapl['strategy_returns'] = aapl.daily_returns.shift(-1) * aapl.direction
plot_graph((aapl['strategy_returns']+1).cumprod(), 'Returns', 'Date')

这些只是我们在交易策略中使用方向指标和 ADX 指标的几种方法。当然，没有一个指标是完美的，总是建议和其他指标一起使用，来确认你的行动。

结论

我们今天已经走了很长的路，从理解 ADX 指标的计算以及实现它的 python 代码，到在您的交易策略中使用该指标。我们也知道 ADX 指标执行起来相对简单，有助于我们识别市场中的强劲趋势。虽然它有自己的局限性，但将它与其他指标结合起来，将会产生强大的交易策略。

如果你想学习算法交易和自动交易系统的各个方面，那就去查查算法交易(EPAT ) 的高管课程。课程涵盖统计学&计量经济学、金融计算&技术和算法&定量交易等培训模块。EPAT 教你在算法交易中建立一个有前途的职业所需的技能。现在报名！

免责声明:本文中提供的所有数据和信息仅供参考。QuantInsti 对本文中任何信息的准确性、完整性、现时性、适用性或有效性不做任何陈述，也不对这些信息中的任何错误、遗漏或延迟或因其显示或使用而导致的任何损失、伤害或损害承担任何责任。所有信息均按原样提供。

从航空工程师到自由算法交易员|胡安·马尔克斯

原文：https://blog.quantinsti.com/aerospace-engineer-freelance-algorithmic-trader-quantra-success-story-juan-marquez/

胡安不仅是一名航空工程师，还是一名自由职业的算法交易员。他对算法交易这个领域并不陌生，但他不知道机器学习这种强大的工具能给他带来多大的影响。这让他开始寻找免费资源来学习机器学习及其策略，以及回溯测试。

他和我们分享了他的旅程。

你好！我叫胡安·马尔克斯，来自美国加利福尼亚州。我是一名合格的航空工程师，但在过去的五年里，我是一名自由职业的交易策略开发者。

在 Quantra 之前，我在 RUST 工作，做不使用机器学习(ML)的算法交易策略。我来 Quantra 是因为我想把我的交易工作和分析转移到 Python，并融入机器学习。Quantra 有我需要的东西，那就是 ML 和一起交易。

我确切地想把 ML 模型验证结果和策略回溯测试联系在一起。我在 Quantra 上用 Python 学习机器学习的经历很突出。我的主要目标是将 ML 模型转化为交易系统，我们确实做到了。我可以获取知识并在此基础上发展。

在做付费课程之前，我做了免费交易机器学习入门课程，对材料很满意。免费课程向我证明了 Quantra 有很多好的素材。

在 Quantra 之前，我为交易测试了许多回归器、定标器和降维器。我根据像 MSE 和 MAE 这样的 ML 指标来评估业绩，这些指标不一定能转化为成功的交易系统。

在我完成第一门 Quantra 课程后，我能够更新我的代码并实现样本外回溯测试，这现在感觉更像一个交易系统，而不是机器学习模型。

感谢您抽出时间告诉我们您的经历，Juan。我们很高兴一直在那里，为您提供能够指导您学习的 apt 学习资源。我们祝你未来一切顺利。

Quantra 是多个机器学习课程的所在地，这些课程深入研究如何在交易中利用不同的 ML 技术。这些课程旨在让您从基础开始，并以结构化的方式指导您学习高级机器学习技术。立即注册！

免责声明:为了帮助正在考虑从事算法和量化交易的个人，这个成功的故事是根据 Quantra 的一个学生的个人经历整理的。成功案例仅用于说明目的，不用于投资目的。完成 Quantra 课程后获得的结果可能不会因人而异。T3】

QuantInsti 受邀参加在新加坡 AFACT 举行的 SGX 印度套房展

原文：https://blog.quantinsti.com/afact-time-for-sgx-sgx-india-suite/

事件概述

QuantInsti 的创始人 Nitesh Khandelwal 先生于 5 月 23 日在新加坡 AFACT 的 SGX-印度分会发表演讲。他详细介绍了各种量化交易策略。本课程基于现实生活中的量化交易策略和实际市场数据。还向观众展示和解释了各种模型。包括新加坡金融和商品交易商协会许多成员在内的与会者对这一介绍反应良好。利用印度的宏观经济报道，获得围绕 SGX 印度衍生产品套件的交易见解，即 SGX CNX Nifty 指数期货、SGX 摩根士丹利资本国际印度指数期货、SGX 印度卢比/美元外汇期货。演讲者涵盖了宏观经济发展，并深入探讨了交易策略的细节，这是一个不容错过的事件。

演讲嘉宾

QuantInsti 定量学习私人有限公司 Nitesh Khandelwal 先生

Nitesh 在金融市场拥有丰富的经验，在不同的资产类别中扮演不同的角色。他共同创立了 irage capital Advisory Private Limited，这是一家在印度提供算法交易技术和策略服务领域值得信赖的公司。他领导了 iRageCapital 和 QuantInsti 的业务发展。在 QuantInsti，他还是衍生品和跨市场研究培训部门的负责人。他目前是位于新加坡的 iRage Global Advisory Services Pte Ltd 的董事，主要负责处理 HFT 领域的自营交易客户。他曾在银行资金部(外汇和利率领域)和自营交易部门担任交易员。

拉吉夫·比斯瓦斯先生，他的

HIS 高级董事兼亚洲首席经济学家 Rajiv Biswas 先生将发表印度中期经济和投资展望。2013 年，印度陷入经济危机，卢比暴跌。2015 年，印度再次成为全球投资者最青睐的新兴市场之一。演讲讨论了莫迪政府的经济政策、印度经济和投资流入的中期经济前景以及印度卢比的前景。

| 日期 | 时间 |
| 2015 年 5 月 23 日星期六 | 中午 12 点至下午 4 点半 |

| 举办地点 |
| 新加坡安森路 72 号安森大厦 01-01/(A)号沃利奇，邮编 079911 |

| 时间 | 程序 |
| 中午 12 点 | 登记 |
| 中午 12 点 30 分 | 午餐和网络 |
| 下午 1 点 45 分 | AFACT 致欢迎词 |
| 下午 1 点 50 分 | SGX SGX 印度组曲简介 |
| 下午 02:05 | 印度中期经济和投资展望 |
| 下午 03:05 | 破裂 |
| 下午 3 点 20 分 | 菲利普期货更新 |
| 下午 03:30 | iRage 全球咨询服务私人有限公司的交易见解 |
| 下午 04:30 | 问与答(Question and Answer) |

Alexis Stenfors 博士的外汇市场算法交易

原文：https://blog.quantinsti.com/alexis-stenfors-webinar-30-january-2019/

https://www.youtube.com/embed/WExt8o0s0hY?rel=0

全球外汇市场的交易额几乎是所有股票市场总和的十倍。然而，令人惊讶的是，人们对这个领域的 HFT 和算法交易知之甚少。本次网络研讨会将深入探讨这一快速增长市场的一些独特方面。

会议大纲

介绍
主题概述
是什么让外汇成为一种独特的资产类别？
市场惯例的重要性
流动性的三个维度
高频和算法外汇交易
一些经验观察
含义和要点
问题和答案

谁应该参加？

对外汇感兴趣的交易员、投资者、定量分析师和分析师
学生和学者
决策者、风险经理和合规官

演讲者

博士。亚历克西斯·斯通福尔

朴茨茅斯大学高级讲师，Alexis Stenfors &公司医学博士

Alexis Stenfors 博士是一名经济学家，著有《恐惧的晴雨表:一个内幕人士对流氓交易和历史上最大的银行丑闻》一书。在 2009 年重返学术界之前，亚历克西斯在汇丰银行、花旗银行、农业信贷银行和美林证券担任了 15 年的外汇和利率衍生品交易员。

Alexis 目前是朴茨茅斯大学经济学和金融学高级讲师，还在伦敦 SOAS 大学、利兹大学、圣路易斯华盛顿大学(伦敦课程)和东京明治大学担任学术职务。

他拥有斯德哥尔摩经济学院的 Civilekonom 学位和金融经济学硕士学位、CEMS 硕士学位以及伦敦 SOAS 大学的经济学博士学位。他最近的研究包括货币市场风险溢价、外汇市场的反竞争行为、电子交易平台的流动性问题以及人类和算法交易员的不道德交易行为。

Alexis Stenfors 也是一名公共演讲者，并就金融市场、风险、合规和道德相关问题提供咨询。他曾在欧洲和北美担任涉及金融基准、现金和衍生品市场的法律案件的专家顾问。

演示文稿

您可以点击此处查看本次网络研讨会的 powerpoint 演示文稿:

//www.slideshare.net/slideshow/embed_code/key/1TysLMhDqJ4W3m

[随便问我] Algo 与 Nitesh Khandelwal 交易

原文：https://blog.quantinsti.com/algo-trading-ama-5-december-2017/

https://www.youtube.com/embed/ZjZ_qWTGFB4

2017 年 12 月 5 日^{星期二，IST 时间晚上 7:30 |美国东部时间早上 9:00 |新加坡时间晚上 10:00}

AskMeAnything On Algo 交易

75%的全球交易是通过算法执行的。有没有想过，如何从算法中获益？我们 QuantInsti 为您带来我们的最高老板在 AMA 的独家会议。你可以自由地向他询问所有关于这个部门的问题。根据我们从课程参与者那里获得的经验和反馈，您的疑问将会很快得到解决。

关于演讲者

Nitesh Khandelwal 毕业于 IIT 坎普尔大学电气工程专业，并获得了 IIM 勒克瑙大学的管理学研究生学位，他的职业生涯始于财政部的银行部门。在一家自营交易公司短暂担任领导后，他在孟买共同创立了 iRage。如今，iRage 是印度算法交易领域的领先企业。后来，当 Nitesh 搬到新加坡时，他成立了一家贸易公司，在全球交易所进行交易。

2016 年，他将重心转移到 QuantInsti，担任其首席执行官。QuantInsti 将继续致力于为全球大众带来科技导向型贸易的知识和途径，并已帮助来自 130 多个国家的用户实现这一目标。

AMA 与 Nitesh Khandelwal 讨论算法交易[网上研讨会]

原文：https://blog.quantinsti.com/algo-trading-ama-nitesh-khandelwal-16-march-2021/

https://www.youtube.com/embed/Cq6OQ8biDMM?rel=0

2021 年 3 月 16 日星期二

美国东部时间上午 9:00 | IST 时间下午 6:30 |新加坡时间晚上 9:00

关于会议

在 Nitesh Khandelwal 的“问我任何问题”会议上，你可以问所有与算法和量化交易领域相关的问题。

从‘如何迈出第一步’到‘如何建立自己的交易台’。
从‘从哪里获得市场数据’到‘如何获得投资者’。
从‘如何申请工作机会’到‘如何在交易中应用机器学习’。

在本次 AMA 会议中，您将获得所有此类问题的答案。

演讲者简介

nitesh Khan delwal(QuantInsti 联合创始人兼首席执行官)

Nitesh 在财政部的银行部门开始了他的职业生涯。在一家自营交易公司短暂担任领导后，他于 2009 年与人共同创立了 iRage。作为 iRage 的业务主管，iRage 成为了印度算法交易领域的领军人物之一。

2016 年，他将注意力转移到 QuantInsti，这是他在 2010 年作为 iRage 的一部分共同创立的一个研究所，并担任其首席执行官。在他的领导下，QuantInsti 一直致力于将科学技术导向的贸易知识和途径带给全球的大众和机构，并且已经帮助来自 200 多个国家和地区的注册用户实现了同样的目标。

Nitesh 拥有 IIT 坎普尔的电气工程学位和 IIM 勒克瑙的管理研究生学位。

2020 年算法交易挑战

原文：https://blog.quantinsti.com/algo-trading-challenge-2020/

由于疫情冠状病毒，本次活动被推迟。
一旦局势恢复正常，本博客的日期和信息将会更新。

这个活动是与 with 洛克的 FinFest 活动联合举办的，并且是专门为参加 FinFest 的学生举办的。

https://www.youtube.com/embed/S8WoRbzb0zg?rel=0

系统的交易策略旨在以一种结构化的方式使交易决策过程(和执行)自动化。在这个过程中，我们从金融市场的经验或理论模型开始，并试图提出一个利用我们的观察的交易策略。

羊驼市场和 QuantInsti 为您带来 Algo 交易挑战赛 2020 。在这场比赛中，你将尝试为美国股票市场提出一个获胜的系统交易策略，并在 Blueshift 上使用羊驼进行纸张交易。

https://www.slideshare.net/slideshow/embed_code/key/fnqzhP75RaP3xM

Algo Trading Challenge 2020 from QuantInsti

#GoAlgo

商品市场中的算法交易

原文：https://blog.quantinsti.com/algo-trading-commodity-markets-webinar-13-february-2020/

https://www.youtube.com/embed/S95YkpJdX3w?rel=0

2020 年 2 月 13 日星期四

美国东部时间上午 8:00 | IST 时间下午 6:30 |新加坡时间晚上 9:00

会话大纲

介绍
算法交易的阶段:
制定交易概念/逻辑
选择脚本的过滤标准
逻辑验证(高级别)
回溯测试
参数优化
真实环境中的纸上交易，即远期测试或模拟交易
真实环境中的部署
学习资源算法交易
Python 中带有示例策略的演练

还有更多...

谁应该参加？

全权委托/手工交易者(例如专业交易者，兼职交易者)，他们希望提高技能并获得更好的回报
希望实施量化策略的商品交易商
技术专业人士，他们希望利用自己的技术技能明智地投资于金融市场
希望从事定量金融的学生和其他爱好者

扬声器配置文件

苏尼尔·古格拉尼

NCDEX 的助理副总裁

Sunil 目前在 NCDEX(国家商品和衍生品交易所有限公司)担任助理副总裁。他在 IT 行业拥有大约 20 年的丰富经验。如今，Sunil 是一名算法交易员，他是 EPAT 大学的校友，一年半前，他从 IT 管理领域转向了快速增长的算法交易领域。Sunil 主要使用 Python 来开发他的算法。他的策略基于价格模式识别、概率、相关/协整、自相关、配对交易、平稳序列、动量识别、对冲和 ML/DL 算法。他还开发了自己的回溯测试和技术指标库。

演示文稿

您可以点击此处查看本次网络研讨会的 powerpoint 演示文稿:

https://www.slideshare.net/slideshow/embed_code/key/oeuuMpmEIevuPb

Algorithmic Trading in Commodity Markets by Sunil Guglani from QuantInsti

在 QuantInsti GitHub 上可获得的代码文件:

查那克期货历史数据 _2.csv
IAP Algo Trading 2019 年 9 月 _v3.pdf
algo_stages_commodity_article.py
algo_stages_commodity_article_optimization.py

Algo 交易概念|与 Nitesh Khandelwal 一起打破神话

原文：https://blog.quantinsti.com/algo-trading-concepts-breaking-myths-nitesh-khandelwal/

https://open.spotify.com/embed-podcast/episode/4gvAWzu7wV05LTNNnCTIxZ?si=unbSUHw3TU66BL5SDzP_wQ

概述

这是第二集，我们谈论算法，该做什么，不该做什么，同时打破各种与算法交易相关的神话。

算法交易概念是 QuantInsti 的一个新的播客系列。在这个播客系列中，我们将和来自世界各地的交易专家和学者一起尝试简化算法交易的世界。

nitesh Khandewal(QuantInsti 的联合创始人兼首席执行官)是这一集的嘉宾，他谈到了这些话题，并简要分享了他在算法交易领域的有趣旅程。

如果你渴望进入或者已经进入算法交易和量化交易领域，这一集是必听的。

点击访问我们的 Spotify 频道。

Disclaimer: All data and information provided in this article are for informational purposes only. QuantInsti^® makes no representations as to accuracy, completeness, currentness, suitability, or validity of any information in this article and will not be liable for any errors, omissions, or delays in this information or any losses, injuries, or damages arising from its display or use. All information is provided on an as-is basis.

算法交易概念|深度学习及其对交易世界的影响

原文：https://blog.quantinsti.com/algo-trading-concepts-deep-learning-trading/

https://open.spotify.com/embed-podcast/episode/0eeFHthQvw7hfv3weCawpp

概述

算法交易概念是 QuantInsti 的一个新的播客系列。在这个播客系列中，我们将和来自世界各地的交易专家和学者一起尝试简化算法交易的世界。

这是我们算法交易新系列的第一集播客。

在这里，我们谈论深度学习、神经网络及其对交易世界的影响。我们也简单地谈论从基础到高级的话题。

点击访问我们的 Spotify 频道。

谁可以学习算法交易

算法交易概念 Vivek Krishnamoorthy 的金融市场时间序列分析

原文：https://blog.quantinsti.com/algo-trading-concepts-time-series-analysis-financial-markets-vivek-krishnamoorthy/

https://open.spotify.com/embed-podcast/episode/6AW7BrQnxY2A7s37ZZhHBg

概述

这是我们播客系列的第三集，Vivek Krishnamoorthy(QuantInsti 的内容和研究主管)是我们的嘉宾。在这一集里，我们将讨论时间序列分析以及它如何应用于金融市场。时间序列分析是指我们查看各种数据，并试图理解这些图表中的模式。

关于客人

Vivek 拥有 VESIT(孟买大学)工程学士学位、NTU MBA 学位和公共政策研究生证书(Takshashila Institution)。他也是一个有抱负的精算师，已经通过了精算师协会的六篇论文(并且是其中一篇的国家冠军)。他在印度、新加坡和加拿大的工业、学术和研究领域拥有超过 12 年的经验。

关于播客

算法交易概念是 QuantInsti 的一个新的播客系列。在这个播客系列中，我们将和来自世界各地的交易专家和学者一起尝试简化算法交易的世界。

如果你渴望进入或者已经进入算法交易和量化交易领域，这一集是必听的。

点击访问我们的 Spotify 频道。

虚拟会议|洞察算法交易行业

原文：https://blog.quantinsti.com/algo-trading-conference-alpaca-30-oct/

会议记录的第 1 部分

https://www.youtube.com/embed/zgKzGyIjWqg?rel=0

会议记录的第 2 部分

https://www.youtube.com/embed/Bq36wvFjG2E?rel=0

此活动已经结束。

算法交易生态系统

如今算法交易者有很多选择，很多进入这个行业的人可能会不知从哪里开始。此外，算法交易需要多种技能，比如金融市场知识、API 工作经验和对数据分析的理解等等。

也就是说，羊驼团队很高兴能够在 2020 年 10 月 30 日举办虚拟会议“Algo 贸易行业透视”，以及一系列会议，我们将召集业内专业人士讨论每家公司在 Algo 贸易格局的生态系统中扮演的角色。T9】

第一次虚拟会议

美国东部时间 10 月 30 日上午 8:30

我们将在美国东部时间 10 月 30 日星期五上午 8:30-10:15 在 举办我们的第一次虚拟会议，我们非常幸运地邀请到了拉多万·沃伊特科来自量子百科**、**********

与来自羊驼的 Yoshi Yokokawa 一起，会议将集中讨论从想法产生阶段到执行阶段的交易算法的工作流程。

每位演讲者将进行 15 分钟的陈述/问答，然后是 30 分钟的小组讨论。

会议日程(预计)

8:30-8:35:欢迎致辞
8:35-8:50:第一场会议:10 分钟演示，5 分钟问答(Yoshi Yokokawa 来自羊驼)
8:50-9:05:第二场会议:10 分钟演示，5 分钟问答(Radovan Vojtko 来自 Quantpedia)
5 分钟休息
9:10-9:25:第三场会议:10 分钟陈述，5 分钟问答(来自沃邦的 Rémy Astié)
9:25-9:40:第四场:15 分钟演示(Prodipta Ghosh fromQuantInsti)
9:40-10:10:小组讨论会:30 分钟的讨论
10:10-10:15:结束语

来源

2020 年 10 月的算法交易大会:第一部分

2020 年 10 月的算法交易大会:第二部分

QuantInsti 参加 2015 年 IIT 孟买电子峰会

原文：https://blog.quantinsti.com/algo-trading-e-summit-iit-bombay/

日期:【2015 年 1 月 31 日至 2 月 1 日

QuantInsti 是 2015 年企业家峰会的 Algo 交易合作伙伴，举办了两次关于算法交易的研讨会，旨在向观众介绍算法交易的概念。本次会议提供了对系统架构和延迟、标准化协议、HFT 交易策略设计方法以及该领域新发展/工具等方面的实用见解。通过这次研讨会，更多的学生现在了解了这个不断发展的领域。

如何开始自己的量化交易平台

随着新兴市场的金融市场像发达市场一样迅速发展；预计新兴市场的格局将发生颠覆性变化，其中 70%及以上的交易量将由算法交易产生。QuantInsti 旨在满足这一利润丰厚领域对高度专业化技能的迫切需求。

科技毕业生的金融职业

今天，技术和算法交易比以往任何时候都更加紧密地联系在一起。在这种背景下，所有的算法交易公司都越来越关注获取或开发新技术。这部分简要介绍了算法交易系统的架构，以及一些最新的创新。深入分析了算法交易系统中不同的技术相关垂直市场，以及一些职业道路的例子。

在巴西进行成对交易，在美国市场进行短期跨界交易[ALGO 交易项目]

原文：https://blog.quantinsti.com/algo-trading-epat-projects-12-april-2022/

完整记录

https://www.youtube.com/embed/hmX22QSY2qk?rel=0

完整的演示幻灯片可以在下面找到。

关于演示文稿

本次会议有两位我们尊敬的 EPAT 校友的项目陈述。首先是巴西 Luiz Guedes 博士的“巴西股票市场的配对交易”；第二个是阿联酋西达尔特·巴蒂亚的“对 SPX 指数的空头回补检验”。

项目 1:巴西股票市场的配对交易

https://www.slideshare.net/slideshow/embed_code/key/pCOVxrWH3YRW0J?hostedIn=slideshare&page=upload

完整项目:巴西股票市场的统计套利对交易

这个项目为巴西的 B3(前 Bovespa)证券交易所建立了一个统计套利对交易策略模型。我们在两个不同的时间间隔运行我们的策略。2009 年 1 月 1 日至 2014 年 12 月 31 日以及 2018 年 1 月 1 日至 2021 年 4 月 30 日。由于我们只有当前的部门分布可用，前一时期的结果明显遭受生存偏差。

股票板块分类是直接从巴西 B3 证券交易所下载的。在所有行业中，我们只考虑了拥有五只或更多股票的行业，即:石油、金属、钢铁、纸张、运输材料、机器、铁路、公路、仓储、服务、农业、肉类、食品、建筑、纺织品、服装、鞋、教育、汽车租赁、零售、医院、药店、信息技术、电信、电力、水、银行、金融服务、保险和房地产。

结果非常令人鼓舞，尽管没有考虑交易费用或滑点成本。所有计算都基于每日收盘价。

项目 SPX 指数短跨回测

https://www.slideshare.net/slideshow/embed_code/key/7HHjq64BhIQnxo?hostedIn=slideshare&page=upload

有很多研究都在讨论机械地卖出股票指数的期权，比如 SPX，NIFTY，BANKNIFTY 等。由于持续的市场风险溢价被称为“差异风险溢价”，它被认为是长期盈利的。这是因为隐含波动率高于指数的实际已实现波动率。由于恐惧/不确定性，市场参与者为期权支付了过高的价格，因此指数期权通常定价过高。在正常的市场机制下，期限较长的期权定价高于短期期权。

这是一个简单的策略，在 SPY ETF 上每周机械地卖出 45-60 天的跨仓，每天做一次 delta 对冲。为避免疑问，多头是一种期权头寸，在这种情况下，一个人在货币买入时卖出，然后将期权放在一起，将净贷方记入账户。

当标的表现出的波动性低于卖出期权的初始定价时，它就起作用了。简而言之，当基础资产在启动时没有从选择的 ATM 攻击移动太远或太多时，它就起作用了。

利润大致是启动时隐含波动率和终止时已实现波动率之间的差额，乘以多空双方的 vega 敞口。

扬声器

Luiz Guedes 博士(巴西奥卡姆定量分析主管)

Luiz Guedes 博士在软件开发领域拥有 30 多年的经验，尤其是在支付卡行业。此外，他还是 IME 军事学院的教员，教授编译器和编程语言。

作为一名软件开发人员和创新者，Guedes 博士广泛使用创新的问题解决方法为受限系统和安全电子交易编写软件，尤其是在编程和执行环境、加密算法和安全通信协议的开发方面。

2021 年 7 月，在完成 QuantInsti 的 EPAT 项目一个月后，他开始担任 Occam Brasil 的定量分析主管，他刚刚被邀请成为该公司的合伙人。

Guedes 博士拥有 PUC/里约热内卢天主教大学计算机科学博士学位、IME 计算机系统硕士学位和计算机工程师学位。此外，他还获得了 FGV getu lio Vargas 基金会的工商管理硕士学位。

西达尔特·巴蒂亚(阿联酋第三集团 FZ 有限责任公司执行董事)

西达尔特自 2006 年以来一直在孟买工作，目前在迪拜工作，自 2011 年以来拥有具体的交易经验。他最初是一家活跃在美国和欧盟债券期货市场的阿联酋本地自营公司的交易员，拥有交易期货的经验。

然后，他转到一家著名的家族办公室从事交易，管理着一个活跃于全球指数和期货期权的波动性交易账户。然后，他在一家财富管理公司工作，为公司的客户监督结构化产品的定价和交易以及各种保护性/尾部风险策略。在这里，他还负责包含结构化产品和基金的复杂账簿的投资组合管理。

从 2018 年开始，他创立了一家名为 Third Group 的自营交易和投资研究公司。第三组活跃于波动性交易，应用先进的定量分析来开发和部署交易策略。

西达尔特是 CFA 特许会员，于 2012 年获得特许会员资格。他是 2021 年第 50 批毕业的 QuantInsti EPAT 项目校友。他对算法交易有浓厚的兴趣，主要是探索所有类型的机器学习和人工智能，以在市场中获得优势。

本次活动于:
2022 年 4 月 12 日星期二
东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

【算法交易项目】机器学习和系统外汇交易

原文：https://blog.quantinsti.com/algo-trading-epat-projects-13-april-2021/

https://www.youtube.com/embed/rjrfVrGpAC8?rel=0

2021 年 4 月 13 日星期二
美国东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

一个关于演讲

项目 1:使用价格指标和情绪指标构建外汇交易的随机森林回归模型

该项目是关于建立一个机器学习模型，该模型可以根据前几天的 OHLC 数据、EMA、RSI、OBV 指标和 Twitter 情绪指标来预测第二天的货币收盘价。它基于随机森林回归，因为它结合了树木的预测能力和避免过度拟合的好处。此外，情绪指标的引入平衡了技术分析的局限性，并从行为经济学领域提取信息。

//www.slideshare.net/slideshow/embed_code/key/1O8kSSgfv8sDwG

Building a Random Forest regression model for Forex trading using price indicators and a sentiment indicator - by Christos Gklinavos from QuantInsti

项目 2:系统性 G10 外汇指数

这个项目是关于外汇指数的建设，可以作为一个基准，以系统的方式代理 G10 外汇市场的表现。为了实现这一目标，我们将利用技术和宏观经济因素，如势头、利率和购买力。

//www.slideshare.net/slideshow/embed_code/key/FBjcAOULT5v5JP

Systematic G10 FX index - by Marti Castany from QuantInsti

提出者

克里斯特斯·Gklinavos(独立软件开发者和机器人教育家)

克里斯特斯·克兰沃斯是人工智能、机器人、无人机和金融科技的爱好者。他学习经济学、工商管理和信息学。他拥有 ICT 理学硕士学位，以及 Udacity、Kaggle 和 Google 在编程和机器学习方面的多项认证。2019 年 7 月，他因成功完成 QuantInsti Ltd.

提供的算法交易高管课程而获得优秀证书。他作为独立外汇交易员工作了两年，使用各种平台，如 MT4 with EAs、QuantConnect、Blueshift 和 InteractiveBrokers。目前，他住在希腊的约阿尼纳，教授教育机器人学，已婚，有一个孩子。

马蒂·卡斯塔尼(创始人&投资组合经理)

Marti 是一名定量研究员，专注于开发中低频系统交易模型。他的经验包括衍生品定价和交易、场外流动性基础设施以及买卖双方的咨询服务。他也是 KomaLogic 的创始人和投资组合经理，koma logic 是一家专有的系统交易公司。

基于机器学习的最优投资组合分配[算法交易项目网络研讨会]

原文：https://blog.quantinsti.com/algo-trading-epat-projects-15-june-2021/

https://www.youtube.com/embed/vNrM5mhe-EA?rel=0

//www.slideshare.net/slideshow/embed_code/key/1NwE9DmGCFpliY

Machine Learning Based Optimal Portfolio Allocation [Algo Trading Project Webinar] from QuantInsti

完成项目

【EPAT 计划】 只做长，低频，资产配置算法

概观

我们的 EPATian 项目网络研讨会描述了量化和算法交易概念在现实市场场景中的应用，作为会议的延续，本次网络研讨会将涵盖 Vivin Thomas 关于“基于机器学习的最优投资组合分配”的有趣项目演示。

关于演示文稿

基于机器学习的最优投资组合分配

专注于以机器学习为核心的算法，以做出资本分配选择。想出一个低频策略，可以定期在预选的基础资产(篮子资产)中优化配置其主要资本。通过这一过程，创建只做多头、低频率的资产配置算法。将这些与普通的分配策略进行比较，普通的分配策略仅依赖于经验动量指标进行决策。

关于演示者

维文·托马斯(一位经验丰富的量化分析师)

Vivin Thomas 是金融服务行业的一名定量分析师，常驻印度孟买。他在量化金融领域积累了 9 年的专业经验，涵盖衍生品定价和风险。他在多个职位和组织中成长，特别是近年来在两家全球知名的投资银行担任副总裁。Vivin 拥有 IIT 马德拉斯大学的工程学士和硕士学位。Vivin 还自豪地获得了 EPAT 卓越证书。

蒂耶活动于:
2021 年 6 月 15 日星期二
东部时间上午 9:30 |晚上 7:00 IST |晚上 9:30 SGT

[算法交易项目]预测股票趋势、统计套利和情绪分析

原文：https://blog.quantinsti.com/algo-trading-epat-projects-15-october-2020/

https://www.youtube.com/embed/Yyr8gz50uC8?rel=0

2020 年 10 月 15 日星期四

美国东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

【10 年多机构】

正如人们所说，知识是人生最大的礼物。在庆祝我们成立 10 周年之际，我们策划了这个系列来感谢我们的社区。我们从心底里感谢你，感谢你多年来在我们的旅途中给予我们的爱和支持！

一个关于演讲

项目 1:利用 Desigan Reddy 的技术分析和随机森林预测股票趋势

对于机器学习模型在南非市场的应用，研究非常有限。这个市场的研究主要集中在更传统的基本面和技术分析上。该项目试图通过利用六个通用技术指标和一个机器学习算法来扩展以前的工作，以研究南非 Top40 指数中的十大成份股。

这项研究的目的是调查使用机器学习模型，对于一个只做多的交易策略，是否能够产生优于市场的回报。此外，我们还将我们的模型产生的回报与更传统的技术指标进行了比较，即:布林线、RSI 和 MACD。

使用 10 年的每日股票价格数据以及由此产生的技术指标，我们利用前 7.5 年作为随机森林分类器的训练数据。根据随机森林分类器生成的交易信号，我们研究了两种只做多的交易策略。一种策略着眼于我们投资组合的每日再平衡，另一种着眼于每周再平衡。我们的发现表明，在过去的 2.5 年里(测试数据)，两种只做多的交易策略都优于 SA TOP40 指数(基准)以及传统的技术指标。

关于演讲者: Desigan Reddy(固定收益交易商)

Desigan 已经在金融服务行业工作了大约 12 年。他于 2007 年开始职业生涯，在 Nedbank Capital 担任市场风险分析师，并在那里度过了 6 年的大部分时间。随后，他在 2014 年离开了 Nedbank，在 Absa Capital 担任量化分析师。2015 年，他加入开普敦的 OMSFIN(旧的共同专业金融)担任风险分析师，然后在 2016 年加入 Futuregrowth，担任目前的固定收益交易商。

在从事该行业期间，Desigan 成功获得了特许金融分析师(CFA)和金融风险管理(FRM)两个头衔。除此之外，他还获得了 ACI 交易证书，最近他获得了开普敦大学的商业硕士学位(专门研究金融和风险管理)。

Desigan 于 2019 年 4 月完成了 EPAT 项目，尽管他的项目仍然是课程的亮点，但他认为他从学习 python 编码中获得的知识是他最有价值的技能之一，他不仅发展了这些技能，而且在未来增长公司的当前职位中实现了这些技能。从更个人的角度来说，Desigan 喜欢去健身房，是一个狂热的足球和橄榄球迷。他喜欢动作/喜剧，他最喜欢的音乐类型是流行/摇滚。

项目 2:统计套利:墨西哥股票市场的配对交易，作者 Javier Cervantes

考虑到经济规模，墨西哥证券交易所的市值相对较小。它的发行者很少，而且高度集中。直接的后果是，参与这个市场的投资者相对较少。哈维尔的项目认为，这一组特殊的条件可能会为套利策略提供理想的环境。他用一个统计套利模型来检验这个假设。这种策略试图从两家价格明显偏离均值的相似公司的均值回归特性中获利。

关于演讲者:哈维尔·塞万提斯(公司债券交易员)

Javier Cervantes 在信贷市场有超过 8 年的交易经验，擅长 MXN 计价的公司债券。他目前是墨西哥城 BCP 证券公司 MXN 分部的公司债券交易员。

哈维尔也是 CFA 特许持有人，已于 2017 年 8 月获得特许。他拥有墨西哥自治技术学院(ITAM)的经济学学士学位。Javier 于 2016 年参加了 QuantInsti 的 EPAT 项目，该项目旨在寻找新的工具来增强他在不断发展的金融市场中的专业知识。

项目 Siddhant Vaidya 利用情绪分析进行股票交易

市场是由人驱动的，人是由情绪驱动的。我们遇到过许多事件，在这些事件中，情绪比任何其他与股票基本面或技术面相关的因素更能影响股票的涨跌。此类事件的几个例子:新 iPhone 的发布、加密货币热潮、特斯拉推出新车、高管辞职或被解雇等。我相信，在任何时候，如果我们能够衡量市场上一项资产的情绪，我们就能够成功地交易这项资产并获利。评估市场情绪的最佳方法是分析人们消费的主要信息来源；新闻。

关于演讲者: Siddhant Vaidya(研究分析师)

Siddhant 在罗彻斯特大学完成金融硕士课程的同时，还在做研究分析师实习生。他还在学校领导学生管理的 Meliora 基金，他和他的团队正在研究自动预测和 DCF 估值工具。他喜欢通过结合技术和金融来解决商业问题，这也是促使他进入定量金融领域的原因。

在此之前，Siddhant 拥有超过两年的股票交易员经验和一年的数据分析师经验。他拥有电子和电信工程学士学位。Siddhant 热衷于机器人、汽车和航空，并喜欢在空闲时间玩扑克。

阅读更多 EPAT 项目点击这里！

由 QuantInsti 提供的算法交易(EPAT) 课程执行计划涵盖统计&计量经济学、金融计算&技术和算法&量化交易等培训模块，让你具备应用各种交易工具和平台成为成功交易者所需的技能。现在就询问！

实施定价模式和动态资产分配[网络研讨会]

原文：https://blog.quantinsti.com/algo-trading-epat-projects-16-november-2021/

https://www.youtube.com/embed/DWUcBOUrtco?rel=0

关于演示文稿

本次会议有两位我们尊敬的 EPAT 校友的项目陈述。第一篇是 Evgeny Tishkin 的“使用适应市场机制的卡尔曼滤波实现定价(或做市)模型”,第二篇是 Mrinal Mahajan 的“使用神经网络的动态资产配置”。

项目 1:使用适应市场机制的卡尔曼滤波实现定价(或做市)模型

这个项目旨在分享一个关于如何在交易策略开发和改进中使用在线机器学习定量技术的例子。

与随后交叉验证的传统常规模型再培训相比，在线学习允许算法交易的更深入自动化。这是因为这种模型可以在实时交易中实时调整参数。

真正的生产策略远比项目中作为示例使用的策略复杂，包括更深层次的自动化和更广泛的参数。然而，整合的在线模型具有普遍适用性，可以应用于从被动投资到高频交易的不同类型的交易策略。

完成项目: 利用在线量化模型投资大型科技股

演示幻灯片

//www.slideshare.net/slideshow/embed_code/key/BDhLddzu9yxKWa

Implementing pricing or market-making model using Kalman filtering adaptive to market regimes FINAL from QuantInsti

项目 2:使用神经网络的动态资产分配

该项目旨在通过利用一组动态线性神经网络模型的每日回报预测，为包含 nifty 银行指数的股票建立资产配置策略。

神经网络模型是动态的，并且在每个交易日结束时每天更新，以对市场和股票趋势的变化做出反应。除此之外，模型的线性有助于解释结果。

完成项目: 利用神经网络进行动态资产配置

演示幻灯片

//www.slideshare.net/slideshow/embed_code/key/i6hIKI47HSJa3W

Dynamic Asset Allocation using Neural Networks FINAL from QuantInsti

关于演示者

叶夫根尼·蒂什金(俄罗斯高级量化分析师)

Evgeny Tishkin 在算法交易和 HFT 方面拥有超过 10 年的丰富经验，曾在多家自营交易公司和对冲基金担任量化开发人员、首席软件架构师、量化分析师和首席技术官。

对于其中一个担任 CTO 的算法对冲基金，他从零开始创建了完整的低延迟多交易所算法交易基础设施和高频交易框架。

在 2019 年 XTX 市场全球预测挑战赛中，叶夫根尼在来自全球 100 个国家的 4000 多名定量研究人员中获得第二名。

叶夫根尼拥有萨马拉国立航空航天大学计算机科学硕士学位。此外，他还获得了莫斯科物理技术学院的专业“机器学习和数据分析”。

Mrinal Mahajan(来自印度的风险顾问)

Mrinal Mahajan 是一名顾问，在投资组合管理、欺诈建模和定制分析项目方面拥有丰富的经验。在过去的 4 年里，他一直在一些大型咨询公司和金融机构工作。

Mrinal 毕业于 IIT 坎普尔，拥有全球风险专业人士协会(GARP)颁发的金融风险管理师(FRM)认证。

本次活动于:
2021 年 11 月 16 日星期二
东部时间上午 8:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

[算法交易项目]预测市场运动和回测交易策略

原文：https://blog.quantinsti.com/algo-trading-epat-projects-19-january-2021/

https://www.youtube.com/embed/CzKxUir0i6s?rel=0

2021 年 1 月 19 日星期二
美国东部时间上午 8:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

一个关于演讲

项目 1:利用深度学习预测银行漂亮的开盘价

随着几种机器/深度学习模型的出现，由于其涉及的难度和复杂性，在应用这些技术进行股票市场预测时出现了几种理论。在这个项目中，我们试图使用一个分类器来解决这个问题，以预测在 NSE 上市的银行 Nifty 指数在第二天开盘时是上涨还是下跌。

项目 2:策略回溯测试使用交互式代理的环境

零售“算法”包的一个重要限制是它们无法对复杂的投资组合进行建模和约束。TradeStation 提供的“Portfolio Maestro”软件在这方面有所帮助，但投资组合限制有些严格，用户仅限于在美国交易的证券。

考虑到这些限制，这个项目被开发来测试，然后通过他们的 IB 网关门户使用交互式经纪人实现基于投资组合的策略。对作者至关重要的是测试和可视化变量优化、“阿尔法”过滤器和投资组合约束的影响的能力。

该项目并不寻求提出一个优化的战略，而是提供一个框架来实施现有的战略，并进一步探讨 EPAT 方案所涵盖的许多概念。个人最感兴趣的是进一步评估机器学习技术，以优化输入变量和过滤器，以及先进的统计技术，以完善投资组合。

关于演讲者

Balamurugan Ganesan
(首席分析师-产品管理)

Balamurugan Ganesan 是一名产品专业人员，拥有 SP Jain 的金融 MBA 学位、NIT Calicut 的技术学士学位，并完成了 CFA 级考试。他拥有大约 12 年的商业分析师/产品经理经验，在金融科技行业的产品建设方面有着良好的记录。他在构建产品时广泛使用了最新技术，例如在 tensorflow / keras 中实现深度学习模型，在 scikit learn 中实现机器学习，使用 Python 实现统计分析工具。

他非常热衷于算法交易领域，在这里他可以很好地利用自己的所有技能，并完成了 EPAT 项目。在 EPAT，他接受了算法交易领域的行业专家的培训，并对量化金融和高频交易的各种现实世界实施技术有了深入的了解。目前，他在美国银行担任特写主管。

马克·伦德尔
(工程研究员)

马克·伦德尔是休斯顿一家美国财富 500 强公司的工程研究员。他的重点是复杂问题的解决、决策质量和综合规划。他拥有机械工程学士学位和工商管理硕士学位。他有 20 多年的算法交易经验，通常使用 TradeStation 平台。

预测每日股票价格并自动执行每日交易策略[算法交易项目]

原文：https://blog.quantinsti.com/algo-trading-epat-projects-8-february-2022/

https://www.youtube.com/embed/Rn1MpizWwNY?rel=0

关于演示文稿

本次会议有两位我们尊敬的 EPAT 校友的项目陈述。首先是英国 Renato Votto 的“用随机森林分类器、技术指标和情绪数据预测每日股票价格”；其次是印度 Ujjwal Agrawal 的“如何实现期权日交易策略的自动化”。

项目 1:用随机森林分类器、技术指标和情绪数据预测每日股票价格

一个交互式程序，训练一个随机森林分类器，使用技术指标和 Twitter 帖子的情绪分数、回溯测试交易策略并产生性能指标来预测特斯拉的每日价格。

该项目利用技术、范例和数据结构，例如:

函数式和面向对象编程
机器学习
情感分析
并发和并行处理
有向无环图
数据管道
幂等性

这个项目背后的意图是在一个程序中实现算法交易策略回溯测试的端到端工作流，该程序具有一个光滑的界面和一定程度的自动化，使得用户能够通过输入最少量的数据，部分甚至以交互的方式，来定制策略的细节和程序的输出。

这应该使程序可重用，这意味着很容易对不同的资产进行交易策略的回溯测试。此外，软件设计的模块化应该便于改变以使程序适应不同的需求(即不同的数据或 ML 模型)。

项目代码

该项目的完整代码可在 Renato 的 Github 账户上获得。

演示幻灯片

//www.slideshare.net/slideshow/embed_code/key/ty5kgb3DRWT47i

Predict daily stock prices with random forest classifier, technical indicators and sentiment data final from QuantInsti

项目 2:如何自动化期权日交易策略

该项目的目的是自动化一个简单的策略，如需要复杂的回溯测试和定量分析以确定交易中的统计意义和定量优势的日内跨/扼杀。使用 Python 和 Excel 对指数期权进行回溯测试，以了解不同的冲击差异和止损。

该策略包括在早上的固定时间做空一个多空或扼杀，在收盘前的固定时间对两条腿设置止损并平仓所有或剩余头寸。

不会结转任何头寸，因为这是一种日内策略，有助于避免隔夜头寸出现任何大缺口。这种策略可以分为无方向性和趋势跟踪两种，因为它在这两种情况下都表现良好，只有当指数波动非常大，以之字形移动时，才会出现止损。

演示幻灯片

//www.slideshare.net/slideshow/embed_code/key/gsb0m9xj7yBI1x

How to automate an options day trading strategy final from QuantInsti

提出者

Renato Votto(来自英国的数据分析师)

Renato 真正喜欢并热衷于开发自动化软件，寻找复杂问题的算法解决方案并优化程序。他拥有量化优势，精通算法交易、量化开发、机器学习、数据工程、Python、C++和 SQL。Renato 拥有能源工程背景，是算法交易(EPAT)高管课程的毕业生。在进入 EPAT 大学之前，他还完成了机器学习和数据工程研究。

目前在天然气和电力市场办公室(OFGEM)担任分析师，主要从事定量分析和系统识别市场操纵的软件和工具的开发。

他是一个加密货币爱好者，一个狂热的摇滚听众，热爱编码，一个平庸的吉他弹奏者，当他在户外时，你可能会发现他在拍摄奇怪的照片。

Ujjwal Agrawal(量化交易者和来自印度的企业主)

Ujjwal Agrawal 是 CFA(特许金融分析师)三级考生，拥有浦那大学机械工程学士学位。他是奥里萨邦农产品加工业的业主，过去 4 年一直在印度市场做生意。全职管理一家企业和交易有时会变得很困难，这让他开始自动化自己的交易设置。完成 EPAT 课程后，在 QuantInsti 团队的无条件支持下，Ujjwal 现在已经完全实现了交易系统的自动化，并将全部时间投入到自己的业务中。

他的项目“盘中跨骑”是众多系统中第一个完全自动化的系统，现在他研究并组合不相关的系统，以最小的损失产生可观的回报。

本次会议于:
2022 年 2 月 8 日星期二
东部时间上午 8:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

算法交易法规-欧盟

原文：https://blog.quantinsti.com/algo-trading-regulations-eu/

马里奥·比萨·培尼亚

猫捉老鼠的游戏。技术发展往往领先于监管者。每一项新的技术进步或破坏都会给事物的稳定性带来风险，并给那些处于前沿的人带来优势。

监管机构试图制定规则和良好的实践，以限制可能的滥用，并为参与者带来透明度。

在本帖中，我们将回顾适用于 27 个欧盟成员国的欧洲法规，特别是针对算法交易的法规。

技术、金融和法规

技术革命改变了我们与世界联系的方式和我们做生意的方式。但这场革命远未成熟，它仍在继续，甚至揭示出能够改变整个行业并产生全新业务的新技术和颠覆性方法。

金融业无疑处于这场革命的最前沿，它投入大量资金采用和改进多种技术(硬件、数据库、网络安全、区块链、管理、B2B、B2C、SOA、FIX、FinTech 等等)。

专注于投资行业，曾几何时，价格是通过电报传递的，结算是通过手工核对纸质文件来完成的。那些日子早已过去。

为什么要对算法交易进行监管？

埃德温·勒菲弗尔所著的《股票经纪人回忆录》一书讲述了杰西·利弗莫尔的故事，并娴熟地描述了该行业在 19 世纪末和 20 世纪初的运作方式。如今，通过快速可靠的结算流程，全球数百万笔交易在几毫秒内发生。

无论是过去还是现在，技术破坏都会造成异常和漏洞，而尖端公司和聪明的个人经常利用这些异常和漏洞为自己谋利。我喜欢把杰西·利弗莫尔看作历史上第一批黑客之一，因为他设法利用了电报的弱点，在他的许多“技巧”中。在我们这个时代，有许多现代杰西为了自己的利益利用技术能力。

过去和现在一样，对异常现象的利用会导致功能失调，从而改变市场的正确有效运行。

如果有人有优势，给她带来丰厚的利润，她几乎不会停止利用它。有时，优势是完全诚实的，利用这种优势是一种义务，但在其他时候，这种优势是不道德的，对其他竞争对手不公平。这可能会危及行业稳定，因此监管机构试图阻止这种滥用行为，并为行业参与者建立一个框架。这篇文章讨论了交易算法的好处和对意外的恐惧。

欧洲监管机构

每个国家都有一个或多个监管机构，包括欧洲，每个国家的监管机构都采用欧洲法规。以下是全球部分监管机构的非详尽列表:(完整列表)

欧洲证券市场机构(ESMA)
德国金融市场管理局(FMA)
西班牙国家证券市场委员会(CNMV)
英国金融行为监管局(FCA)
美国证券交易委员会
CFTC 美国商品期货交易委员会
印度证券交易委员会(SEBI)
中国证券监督管理委员会

因此，监管机构试图制定游戏规则，并在发生冲突或不合规的情况下充当裁判。在这一节中，我们将看看欧洲的具体情况。

欧洲证券市场机构(ESMA)

欧洲证券市场管理局(ESMA)是一个独立的欧盟机构，通过加强对投资者的保护和促进稳定有序的金融市场来维护欧盟金融体系的稳定。¹T5】

为了实现其目标，该机构发布强制性标准和良好做法，并监督其遵守情况。各成员国的监管机构负责在其本国实施和监督这些法规。因此，欧洲为组成欧盟的 27 个国家(仅次于英国退出欧盟)制定了游戏规则。以下是必须遵守欧洲法规的国家列表:

奥地利，
意大利，
比利时，
拉脱维亚，
保加利亚，
立陶宛，
克罗地亚，
卢森堡，
塞浦路斯，
马耳他，
Czechia,
荷兰，
丹麦，
波兰，
爱沙尼亚，
葡萄牙，
芬兰，
罗马尼亚，
法国，
斯洛伐克，
德国，
斯洛文尼亚，
希腊，
西班牙，
匈牙利，
瑞典，以及
爱尔兰。

在下一节中，我们将重点介绍新的欧洲法律框架 MiFID2 (金融工具市场指令) MiFIR (金融工具市场监管)和 MAR (市场滥用制度)。他们试图更新法规以适应新的技术进步，尽管范围是欧洲但它与其他国家有共同之处，也可作为其他国家的参考。在此阅读总结。

简而言之，欧洲通过 ESMA 发布对欧盟成员国有约束力的指令和法规，每个国家通过其监管机构(德国的 FDA，西班牙的 CNMV 等。)，执行、监督并向 ESMA 汇报。

这意味着所有市场参与者(银行、投资公司、基金、代理商、经纪人、系统等。)必须适应这些规则，该国的监管机构负责执行和监督参与者的合规性。

MiFID2(金融工具市场指令)

MiFID2 是关于金融工具市场的第 2014/65/EU 号指令，旨在实现更好的监管和透明的金融市场。你可以在这里阅读官方总结。简而言之:

它旨在使欧洲联盟(欧盟)的金融市场更加稳健和透明。
它创建了一个新的法律框架，更好地监管金融市场的交易活动，加强对投资者的保护。这项名为“MiFID 2”的新规则修改了目前实施的立法，从 2018 年 1 月开始适用。

如何？

确保金融产品在受监管的场所交易
增加的透明度
限制对商品的投机
使规则适应新技术
加强投资者保护

这些目标是通过一套具体的指导方针实现的:

谁应该采用这些指南？

法律要求的所有市场参与者(第一条)以及其他为服务或系统提供者的参与者。因此，每个参与者，根据她在市场中的参与程度，将不得不采用这些指导方针中的一个或多个。

MiFIR(金融工具市场监管)

第 600/2014 号法规建立了金融工具和市场参与者的共同监管框架，为投资者提供透明度和安全性。关键点是:

交易场所的透明度
- 权益工具的透明度
- 非股权工具的透明度
- 在单独和合理的商业基础上提供贸易数据的义务
交易 o-t-c 的系统性内部机构和投资公司的透明度
交易报告
衍生品关于场外衍生品、中央对手方和交易库的第 648/2012 号法规
金融工具的非歧视性清算准入
对产品干预和头寸的监管措施
- 产品监控和干预参见最近关于差价合约和二元期权干预措施的公告
- 位置
第三国公司在有或没有分支机构的对等决定后提供服务和开展活动

MAR(市场滥用制度)

第 596/2014 号法规针对内幕交易、非法披露内幕信息和市场操纵(市场滥用)以及防止市场滥用的措施建立了共同监管框架，以确保欧盟金融市场的完整性，并增强投资者对这些市场的保护和信心。

简而言之，该法规试图建立内部人员的行为规则以及监管机构监督和制裁不良行为的能力。

欧盟算法交易条例

我们这里的 QuantInsti 热爱算法，所以让我们缩小关注点，看看这个特殊的监管方面。

我们将从三个不同的角度来审视这些规定:

高频交易
参与算法交易的公司
参与算法交易的个人

高频交易

ESMA 所说的 HFT 是什么意思？

“高频算法交易技术”是指具有以下特征的算法交易技术:

(a)旨在最大限度地减少网络和其他类型延迟的基础设施，包括以下算法订单输入设施中的至少一种:协同定位、邻近托管或高速直接电子访问；

(b)系统确定单个交易或订单的订单发起、生成、发送或执行，无需人工干预；和

(c)构成订单、报价或取消的高消息当天利率；

高频交易对公司或个人有特殊的要求，以便操作市场，在这里你可以阅读 HFT市场结构和监管变化的摘要。

检查指令 2014/65/EU ，特别注意:

第十七条关于算法交易
第 48 条关于系统弹性、断路器和电子交易
第 90 条关于报告和审查

参与算法交易的公司

ESMA 所说的算法交易是什么意思？

“算法交易”是指在金融工具中的交易，其中计算机算法自动确定订单的单个参数，如是否启动订单、订单的时间、价格或数量，或者在提交订单后如何管理订单，只需有限的人工干预或无需人工干预。

不包括仅用于将订单发送至一个或多个交易场所，或用于处理不涉及确定任何交易参数的订单，或用于确认订单或对已执行交易进行交易后处理的任何系统；

检查指令 2014/65/EU ，特别注意:

第十七条关于算法交易
第 48 条关于系统弹性、断路器和电子交易
第 90 条关于报告和审查

参与算法交易的个人

好吧！除非你属于 HFT 类别，为他人利益交易或商品合约数量超过一定数量，否则你将不受规定约束。

但是如果你是一家从事算法交易或 HFT 的公司的独立开发人员会怎么样呢？你必须再次考虑这项规定，以便你的客户能够遵守。

无论如何，了解法规有助于你开发更健壮的算法，控制风险，便于回溯。检查指令 2014/65/EU ，特别注意:

第十七条关于算法交易
第 48 条关于系统弹性、断路器和电子交易
第 90 条关于报告和审查

作为个人，有一些关于持仓限额的规定。

检查指令 2014/65/EU ，特别注意:

第五十七条商品衍生产品的头寸限额和头寸管理控制
第五十八条按持仓人类别进行持仓报告

结论

欧洲通过《ESMA》建立了一个管理市场参与者行为和良好实践的框架，这些参与者可以是公司、机构、个人、系统、程序或金融工具。欧盟 27 个国家中的每一个国家都通过其本国的监管机构负责促进执行和遵守监测。主要文件有:

每个参与者，无论大小，都必须根据适用于他们的法规调整他们的运营，特别是根据他们的业务。

参与系统和/或算法市场的公司和个人应特别注意以下工作指南和指令 2014/65/EU:

指导方针——交易平台、投资公司和主管机构的自动化交易环境中的系统和控制措施
【MiFID II 下的交易报告、订单记录保存和时钟同步指南
【MiFID II 下断路器校准和暂停交易公布指南

金融市场的监管是参与者必须遵守的规则和良好惯例，监管机构负责控制和监督。你也可以在算法交易 (EPAT)的高管课程中学习。

免责声明:本文提供的所有数据和信息仅供参考。QuantInsti 对本文中任何信息的准确性、完整性、现时性、适用性或有效性不做任何陈述，也不对这些信息中的任何错误、遗漏或延迟或因其显示或使用而导致的任何损失、伤害或损害承担任何责任。所有信息均按原样提供。T3】

建议写着:

HFT 的市场结构和监管变化
印度的算法交易:历史、法规和未来

算法交易规则-美国

原文：https://blog.quantinsti.com/algo-trading-regulations-us/

扎克·奥克斯

问任何一个有经验的创业者，创业最难的部分是什么，8/10 很可能会说‘有效规模化’；建立一个自动化的交易业务没有什么不同！

我将带你们看一下我希望在开始做个体之前已经看过的清单，最后是 CTA/CPO 和 RIA(我稍后会解释这些是什么)。

我将报道:

我的经历* 交易上线* 资本要求* 你想在哪些市场交易？* 你喜欢哪种平台/语言？* 你每年应该做多少笔交易？* 高频交易* 交易自己的资金* 资本外交易* 交易量* 登记* 券商&平台意见* 我最喜欢的平台* 我最喜欢的自动化经纪公司

当我第一次进入自动化领域时，我完全专注于策略——我所做的一切是编写和测试信号、策略、系统和各种过滤器，以编译一种潜在 Alpha 模型的数据库。

我并没有像那样计划我的道路，但它最终在很大程度上很好地利用了我的时间。我希望我考虑的更多的是算法交易的组织方面，以及我到底希望如何扩大规模。

作为个人交易很简单——除了经纪账户和资金，它真的不需要任何监管。资本外交易是一个不同的故事，但在美国比在世界其他地区简单得多。

让我们从最简单的上线方法开始——这包括在你认为最适合你需求的公司开立一个经纪账户。这里有几个考虑因素，而且很重要的是，要对自己诚实。

在本文的剩余部分，我将假设您已经广泛地开发和测试了您的自动化策略。对我来说，这意味着你有一组彼此相关性很低的策略，这些策略经过了回溯测试，向前走(WF 的)，以及一段很好的模拟/纸上交易期，以确保实时性能不会与你测试的指标相去甚远。

如果你还没有做到这一点，开始模拟他们(实际上模拟-与执行，滑点和一切；不仅仅是看着代码实时运行。)

你有多少资金来交易？明智地投资很重要。此外，考虑你的提款水平，并意识到实际提款可能会超过你的回溯测试/ WF 水平。我将坦率地给出我认为适合这些市场的起始资本水平，请记住，这些水平是我的观点，更低的水平也是可能的。

确定资本要求的一个好方法是将你的提款乘以 1.5 或 2.0，然后加上工具的资本要求，再乘以每股/每份合同的资本要求。比如说；ES @12.9k 初始保证金+ 3.5k 提款 x 1.5 =每份合同 18.15k 美元。

T3】

这也回到了第一点，因为期货可能是最具流动性的——但如果你需要一个大的宇宙，也有更高的资本要求。股票似乎更便宜，而且开始时可能更便宜——但我发现在股票中交易任何规模的股票实际上都更贵。

股票中有 25k 的 PDT 最小值(模式日交易者指定-如果< 25K 水平，每天不能有超过 2 个往返交易),这可能是禁止的，但股票允许在大多数经纪公司(4x1)的这个水平的保证金。

在美国，外汇交易也允许 50:1 的保证金，这可能是最便宜的涉足市场。请注意保证金的使用，因为它会大大增加建模提款(例如，您在 10K 的外汇提款现在可以是 50 万)。

T3】

在我看来，最简单的是 TradeStation 的 Easylanguage，或者 TradingView 的 Pine Script——尽管这些都是面向零售的语言。NinjaTrader 的 NT8 对于任何使用 C# /的开发者来说也是不错的。Net 经验(而且总体来说相当健壮)。

如果您需要一种更健壮的完整编程语言，我建议您使用 Python，只要延迟不是一个很大的因素(接下来会有更多介绍)。易用性是这里的关键，你想要的是你觉得舒服的东西，而不是需要你花一个月来制定策略的东西。

你每年应该做多少笔交易？T3】

了解您的系统规模不仅可以帮助您与任何经纪公司协商佣金，还可以确定您是否需要关注延迟——这是一个昂贵的目标。

如果你需要担心 PDT(2.5 万美元)的最小值，以及你的交易成本有多重要，这也应该给你一个想法。如果你的交易区间大于 1M，我认为这些语言/平台都很适合你。

如果你打算以分笔成交点水平的时间间隔，或者 10 秒钟的时间间隔进行交易，可能需要使用 C++或 C#这样的低级语言——因此你需要一个集成了 C++、C#或 Java 的经纪公司(Interactive Brokers 的 IB API 就是这样)。请记住，有些公司每月花费 9-10 位数来确保最佳延迟；除非你交易的是 9 或 10 位数，否则我认为最好不要参与军备竞赛(即使你交易的是巨额数字)。

如果你决定采用延迟，你需要考虑服务器托管等成本(股票:Equinix NY，2.6K/mo；期货:CME 极光，5K+/mo)。大约 5k 是部分机架租赁，在 DMA 方面，零售端的人们最多应该使用诸如 Rithmic API、CQG 等工具。

除此之外，您还需要精通 C++、C#或 Java 开发人员——可能还需要考虑投资一个修复引擎来执行。

我真的认为就本文的目的而言，最好避免这种几乎永无止境的开支——我已经考虑过很多次了，当我快要扣动扳机时，总是被开支所压倒。

如果你有办法交易自己的资本，那肯定会让事情变得更简单。实际上，你需要做的只是在你选择的公司开一个经纪账户，存入资金，然后开始交易。

你可能想找一个专门从事自营交易的会计师，或者可能创建一个实体来保护自己(有限责任公司或 S-Corp 最受欢迎，比 C 公司有税收优势)。

如果是你自己的钱，你是否需要合并可能是个人偏好。在交易我自己的账户时，我没有注册，但这可能让我的会计师更容易处理。如果你用自己的资金交易，你的设置到此结束；那不是很容易吗？！

所以你自己已经取得了一些成功，你决定是时候向公众公开你的策略了。如果你决定是时候开始资本外交易了(理想情况下，当你有 3 年以上的成功记录时)，为了注册，有一些考虑和要求。

资本之外的交易会带来许多监管问题，但它也会给你的焦虑水平、资本和策略带来压力。重要的是要确保你有各方面的资源来继续。

许多策略在 100 万美元时非常有效，但在 500 万美元后就失效了，在 2000 万美元时就不存在了，知道你的目标是什么很重要。确定你的模型的阈值体积的确切位置是一门艺术，而不是一门科学。

有几种不同的模型可以使用，从最基本的到相当复杂的。我使用了一个简单到 ADV(日均成交量)2.5%的模型作为最大股票数量。

我的第一个问题——你在哪个市场交易——决定了你需要什么样的注册。如果你对你的策略的能力感到满意，那么很可能是时候开始学习了。

期货和股票都有一些豁免，但它们的限制相当低。以防万一，我将提到这些豁免:

股票

你可以有多达五个客户，5000 万美元的州政府和 1.5 亿美元的联邦政府，但仍然可以免于私人顾问免税。对于风险投资之类的东西，还有其他豁免，但实际上只有五个客户。

如果你在交易股票，你需要开设一个 RIA 或者成为一个现有 RIA 的 RIAR(注册投资顾问(代表))。最简单的方法是查找 RIA，和他们谈论成为 RIAR——许多地方对这类协议持开放态度，比如 Edward Jones 和类似的公司。

如果你想开始你自己的 RIA，你需要在你拥有超过 5 个客户的每个州提交一份 ADV 表格，或者如果你满足联邦要求的话，提交一份联邦注册表格(首先是 1 . 1 亿美元)。你还需要通过 7 系或者 65 系的考试。我将包含一个注册 RIA 细节的链接——对于已经注册了联邦 RIA 的人来说，这不是一件容易的事情。这里的信息。

期货

您可以管理高达 40 万的外部资金(40 万的初始投资)，以及多达 15 个客户，而无需注册为 CTA 或 CPO。

如果你要做期货，你有几条路可以走。如果你决定做期货，你需要注册成为一名 CPO / CTA(商品池顾问，或商品交易顾问)——为了简单和成本，我建议后者。CPO 本质上是一个对冲基金，而 CTA 只是控制其他人的账户。

这种缺乏监管(你永远不会拥有客户的钱——仅仅是一个有限的委托书/交易协议来交易客户拥有的账户。)使其在监管方面更加宽松。不再有定期审计，你对资本基础没有严格的要求，等等。

一个 CTA 至少要花费你 5000 英镑，你需要一个跟踪记录/业绩胶囊和你的账户和策略的各种细节。你还需要通过 NFA 的系列 3 考试。这里的信息。

容易的路线

为了简单起见，我认为这里最简单的方法是简单地从期货豁免开始，或者使用现有的 RIA。如果你成功了，你可以注册成为一名注册税务师，甚至开始你自己的 RIA。

请记住，您现在必须作为 CTA(或注册为 CPO，这更困难/复杂)来监控每个新客户帐户，这通常不是一件容易的事情。我和许多优秀的合作伙伴一起完成了这项工作，但仍然不容易管理。绝对最简单的方法就是简单的交易自己的账户，让那个数字自然增长！

首先，让我解释一下经纪和平台的区别。经纪人是任何你可以开户并与之进行交易的经纪人/交易商。平台是任何可用于自动化交易的前端或编程语言，但也可以是一个或多个经纪人 API。

一个很好的例子是 Multicharts，这是一个使用 Easylanguage(贸易站的语言/平台)的平台，可以与少数不同的经纪公司一起使用(例如，交互式经纪公司或 GAIN Futures)。

免费平台也可以让事情变得简单而有价值。最近推出的回溯测试平台 Blueshift 就是这样一个例子，该平台拥有涵盖多个资产类别和市场的分钟级数据。

这是一个免费的平台，为每个人带来投资研究、回溯测试和算法交易的机构类基础设施。最棒的是，它现在还可以进行实时交易，包括美国股票。

为了充分披露，我使用 Multicharts x Interactive Brokers 进行股票交易，使用 TradeStation 或 Multicharts x GAIN 进行期货交易(以及原生 Python x Interactive Brokers x IB in sync)。在我个人看来，Easylanguage (ELD)真的可以快速地将策略应用到生产中——我甚至在大规模应用中也有效地使用了它。如果你不喜欢 Tradestation，你可以使用 Multicharts 与不同的经纪公司交易你的 ELD 策略——这就是我所做的。

Multicharts/Tradestation 的 ELD: 这是我的最爱，因为它利用了 ELD。虽然它不便宜，所以如果你刚刚开始，我会跳过这一步。我用它来做期货、股票、现货外汇，甚至加密。正如我所说的，ELD 是我遇到的将想法投入生产的最快方法，但 Multicharts 并不便宜，我会使用 Tradestation 开始，如果你喜欢它，当你可以摆动它时，就用 MC 进行生产。
-trading view Pine Script:他们总是在添加新的功能和集成，我认为它在未来几年将会变得很大，不仅仅是一个分析平台。
Ninjatrader/NT8: 这类似于 TradeStation。NT8 语言给人印象非常深刻，所以如果你来自。我肯定会看看这个。Multicharts 还提供了一个与其他经纪公司一起使用 NT8 的. NET 版本。
Python x IB-Insync: 这不是交互式经纪人 API，而是与他们的 API 协同工作的第三方框架。我也有一个模块化的策略构建，如果你想使用 Python 和交互式代理，这可能会很有帮助。
羊驼:好像长得很快。这实际上是 Python API，但是也可以使用 TradingView 脚本
QuantConnect :一个 Python / C# API。这提供了与 IB 和其他一些经纪公司的集成(GAIN for Futures，一个加密和外汇经纪公司)
与大多数其他基于 Python 的平台相比，我更喜欢 Blueshift。它也是免费使用的
互动券商:整体还不错。API 可以工作，并且有许多语言集成；他们的佣金很有竞争力；他们提供大多数乐器。(期货、股票、外汇)
大多数数据都是免费的——包括流行的期货工具——而且数据质量非常好。语言(ELD)很优秀，为了语言的自由使用，其他一切都值得处理。佣金很高，但是对于测试来说，这是我最喜欢的平台。(期货、股票、期权、外汇、加密)
收益:它没有一个真正的平台，但他们非常大，一致，并在工具(期货、外汇)方面提供非常好的服务和灵活性
我的很多朋友都很信任他们。一个健壮的平台，具有出色的错误处理能力——这不是我的风格。(股票、期货、期权、外汇)
羊驼:他们提供了通过 Python 执行 Tradingview 和他们自己的简单 API 的能力。我想将来我可能会用羊驼毛来制作原生 Python。一旦你有了一个最小的账户，他们还提供免费的数据，并且 API 不能再干净了。(股票、期货、外汇)
TD Ameritrade: 我感觉 TD Ameritrade 对于想做全权委托交易的系统交易者是不错的。他们提供所有的资产类别，一个伟大的(几乎自动化的)平台，TOS，和极好的服务——以及许多工具的免费佣金。

结论

对于那些愿意投入工作的人来说，持续的成功是完全可行的。

正如你所看到的，如果你要为别人理财，有很多问题必须回答，但在大多数情况下，如果你只是自己交易或低于豁免水平，这很简单——我建议你尽可能长时间低于豁免水平！让规模自然增长，不要太担心你管理的资金有多少——关注你的回报。

*编者注:QuantInsti 尊重作者的选择和偏好，但我们绝不认可、支持或建议本文中的任何品牌。这些观点完全是作者的观点。我们更喜欢并提倡使用 Python 进行量化交易。

披露:Blueshift 平台是 QuantInsti 提供的基于云的平台

免责声明:本文中提供的所有数据和信息仅供参考。QuantInsti 对本文中任何信息的准确性、完整性、现时性、适用性或有效性不做任何陈述，也不对这些信息中的任何错误、遗漏或延迟或因其显示或使用而导致的任何损失、伤害或损害承担任何责任。所有信息均按原样提供。*

简单解释了算法交易阶段

原文：https://blog.quantinsti.com/algo-trading-stages-explained-simply/

苏尼尔·古格拉尼(NCDEX 助理副总裁)

你是 Algo 交易的新手吗？迷茫于如何开始，从哪里开始？

网上有很多关于回溯测试、技术指标、Python for finance 的课程和内容。

此外，有很多关于算法交易相对于人工交易的好处的资料。但是，如果你想开发你的第一个算法，你必须经历哪些阶段，这方面的信息有限。

注意:这些阶段纯粹是基于我的经验，它可能/可能不会不同于标准程序(我找不到☺).

T4】

我将通过一个真实的交易策略来解释这一点。以下是我将介绍的几个阶段:

制定交易概念/逻辑
选择脚本的过滤标准
逻辑验证(高电平)
回溯测试
参数优化
纸上交易或远期测试或真实环境中的模拟交易
在真实环境中部署

制定交易概念/逻辑

首先，算法交易不是火箭科学..是..这真的不是…这只是一个难题，你需要比其他一些人更有效地解决它。我们知道这个难题..低价买进，高价卖出。

没有必要遵循任何现有的理论或指标或策略。你不需要成为市场专家。如果你觉得舒服，你可以自己做。(我的第一个算法是跨交易所套利。我当时是个业余爱好者，甚至不知道套利的意义。☺)

在此阶段，您需要回答以下问题:

我实现目标的逻辑是什么(低买高卖)？
我的交易频率是多少？
哪一部分最有效(股票/商品/外汇/加密..)
回测期应该是多少？
哪些自动化工具/语言对这个逻辑最有用？

例:我认为快速消费品(FMCG)股票的波动性一般较小，它们围绕着相同的价格区间波动。这让我认为他们是范围有限的，所以他们是均值回复。因此，我将尝试在我的策略中应用一些均值回复技术。此外，日内价格波动很大，因此我会选择每日收盘价进行计算和交易。

考虑到我的上述想法，我的回答如下:

我实现目标的逻辑是什么(低买高卖)？

我将使用均值回归交易策略。为此，我将使用布林线。买入:如果收盘价低于均值的-2 标准差。平仓:如果收盘价高于平均值+2 标准差。

我的交易频率是多少？

每天。

哪一部分最有效(股票、商品、外汇或加密)？

我将使用股权现金部分。

回测期应该有多长？

3 年(越长越好)。

哪些自动化工具/语言对这种逻辑最有用？

我对 Python 很熟悉。我们应该把工具用在我们最熟悉的地方。

选择脚本的过滤标准

太好了。你已经完成了一个重要的里程碑。你已经写下了核心逻辑，并为你的算法做了高层次的规划。

如果你观察，你的逻辑会在一些特定的条件和特定的脚本上工作得最好。记住你已经决定了第一阶段的部分。

脚本的选择/过滤可以在交易时间之前或期间(实时)完成。这完全取决于你的核心逻辑。

举例:

正如我们所决定的，我们将只使用快速消费品脚本和高流动性库存，因此筛选标准如下:a .行业(快速消费品)。b .数量> 100000

逻辑验证(高级别)

Algo 开发是一个昂贵的过程，它需要大量的精力和时间。最好使用可视化工具或 excel 来验证您的核心逻辑。

以后会节省很多时间。您可以使用 Tableau、power BI 或 excel 来编写逻辑并验证您的逻辑。你也可以使用图表工具，如交易视图、investing.com或类似的工具。

这是 ITC 有限公司 5 年来每日频率的图表。并且 SMA，STD(-2，+2)被应用于 20 天的回顾期。(礼貌用语:)。下面的图片证实了我们的逻辑。

**T2】

回溯测试

回溯测试是使用历史价格信息来验证你的逻辑的方法。这一阶段有助于理解如果你在过去使用这种逻辑会有多好。这个阶段显示了你的逻辑的性能。它还为您提供了优化逻辑及其参数的机会。

在此阶段，应考虑以下参数:

各种性能参数

返回
最大压降
最大连续压降
最大利润
最大连续利润
交易数量
每笔交易的平均回报
交易费用
滑倒等。

另外几个重点是:

止损/跟踪止损
目标价格
入围标准
退出标准

algo 交易者经常犯的一个错误是使用当前价格信息来生成交易信号。我们应该在逻辑中使用历史数据，在买卖信号中使用下一个价格信息。

要执行的活动有:

在此阶段，我们需要执行以下活动:

导入必要的库
获取仪器的历史 OHLC 数据。
编写支持函数实现我们的逻辑
使用烛台产生买入/卖出信号
可视化输出
检查策略的回报

回测输出数据的分析和可视化，以了解算法的优化范围。

注意:要回顾回溯测试中使用的步骤，请参考我的文章

https://medium . com/@ sunil . guglani/how-to-develop-your-first-trading-bot-using-python-by-recognized-烛台模式-a755f7fa6674

示例:

导入必要的库

import pandas as pd
import numpy as np
from nsepy import get_history
import datetime
import seaborn as sns
import matplotlib.pyplot as plt
import plotly
import plotly.graph_objs as go
from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot
------------------------------------------------------
'''
Function to fetch data from nsepy
'''
def Fetch_Historical_Data_nsepy(script,script_cat,fromdate,todate,mode):
    if mode=='nsepy':
        if (script_cat=='NSE_EQ')|(script_cat=='BSE_EQ'):
            try:
                df_stock_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate)

            except (RuntimeError,ConnectionError):
                print ("Fetch_Historical_Data function, nsepy function: ",RuntimeError)
                df_stock_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate)
            return df_stock_data

        elif script_cat=='NSE_INDEX':
            try:
                df_index_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate,
                					index=True)

            except (RuntimeError,ConnectionError):
                print ("Fetch_Historical_Data function, nsepy function: ",RuntimeError)
                df_index_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate,
                					index=True)
            return df_index_data

'''
Function to fetch data for the algorithm 
'''

def fetch_data(script) :
    todate=datetime.datetime.now().date()
    fromdate=todate-datetime.timedelta(days=365*4)
    script_cat='NSE_EQ'
    script=script

    mode='nsepy'
    df=Fetch_Historical_Data_nsepy(script,script_cat,fromdate,todate,mode)
    return df

------------------------------------------------------

'''
Function to fetch data from nsepy
'''
def Fetch_Historical_Data_nsepy(script,script_cat,fromdate,todate,mode):
    if mode=='nsepy':
        if (script_cat=='NSE_EQ')|(script_cat=='BSE_EQ'):
            try:
                df_stock_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate)

            except (RuntimeError,ConnectionError):
                print ("Fetch_Historical_Data function, nsepy function: ",RuntimeError)
                df_stock_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate)
            return df_stock_data

        elif script_cat=='NSE_INDEX':
            try:
                df_index_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate,
                					index=True)

            except (RuntimeError,ConnectionError):
                print ("Fetch_Historical_Data function, nsepy function: ",RuntimeError)
                df_index_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate,
                					index=True)
            return df_index_data

'''
Function to fetch data for the algorithm 
'''

def fetch_data(script) :
    todate=datetime.datetime.now().date()
    fromdate=todate-datetime.timedelta(days=365*4)
    script_cat='NSE_EQ'
    script=script

    mode='nsepy'
    df=Fetch_Historical_Data_nsepy(script,script_cat,fromdate,todate,mode)
    return df

获取仪器的历史 OHLC 数据。

'''
Function to fetch data from nsepy
'''
def Fetch_Historical_Data_nsepy(script,script_cat,fromdate,todate,mode):
    if mode=='nsepy':
        if (script_cat=='NSE_EQ')|(script_cat=='BSE_EQ'):
            try:
                df_stock_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate)

            except (RuntimeError,ConnectionError):
                print ("Fetch_Historical_Data function, nsepy function: ",RuntimeError)
                df_stock_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate)
            return df_stock_data

        elif script_cat=='NSE_INDEX':
            try:
                df_index_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate,
                					index=True)

            except (RuntimeError,ConnectionError):
                print ("Fetch_Historical_Data function, nsepy function: ",RuntimeError)
                df_index_data = get_history(symbol=script, 
                                    start=fromdate, 
                                    end=todate,
                					index=True)
            return df_index_data

'''
Function to fetch data for the algorithm 
'''

def fetch_data(script) :
    todate=datetime.datetime.now().date()
    fromdate=todate-datetime.timedelta(days=365*4)
    script_cat='NSE_EQ'
    script=script

    mode='nsepy'
    df=Fetch_Historical_Data_nsepy(script,script_cat,fromdate,todate,mode)
    return df

编写支持函数实现我们的逻辑

'''
# Function to backtest any strategy by using parameter         
    #Dataframe, 
    #strategy_type(long/short),entry_criteria,exit_criteria
    #positional_field ,price_field(example Close price),stoploss_pct(stop loss pct),target_pct,only_profit(should wait for trade to be in profit True/False)
'''
def backtest_strategy_stoploss(df, strategy_type,lst_entry_criteria,lst_exit_criteria, positional_field,price_field,stoploss_pct,target_pct,only_profit):
    df['buy_price']=0.0000
    df['sell_price']=0.0000

    df['buy_time']=None
    df['sell_time']=None
    exit_reason_field=positional_field+'_exit_flag'
    df[positional_field]=0
    df[exit_reason_field]=''
    pos=0

    last_buy_price=0.00
    last_sell_price=0.00

    for d in range(0,len(df)):
        entry_flag=lst_entry_criteria[d]
        exit_flag=lst_exit_criteria[d]
        curr_price=df[price_field].iloc[d]
        curr_time=df.index[d]
        stoploss_exit=False
        target_exit=False
        only_profit_exit=False
        exit_reason=''

        if stoploss_pct!=0:
            if (strategy_type=='long')&(last_buy_price>0):
                if ((curr_price-last_buy_price)*100/last_buy_price)0):    
                if ((last_sell_price-curr_price)*100/curr_price)0):
                if ((curr_price-last_buy_price)*100/last_buy_price)>target_pct:
                    target_exit=True
                    exit_reason='TRM'
            elif (strategy_type=='short')&(last_sell_price>0):    
                if ((last_sell_price-curr_price)*100/curr_price)>target_pct:
                    target_exit=True
                    exit_reason='TRM'

        if only_profit==True:
            if (strategy_type=='long')&(last_buy_price>0):
                if ((curr_price-last_buy_price)*100/last_buy_price)>0:
                    only_profit_exit=True
            elif (strategy_type=='short')&(last_sell_price>0):    
                if ((last_sell_price-curr_price)*100/curr_price)>0:
                    only_profit_exit=True
        else:
            only_profit_exit=True

        if exit_flag:
            exit_reason='ECM'

        if entry_flag&(pos==0) :
             if strategy_type=='long':
                df['buy_price'].iat[d]= df[price_field].iloc[d]
                last_buy_price=df[price_field].iloc[d]
                df[positional_field].iat[d]=1
             elif strategy_type=='short':
                df['sell_price'].iat[d]= df[price_field].iloc[d]
                last_sell_price=df[price_field].iloc[d]
                df[positional_field].iat[d]=-1
             pos=1
        elif (exit_flag|stoploss_exit|target_exit)& only_profit_exit & (pos==1) :
             df[exit_reason_field].iat[d]=exit_reason

             if strategy_type=='long':
                df['sell_price'].iat[d]= df[price_field].iloc[d]
                last_sell_price=df[price_field].iloc[d]
                df[positional_field].iat[d]=-1
             elif strategy_type=='short':
                df['buy_price'].iat[d]= df[price_field].iloc[d]
                last_buy_price=df[price_field].iloc[d]
                df[positional_field].iat[d]=1
             pos=0

    df_temp=df[df[positional_field]!=0].copy()

    df_temp['buy_time']=df_temp.index
    df_temp['sell_time']=df_temp.index

    df_buy=df_temp[df_temp.buy_price>0][['buy_price','buy_time']]
    df_buy.reset_index(drop=True,inplace=True)

    df_sell=df_temp[df_temp.sell_price>0][['sell_price','sell_time']]
    df_sell.reset_index(drop=True,inplace=True)

    long= pd.concat([df_buy,df_sell],axis=1,copy=True)

    if len(long)>0:
        if ~(long['sell_price'].iloc[-1]>0):
            long['sell_price'].iat[-1]=curr_price
            long['sell_time'].iat[-1]=curr_time

    long["returns"]=(long["sell_price"]-long["buy_price"])*100/long["buy_price"]
    long['cum_returns']=(long['sell_price']/long['buy_price']).cumprod()
    long['investment_period']=(long['sell_time']-long['buy_time'])

    short= pd.concat([df_buy,df_sell],axis=1,copy=True)

    if len(short)>0:
        if ~(short['buy_price'].iloc[-1]>0):
            short['buy_price'].iat[-1]=curr_price
            short['buy_time'].iat[-1]=curr_time

    short["returns"]=(short["sell_price"]-short["buy_price"])*100/short["buy_price"]
    short['cum_returns']=(short['sell_price']/short['buy_price']).cumprod()
    short['investment_period']=(short['buy_time']-short['sell_time'])

    if strategy_type=='long':
        return df,long
    else:
        return df,short

'''
# Function to generate backtest reports
'''
def backtest_reports_local(df_summary,lot_size,trx_charge):
    #print("investment period", df_summary['investment_period'].sum())
    #print("number of transactions", df_summary['investment_period'].count())
    print("Sum of returns in %", df_summary['returns'].sum())
    print("Average returns per transaction in %", df_summary['returns'].mean())
    print("Absolute returns", df_summary['returns_abs'].sum())
    print("Absolute returns per trx", df_summary['returns_abs'].sum()/df_summary['returns_abs'].count())
    print("Max drawdown for a trx", df_summary[df_summary.returns_abs<0]['returns_abs'].min())
    print("Max returns for a trx", df_summary[df_summary.returns_abs>0]['returns_abs'].max())
    print("Losing trx", df_summary[df_summary.returns_abs<0]['returns_abs'].count())
    print("Winning trx", df_summary[df_summary.returns_abs>0]['returns_abs'].count())
    print("Win/Lose ratio ", (df_summary[df_summary.returns_abs>0]['returns_abs'].count())/(df_summary[df_summary.returns_abs<0]['returns_abs'].count()))

    df_summary.index=df_summary.buy_time
    df_summary['returns2']=np.round((np.int64(df_summary['returns']/.5))*.5,0)

    g1=df_summary[['returns2']].cumsum().plot(figsize=(12,8))
    #fig.autofmt_xdate()
    #ax.fmt_xdata = mdates.DateFormatter('%Y-%m-%d')

    plt.tight_layout()

    plt.show(g1)

    g2=df_summary[['returns_abs']].cumsum().plot(figsize=(12,8))

    plt.tight_layout()

    plt.show(g2)    
    '''    
    df_summary['investment_period2']=(np.int64(df_summary['investment_period']))

    plt.title("Investment period vs Count of transactions")

    g2=sns.countplot(x="investment_period2",
    data=df_summary)
    plt.show(g2)

    #print ('Total returns', df_summary[['returns_abs']].cumsum())
    '''
    plt.title("Percentage Returns vs Count of transactions")

    g3=sns.countplot(x="returns2",
     data=df_summary)

    plt.show(g3)

收集一切

'''
main Function 
'''

def bb_backtest_positional(script,lot_size,trx_charges,slippages):

    summary_min_grand=pd.DataFrame()
    df=fetch_data(script)

    draw_cndl_chart(df)

    for strat_type in ['long']:
        df_temp=df.copy()
        price_field='Close'

        strategy_type=strat_type
        df_temp,boll_entry,boll_exit=bb(df_temp,price_field,strategy_type)

        if strategy_type=='long':
            final_entry=boll_entry
            final_exit=boll_exit
        elif strategy_type=='short':    
            final_entry=boll_entry
            final_exit=boll_exit

        positional_field='pos_bb'
        price_field='Close'
        stoploss_pct=0
        target_pct=200
        only_profit=True

        df_temp,summary_min=backtest_strategy_stoploss(df_temp, strategy_type,list(final_entry),list(final_exit), positional_field,price_field,stoploss_pct,target_pct,only_profit)

        summary_min['returns_abs']=(summary_min['sell_price']-summary_min['buy_price'])*lot_size
        summary_min['returns_abs']=summary_min['returns_abs']-trx_charges
        summary_min['strat_type']=strat_type

        summary_min_grand=summary_min_grand.append(summary_min)
    return summary_min_grand

输出如下所示:

烛台图表

************后验测试结果:ITC **********************

以% 12.582204198954024
表示的总回报以% 1.7974577427077176
表示的每笔交易的平均回报以% 1.7974577427077176
表示的绝对回报 39.5000000000000003
每笔交易的绝对回报 5.642857142857147
每笔交易的最大提款为 36.300000000000000001【T4

参数优化

我们应该定期优化我们的算法参数。通过使用历史数据和各种方法，如 ML/回溯测试性能。

需要考虑的事项有:

避免参数过度拟合。过度适应是指优化逻辑和参数，使程序在某些特定的情况和场景下工作得最好。但如果情况发生变化，事情可能会变糟。

纸上交易或远期测试或真实环境中的模拟交易

纸上交易是你在真实环境中逻辑的验证方式。在这个阶段不需要投入实际的资金。它给出了非常准确和精确的结果。人们可以预期在真实环境中会有相同/相似的结果。但这是一项耗时的活动。一个人可以通过使用他/她的经纪人提供的特性来做到这一点，或者你也可以开发你的框架来测试它。

真实环境中的部署

真实环境中的部署需要管理多个方面，这在回溯测试中通常不被考虑

需要管理以下功能方面:

订单管理
风险管理
货币/基金管理
资产多样化
证券管理
用户管理
滑移

技术上需要管理以下几个方面:

与代理 API 建立连接。
使用代理连接传递买/卖订单，
与数据 API 建立连接(如果数据供应商不同于代理)
使用数据 API 连接访问实时和历史数据。

文章到此结束。如果我错过了什么，请随时分享您的想法。我会试着融入它。

结论:

总结以下 algo 交易策略，Algo 可以被视为一个软件产品，所有阶段都可以很容易地用“软件产品开发生命周期”来映射

所有阶段都有各自的重要性，对算法的成功至关重要。

制定交易逻辑/想法
选择脚本的过滤标准
逻辑验证(可视化)
回溯测试
参数优化
纸上交易或远期测试或模拟交易
真实环境中的部署

免责声明:股票市场的所有投资和交易都涉及风险。在金融市场进行交易的任何决定，包括股票或期权或其他金融工具的交易，都是个人决定，只能在彻底研究后做出，包括个人风险和财务评估以及在您认为必要的范围内寻求专业帮助。本文提到的交易策略或相关信息仅供参考。T3】

2020 年前 20 大博客

原文：https://blog.quantinsti.com/algo-trading-top-blogs-2020/

由维拉伊·巴加

又一年过去了，随着时间的推移，我们又多了一年的智慧，获得了更多的知识，在交易实践中运用了这些知识，或者开始学习建立自己的交易策略。

许多人开始学习算法交易——一些人跟上时代，一些人建立自己的职业生涯，一些人跟随自己的激情，一些人在职业生涯中成长，抓住他们的晋升机会，等等。

2020 年，我们发布了 140+篇博客，免费提供给我们的读者。从基础到高级，从教程到策略，报告，整个项目，等等。

这些文章对算法交易领域的各种主题、概念等进行了广泛而深入的探索。经过数百小时的研究，我们的文章是由在各自领域拥有多年经验的专家撰写的。这些文章是由贸易从业者和行业中坚分子策划。

回顾 2020 年，今天，我们为您带来 2020 年前 20 个博客！

这些被分类为:

列表
解释的概念
交易中的可视化
现场交易教程
特别提及

学习算法交易的免费资源——一份汇总清单

这是一个非常全面和强大的免费资源列表，在算法交易和量化交易领域，人们可能需要或需要这些资源。

涵盖用于以下目的的免费资源:

算法交易
用于交易的 Python
机器学习
股票预购买卖
数据科学
Quants
外汇
自动化交易
额外资源

算法交易必备书籍

如果你渴望成为一名交易者，拿起一本关于算法交易的书，吸收各种书籍提供的所有内容是很棒的。在这篇文章中，你会发现有抱负的定量分析师需要关注的核心领域，以及相关的好读物。

本文涵盖了以下几大类别的书籍:

市场微观结构
统计学和计量经济学
技术分析
股票预购买卖
高级统计学
机器学习
Python 算法交易基金会

概念解释

散户算法交易指南

作为一个散户交易者，要深入了解算法交易，这本全面的指南一定能很好地服务于你的目的。你将能够找到算法交易的基本概念和高级概念。它解释道:

什么是算法交易？
散户为什么要做算法交易？
散户如何开始算法交易？
规程
建立算法交易平台的要求
算法交易经纪人
学习算法交易的课程

高频交易基础知识

高频交易的心脏或核心是高速计算机系统和实时数据输入(快速跟踪交易和订单)的结合。掌握基本知识总是有帮助的，通过这篇文章，你可以了解 HFT 的一切。

这篇文章谈到:

导言:什么、为什么和如何？
高频交易是如何运作的？
高频交易订单
HFT 历史
关于 HFT 的独特而有趣的事实
高频数据的特征
高频交易策略
高频交易中的工作和职业
设立高频交易台的要求
高频交易中的监管要求
高频交易和长期投资有什么不同？

做市比你想象的简单！T3】

交易所交易结构中的关键市场参与者是做市商。做市商是指在当前市场情况下以最佳出价买入，同时以最佳出价卖出的人。通过这种方式，他们沉迷于金融市场的两个方面。

为了详细解释做市，本文包括:

谁是做市商，什么是做市商策略？
做市商怎么赚，赚了多少？
做市商会亏钱吗？
自动化交易如何实现做市？
为什么做市很重要？
经纪人和做市商的区别

算法交易必备的数学概念

通常，当定量分析师工作时，他们会关注市场的表现。他们在市场数据的基础上用数学来预测。这个博客解释了不同的数学概念，如统计，概率，代数，线性回归，它们在算法交易中起着重要的作用。它包括:

谁是交易者？
谁是量化分析师？
为什么算法交易需要数学？
数学何时以及如何成为交易:历史之旅
数学概念

隐含波动率:什么，为什么&如何！T3】

对隐含波动率的内容、原因和方式的逐步解释。除了理论之外，这篇博客还解释了如何用数学方法计算隐含波动率，并使用 python 创建了一个 IV 计算器。它包括:

理解隐含波动率
IV 后面的数学
使用 python 计算 IV
影响期权价值的因素
静脉注射的用途
口译四
使用 IV 的交易策略

一切关于时间序列:分析与预测

预测股票市场的未来价格对投资者来说是至关重要的，时间序列及其相关概念在组织数据进行准确预测方面具有特殊的优势。

这精心制作的 20 分钟。-阅读以确保你彻底了解它。这篇博客谈到了:

什么是时间序列和时间序列分析？
时间序列的类型
时间序列分析有哪些组成部分？
用于分解组件的结构
什么是时间序列预测？
如何在 Python 中导入、计算、绘制和验证时间序列以进行预测？
时间序列分析:使用 Python 处理日期时间数据
时间序列分析中的均值回归

非系统风险:类型、计算、规避等等！T3】

您知道非系统风险也称为特定风险、分散风险、特质风险或剩余风险吗？这是你的入门指南，以非常全面的方式解释了你需要知道的关于非系统风险的所有知识。探索您可能想了解的关于非系统风险的一切，包括:

什么是非系统风险？
非系统风险的例子
非系统风险公式
如何计算非系统风险？
系统风险与非系统风险
非系统风险的类型
如何防范经营风险和财务风险？

交易中的主成分分析

如果我们必须描述主成分分析的有用性，我们会说它帮助我们减少了我们必须分析的数据量。通过这篇博客，我们试图了解主成分分析及其在交易中的应用。我们还了解特征值和特征向量以及协方差，这是用于主成分分析。

本博客涵盖:

什么是主成分分析？
特征向量和协方差矩阵
什么时候用主成分分析？
交易中的主成分分析

Black Scholes 模型:公式，局限性，Python 实现

费希尔·布莱克和迈伦·斯克尔斯为 Black Scholes 模型奠定了基础，后来 Robert Merton 对该模型进行了研究，给出了现在在全世界流行的方程。Black Scholes 模型根据行权价、标的股票价格及其波动性以及到期日来计算期权价格。通过这篇文章，我们来看看:

布莱克-斯科尔斯模型的假设
布莱克·斯科尔斯公式
蟒蛇皮黑色运动鞋
限制
克服 BSM 的变种

随机漫步:简介，GBM，模拟T3】

随机游走理论认为，今天的股价对明天的股价没有关系或影响，股价的走向完全是随机的，不可预测的。在这篇博客中，我们将看到什么是简单的随机漫步，并创建一个股票收盘价的模拟。我们通读:

什么是随机漫步？
市场中的随机游走理论
对随机漫步的批评
几何布朗运动在起作用
基于几何布朗运动的股票价格随机游走模拟

算法交易中的 VADER 情绪分析

VADER 情绪帮助我们解码和量化文本、音频或视频等媒体中包含的情绪。在这篇博客中，我们研究了什么是 VADER 情绪分析，如何使用 Python 在我们的算法交易模型中使用它，以及如何在我们的交易策略中实现 VADER。它涵盖以下主题:

什么是 VADER？
使用解释 5 种启发法的句子进行演示
如何在交易中使用 VADER？
使用 VADER 和简单移动平均线生成交易电话

Python 中的 XGBoost 介绍

XGBoost！这是机器学习爱好者和竞赛获胜者的首选武器。XGBoost 是一个梯度增强模型，它减少了计算时间，消耗了更少的资源。在本文中，除了学习 XGBoost，我们还学习了如何使用 Python 代码来预测美股的多空。

本文涵盖:

XGBoost 是什么？
XGBoost 为什么这么好？
XGBoost 功能重要性
如何在 anaconda 中安装 XGBoost？
Python 中的 XGBoost

可视化交易中的

机器学习策略采用蓝移可视化编程

构建你的机器学习交易策略，无需编写一行计算机代码！

学习使用 Blueshift 的酷新添加的可视化编程接口来构建机器学习策略。此外，在您的系统中不需要特殊的软件安装。一切都在 Blueshift 平台上完成！

本文涵盖:

Blueshift 的可视化编程是什么？
Blueshift 可视化编程中的机器学习管道
构建机器学习策略
回溯测试和实时交易策略
该战略的未来改进

Plotly Python -一种交互式数据可视化

Plotly 的创建是为了让数据更有意义，它拥有交互式图表和绘图，这些图表和绘图也可以在线创建。我们可以在线可视化数据的事实消除了很多与离线使用图书馆相关的障碍。Plotly python 库创建交互式图表，如散点图、折线图、OHLC 和等高线图等。

本文涵盖:

介绍
如何在 Python 中安装 Plotly
在线与离线使用
呈现为 HTML 文件或在笔记本中呈现
OHLC 海图
散点图
使用 Plotly Express 的折线图
柱状图
等高线图
三维散点图

现场交易教程

利用深度学习预测银行俏皮开盘价

随着几种机器/深度学习模型的出现，由于其涉及的难度和复杂性，在应用这些技术进行股票市场预测时出现了几种理论。

EPATian Balamurugan Ganesan 的这个项目试图解决这个问题，它使用一个分类器来预测在 NSE 上市的银行 Nifty 指数在第二天开盘时是上涨还是下跌，使用了两个深度学习模型。一定要去看看！

黄金价格预测利用 Python 中的机器学习

我们最受欢迎的文章提供了使用 Python 回归预测黄金价格的一步一步的技术。从定义解释变量到创建线性回归模型并最终预测黄金 ETF 价格，这是一种基本而强大的机器学习技术。

本文涵盖:

导入库并读取黄金 ETF 数据
定义解释变量
定义因变量
将数据分成训练和测试数据集
创建线性回归模型
预测黄金交易所交易基金的价格
绘制累积回报
如何用这个模型预测每日走势？

趋势分析使用 Python 中的的未平仓利息、展期和 FII/DII 活动

金融市场充当着风向标的角色，为我们提供了对全球经济整体情绪的反映。这些情绪不仅反映在价格上，还反映在其他指标上，如未平仓利息、展期百分比、FII/DII 交易。这篇博客旨在分析 Nifty 50 的这些重要指标，Nifty 50 是印度领先的广泛市场指数。我们使用 Python 来进行这种分析。

它包括:

导入 Python 库
Nifty 50 期货
获取数据
分析价格变动
分析价格与数量
未结利息分析
翻车分析
FII/DII 活动分析
摘要

投资组合优化方法

在这篇文章中，我们将介绍并浏览一些流行的项目组合构建方法的基本原理以及它们在 Python 中的实现。

当构建一个多资产投资组合时，提出为投资组合的各个组成部分分配权重的策略是这个过程中非常重要的一步。给定一个投资组合的组成部分，计算出它的权重可以通过多种方式来完成，这是一个即使是最熟练的经理也感到困惑的问题。那么做这件事的最佳方式是什么呢？本文介绍了最广泛使用的方法，并了解了它们背后的直觉。请继续阅读，了解所有相关信息。

特别提及

什么是算法交易？T3】

根据 Research and Markets 发布的《2018-2022 年全球算法交易市场》报告，全球算法交易市场规模预计将从 2019 年的 111 亿美元增长到 2024 年的 188 亿美元，CAGR 增长率为 11.1%。此外，它正被广泛使用，并不断扩大其在新兴市场的影响力。

本文旨在让您全面了解以下内容:

算法交易是什么，为什么？
从人工交易到算法交易的转变
算法交易是什么时候开始的？
交易频率:HFT，MFT，LFT
算法交易策略
算法交易工资
印度有什么规章制度？
如何学习算法交易
算法交易的工作流程
如何建立自己的算法交易业务？

统计与概率分布入门

这篇关于基本统计的文章介绍了一些基本的术语以及用于策略分析的概率分布的类型，并应用于算法交易领域。

它涵盖了历史数据分析，概率分布和相关性。如果你刚刚开始学习算法交易，或者想重温一下你的知识，这个博客非常适合你。

金融市场时间加权平均价格(TWAP)

时间加权平均价格是一种执行策略，对大宗交易订单很有帮助。如果你想知道 TWAP 是什么，为什么和如何以及它与 VWAP 的不同，那么这篇文章将很好地服务于你的目的，因为它将让你深入了解时间加权平均价格。它带你通过:

什么是 TWAP？
TWAP 的例子
TWAP 是如何计算的？
为什么选择 TWAP？
twap vs vwap
TWAP 的利与弊

神经网络中的前向传播

进行前向传播以获得输出，并将该输出与真实值进行比较以获得误差。通过我们精心撰写的文章了解神经网络中的前向传播，该文章解释了:

神经网络简史
什么是神经网络中的前向传播？
正向传播模型的组件
正向传播的应用

马尔可夫模型-简介

了解马尔可夫模型并回顾两个最著名的马尔可夫模型，即马尔可夫链，它是理解马尔可夫模型和隐马尔可夫模型(HMM)的基础，隐马尔可夫模型在预测领域，特别是在交易领域被广泛研究用于多种目的。

这篇博客回答了以下问题:

什么是马尔可夫模型？
马尔可夫模型有什么用？
马尔可夫模型是如何工作的？
什么是隐马尔可夫模型？
马尔可夫模型和隐马尔可夫模型有什么区别？

奖金-所有时间的最爱

我们希望你有一个伟大的时间阅读，学习和实施所有这些知识在您的交易实践。请随意将这些文章的链接分享给你的同龄人、朋友、大学、家人和朋友。

如果您在出版物中引用了我们的内容，不要忘记提及我们和参考书目中的链接，或者您的文章或您的研究-我们将不胜感激。请在下面的评论区发表你对这个博客的看法。

快乐学习！

算法交易前 20 名博客| 2021

原文：https://blog.quantinsti.com/algo-trading-top-blogs-2021/

由维拉伊巴加&T2】查尼卡塔卡

我们列出了几年来关于算法交易和量化交易的一些最受阅读、喜爱和欣赏的博客。它们的范围从各种水平的基础到中级和高级水平，包括教程，指南，以及更多。

阅读和学习不同的类别，如交易策略，机器学习，情绪交易，技术指标等。

一定要潜水，看看你最喜欢的是不是在这里！

基本和介绍性博客
中介知识博客
面向高级学习者的博客

基本和介绍性博客

学习算法交易的免费资源——汇总清单

这是一个非常全面和强大的资源汇编列表，在算法交易和量化交易领域，人们可能需要或需要这些资源。

算法交易的基本数学概念

深入研究算法和量化交易的基本数学概念。读完这篇博客后，你将能够使用诸如集中趋势、分散、偏差、概率等概念。对于算法交易。每一个重要的数学概念和它的使用在博客中有详细的解释，以供彻底的学习。

烛台模式——如何阅读烛台图表

你知道吗，交易者已经用烛台多年来根据历史数据来决定价格变动？现在你也可以学习如何做到这一点！这个博客涵盖了从最基本的一切，解释了各种烛台模式，并教你如何阅读烛台图表。它解释了最好的交易模式和烛台交易信号。

Python For Trading -简介

到目前为止，Python 已经超越了所有的编程语言，在 TIOBE 索引和 PYPL 排名中都占据了首位。如果你也想掌握在股市中使用 Python 进行交易的知识，这个博客就是为你准备的。本指南涵盖了从不同编程语言的比较、python 安装、编码应用程序等等的所有内容。

如何利用技术指标进行交易？

学习技术指标的基础知识，以及技术分析和基本面分析的区别。开始在 Blueshift 平台上使用 RSI 和 Ichimoku cloud 等流行指标创建和回溯测试自己的交易策略。

中介知识博客

算法交易策略、范例和建模思想

算法交易策略非常简单易懂。使用这个不可思议的教程，进入并深入研究算法交易策略的世界，从策略、想法、概念、技术、模型等方面学习一切。

Python 中的股市数据和分析

这是一个包含 Python 代码的强大教程，它解释了关于股票市场数据的一切。博客首先展示了从哪里以及如何获取股票市场数据，并下载股票市场数据作为 csv 文件。然后继续绘制数据，最后可视化和分析性能。它解释了实践所需的不同数据类型的数据分析，例如使用分钟频率数据、重采样数据、基本面数据、期货和期权数据。最后，描述了如何借助 Python 中的数据可视化创建交易策略。

Pairs 交易基础:相关性、协整性和策略

了解所有配对交易！配对交易是最重要的交易策略之一，被算法交易者广泛使用。这个博客解释了配对交易的基础，涵盖了为配对交易选择股票的知识，定义策略的进场点和出场点等等。最后，你将能够在 excel 中自己创建一个简单的 pairs 交易策略。

用于算法交易的流行 Python 库

将此博客加入书签！作为数量博客中阅读量最大的博客之一，这个博客是一个巨大的资源，提供了一些最流行和最广泛使用的 Python 交易平台和 Python 库的必要信息。学习如何使用它们进行各种功能，如技术分析、数据操作、绘制结构图、机器学习、数据收集和回溯测试——并将这些知识用于交易。

如何回测交易策略

在金融市场开始实时交易之前，回溯测试是最重要的步骤之一。一旦你制定了交易策略，根据历史数据对策略进行回溯测试是很重要的。你是如何学习这些的呢？当然是用这个博客！从先决条件开始，学习如何进行回溯测试，回溯测试中常见的错误，等等。并了解各种回溯测试软件。

面向高级学习者的博客

交易策略失败的 10 种方式

这篇精心制作的文章通过一系列互动的例子和测验，涵盖了十种常见的导致我们交易策略失败的错误。这些例子基于算法交易的各个方面，如前瞻偏差、过度拟合、性能参数的误算等。

如何通过 Python API 获取历史市场数据

可以通过 Python API 获取历史市场数据。但是，你如何着手去做呢？本教程分享了关于免费和付费解决方案的信息，所有这些解决方案都有一个易于使用的 Python API 包装器。对于每种类型的解决方案，我们看一下这些资源为哪种资产类型(股票、ETF、外汇、商品期货、期权、国债，甚至是密码)提供信息，以及如何以各种方式检索信息——当然还有 python 代码中的一个例子。

利用 Python 中的机器学习进行黄金价格预测

如何预测黄金价格？有人能预测黄金的速率吗？这篇博客讨论了使用机器学习回归技术来预测最重要和最珍贵的金属之一，即黄金的价格的有趣概念。读者的最爱，这是任何交易爱好者或专家的必读之作！

如何在 Python 中安装 Ta-Lib

学习“如何”安装技术分析库(又名 TA-Lib)的实践教程。TA-Lib 是 Python 中最流行的库之一，用于分析股票市场的历史数据。首先，本教程解释了如何使用 Anaconda 提示符安装该库，并指导您使用针对 Windows PC、macOS 和 Linux 等各种平台的所有替代方法完成深入的安装过程。

决策树的基尼指数

决策树是实现机器学习算法的方法之一。分割决策树是一个重要的过程，因为决策树的层次结构通过遍历树的节点而导致最终结果。每个节点由一个特征组成，该特征可以进一步分成更多的节点，以帮助机器学习系统更好地学习输入输出组合的机制。这就是基尼指数的由来。在分割决策树时使用基尼指数。

使用蓝移可视化编程的机器学习策略

你知道吗，在没有任何编程知识的情况下，你可以使用机器学习来创建一个交易策略。蓝移使之成为可能。这本强大的指南解释了如何使用blue shift的可视化编程界面轻松实现这一点。无需编写一行计算机代码，完全免费在线构建您自己的策略！

量化交易策略——基本面分析和量化分析

对公司的基本面数据进行定量分析，创建基本面强劲公司的投资组合，并分析投资组合的表现，最后学会制定自己的交易策略。这个博客分为三个部分。首先是量化交易策略的制定。第二，对策略进行回溯测试。第三次业绩分析的战略基准:纳斯达克。

支持向量机简介

支持向量机(SVM)是如何工作的？SVM 在交易中有哪些应用？这个博客解决了所有这些问题以及更多的问题。它介绍了 SVM 背后的数学原理，以及在非线性模型中使用它的过程。支持向量机也擅长解决小数据集的非线性问题，这也是为什么许多交易者更喜欢 SVM 的原因。

Python 中的 XGBoost 介绍

XGBoost 是一个梯度增强模型，它减少了计算时间，消耗了更少的资源。这是机器学习爱好者和竞赛获胜者的首选武器。了解所有相关信息！创建一个交易策略，并探索 Python 代码来预测五家公司(苹果、亚马逊、网飞、英伟达和微软)的投资组合的多空。

使用僵尸计检测 Twitter 上的僵尸

了解机器人是什么，如何和为什么！了解机器人如何扭曲你的交易策略中使用的情绪分析，开发一个实际操作的交易策略，并使用僵尸工具库来识别机器人创建的推文。

特别提及

市云与交易策略

Ichimoku 云指示器是一种源自日本的技术指示器，是其日本制定者约 30 年的专有指示器。这个博客是一个很好的阅读材料，它解释了你需要了解的关于 Ichimoku Cloud 的所有内容，包括交易策略和可下载的代码。

神经网络中的前向传播

探索神经网络的简史，了解神经网络中的前向传播，并分解前向传播中涉及的各种组件。你也会接触到它的各种应用。

感谢你在我们博客上的所有爱，你无数的评论和无数的社交媒体分享。我们很高兴地得知，我们的博客已经能够指导、教授和帮助您的学习。

希望你喜欢 2021 年我们读者最喜欢的 20 大算法交易博客！请在下面留言，让我们知道你最喜欢的博客。

算法交易工作坊 2021-3 天学习算法交易基础

原文：https://blog.quantinsti.com/algo-trading-workshop-20-may-2021/

这个为期 3 天的在线研讨会将向您介绍系统化交易和量化交易，讨论各种策略范式，教授如何制定策略，并展示使用可视化编码和 Python 控制台对多个资产的样本策略进行的回溯测试。

本次研讨会已经结束。访问下面完整的研讨会录音和演示。

第一天:大局

系统交易和量化交易简介。
了解它在当前交易环境中的影响和传播。
了解量化交易的好处。
你将会学到如何将一个交易想法从概念转化为算法交易的过程。
比较和对比传统和量化交易风格。

https://www.youtube.com/embed/SB3g_QnpsII?rel=0

//www.slideshare.net/slideshow/embed_code/key/rhewMe8GiLVDQN

Day 1 - The big Picture [Algo Trading Basics] from QuantInsti

第二天:更好的细节:处理数据，制定和回溯测试交易策略

讨论各种策略范例。
了解策略工作流。
稍微绕一下我们可以使用的数据。
探索数据源。
制定策略并对其进行回溯测试。

https://www.youtube.com/embed/WiiQBg71Mz4?rel=0

//www.slideshare.net/slideshow/embed_code/key/LJhUqSiBh2jpxN

Day 2 - The Finer Details [Algo Trading Basics Workshop] from QuantInsti

第三天:测试交易策略(在回溯测试平台上)

扩展上节课中讨论的观点，了解平台环境中的回溯测试。
对 Blueshift 平台及其特性(包括可视化编码)有一个基本的了解。
使用可视化编码和 Python 控制台展示对多个资产的样本策略的回溯测试。
关于领域的问答环节。

https://www.youtube.com/embed/mrl3I4oBxNE?rel=0

//www.slideshare.net/slideshow/embed_code/key/wGzAYv5i50a0po

Day 3 - Test Driving a Trading Strategy [Algo Trading Basics Workshop] from QuantInsti

T4】

谁应该参加？

全权委托/手工交易者(例如专业交易者，兼职交易者)，他们希望提高技能并获得更好的回报。
技术专业人士，他们希望利用自己的技术技能明智地投资于金融市场。
希望从事量化金融的学生和其他爱好者。

扬声器

Ashutosh Dave(高级助理，内容&在 QuantInsti 的研究)

Ashutosh 在金融衍生品交易和量化金融领域拥有十多年的经验。除了对 QuantInsti 的整体内容开发做出贡献之外，他还在我们的旗舰项目 EPAT 教授 Python。

在加入 QuantInsti 之前，他曾在伦敦的一家自营交易公司担任衍生品交易员，专门从事利率和大宗商品交易。他的主要兴趣领域包括将高级数据科学和机器学习技术应用于金融数据。

Ashutosh 拥有伦敦经济学院(LSE)的统计学硕士学位，并且是 GARP 的 FRM。他是《算法交易简易指南(2020)》一书的合著者。

Jay Parmar(助理，内容&在 QuantInsti 的研究)

Jay 在 QuantInsti 担任内容与研究助理，在 BFSI 行业拥有数年经验。他积极参与 quant finance 课程的内容开发，并指导全球的 EPAT 参与者。

他是《Python 基础知识:金融市场插图》(2019 年)和《算法交易粗略指南》(2020 年)这本书的合著者。他热衷于 algo 交易和编程，喜欢开发自动化交易系统。他拥有计算机科学学士学位和 EPAT 证书。他的研究兴趣是将机器学习模型应用于交易的各个方面。

Vivek Krishnamoorthy(QuantInsti 的内容&研究负责人)

Vivek 教授参与者数据分析，使用 Python 构建量化策略和时间序列分析。他在印度、新加坡和加拿大的工业、学术和研究领域拥有超过 15 年的经验。

他是《Python 基础:金融市场插图》(2019 年)、算法交易粗略指南(2020 年)这两本书的合著者。他拥有 VESIT(孟买大学)的电子&电信工程学士学位和 NTU 的 MBA 学位。

本次活动从:
2021 年 5 月 20 日至 22 日
美国东部时间上午 9:30 |晚上 7:00 IST |晚上 9:30 SGT

对于那些正在寻找完整的算法交易课程的人来说，QuantInsti 的 EPAT 课程是最好的选择。它的好处数不胜数，今天就联系课程顾问了解更多。

好奇心、兴趣和算法优势——比布的探索

原文：https://blog.quantinsti.com/algorithmic-edge-bibhu-story/

你遇到过在多个零售项目中工作过的人吗？端到端的工作，从业务需求到项目生产阶段？

如果有人在实践多种商业智能技术(如 SSIS、SQL Server 2008、SSRS、Qlikview)方面有丰富的经验，那会怎么样？

唷！这是一个巨大的技能列表，而且是真实的。这是比布·普拉萨德的简介，他获得了 EPAT 卓越证书！

我们联系了他，谈论了他进入算法世界的旅程。我们向你展示他的故事。

对话是这样进行的:

你好，比布！给我们介绍一下你自己。

嗨！我是比布·普拉萨德。目前，我在一家跨国公司担任领导职务。我有 8 年多的工作经验，主要是在银行方面。

我拥有双学位——印度理工学院(Kharagpur)的技术学士学位和工业工程与管理技术硕士学位。我也考过 CFA 一级。

我喜欢看像板球这样的运动。我是一个狂热的硬币收藏家，我的收藏包括不同时代不同国家的硬币——这是我从祖父和父亲那里继承的遗产。

你为什么想进入算法交易？

我一直是技术团队的一员。我冒险进入了专业领域，编程，然后是数据库，人工智能和其他方面，这些都直接或间接涉及到大量的编码，如 SQL2 到 JavaScript。所以，它是不同脚本语言的混合体。

我一直很好奇，对学习新的东西很感兴趣。

在大学里，我学习了 C 和 C++，在我的实习中应用了它们，也做了一些关于它们的项目。我一直想进入技术领域，而且我也很擅长。所以，这就是我进入这个领域的原因。

我想通过学习 Python 来提升自己。最开始是想学数据科学。我会访问从各个方面教授数据科学的论坛和不同的网站。对我来说，更多的是从学习数据科学的角度出发。我想我也已经实现了这个目标。

我一开始打算纯粹学习 Python 和数据科学，尽管我以前从未涉足交易。因此，我选择了研究，而不是去随机的网站或论坛上学习一些课程，在那里你甚至不知道谁是教员，或者从他们那里了解与数据科学相关的事情。

你是什么时候知道 EPAT 的，为什么加入它？

我在网上搜索，试图为自己找到一个学习资源。后来，通过一些在线论坛和社区，我最终在 QuantInsti 找到了 EPAT。

当我翻阅 EPAT 的宣传册时，对我来说这是一个完全不同的方面——交易在那里，有人想建立自己的交易平台，有人是程序员，有人想把自己提升为数据科学家。所以，我是后者。

吸引我注意的是 EPAT 的课程内容，它讨论了从 Python、机器学习、策略等所有内容。，船上有知名的教员。课程结构很棒。正常情况下，如果你上课，如果你不练习，那么什么都不值得学。我觉得它比其他的有优势，这就是我选择它的原因。

我在 EPAT 的旅程非常精彩。从第一天开始，Nitesh Khandelwal 先生的第一堂课——我对这个项目的成功印象深刻。EPAT 为我提供了一种“动力”，帮助我达到这样的高度，并激励我在学习中不断前进。这种“踢”是我认为对每个人都至关重要的学习因素。

EPAT 有许多特色和好处。你最喜欢哪一个？

我觉得所有的功能都很棒，但我最喜欢的和与众不同的是专门的支持团队。有时，如果我有疑问，会很快得到解决。

我记得有一次在一次讲座中，我无法进入我的帐户，所以我放弃了一封电子邮件，在一分钟内，这个问题得到了解决，我可以参加现场讲座。

在 EPAT，一旦你完成了某些练习，作业就会被分配给你，等等。QuantInsti 有很棒的支持人员，他们真的有时间限制并且乐于助人，尤其是支持经理。我想特别提到我的支持经理 Dionne，她在整个课程中给予了我很大的帮助，定期跟进我的作业，在每个单元结束后都打电话给我，等等。

如果没有工作人员的帮助，我可能只是参加讲座和课程，在一两个星期内，我可能会忘记这些事情。也是因为他们，我才能完成我的作业。

团队让我保持动力，鞭策我，让我坚持下去。

我喜欢这个给依帕坦人加分的功能，每个依帕坦人都会根据他们的任务和项目得到加分。这也是为什么它如此令人兴奋和充满竞争的原因。根据你的排名，你必须继续走在其他人的前面。这是一个很好的功能。

你的下一步是什么？

我已经开始探索更多我学过的东西，比如 Python，机器学习等等。现在在探索 ML 的副产品，NLP 这边，跟进 AI。所以，是的，这将是我的下一步行动。探索未来技术。

谢谢你的时间，比布。我们真的很钦佩你对学习的奉献精神，我们祝愿你未来一切顺利。

用终身技能武装自己，这将永远帮助你提升你的交易策略。通过统计学和计量经济学，金融计算和技术，机器学习等主题，EPAT 确保你精通在交易领域取得成功所需的每一项技能。在这里询问。

不同资产类别中的算法交易执行

原文：https://blog.quantinsti.com/algorithmic-trade-execution-different-asset-classes/

由普尼特·南迪

自从投资理论出现以来，已经有不同类型的资产类别成为投资者和交易者的投资渠道。这些资产类别不仅在数量上有所增加，而且在全球范围内被证明是很好的对冲平台。在这篇博客中，我们将讨论其中一些资产类别，以及不同的资产类别如何具有不同的算法交易执行参数。

以下是我们将在本博客中涉及的资产类别:

现金权益
债券
衍生品
商品
外汇

首先，让我们先了解什么是算法交易执行，对于不同的资产类别，它与人工交易执行有何不同？

算法交易涉及利用自动交易指令执行订单，这些指令使用时间、价格和数量等变量，随时间分段或全部执行。与人工交易相比，它有许多优势，如速度快、零人类情绪、在微秒内扫描多个指标、执行时无需持续监督等等。现在让我们讨论不同资产类别的算法交易执行。

现金权益

截至 2016 年，股票市场占全球总市值的 87%。自从算法交易被引入市场以来，越来越多的交易者参与其中。对于股票，步骤很简单，你设置正确的参数，创建一个强大的风险管理系统，算法可以在市场中为你做得相当好。以下是股票市场算法交易执行的一些特点。

首先，我们需要一个适当的回溯测试策略，这个策略在样本内和样本外数据上都表现得很好。这是所有资产类别的共性，也是你阅读这篇博客时的黄金原则。

接下来，我们关注交易的参数，记住，设置过高的利润空间只会破坏你高性能策略的机会。所以，调整策略的参数是很好的，但是记住策略的最终目标是产生 alpha，而不是花费交易的成本是很好的！

用最好的止损利润来限制策略中的损失是另一种随着时间发展的技能。如果交易参数不能预测正确的市场走势，频繁买卖股票的算法可能会导致亏损。鉴于股票市场的波动性很高，一个完美的退出策略可以决定交易的成败

股票市场区别于其他资产类别的众多特性之一是高波动性。股票市场很快被情绪所左右，在制定策略时应该考虑到这一点。交易者不能产生 alpha 的众多原因之一是因为对市场情绪理解不足。理解牛市或熊市中的心理状态对于延长胜利周期非常重要

好策略的另一个参数是考虑公司事件。创建基于情境的算法来分析和跟踪公司事件，有助于预测突然的市场波动。季度利润公告、高层管理人员变动或冲突、回购或股票分割总是预示着价格变化的可能性，要么给交易员或投资者带来巨大的好处，要么导致他们的头寸减少

接下来，我们将讨论作为一种资产类别的固定收益，以及它与其他资产类别有何不同。我们将保持我们的参数专门针对债券，原因很简单，博客的目的是触及一般资产类别的特性，而不是产品的特性。

债券

所有资产类别中最大的是固定收益。其主要组成部分之一是债券市场，它代表投资者以债券形式向借款人(通常是公司或政府)提供的贷款。创建一个包含下述特性的策略将有助于产生 alpha。

与其他资产类别不同，每种债券都有不同的规格，比如不同的利率、到期期限、条款和条件。因此，扫描不同债券并确定最佳债券投资的算法必须考虑所有这些因素

债券有收益率因素。债券的收益可以分为三个部分:

1)到期收益率(YTM)——如果我们持有债券直到到期，并且如果所有的息票都被再投资，那么 YTM 就是债券回报的衡量标准。例如，如果 YTM 小于债券的票面利率，那么债券的市场价值大于票面价值(溢价债券)。如果一只债券的票面利率低于其 YTM，那么这只债券就折价出售。

2)赎回收益率(YTC) -如果投资者预测债券在到期前的特定日期会有略高的收益率，则赎回债券的利率。

3)已实现收益率——是投资者愿意持有债券的时间周期内的收益率。创建一个基于收益率执行多头或空头头寸的债券交易策略，可能会比其他交易者更有优势。例如，3 年后到期的 1000 美元债券，票面利率和 ytm 利率均为 3%。如果债券在一年后以 960 美元的价格出售，本金损失为 4%。3%的息票支付使得实际收益率为负 1%。如果同样的债券在一年后以 1020 美元的价格卖出，获得 2%的本金收益，由于 3%的息票支付，实现的收益率增加到 5%。

任何投资者在确定独立评级机构(大多为 AAA+或 AA+)对债券发行人进行了正面评级后，都会调查该债券发行人的信誉。这种评级的增减可能会影响债券价格并产生利润或损失。因此，将债券评级考虑在内，并创建参数来抵御这种变化，对于持续的利润至关重要。信用评级是固定收益资产类别的一个非常独特的属性，也是区别于其他资产类别的一个关键因素。

交易债券时，全球经济前景和利率风险也起着关键作用。与其他资产类别一样，机会成本在债券交易领域是巨大的，利率上升会迫使现有债券以折扣价交易，反之亦然。由于一个国家的利率与其央行对国内经济和影响国内经济的宏观经济因素的看法完全相关，因此可以通过适当的回溯测试来研究涉及未来预测的策略。

固定收益债券在其他资产类别中脱颖而出的最后一个因素是它提供的巨大品种。期望从政府债券中获得更高的回报并不像从垃圾债券中那样合乎逻辑。然而，鉴于交易垃圾债券的风险远高于政府债券，在创建资本高效策略时，回溯测试策略的贝塔和夏普比率极其重要。

衍生产品

衍生品作为一种资产类别，具有极好的对冲机会，被交易者用来以最小的风险敞口获得最大的利润潜力。衍生品市场基于溢价的结构是其区别于所有资产类别的另一个吸引人的特征。

我们将讨论对散户投资者更有吸引力的上市衍生产品，如期货和期权

首先，随着衍生品从基础资产中获取价值，在一段时间内买入或做空同一基础资产可以产生股息或银行利息形式的额外收益，并为交易者提供额外的利润。然而，必须考虑到战略中涉及的额外资本和高风险的要求。

时间价值是将衍生品与其他资产类别区分开来的另一个重要因素。期权的时间价值，当在非常短的期限内交易时，可能会与预期相反地吃掉所有的利润。因此，一个更好的选择是分析、回溯测试并创建一个预测正 gamma 和最佳时间范围的策略，同时执行一个长期看涨期权并获得合理的回报。

在创建策略时，需要注意的一个重要因素是，衍生品和股票之间的关系部分等同于 gamma 和 delta。股票市场可能会对衍生品市场产生影响，反之亦然，因为两个市场都有因果关系。旨在利用有效算法从这种因果关系中获利的配对交易策略有很多机会，可以成为一个绝佳的对冲机会。事实上，很可能所有主要资产类别都有一些因果关系，如股票衍生市场，这是如何快速识别和统计证明推进到交易执行的步骤。

未平仓合约是衍生品交易策略的另一个重要因素。未平仓合约是指当买方和卖方一起开始一份合约的新头寸时，这导致未平仓合约增加一份合约。如果买方和卖方一起退出交易中的一个合约头寸，未平仓合约将减少一个合约。未平仓合约是市场实力的相对指标，随后可用于基于趋势的策略。

考虑期权到期日的波动性是另一个必须探讨的重要特征。鉴于时间价值已经达到最大值，期权的溢价通常非常小，创建可以利用这一机会的算法可以带来利润。然而，鉴于市场中的大多数参与者已经意识到这一因素，在到期日会有很大的波动，只有经过适当回溯测试、具有稳健风险管理参数的量化策略才能在这种市场条件下生存。

商品

就技术渗透而言，增长最快的资产类别之一是商品部门。商品期货交易委员会估计，算法交易占美国市场 2015 年订单的 74 %, 2016 年占 68%。这个数字本身证明了该行业是如何掌握算法交易的。商品交易独有的因素有:

当地和全球经济在大宗商品市场中扮演着重要角色。例如，一夜之间石油价格的变化或政府对某一商品政策的变化可能会在第二天推高/压低合约价格。因此，这在很大程度上取决于交易员如何为这种变动做准备，以及如何设计算法来自动对冲这种头寸。

运输和储存成本在商品市场中起着至关重要的作用。为了在农产品交易中建立空头头寸，在执行交易之前，应该对运输和储存成本进行定量建模，并在一定的时间范围内进行回溯测试。必须将围绕大米、小麦、玉米等商品的策略考虑在内，这些商品需要相当大的存储成本。存储成本再次成为大宗商品市场罕见的特性之一，这是将其与其他资产类别进行比较的一个关键区别。

在制定策略时，本地和国际商品必须分开。黄金、白银、钢铁等全球大宗商品的交易量很大，与主要在国内交易的本地大宗商品相比，任何与该资产类别相关的全球新闻都具有更高的随机概率。

基于季节性的农业商品策略非常普遍，可以很好地产生阿尔法。雨季给大宗商品行业带来了好消息或坏消息。对商品的需求与降雨量成正比。必须以适当的精确度执行经过适当回溯测试并能预测此类季节性变动的季节性策略。算法交易可能是这种波动市场的完美解决方案，在这种市场中，商品可以以尽可能好的价格和所需的数量进行交易。商品的季节性也会对生产它们的公司产生影响，这就造成了价格变动与生产商之间的相关性。可以测试基于这种关系的配对交易策略的潜在收益。与其他主要资产类别相比，这再次成为交易者获利丰厚的交易理念之一。

需求和供给大概是商品交易的主要原因。在采取立场之前，必须进行适当的定量和定性研究。很可能会执行一个激进的算法，但是，由于 CPI 或季度生产报告是极低或高的数字，可能会经历严重的下降。因此，将市场经济因素考虑在内，甚至创建一个考虑到与商品生产相关的所有相关因素的策略，都将有助于限制损失并获得利润。

外汇

外汇市场是交易最活跃的市场之一。让我们讨论一下使其区别于其他资产类别的一些因素。

一个国家的经济政策在很大程度上决定着外汇市场的波动。如果通货膨胀率很高，货币贬值，导致货币疲软。然而，高利率会吸引外国投资者，因此这些货币的价值可能会上升。能够从统计上利用这种速率变化并得到测试策略支持的算法可以帮助生成 alpha。这是一个关键因素，通常也会影响其他资产类别，但与外汇市场相比，影响程度要小得多。

政治紧张是影响外汇市场的另一个主要因素。最近英国退出欧盟的紧张局势对美元/英镑货币对产生了非常严重的影响，并导致了高波动性。政治声明和判断决定了一个国家将如何在经济战线上运行，因此，考虑这种政治见解的策略有更好的机会预测市场，从而赚些快钱

除了其他因素，经济日历的发布对交易策略的成功至关重要。贸易平衡报告、制造业指数、CPI 变化率、失业率指数、原油库存都是影响特定国家货币的一些日历发布。例如，当美国能源信息署(Energy Information Administration，US)报告石油库存数字时，市场波动性通常在消息公布前后很高。像外汇这样的资产类别受此类报告的影响很大，必须时刻引起交易者的注意。

外汇市场也可能出现石油、黄金和美元之间的联系。油价受到黄金和美元的显著正向影响。美元受到股票市场以及石油和黄金价格的负面影响。间接影响总是存在的，这证实了全球相互依存的存在。关于这种关系的一个美丽的解释已经在论文“石油，黄金，美元，和股票市场的相互依赖性:一个全球性的分析洞察力”中提出，作者是蒙吉·阿法乌伊&艾曼·本·雷杰布。我推荐阅读那篇论文，以便更深入地了解这个问题。

结论

我们可以看到，所有资产类别都有需要考虑的独特和单独的因素，因此在创建策略和回溯测试数据时，需要对市场微观结构以及金融市场的不同方面是如何联系起来的有一个正确的理解。我们还了解了适用于大多数资产类别的某些黄金原则，如制定现实的利润或止损目标，了解资产类别的具体经济情况，对可能产生外部影响的因素进行加权，以及在制定战略时给予信心的参数评估。我们在所有资产类别中讨论的内容可以比作海洋中的几滴水。我推荐像 Antti IImanen 的《主要资产类别的预期回报》这样的书来探讨这个话题。因此，如果执行得当，经过适当回溯测试的想法可以产生 alpha。

如果你想学习算法交易的各个方面，那就去看看算法交易的高管课程( EPAT )。课程涵盖统计学&计量经济学、金融计算&技术和算法&定量交易等培训模块。EPAT 教你在算法交易中建立一个有前途的职业所需的技能。立即报名！

算法交易者 Vs 量化开发者

原文：https://blog.quantinsti.com/algorithmic-trader-vs-quant-developer/

作者查尼卡·塔卡

这篇文章是关于分别讨论算法交易员和量化分析师，以及他们的角色结合在一起的相关性。我们已经讨论了每个角色的主要方面，例如每个角色适合的工作、薪水以及如何成功实现每个角色。

让我们详细了解一下上面提到的所有内容，因为本文涵盖了:

什么是算法交易员，什么是 quant 开发者？
算法交易员和 quant 开发者的工资是多少？
学历
[算法交易员和量化分析师的工作角色差异](#difference-in-the-job-roles-of-an-algorithmic-trader-and-a-quant developer)

什么是算法交易员，什么是 Quant 开发者？

算法交易员是设计算法的人，用于生成交易信号以及在金融市场下单。说到算法，可以假设每个算法都可以访问工具的当前和历史价格。买入或卖出的决定是基于算法在这些价格信息的帮助下进行的计算。该算法甚至可以将订单分成小块，在不同的时间执行，以获得尽可能好的价格。我们刚刚讨论了算法交易的核心和算法交易者的工作。

尽管如此，如果你渴望成为一名算法交易者，这本循序渐进的指南可以为你提供详细的知识。

现在，我们在本文中讨论的另一个概要文件是 quant 开发人员的。这个职业要求一个人是为量化金融和量化交易行业开发解决方案的程序员。一个 quant 开发人员精通诸如数学、高级金融、算法和 T2 数据结构等学科。定量开发人员通常最适合投资银行、对冲基金、经纪服务和金融证券公司。此外，一个定量分析师使用复杂的数学计算和定量分析来创造交易算法。

如果你想了解算法交易领域的演变、含义和未来，请观看此视频:

https://www.youtube.com/embed/73gr7qkQedo?feature=oembed

接下来，我们将了解一名算法交易员和一名量化开发人员的工资。

一个算法交易员和一个 Quant 开发者的工资是多少？

下面，我按以下方式列出了每个国家的 quant 开发人员的平均工资:

| 国家 | 平均基本工资 |
| 美国 | $112,816 |
| 印度 | 卢比 1,036,126 |
| 英国 | £63,029 |
| 加拿大 | 76 768 美元 |
| 新加坡 | 94，817 新元 |
| 香港 | 636，632 港元 |
| 澳大利亚 | 105，851 美元 |

来源:玻璃门

接下来，我提到了每个国家特定的算法交易员平均工资列表:

| 国家 | 平均基本工资 |
| 美国 | $1,24,072 |
| 印度 | 108.4 万卢比 |
| 英国 | £93,054 |
| 加拿大 | 87 525 美元 |
| 新加坡 | 16 万新元 |
| 香港 | 100 万港元 |
| 澳大利亚 | 57，538 美元 |

来源:玻璃门

现在让我们找出算法交易者和量化开发者的学历。

教育资格

尽管算法交易员和量化分析师都需要编程知识，但教育资格可能会有所不同，因为有抱负的算法交易员会从经济学和金融学等学科中受益更多。

然而，基本的编程知识对一个有抱负的算法交易者也很重要，因为它有助于和量化开发者保持一致。

一个有抱负的 quant 开发人员，就教育资格而言，将受益于计算机科学学位，因为这个特定的角色需要专业水平的编码知识。

quant 开发人员需要编写算法来执行算法交易员开发的交易策略。

一个有抱负的 quant 开发者，以及一个算法交易者，必须学习一门编码语言，尤其是最常见的语言，比如 Python、C++、R 和 Java。

此外，工具的知识是成为一个定量分析师所必需的，因为这些工具有助于回溯测试和最终确定交易策略。一些通用工具有蓝移、量子库和量子库。

为了学习这些技能，你可以看看我们的博客，上面有一个由免费资源组成的列表。

完美！现在，我们将讨论算法交易员和量化分析师的工作角色有何不同。

算法交易员和量化分析师的工作角色不同

算法交易员和量化分析师的角色是并行的。

算法交易员负责设计策略，量化分析师负责编程或编码。

这两份工作同等重要，并且在技能方面有一些相似之处，因为他们都来自编程背景。

算法交易者的主要技能和专业知识在于交易和制定策略。一个算法交易者需要能够与 quant 开发者交流策略，以便帮助编码策略。

定量分析师不需要总是有自己的策略。他们需要理解并采用策略来完美地自动化它们。

由于工作的敏感性，算法交易员的薪酬高于量化分析师。

然而，一个算法交易者有编码的知识，以便能够回测其交易策略。回溯测试让算法交易者知道交易策略是否成功。然后，交易者可以基于一些分析来实施策略。

量化分析师需要擅长编码，能够编码算法交易者的策略，并把它们转换成算法。

这都是关于算法交易员和量化分析师的工作角色，他们都在快速发展的算法交易领域茁壮成长。

此外，据估计，算法交易领域的市场规模预计将从 2019 年的 111 亿美元增长到 2024 年的 188 亿美元。这是《经济时报》最近估计的，也表明随着时间的推移，算法交易行业将会有更多的工作机会。

如果你想成为一名算法交易者或量化开发者，可以去看看普里扬卡(算法交易者)和 T2(量化开发者)的成功故事。我们希望你能够理解他们的旅程，并在你的职业生涯中迈出下一步。

因为有几个工作机会你可以探索，请在 QuantInsti 上随意寻找。

好吧！我们已经到了这篇文章的结尾。希望它给出了两个经常混淆的工作角色的简单知识。

结论

虽然算法交易者和量化分析师有某些相似之处，但是他们在每个角色上的专长有很大的不同。算法交易员更关注交易，也更关注编码，以便能够与定量分析师沟通需求。因此，两者之间的协调是创造算法交易算法的必要条件。

如果你真的想以量化交易为职业，可以通过 QuantInsti 的 EPAT 向业内最好的人学习算法交易。EPAT 是世界上第一个经过验证的算法交易课程，其校友遍布 70 多个国家。

算法交易如何让你远离麻烦

原文：https://blog.quantinsti.com/algorithmic-trading-can-keep-you-out-trouble/

由查尼卡·塔卡

众所周知，一旦你掌握了算法交易所需的正确知识，你就可以节省时间、精力和金钱。以下是人工交易与算法交易的不同之处:

| 交易特征 | 手动 | 算法 |
| 人为干预 | 是 | 很少 |
| 大部分是准确和快速的 | 不 | 是 |
| 检查情绪 | 不 | 是 |
| 对波动的快速反应 | 不 | 是 |
| 需要休息或时间来休息 | 是 | 不 |

考虑到学习算法交易的好处，这篇文章包括:

常见故障及解决方法
常见问题解答

常见故障及解决方法

基本上，算法交易在交易活动的所有方面都是有益的，从进入市场到退出市场。在这里，我将分享一些这样的场景，给你一个交易者面临的麻烦和解决办法的概述。

在本节中，我们将介绍以下故障和解决方案:

麻烦 1:熊市情景

熊市可能是意料之中的事情。例如，投资者信心下降，因为宣布一个不受欢迎的人担任了当局的职位。

或者，也可以是意想不到的。例如，像 2011 年福岛核灾难这样的悲剧事件，日经 225 指数突然下跌。据消息来源称，这种影响已经蔓延到亚太地区和欧洲。

解决方案 1:创建指定参数

在熊市场景中，算法交易通过根据趋势的变化来调整你在金融市场的交易。例如，在突然出现熊市的情况下，如福岛灾难或新冠肺炎，当你的金融证券价值突然下跌时，算法可以被指示迅速退出市场。此外，通过设置限价止损单或止损单，算法可以被指示将下降趋势的影响降至最低，使您免于遭受巨大损失。新冠肺炎一成为疫情，金融市场就开始出现下滑趋势。在这种情况下，算法交易员占了上风，因为他们的算法在几秒钟内就可以在需要时退出市场。商品、债券、衍生品等算法交易。有助于投资组合多样化。

麻烦二:日内交易价格波动

因为一天中有好几个交易机会，所以日间交易很方便，但问题是要确定最佳的交易机会。在日内交易中，价格有无数的波动。在某些日子里，波动会比平时更大。

解决方案 2:寻找最重要的机会进入市场，当机会不好时退出

如果你正在利用开市和收盘之间金融证券价格的小幅波动，算法交易可以在最重要的时间进入和退出市场。在日内交易中，主要的目标是捕捉全天金融市场中最有利可图的时间段。由于算法运行速度快，可以在几秒钟内完成最多的交易，因此算法交易是最好的选择。

烦恼三:投资哪里？

金融市场上的交易需要明智地进行，并且要预见到后果。将你的资金只投资于股票市场或债券可能无法满足你寻找最佳交易的目的。问题仍然是“在哪里投资？”

解决方案 3:对冲

对冲是金融市场中的一种风险管理实践，通过在相关资产中建立相反的头寸来帮助抵消损失。对冲包括投资衍生品、期权和期货合约。算法行动迅速，找出最安全或最好的金融安全来存放你的资金。通过这种方式，你的对冲操作变得比手工操作更快、更准确。

烦恼四:选择哪种交易策略？

交易策略是最终决策的组成部分，因为正确的策略对于进行最好的交易是极其重要的。如果不会根据市场情况创造交易策略，交易者就达不到预期的效果。

解决方案 4:实施正确的交易策略

交易策略如基于消息的、摆动，刷单等。在交易执行过程中提供最大的准确性并降低风险。如果研究和执行得当，T4 交易策略会帮助交易者。

烦恼五:如何探知交易策略的有效性？

一个交易策略在实际市场中实施之前，需要一个基础或者有效性的证明。如果不知道这一战略可能带来的后果，大部分资金可能会损失。

解决方案 5:回溯测试

有了算法交易，回溯测试基于历史数据的策略很容易实现。回溯测试策略是策略制定的重要部分之一，因为回溯测试让你对交易策略的能力有一个公平的想法。如果回溯测试结果不符合标准，我们可以放弃该策略，并节省资本，如果不经过回溯测试就直接应用该策略，可能会损失资本。

麻烦六:直接跳进直播市场

直接在实时市场开始交易可能会导致一些不良后果，如损失投资的资本。作为交易领域的初学者，如果没有被称为纸面交易的“实践交易”,就会出现问题。

解决方案 6:票据交易

虽然算法交易完全依赖于算法，对人类性状的要求极低，但创建交易策略以供执行需要人工干预。此外，人为干预意味着有可能出现错误，导致损失部分或全部资本。在纸上交易的帮助下，你不需要在现货市场用实际的钱交易。相反，你将与虚拟货币交易。如果你是一个初学者，不想在金融市场上拿实际资金冒险，纸上交易会有很多好处。

建议阅读:

交易的演变:从物物交换系统到算法交易

常见问题

算法交易是否完全克服了情绪？

算法所做的只是遵循人类设定的指令，并在市场波动时做出合乎逻辑的决策。因此，你不会因为恐惧、贪婪、失望等情绪而做出决定。但交易者必须在彻底回测交易策略并确保策略的有效性后才能执行交易。这样人类的情绪就明显减少了。然而，在下跌和高峰期间，算法交易者必须检查情绪，只应该依靠彻底的回溯测试(逻辑)，而不是恐惧(下跌期间)和兴奋(高峰期间)。

算法交易需要多少人工干预？

算法是人类创造的，用于同时检查所有金融市场，以便找到最佳交易机会。然后，算法在最佳时机进入和退出市场。从今以后，除了创建算法和检查很少发生的小故障，算法交易系统不需要太多的人工干预。此外，交易者必须有所有的权力手动退出交易的情况下，一个意想不到的情况，如新冠肺炎。

机器学习对算法交易有什么帮助？

机器学习是一个与编程系统有关的领域，该系统通过经验来改进自身。在机器学习中，人类的干预非常少，一旦计算机/算法用设定的指令编程，它就会学习模式并每次都模仿相同的模式。

例如，机器学习回归算法被用来对股票价格和市场波动性等变量之间的关系进行建模。

这些机器学习算法被贸易公司用于:

使用大型数据集分析历史市场趋势
确定策略的准确性
确定最佳策略参数集
进行贸易预测等。

建议阅读:

学习算法交易需要在哪里投入时间和精力？

为了学习算法交易，你必须了解算法交易的核心概念。定量分析、金融市场知识和编程技巧等核心概念在这个领域是必不可少的。

你可以把你的时间和精力投入到像 EPAT 这样的项目/课程中，这是一个为期 6 个月的综合性教育项目，学习你需要知道的关于算法交易的一切。

想了解更多关于 EPAT 的信息，请访问这里，或者直接联系我们。

建议阅读:算法交易必备书籍

算法如何交易？

算法只不过是一组程序化的指令，传达系统以特定的方式工作。例如，如果你想投资股票市场，你从指数基金 SPDR 标准普尔 500 信托 ETF 中选择了 100 股，你必须遵循量化分析师在实施算法交易时的这些步骤。

结论

考虑到算法交易比人工交易更快更准确，我们讨论了一些有益的事实。核心是算法(指令集)帮助你以最大的准确性交易。此外，算法交易节省了金融市场的大量时间、精力和资金。因此，有了足够的知识、经验和毅力，算法交易成功地让你远离麻烦。

从基础水平到中级水平学习算法交易，我们的学习路线名为人人算法交易。

技术官僚和工程师的算法交易

原文：https://blog.quantinsti.com/algorithmic-trading-career-engineers-technocrats/

阿努普里亚·古普塔

作为算法交易教育领域的先驱，我们经常会收到这样的疑问:我为什么要做这个认证？对我有什么好处？交易适合我吗？提出这种疑问的许多人是来自不同研究领域的学生，特别是来自工程和数学背景的学生。我们将尝试回答一些常见问题。

为什么要进行量化交易？

如果你以前写过代码，你会知道实现想法最简单的方法是通过编码。交易是最直接的赚钱方法。如果你能把这两个方面结合起来，那么你就拥有了所谓的量化交易。

年表——集市

一个集市或者一个交易市场从未知的时代就已经存在了。集市上有货币和易货的混合，总有人在对冲比如有人有很多石油，有试图低价买入高价卖出的交易者，也有试图在集市上做交易的套利者。在这里，信息以马或公牛的速度传播，即实物交易。

本地股票经纪人协会

1877 年，一个名为本地股票经纪人协会(Native Share & Stock broker ' s Association)的交易所首次成立，即今天的孟买证券交易所(Bombay Stock Exchange，BSE)。它开始交易公司的所有权，被称为分配，代币和股票。然而，这种交易只允许某些经纪人进行。这些经纪人有想要购买的客户，这些经纪人会通过其他人进行交易。很少有人拥有交易市场的垄断权。

大萧条后的印度 1992

早在 1992 年印度走出严重萧条后，印度交易所就实施了基于屏幕的交易。在这里，你可以在你的经纪人不知道的情况下执行订单，因此没有人会抢在你前面。操作、成本和错误大大减少。几乎所有的东西都电子化了，几乎没有实物交易的空间。

现在交易交易所

今天，交易交易所的发展是指数级的，交易与微秒级的交易相匹配。市场完全透明，交易量创下历史新高。复杂的工具和衍生品以光速交易。

多元化领域

今天的交易状态是这样的，它结合了各种领域的技能，如:统计，金融，计算机科学，心理学，经济学，运筹学，历史数据，数学优化算法，最后是策略。上面提到的所有领域合并成一个点-战略。谁有这么渊博的知识？简单的一个词——工程师。有技术背景的人最适合使用如此庞大的模型。在华尔街，今天的大多数交易员不是别人，而是工程师。

寻找阿尔法

阿尔法是预测未来的能力，比天真的交易者赚更多的钱。它也被定义为一个简单预测的额外回报。定量研究分析师的工作就是找到这个阿尔法值。

Alpha 来源于三样东西——速度、模型和信息。

量化交易的细分

量化交易有以下四种基本策略:

做市:同时买入和卖出。在同一个工具中有买入端口和卖出端口。进入买卖价差，低买高卖。
套利:如果你能在一个交易所以较低的价格买入一只股票，在另一个交易所或通过类似的工具以较高的价格卖出，这就叫套利。
动量:如果一个交易所在上涨，它将继续上涨。
均值回归:如果一个交易所上涨了，它一定会回来，那么它的均值回归。

关于高频交易的一些事实

HFT 公司买和卖，但是他们在市场上从零头寸开始，在市场上以零头寸结束。HFT 策略必须以平盘结束，HFT 公司必须展现出平衡的双向流动。一家 HFT 公司不能积累大量头寸，也不能配置大量资本。大多数 HFT 交易员几乎不需要任何外部资本或杠杆，因此倾向于自营。

HFT 与长期投资者的交易背道而驰。另一方面，如果长期投资者想买股票，我们有 HFT。除了他们直接交易的证券之外，长期投资者还影响许多证券，因为股票是相互关联的。这种情况为统计套利者创造了机会。套利活动使相关股票保持“公平定价”。如果波动性增加，流动性短缺，HFT 就会介入提供流动性。

强调技术

为了在这个行业赚取数百万美元，用于交易的技术起着非常重要的作用。市场上最新的服务器、芯片组和最快的租赁线路。对于那些想站在技术发展前沿的人来说，这是令人兴奋的地方。

恶性循环

当算法交易 2008 年在印度开始时，有人抱怨交易量非常相对。这是一个恶性循环，通过使用技术，更高的交易量导致效率的提高，从而降低交易成本。技术是良性循环的推动者，但成本是驱动力。随着成本趋近于零，销量将因此达到峰值。

有哪些工作机会？

算法交易打开了金融业非常有利可图和高薪工作的大门。希望以此为职业的候选人可以在这个领域的不同领域工作。算法交易部门有非常广泛的分工；该部门的不同工作概况如下。在我们的安置单元了解更多关于自动交易的职业机会。

贸易公司层级

算法交易由一个非常扁平的层级组成，主要是因为它只有 15 年的历史。它是一个封闭的行业；主管、初级交易员和总监都坐在一起进行交易。你和桌子上的每个人都有密切的互动。

性能赋值

算法交易生涯中的评估是非常客观的。在月末/年末，我们会评估你的策略或团队赚了多少钱。这份工作的客观性使其更具吸引力；它不依赖于或不基于团队技能或尝试有多好来评估。

算法交易怎么入门？

过去，进入算法交易公司的人通常仅限于物理学、数学或工程科学的博士，他们可以为交易建立复杂的量化模型。然而，随着行业的增长和对 quant 交易者和开发者的需求与在线教育行业的增长同步。现在有可能进入这个领域，而不必经过 8-10 年的学术路线。参考我们的逐步指南来学习算法交易。

网络研讨会视频

https://www.youtube.com/watch?v=Aa_c7qlLOUI

这段视频是 Gaurav Raizada 举办的网络研讨会的一部分，内容是关于算法和技术官僚的高频交易生涯，详细讨论了这个领域以及在这个行业取得成功所需的不同技能。要观看完整的网络研讨会视频，请填写我们的联系表格与我们联系。

下一步T3】

如果你是一名散户交易者或专业技术人员，想要建立自己的自动化交易平台，今天就开始学习算法交易吧！从基本概念开始，如自动交易架构、市场微观结构、策略回溯测试系统和订单管理系统。您还可以报名参加我们的EPAT Algo 交易课程，这是业内最广泛的认证项目之一。

不同地理位置的算法交易

原文：https://blog.quantinsti.com/algorithmic-trading-different-geographies-video/

https://www.youtube.com/embed/QSNL4aD8xGg?rel=0

跨不同交易所和国家的算法交易

本次网络研讨会基于 2014 年 6 月 16 日至 20 日在伦敦举行的第四届^{年度“金融应用行为模型和情绪分析”会议的部分讨论。}

算法交易|很难，但可行

原文：https://blog.quantinsti.com/algorithmic-trading-difficult-doable/

由查尼卡·塔卡

自从人工智能成为我们日常生活中的常规和重要部分以来，算法交易是当今世界的一种美德。在算法的帮助下，你可以获得更可靠、准确和快速的交易实践。

还有，学习算法交易根本没有你想象的那么难。成功的算法交易的关键点是-适当的技能，正确的交易策略，帮助你从零开始以及从你需要的点开始练习的课程。

但是，重要的是要明白，为了成为一名算法交易者，学习相关技能的奉献和毅力同样重要。没有这些承诺的特征，算法交易可能看起来很困难。

本文涵盖:

是什么让算法交易看起来很难？
算法交易的神话
如何让练习算法交易变得简单？
可讲述的成功故事

是什么让算法交易看起来很难？

简而言之，算法交易意味着使用算法形式的一组定义好的指令来产生交易信号和下单。

每个算法可以被假设为可以访问工具的当前和历史价格，在基于价格执行计算之后，这些工具可以被买卖。该算法甚至可以将订单分成小块，在不同的时间执行，以获得尽可能好的价格。

算法交易并不难。相反，这对交易者来说更容易。例如，你想计算一些你在 2009 年购买的股票在 2020 年的回报率。

不用手动在 excel 里把价格记下来计算，可以用 Python 进行交易(算法交易需要的技能之一)。这里有一个买入并持有策略的例子，你可以计算并绘制累积回报:

股票的收盘价存储在 csv 文件中。

这里可以用熊猫的 read_csv 方法来读取 csv 文件。

你应该澄清的关于算法交易的 10 个疑问

原文：https://blog.quantinsti.com/algorithmic-trading-doubts-clarification/

由查尼卡·塔卡

算法交易是一个当代的系统概念，从它的意义到采用它，仍然有一些怀疑和误解围绕着人们。在你开始了解这个领域或在这个领域进行交易之前，你必须澄清这些疑问。

让我们找到关于算法交易的 10 个常见疑问的答案，它们是:

什么是算法，算法是如何工作的？
算法交易安全吗？
算法交易能战胜市场吗？
算法交易员即将取代人工交易员吗？
算法交易太难了吗？
算法交易是不是太容易了？
算法交易和自动化交易一样吗？
如果算法交易失败，是否意味着永远不应该被信任？
算法交易会消除所有的情绪吗？
我能在很短的时间内学会算法交易吗？

什么是算法，算法是如何工作的？

算法是一系列明确的指令，用于在有限的时间内获得任何合法输入所需的输出。

算法有一个确定的开始，输入数据用一个确定的逻辑进行处理，并用一系列步骤系统地执行，总是得到相同的结果。人们可以组合几个简短的算法，并在解决问题陈述时执行不同复杂性的任务。

金融公司在贷款定价、资产负债管理、股票交易、投资组合管理等领域使用算法。例如，算法交易部署算法来做出交易决策，如订单中的时间、价格和数量。

算法交易安全吗？

与人工交易相比，算法交易是一种更安全的方法，因为它没有情绪，充满了逻辑。通常，在进行手动交易时，恐惧、贪婪等情绪。可能会导致错误的决定，阻碍你在金融市场中发现机会的真正潜力。

对于算法交易，你需要的是对系统、金融市场、交易策略以及编码技巧的全面理解。算法交易可能看起来不安全，因为过去发生过一些小故障，例如 2010 年的闪电崩盘，当时计算机化的交易系统对金融市场的异常做出反应，但是，随着时间的推移，进步正在加快，并且变得越来越好。由于需要处理的故障更少，效率更高，算法交易就是未来。

算法交易能战胜市场吗？

算法交易是一个系统的概念，它帮助你为交易策略编码，只要策略中的编码条件得到满足，交易就会自动执行。除了战胜市场，捕捉市场中有效的波动也非常重要。从金融市场获得更高的风险调整回报是任何交易者的主要目标。

假设市场在未来 10 年的年化回报率为 10%。但有两个-50%的提款和 20%的年平均波动率。在这种情况下，市场的夏普比率是 0.5 (10%/20%)，其卡尔马尔比率是 0.2 (10%/50%)。

算法交易员以一种方式编码他们的策略，即他们的整体投资组合具有高风险回报率，然后他们根据自己的风险承受能力分配资本。风险更高的算法交易策略在绝对基础上肯定会胜过市场，但也会带来更高的风险。

算法交易员即将取代人工交易员吗？

虽然算法交易需要很少的人工协助，但这个问题的答案是简单的不！这是因为算法交易不能完全消除交易中的人工功能，例如用谨慎的思想建立交易策略，以确保金融市场更好的稳定性。目前，甚至在未来，系统肯定需要人工干预算法交易。

在机器学习的帮助下，算法交易系统可以通过学习历史数据来自学预测金融市场的未来趋势。尽管如此，人工智能无法完全模仿人类思维，需要人类干预才能找到正确的解决方案。

使用算法是因为它们更快、更有效，并且不会根据情绪改变决策。例如，这些算法能够同时检查全球多个金融市场，这有助于节省大量时间和精力。

然而，人类不可能同时在所有的金融市场中寻找最佳的交易机会。此外，如果市场不喜欢你的交易策略规则，机器学习系统的自我学习算法会根据不同的模式调整交易，并改变规则以适应市场条件。

同样，所有这一切只有在人类对系统进行编程的情况下才是可能的，因为在由于交易者的任何其他偏好而需要停止程序的情况下，只有人类可以让它停止。

算法交易太难了吗？

算法交易确实很难，因为需要机器学习、编程、、定量分析等知识。但是即使你的学历或者专业背景是不相关的，也不是不能学。

有这么多自学成才的算法交易者作为活生生的例子，你必须知道，成为一名算法交易者需要毅力、奉献和自信。

然而，毫无疑问，信息和学习资源，如课程，书籍，视频等。因为算法交易随处可见。但是，这也是一个事实，即这些课程并不是在所有地方都以结构化的方式提供的。此外，需要确定课程的真实性。

因此，你必须只参加被认可的交易，算法交易不会像看起来那么难。

算法交易是不是太容易了？

当我们说这不是不可能的时候，我们又有了另一个疑问，那就是“这意味着算法交易有那么容易吗？”哦，不！就像需要获得任何新技能需要很多努力，时间，毅力和奉献，算法交易也是一样。

这既不太容易也不太难。只有当你获得了所有必要的技能，并且你进行了大量的练习，你才能成为一个成功的算法交易者。

算法交易和自动化交易一样吗？

算法交易和自动交易这两个词经常互换使用，但它们并不相同。算法交易意味着通过编码算法把交易想法变成策略。

由此产生的算法交易策略可以用历史数据进行回溯测试，以检验它是否会在真实市场中带来良好回报。算法交易策略可以手动或自动执行。自动化交易意味着订单生成、提交和订单执行过程完全自动化。

如果算法交易失败了，是不是意味着永远不应该被信任？

万一算法交易失败了，这并不意味着从那时起你就不能信任它了。

既然算法是软件，并不意味着它们是完美的。在过去，人们很少注意到算法在交易中失败的例子，比如 1987 年发生的黑色星期一。

之后，2010 年发生了一次闪电崩盘。因此，考虑到这种臭名昭著的事件发生之间的长时间间隔，预计随着算法交易随着时间的推移变得更加先进，市场崩溃可能会成为过去。

算法变得越来越好，可以在买卖出错或市场波动时采取行动。因此，我们可以期望消除我们提到的某些小故障。

算法交易有无数的好处，没有人能为交易行业做出贡献。

算法交易会消除所有的情绪吗？

算法交易确实消除了交易中的恐惧、贪婪等情绪。因此，手工交易者失去了许多从金融市场投资中获得更好回报的好机会。

如果交易者让情绪控制了交易，并在恐惧、贪婪等基础上改变了算法交易策略，仍然有可能把交易搞砸。过度交易也是算法交易者的问题之一，就像全权交易者一样。

算法交易和自主交易的一个主要区别是，一旦你运行了算法策略，任何情绪都不能改变决策。因此，交易执行过程中的情绪是由算法交易来处理的，但是，为了让这些算法起作用，交易者需要足够理性。

我能在很短的时间内学会算法交易吗？

学习资源有各种类别，如书籍、视频、课程等。可以通过互联网学习算法交易所需的技能。技能，即编程，机器学习，定量分析，回测，风险管理等。是算法交易的必备。

你可以选择一门课程开始你的算法交易之旅，或者让自己在已经获得的技能上做得更好，你可以看视频和阅读书籍。课程的完成时间不同，你是从零开始，是中途开始，还是作为一个经验丰富的交易者来提高你的知识。

结论

算法交易是一个用编码步骤执行交易的简单概念，需要毅力、奉献、时间和努力才能成功。

如果你对算法交易有任何疑问，我们已经提到了最常见的，如果你觉得有必要澄清一些这里没有的疑问，请随时联系我们的社区。希望这篇文章有所帮助！

为了学习最基本的算法交易技巧，报名参加我们的 Python 交易课程吧！

也可以看看我们的博客 Python for Trading 来了解如何在算法交易中使用 Python，它的好处和更多！

Algo Trading 为您提供的职业机会

原文：https://blog.quantinsti.com/algorithmic-trading-epat/

By Viraj Bhagat

The rapidly growing domain of Algorithmic trading and Quantitative trading are demanding skilled individuals. This blog explains how EPAT is preparing quants for the present and future by bridging the void.

This blog covers:

在交易中拥抱和融入技术
工作和机会来了——我不骗你！
如果有工作，合适的人选在哪里？
工作、职业和缺失因素‘X’
让学习成为一种体验
赋予思想力量
卓越是关键
珍惜利益

The world of trading has evolved in perhaps one of the swiftest growths in any industry continually developing in infrastructure and innovation. Algorithmic Trading has spread its wings in this era and High-Frequency Trading is also very popular today.

And it is important that we realize the importance of staying up-to-date and ready to grab those opportunities.

While this is a time where I’d say, there is tremendous competition when it comes to jobs and careers. There is a rise of some remarkable opportunities which has captivated the global scenario.

While some have been quick to gain the necessary skills and adapt, some haven’t been so ‘lucky’.

在交易中拥抱和融入技术

There are some terrific changes occurring in the markets globally that are sculpting the way for technology and its use in trading, be it technological advancement or implementation of laws and regulations pertaining to Trading.

In a recent report, it was stated that Citigroup Inc. is teaching its traders how to code, and its coders how to trade through their very own coding labs - Markets Acceleration Lab, citing the need for traders to add new skills to their arsenal as more activity moves towards the electronic trading channel.

“数量、技术和市场知识的交叉至关重要，”

said Deirdre Dunn, the bank’s regional head of markets for North America

Man Group Plc., the London-listed firm, uses technology like machine learning for trading $6-7 trillion a year and has reportedly used quantitative techniques on about two-thirds of its assets. Last year, Sandy Rattray, (Chief Investment Officer, Man Group Plc.) said:

“你可以抗议并封锁所有街道，就像他们在欧洲经常做的那样，或者你可以说，‘我到底该如何应对这种变化’，然后继续前进，融入这些新技术。”

Similarly, the role of Sentiment Analysis and Natural Language Processing cannot be ignored, as this article explains.

Hedge funds have been hiring scientists and adopting quant strategies. This explains the necessity and urgency of utilising the opportunity and gaining those essential skills.

工作和机会来了——我不骗你！

Following are some eye-opening revelations from some renowned names that should be proof enough.

“算法很难将信号与噪音分开。你仍然需要一个人来介入

Prof Chyng Wen Tee, Singapore Management University’s Lee Kong Chian School of Business.^[1]

"发现、沟通和管理风险是让毕业生为各行各业做好准备的技能."

Antoine Jacquier, the director of the MSc in mathematics and finance at Imperial College London. ^[2]

“与此同时，在欧洲，金融危机后出台的监管规定，让拥有技术和法律知识的学生成为一种宝贵的资产”

Olivier Bossard, executive director of the MSc Finance programme at HEC Paris business school.^[3]

Following is the highlighted text from Axel Pierron’s research Workforce of the Future: Transplanting Technology Skill Sets to the Capital Markets (he is the co-founder and managing director of Opimas) that says:

He also added that by 2030, 66,000 jobs will be created in emerging technologies and data science.

These technology amalgamated domains require skilled hands to mould their rise, to train, to support and to evolve them. Which is in turn pushing corporates and tech giants towards hunting for skilled and talented individuals who are technology-driven, or market experts, leading to a rise in jobs.

Moreover, the Retail Algo Trading space in India is on the rise. Individual traders, traders from retail trading, commodities are finding a huge space clubbed with opportunities. With people also opting for setting up their own Algorithmic Trading desks, and services pertaining to Algorithmic Trading. The ease of access to technology has also made trading for individuals a very lucrative option.

如果有工作，合适的人选在哪里？

A simple google search reveals numerous Quant jobs in India.

And it isn’t limited to India, in various countries, you’ll see such rising requirements for quants globally. As reported by BusinessInsider,

“算法交易预计每年增长 11%，到 2024 年将达到 190 亿美元”。

According to Finance Magnates,

"在算法市场应用中，股票市场部分有望呈现最高的增长率."

All of this is promising that the future of algorithmic trading seems pretty bright.

Following is a list of just some of the job roles that are prevalent in the Algorithmic Trading and Quantitative Trading domain along with estimated salary figures.

More content: How Much Salary Does a Quant Earn?

This indicates that there are indeed the right opportunities for the right skilled and promising candidates.

If this recent survey of the best jobs in banking is to be believed, Quantitative Trading jobs ranks only second in their survey, which is quite amazing.

So, let me get this straight. There are desirable jobs and opportunities being created, while some already exist. Interesting.

Now, what could be the reason that they're not getting grabbed as fast?
It is all about the skills.

工作、职业和缺失因素“X”

There is an increasing demand for Quants with tech skills, especially those with programming and AI skills. As a result, we have observed that there are even ‘speciality’ courses popping up every now and then for training quants, and for teaching skills essential to the domain.

People are eager and they jump on to just any course without looking at the curriculum and if at all that course is worth the money.

What needs to be understood that there is a need, a requirement in the domain of algorithmic trading and quantitative trading, and there is a void of skilled individuals that are forming faster than what the industry can compensate for.

The industry is growing too fast, and the talent to suffice this need is limited and slow. Many are not aware of the underlying career opportunities that await them.
Skills are that ‘X’ factor.
In this month, Python is ranking #3 among the top-most programming language on the TIOBE Index. It is also worth noting that Python ranks at #4 on the StackOverflow 2019 survey.

About a year ago, Bloomberg reported that Citibank Inc. made it necessary for its employees to learn Python. Now, this makes you wonder, looking at this,

What if your employer, deeming the need of the hour, puts up the same policy?
Wouldn’t it help to be ready?

In recent news, WorldQuant hosted the Women Who Quant competition in collaboration with advocacy groups and has now moved on to hiring 50 of them as research consultants.

This insightful report Quantitative Finance Year In Review - 2019 quotes the following:

R&D 对电子交易进行了大量投资。
投资银行正专注于统计建模和开发，利用机器学习和统计分析来构建算法。
拥有 HFT 或市场微观结构研究经验、能够构建最佳执行算法的候选人将被聘用
最重要的语言——c++和 Python
数据和研究的主要编程语言——Python
最受欢迎的技能——机器学习技术和数据处理
按需知识市场微观结构和算法执行模型的开发和研究；以及对金融的深刻理解

But to gain these skills, one must be well versed with the knowledge of trading, or have experience of the markets or must be technology-oriented (eg. having Programming skills). These skills can be picked up based on your career interests and your domain of expertise. >

让学习成为一种体验

People resort to various means of learning. Today you have the YouTube, ebooks, self-learning portals, forums, communities, and whatnot.

There is also a question of reliability and dependability on such courses that demand huge fees. One should thoroughly check if the institutes are accredited, certified, or have associations with some reputed bodies.

Some are freely available while others offer some serious premium content at affordable rates. And learning from apps seems to have become the “thing” nowadays.

This begs the question:Are classroom lectures passe?
Well, the authentic classroom experience is a rare find as the education model has changed to quite some extent when it comes to courses for training and certifications. Many classrooms simply exist on the cloud devoid of any support mechanism and lack the human interaction that we are used to experiencing.

Learners often complain that the curriculum lacks, or what was presented before buying the course isn’t what they got. Some times, the curriculum isn't up to the mark and one might end up missing learning a good chunk.

With learning, follow countless questions. But in the automated courses, who answers them when immediately required? In a few cases, queries are rarely addressed.

In limited or subscription-based models/courses one can’t go back to the courses to revise and keep up with the rapidly changing tech and trends.
So, how does one succeed?

赋予思想力量

The best method for learning is to Learning by Doing. One can specialize in a strategy/asset class through project work and with hands-on coding, paper trading knowledge, use of Excel for Data Analysis one grasps the basics of trading.

QuantInsti is a pioneer Algorithmic Trading Research and Training Institute, conducting professional programmes in this rapidly growing domain and we are associated with CPD certification.

Over the decade of our existence, we have trained and certified some brilliant individuals from various domains of Mathematics, Statistics, Core sciences, Computer science, Engineering, Operations, Research, Business administration, Finance & Economics.

Here’s a breakdown of our audience and their professions:And here’s a breakdown of their domain of expertiseThis is directly opposed to the standard beliefs that only Traders can learn Algorithmic Trading.

Almost half of our audience has an engineering or a technical background.
Surprised yet?

优秀是关键

How can you excel?

Expert guidance and mentorship are required from people who are from the domain and have a thorough experience, know-how and know the ins and outs of it. These are the right people who would guide you and shape your career. But although it sounds good, one must agree that it is very tough to grab hold of industry practitioners and market makers.

Adapting to, or learning about the field of Algo Trading requires close assistance and demands mentorship.

At QuantInsti, we realised the need for providing the power to individuals to tap into this massive spurt of Algo Trading. And that gave rise to the Executive Programme in Algorithmic Trading (EPAT^®).

Industry Experts, Stalwarts, Academicians, Traders and Market Practitioners are onboard our faculty bandwagon. Our associations with Dr. Ernest Chan, Dr. Gautam Mitra, Rajib R. Borah, Dr. Yves Hilpisch, Dr. Euan Sinclair and other eminent personalities open up a global opportunity for all participants and also entails them to exclusive guest lectures and events.

个人交易者可以在导师的指导下创造新的交易策略，从数据提供商和经纪人那里受益，并学会将你的策略运用到实际市场中。
求职者可以从 100 多个就业机会中受益，因为我们为他们提供了展示量化技能的完美平台。
商界领袖、企业家和有志之士可以了解如何建立自己的 Algo 交易平台，或与企业合作雇佣自己的团队，并通过专门的校友小组与其他企业家建立联系。也鼓励建立自己的交易平台。

We not only support learning by supporting some remarkable initiatives like the FTS Eligibility, but we also encourage students to be a part of this domain by supporting educational loans, providing student aid, as well as offering a merit-based Scholarship.

We make this is a highly valuable asset for you - high value for money and opportunity to learn along with your full-time job.

珍惜利益

Here are some of the benefits that you can avail as an EPATian.

EPAT has gone on to create many success stories, helped many individuals pursue their dreams of becoming Algo Traders and continues to do so. While some have gone on to be placed successfully in the domain, some have enhanced their learning and some have even established their very own algorithmic Trading desks.

We, at QuantInsti aim too continue to share the knowledge and awareness of this rapidly growing domain of Algorithmic trading through our algo trading course, through various educational initiatives, promoting learning, conducting webinars and providing online resources like our blogs.

"机遇只青睐有准备的人。"路易斯·巴斯德

So, let me ask. Are you prepared?

算法交易——期望与现实

原文：https://blog.quantinsti.com/algorithmic-trading-expectations-reality/

由查尼卡·塔卡

在你的生活中，一定有很多这样的例子，在开始一个新概念之前，你期待着什么，但结果却是有点不同或者完全不同。虽然你对算法交易的所有期望可能不是不现实的，但可能有一些是你没有意识到的。

现在让我们看看这些不切实际的期望以及下面的现实:

期待:我会瞬间暴富。

现实:回报取决于基于历史数据的技术和定量分析的策略创建以及策略的回测。不能保证特定的回报金额或百分比，但概率是可以知道的。

结论

算法交易帮助交易者合理执行交易。尽管如此，在新手交易者的头脑中还是有一些不切实际的期望。在这篇文章中，我们谈到了一些期望和它们的现实，以帮助你更好地开始你的算法交易之旅。

通过我们的量化交易策略和模型课程，了解更多关于使用量化方法练习算法交易的信息。

算法交易如何给金融和科技毕业生增加价值？

原文：https://blog.quantinsti.com/algorithmic-trading-finance-grads-fundamental-traders/

你是全职交易者还是仅仅对它充满热情，并在职业生涯之外追求它？在这两种情况下，自动化你的任务可以证明是一个福音。因为全权交易者了解市场；他更容易决定算法的逻辑构成。

比方说，交易者热衷于配对交易，研究不同股票或期权的互补多头和空头头寸不是一项需要掌握的技能。交易者已经知道比较市场或历史研究。交易者也知道如何发展分析策略。通过机器学习，同一个人可以自动化购买和销售的过程。这最小化了遗漏的位置，控制相对位置变化的股票价格的变化。

Rohit Gupta 在成为中国/香港市场以及货币/商品市场的交易员后，选择了算法测试【EPAT】中的高管课程。他也是香港中文大学的工商管理硕士，在资本市场有很好的投资机会。在成功完成课程并被 QuantInsti 录取后，Rohit 与我们分享了他的经历。

What is your background?

我在富国银行印度分公司的资产支持金融团队开始了我的职业生涯，该团队支持结构融资、证券化和销售与交易职能。在这里，在接触了资本市场、货币市场证券(包括国债和固定收益债券)后，我开始对固定收益市场产生兴趣，并开始密切关注美国债券市场。

我决定转到一家处理国际市场的贸易公司，并在班加罗尔期货第一银行获得了一份梦寐以求的工作。我在交易固定收益市场，包括欧洲美元期货和美国国债。

从香港中文大学获得金融 MBA 学位后，我开始在 Hedgestone Capital 工作，从事中国/香港市场以及货币/大宗商品市场的交易。

How did you learn about QuantInsti? What's your experience so far?

我在网上寻找算法交易课程，偶然发现了 QuantInsti 的 EPAT 课程。我仔细阅读了课程描述(EPAT ),并与该领域的一些资深交易者进行了讨论。他们建议我修这门课。我在 EPAT 的经历令人惊叹，因为它被证明是我职业生涯中一个非常积极的转折点。我在编码/量化方面毫无经验，在课程结束后，我有信心用 R、Python、Matlab 编写交易策略，并且能够理解一些机器学习算法。聆听 QuantInsti 尊敬的教师们的意见无疑让我在这个行业中获得了优势。我已经从基本面交易者变成了量化交易者。我也非常感谢 QuantInsti 的支持团队，在我整个 EPAT 课程中，他们对我遇到的任何困难/疑问都做出了迅速的回应。

What do you think of EPAT and how does it add value to your career?

我认为 QuantInsti 的 EPAT 是目前世界上最好的算法交易课程之一。课程的设计方式和经验丰富的教师使 EPAT 成为世界上最好的学校之一。

此外，LMS(在线学习平台)是超级用户友好的，允许您从全球各地连接到您的 batchmates。EPAT 为我的职业生涯增加了很多价值，因为它为我现有的技能组合增加了一个新的量化维度，这些技能组合大多是基本的。听老师讲课不仅帮助我在量化领域获得了一个据点，也给了我一个分析金融市场的独特方法。

What do you have to say about the employment opportunities offered by QuantInsti?

QuantInsti 的安置团队不仅从印度，还从整个 APAC 地区引进了行业内的最佳角色。QuantInsti 的安置团队提供的角色很大一部分是针对整个经验范围的。即使你刚开始进入这个领域，他们也会为你找到合适的机会。我通过 QuantInsti 的安置团队找到了新工作，在整个过程中，他们对我的问题反应非常积极，并允许我采访 APAC 地区一些最好的公司。

Would you recommend QuantInsti to others who wish to engage in algorithm trading?

是的，我肯定会推荐 EPAT 课程，特别是对那些想进入算法交易的人。

有抱负的定量分析师可以从 Rohit 学到什么？

在与我们的谈话中，Rohit 强调了从价格行动交易背景中学习算法交易的主要好处。他说他非常渴望学习机器语言来掌握他的行业，并且课程满足了他的要求。这个项目把他和许多志同道合的人、和他一样的交易者以及行业老手联系在了一起。他现在属于一个不断获取知识和学习的社区。

对其他有抱负的量化分析师大声喊出来！

分享你作为算法交易者/量化者的评论和经验。我们很想听听你鼓舞人心的职业旅程！

如果你想学习算法交易的各个方面，那就去看看算法交易(EPAT)中的 T2 高管课程。该课程涵盖了统计学&计量经济学、金融计算&技术和算法&定量交易等培训模块。EPAT 让你具备成为成功交易者所需的技能。立即报名！

不同地理位置的算法交易

原文：https://blog.quantinsti.com/algorithmic-trading-in-different-geographies-presentation/

跨不同交易所和国家的算法交易

本次网络研讨会基于 2014 年 6 月 16 日至 20 日在伦敦举行的第四届^{年度“金融应用行为模型和情绪分析”会议的部分讨论。}

访问优质内容(完整的 PowerPoint 演示文稿)

PowerPoint 演示文稿

T2】

印度的算法交易 Symphony Fintech 首席执行官 Praveen Gupta 先生的客座演讲

原文：https://blog.quantinsti.com/algorithmic-trading-india-webinar/

https://www.youtube.com/embed/CQjAA_VFg_E?rel=0

日期和时间

2016 年 5 月 8 日星期日

IST 时间上午 10:00 |格林威治时间下午 12:30 |格林威治时间上午 04:30

地点

在线和 QuantInsti 孟买办事处

关于网上研讨会

在亚洲、非洲和南美洲的新兴市场，算法交易在活跃的交易者中引起了很多关注。随着市场的不断变化，他们对自动交易的参与也显著增加。在全球范围内，允许活跃玩家进行算法交易的交易所数量和活跃交易者可以使用的自动化软件类型成倍增加。

自 2008 年 SEBI 方面允许交易所直接进入市场以来，算法交易的市场份额一直在大幅增长。这改变了该国交易的面貌，导致许多领先的经纪人提供自动化软件来满足不断变化的市场需求。

本次网络研讨会将涵盖:

洞察印度的 Algo 交易
算法生命周期——成为算法交易者的步骤
活跃交易者的算法交易方法
算法交易员在全球市场上使用的不同工具
Symphony 提供的算法和交易方法示例
带策略样本的算法交易演示
如何与 Excel、Amibroker 等 API 和工具集成

发言人简介

Praveen Gupta，首席执行官 Symphony Fintech 联合创始人

Praveen 毕业于 BITS Pilani，是孟买 Jamnalal Bajaj 管理研究学院的管理学校友。

他有 35 年的专业经验，1994 年成为一名企业家。他在 IT 行业拥有超过 23 年的经验，在股票经纪领域拥有约 13 年的经验。在推出企业级交易软件解决方案领域的 Symphony Fintech 之前，他曾推广过 IT 基础设施服务、软件培训和离岸软件产品开发领域的公司。Symphony 已经成为印度资本市场行业自动化交易解决方案的领先提供商。

Praveen 教授了各种关于算法交易的教育课程，并且是各种交易会议的专家成员。

下一步

如果你是一名散户交易者或专业技术人员，想要建立自己的自动化交易平台，今天就开始学习算法交易吧！从基本概念开始，如自动交易架构、市场微观结构、策略回溯测试系统和订单管理系统。你也可以报名参加 EPAT，这是业内最广泛的量化交易课程之一。

印度的算法交易:资源、法规和未来

原文：https://blog.quantinsti.com/algorithmic-trading-india/

由查尼卡·塔卡

算法交易意味着使用计算机程序和软件，在没有太多人工干预的情况下(除了根据所需的交易头寸调整算法)，在证券交易所执行交易。

虽然有人批评算法交易，但普遍的共识是算法交易是交易过程不可避免的演变。在印度，目前，在 NSE 和 BSE 的⁽ ⁾ 的总订单中，约有 50%以上是通过算法下单的。

让我们了解一下印度流行的算法交易。在这篇博客中，我们将介绍:

算法交易简介
印度算法交易的历史
智能订单路由、高频交易和协同定位的作用
印度如何启动算法交易？
在印度做算法交易的先决条件
在印度学习算法交易的资源
印度算法交易法规
今日印度的算法交易
印度算法交易的未来
关于印度算法交易的常见问题
- 谁会做算法交易？
- 获得任何自动化的法律批准有多繁琐？
- 零售交易商能否承受审批流程和基础设施成本？
- 算法交易在印度合法吗？
- 在使用 algo 之前，你需要获得哪些批准？
- 在审批过程中是否保密？
- 算法交易在印度有好的回报吗？
- 算法交易对协同定位等操纵的风险有多大？
- 散户是否成功采用了算法交易？机构交易者对散户的竞争是否存在超高难度？
- 印度人可以在哪些全球市场或交易所交易？

算法交易简介

简而言之，算法交易是将交易策略转化为计算机代码的过程，计算机代码以自动、快速、准确的方式买卖股票。

一般来说，自动交易方式更快、更准确，因此，它现在是首选，并正在迅速扩大其在新兴市场的影响力。

从技术上讲，有几种数学算法在根据当前市场数据做出交易决策，然后在金融市场发送并执行订单。

这种方法使交易不受任何情绪的影响(如恐惧、贪婪等)。)因为执行每笔交易的决定都是由计算机以系统的方式做出的。

例如，你可以设计一个简单的算法，如果苹果(AAPL)股票的当前市场价格低于 200 天的平均价格，你就购买该股票。相反，如果当前市场价格高于 200 天的平均价格，你也可以确保它出售苹果(AAPL)股票。

印度算法交易的历史

2008 年 4 月 3 日，印度证券交易委员会(SEBI)引入了算法交易，允许机构客户直接进入市场。

简而言之，DMA 允许经纪人向客户提供他们的基础设施，并允许他们在没有任何干预的情况下访问交易所交易系统。最初，它只提供给机构客户，而不是散户。

尽管如此，该设施降低了机构投资者的成本，并通过减少将订单发送给经纪人和发布必要指令所花费的时间，帮助更好地执行。

在 2008 年 4 月 29 日，这项设施已经成为一些全球顶级玩家注册 DMA 设施的热门。像瑞银、摩根士丹利、摩根大通和 DSP 美林这样的金融机构和 FII 公司正在等待批准。

Edelweiss Capital、India Infoline 和 Motilal Oswal Securities 等公司向证券交易所提交了申请。值得注意的是，从 2009 年 2 月 24 日起，外国机构投资者(FIIs)可以通过他们提名的投资经理使用 DMA 机制。

到 2008 年 7 月 31 日，领先的经纪公司和证券交易所正在为直接市场准入(DMA)的运作做准备。花旗、美林、摩根士丹利、JP 摩根、高盛、CLSA 和德意志证券等券商已开始对其 DMA 软件进行试运行，试图使其与证券交易所的系统同步。

智能订单路由、高频交易和协同定位在算法交易中的作用

算法交易包括智能订单路由、高频交易(HFT)及其下的协同定位等实践。您将看到下面详细讨论的这些实践。

智能订单路由

订单路由是一个将订单从最终用户传递到交易所的过程。

客户的订单可以直接送到交易所，也可以先送到经纪人那里，经纪人再把订单送到交易所。

智能订单路由是算法交易中使用的自动化流程，遵循一套执行订单的规则。智能订单路由试图实现交易的最佳执行，同时将市场影响降至最低。

高频交易(HFT)

高频交易是算法交易的一部分。在这里，机会是在从纳秒到毫秒的非常小的时间尺度上被寻找和利用的。

一些高频策略采用做市商类型的角色，试图保持相对中性的头寸，并在利用任何价格差异的同时证明流动性(大多数时间)。

其他策略调用时间序列分析、机器学习和人工智能的方法来预测运动，并在大量数据中分离出趋势。抛开具体的策略不谈，对 HFT 来说，监控整体库存风险并将这一信息纳入定价/交易决策始终至关重要。

协同定位

协同定位是位于 exchange 场所的数据中心设施，其中 exchange 的服务器位于同一网络上。它用于向贸易公司出租空间，以放置他们的服务器和其他计算硬件。

托管设施提供电源、带宽、IP 地址和冷却系统。此外，通过最大限度地减少服务器和 exchange 匹配引擎之间的传输时间，协同定位有助于减少延迟。

在印度如何开始算法交易？

现在让我们来讨论如何在印度开始算法交易，以及 T2 学习算法交易的一些必备资源。

让我们先从先决条件开始。

在印度做算法交易的先决条件

分析技能

对于任何一个量化交易者/开发者来说，具有分析思维是非常重要的品质，这在面试中很重要。

例如，可能会给一个候选人一个巨大的数据集，并要求他从数据中找出模式。对候选人的评估基于他们如何处理任何给定的问题，以及他们客观地证明其解决方案的能力。

数学技能

由于算法交易的核心围绕着算法、数据和编程，拥有合理的编程技能和对统计和微积分的基本理解对于任何一个在算法/HFT 交易的求职者来说都是很重要的。

例如，如果候选人申请一家部署低延迟战略的公司，那么这样的候选人应该具有专家级的编程水平。

编程技巧

对编程语言的了解( Python for Trading )是一个额外的优势，因为它能让你独立运作。交易者倾向于学习编码的长期效果和好处，尤其是 Python。

Python 擅长概念化，擅长回溯测试策略，有很多库用于结果的验证和可视化。它也可以被公司用于不依赖于低延迟的策略。

战略制定流程

在设计任何策略时，重要的是要了解与该策略相关的风险和回报，以确定它是否在市场中具有优势。这是在策略的回溯测试期间完成的。

在市场上实施策略之前，交易频率、交易工具和杠杆都需要考虑在内。

单一的策略不能保证年复一年的利润。一个人必须使用先进的数学模型和统计学来定期制定和调整策略，以保持在市场中的盈利。

要了解各种算法交易策略，可以学习算法交易策略，范式和建模思路。

了解金融市场

量化交易涉及处理大型金融数据集，交易不同的工具，如股票、衍生品、外汇等。因此，即使你来自非金融技术背景，作为一个 quant 公司的开发人员，你也需要对金融市场有一个公平的理解。

交易公司通常会让新员工花时间在不同的部门(如量化部门、交易部门、风险管理部门)来了解市场。

除此之外，一个人必须具备专业知识。想知道更多关于所需技能的信息，请看这张关于获得量化分析师或交易者面试的顶级技能的信息图。

如果你对上述先决条件了如指掌，如果你想在算法交易或 HFT 公司得到一份的工作，你只需要准备好量化面试。

除了上面提到的，我们还可以看到一些成为算法交易者所需的一般技能，如下:

定量分析
编程技能
统计和概率
金融市场和交易知识
逻辑和推理
计量经济学

Skills for quants

向前看，让我们找出可靠的资源来学习算法交易。

在印度学习算法交易的资源

对于学习算法交易来说，专门针对算法交易的一些有用的课程和书籍是很大的帮助！

如果你想遵循以教学为导向的学习方法，这些课程会有所帮助。另一方面，书籍可以帮助那些喜欢阅读和学习所涵盖的详细概念的人。

印度的算法交易法规

根据审计要求、算法交易的执行和商品市场，印度有一套特定的算法交易规则和条例。

审计要求

所有算法交易公司都需要通过半年度审计，审计只能由交易所网站上列出的交易所选任系统审计师(CISA 认证)进行。对于审计需求，您需要维护订单、交易、控制参数等的日志。在过去的几年里。

现在您必须知道，控制参数是印度交易所特别需要的，以了解所下订单的策略是否得到验证。

执行相关

以下是关于订单执行的某些合规性。首先，它坚持认为所有的订单都必须按照交易所的规定贴上唯一的标识。其次，新订单只有在对之前未执行的订单进行核算后才能执行。

对算法的任何修改都要得到交易所的批准，系统应该有足够的检查，以便在出现循环或失控的情况下终止执行。

特定商品市场

有一定的风险控制措施，如每日价格区间、最大订单量、持仓限额等。这是应该遵守的。此外，市价订单和 IOC(立即或取消)订单将不被下单，只能下单限价订单。

迷你和微型合约不接受算法交易。此外，所有订单都应通过位于印度的会员服务器和经批准的 id 发送。这些系统不能与印度境外的任何系统或 ID 有任何链接。

会员必须确保他们的策略将流动性引入市场，并应提交一份解释该策略的文件。成员还应维护上述规定的所有日志，确保定期审计，并获得对现有战略的任何变更的批准。

今日印度的算法交易

印度证券交易委员会(SEBI)于 2008 年引入并允许算法交易。最初，它始于只限于机构投资者的直接市场准入(DMA)，但由于成本优势和更好的执行，交易界采用了它。

2010 年 6 月，交易所通过向经纪公司提供共址服务器“机架” ⁽ ⁾ 租赁，在算法交易的采用方面也发挥了重要作用。服务器机架的租赁帮助经纪人提高了交易速度，并与国际市场接轨。

在当今时代，大多数领先的经纪公司和证券交易所都具备运营直接市场准入(DMA)的基础。诸如花旗、美林、摩根士丹利、JP 摩根、高盛、CLSA 和德意志证券等经纪公司都有自己的 DMA 软件来与证券交易所的系统同步。

此外，算法交易今天在印度已经变得相当先进，有更多的高频交易(HFT)公司在这个国家盛行。

印度算法交易的未来

算法交易 ⁽ ⁾ 在很多方面都是进步的——除了交易者获得良好回报的机会之外，算法交易更加系统化，因为它排除了人类情绪和错误的影响。这也使得市场更有效率和流动性。

那么，算法交易的未来是什么样的？

算法交易的未来预测 ⁽⁴⁾ 算法交易的资源将随着市场的增长而发展，变得结构化和高效。

印度市场中算法交易的渗透率为 50-60%,但也有人认为印度市场中的算法交易将继续增长。

印度的算法交易有两个预测 ⁽⁵⁾

预计 2027 年，股票可能会在算法交易市场份额中贡献 86.1 亿美元。
算法交易市场在 2021-2026 年间可以以 11.23%的 CAGR 增长。

关于印度算法交易的常见问题

以下是一些关于算法交易的常见问题:

谁会做算法交易？

任何精通编程语言(如 Python)的人，拥有市场交易的知识和经验，并且已经获得了进行算法交易的先决条件，都可以进行算法交易。

尽管如此，任何参与算法交易的人都必须记住这些:

解决系统中的任何小故障以及根据市场变化调整代码都需要不断的人工干预。
需要一个强大的互联网连接来保持算法交易的不间断。
交易者必须不断提高他们的技术技能，随着技术的进步开发算法。

获得任何自动化的法律批准有多繁琐？

审批过程没有那么繁琐，但如果你是散户或个人交易者，基础设施(尤其是 HFT)可能会有点棘手。此外，如果您有一个自动化代理，那么规则要求代理应该代表您接受批准。

作为个人，你作为散户不能去交易所要求批准。

零售贸易商能否承受审批流程和基础设施成本？

成本取决于经纪人，但从技术上讲，这并不昂贵。

算法交易在印度合法吗？

这个问题的简单答案是“是”。

在使用 algo 之前，您需要获得哪些批准？

如果你在芝加哥商品交易所、SGX 或欧洲期货交易所交易，那么所需的批准更多的是一个一致性测试，这意味着你将获得交易平台的批准。一旦获得批准，你就可以在上面编码任何策略并发出命令。

如果你在印度或泰国等地，那么你需要让你的战略获得批准，为此，你要做的是为每项战略创建一份文件，并将其发送给交易所批准。

如果你是交易所的会员，你可以直接发送，如果你不是交易所的会员，你可以通过经纪人发送。

印度的流程包括(不同的交易所可能有所不同)获得审计师签署的策略，参加模拟交易会议，然后获得交易所的演示。发布消息说你得到了交易所的批准，然后你开始交易。这是每个策略都必须遵循的规则。

在审批过程中是否保密？

交易所通常不太关注策略，而是更关注风险管理。

重点是你的策略不应该给市场或他们造成混乱，这是交易所的主要关注点，而不是你的策略做了什么。

他们会在一个宽泛的层面上问你这个策略，但我不认为这会让你的知识产权受到威胁。

算法交易在印度有好的回报吗？

算法交易的好回报完全取决于你的算法交易策略。你在市场上的经验越丰富，你的策略就越好，因此，你就能获得更好的回报。

算法交易对协同定位等操纵行为的风险有多大？

协同定位不是操纵。它只是提供给你的一个设施。这就好比说，如果你乘飞机旅行，与乘火车去目的地的人相比，花费更多，这是多么危险。

你越来越快，但你在为此付费，你正在得到它，所以这是一个公平的市场，你为你得到的东西付费。

对那些重视协同定位的人来说，对全球大多数交易所来说，协同定位并不昂贵，因此交易所也相当负责任。

即使在印度，您也可以获得半机架(21 台)，您可以在半机架中放置大量服务器，每月大约需要 50，000 卢比。我不是说这很便宜，但如果你交易的策略依赖于每一毫秒都很重要的协同定位，这就没那么严格了。

散户是否成功采用了算法交易？机构交易者对散户的竞争是否存在超高难度？

散户交易者是长期以来被剥夺了算法交易的人。但是，现在，散户交易者正在采用算法交易，因为像 TD ameritrade⁽⁶⁾这样的公司或经纪人正在支持散户算法交易者。

据 2017 年 11 月 29 日经济时报 ⁽⁷⁾ 报道，2016 年 8 月，Sebi 是首批发布讨论文件，提议加强算法交易规则的监管机构之一。它提出了一套 7 项建议，旨在为机构投资者和散户投资者创造一个公平的竞争环境。

印度人可以在哪些全球市场或交易所交易？

你可以从印度购买美国的股票，还可以在国际经纪商那里拥有一个交易账户。此外，你还可以购买国际指数中的交易所交易基金。

此外，最近有 8 只美国股票 ⁽⁸⁾ 可供印度交易商直接通过 NSE IFSC 进行交易。

看看下面的列表。

List of US stocks available for trading

我们整理了一些最受欢迎的由专家撰写的关于算法交易的博客。

结论

尽管印度不是算法交易领域的先行者，但自 SEBI 允许先进技术应用于股票市场以来，印度的受欢迎程度一直在上升。

这也产生了对算法交易软件、工具和平台的需求，交易者可以使用这些软件、工具和平台来进行金融操作。

如果你想学习算法交易的各个方面，那就去看看这个算法交易课程，它涵盖了统计学&计量经济学、金融计算&技术和算法&量化交易等培训模块。EPAT 旨在让你具备成为成功交易者的正确技能。

免责声明:本文提供的所有数据和信息仅供参考。QuantInsti 对本文中任何信息的准确性、完整性、现时性、适用性或有效性不做任何陈述，也不对这些信息中的任何错误、遗漏或延迟或因其显示或使用而导致的任何损失、伤害或损害负责。任何信息都不应被解释为建议，quantin STI^{T5 对任何监管信息不承担任何责任。所有信息均按原样提供。}

这就是你在学习算法交易时面临障碍的原因

原文：https://blog.quantinsti.com/algorithmic-trading-learning-obstacles/

由查尼卡·塔卡

算法交易在金融科技领域已经变得相当流行。随着交易如此先进，快速和准确，许多人希望学习算法交易。无论是手工交易者还是一些希望从其他职业转向算法交易的人，每个人都想学习算法交易。现在，在学习过程中，有一些常见的障碍，这正是我们在本文中讨论的。除了这些障碍，我们还将看到一些解决方案。

学习算法交易会有困难，如果:

学编程有阻力
你不清楚核心数学概念
技术方法和定量方法之间存在混淆
你没有数据提取和数据管理的知识
你混淆了算法交易和高频交易
你缺乏制定战略的知识
你对回溯测试没有透彻的了解

学习编程有阻力

障碍

对学习编程的抵触是学习算法交易的主要也是最主要的障碍。算法交易和编程是并行不悖的，因为所有的交易策略都是用一种编程语言编写的。如果你真的想学习算法交易，那么不要回避学习编程。这并不困难。

如果您认为编程不合您的胃口，让我们看看我们能为您提供什么解决方案！

解决方案

虽然有 C，C++等几种编程语言。，Python 被认为是目前最受青睐的。众所周知，它是一种编程语言，就像用英语打字一样方便。让我们找出一些关于 Python 的有趣事实:

Source: Python for Trading-An Introduction

与其他语言相比，Python 具有某些 API 和库，使得分析更加流畅。
Python 有助于为导入数据和图形数据可视化提供快速简单的编码。
大多数量化交易者更喜欢 Python，因为它可以帮助他们建立自己的数据连接器、执行机制、回溯测试、风险和订单管理、前向分析和优化测试模块。
Python 交易库的首次更新在开发人员社区中经常出现。

推荐资源

你可以用 Python 来探索所有的交易:初级作为初学者学习 Python 或者 Python 来交易！作为一名定量分析师或金融技术爱好者，Python 非常有用。

你不清楚核心的数学概念

障碍

没有核心数学概念的知识在这里是一个很大的劣势。算法交易员或定量分析师正是通过数学来预测金融市场的表现。除了预测，核心数学概念在算法交易过程中对很多重要的事情都有帮助。例如，风险的识别和评估是在标准差等概念的帮助下完成的。

解决方案

如果你对数学概念的基础不太清楚，强烈建议你在开始学习算法交易之前，先用 clarity 学同样的东西。

一些对算法交易有帮助的核心数学概念是集中趋势的度量，分散的度量，概率论等。澄清这些概念是成功学习算法交易的必要条件。

推荐资源

用算法交易必备数学概念找出核心数学概念。展望未来，其他有用的读物包括统计和概率分布初学者指南以及用 Python 解释的中心极限定理。

技术方法和定量方法之间存在混淆

障碍

关于定量和技术分析的困惑是阻止你学习算法交易的另一个原因。这两个术语来源于同一个母体，也就是定量分析，但是有不同的含义和方法，这两者在算法交易中都是很重要的。

解决方案

为了对这两个术语有一个基本的理解，让我们简单地理清一下概念:

技术分析是通过分析历史市场数据来预测金融证券价格的研究。技术分析采用基于价格和交易量的模型和交易规则，比如相对强弱指数，移动平均线，振荡指标，或者通过识别图表模式&波。技术分析师研究金融市场的价格行为，而不是影响市场价格的基本因素。将策略建立在技术分析基础上的定量交易者能够每分钟扫描成千上万的图表，这些图表配备了大量的指标、比率和数据点，找到适合他们的算法交易策略的正确工具。

定量分析是运用数学和统计方法来理解和预测金融市场的行为。在这类分析中，数值通常用于解释市场情况。因此，数学的多元微积分，线性代数，微分方程等。发挥关键作用。还有，定量分析需要 C、Python 等编程语言。

推荐资源

如果你想学习期货和期权的量化方法，请加入我们的学习轨道，学习期货和期权交易的量化方法。其他一些推荐资源有算法交易和技术分析和技术分析和量化分析。

你没有数据提取和数据管理的知识

障碍

当涉及到数据提取和管理时，有很多困惑，为什么数据如此复杂？数据混乱是一个常见的问题。

解决方案

数据可以从 Quandl、彭博等资源中提取，但什么是数据管理？

大数据的重要性正在迅速增长，在算法交易中极其关键。管理数据意味着让数据变得可靠。例如，不可靠的数据在数据中有重复、遗漏或不正确的值等。这可能导致回溯测试后的错误结果，从而导致错误的策略创建。

例如，下图有助于您理解错误是如何出现的。以下是从互联网上检索到的前 10 大 50 强公司的数据截图:

In red - Incorrect values, Blanks under column “weightage” - Missing values

推荐资源

我们的两门课程，即数据科学简介和交易数据和特征工程，提供了对数据科学和数据管理的全面了解。

你混淆了算法交易和高频交易

障碍

这是学习算法交易的另一个要点，因为算法交易经常和高频交易混淆。由于某些相似之处，变得更加令人困惑。他们都是:

快速(HFT 的强度更高)
用算法执行
金融科技领域的一部分
与交易相关

解决方案

他们之间唯一的，也是最大的区别是各自的运作方式。只有操作创造了两个独立的术语，即算法交易和高频交易。让我们来看看每一个的定义:

算法交易是指以算法的形式使用一套定义好的指令来产生交易信号并下单。每个算法都可以被假设为可以访问工具的当前和历史价格，在基于价格执行计算之后，这些工具可以被买卖。该算法甚至可以将订单分成小块，在不同的时间执行，以获得尽可能好的价格。

鉴于，高频交易(HFT) 是算法交易的一个特殊类别，其特点是持有证券的周期从微秒到几分钟不等。HFT 需要强大的计算机和卓越的网络架构来高速处理数据。此外，它还需要低延迟响应时间和高交易量才能成功运行。HFT 策略主要分为做市、统计套利和量化低延迟策略。

推荐资源

探索 quantra 网站上的所有课程，学习算法交易和相关的重要概念。

你缺乏制定战略的知识

障碍

当你缺乏建立交易策略的知识时，你就缺少了算法交易最重要的部分之一。不了解先进的交易策略，如市场微观结构、做市、海龟交易法和高频交易策略，是一个很大的障碍。

解决方案

你需要借助博客、课程、视频来学习基本的技术交易策略。通过学习这些策略以及如何建立这些策略，你在特定市场条件下运用这些策略的准确度将会提高。

有益阅读:

如果你想了解交易策略(类型、实施和更多)，这里有一个完美的指南，可以让你了解更多的交易策略。

推荐资源

更深入了解策略构建的推荐学习路线是人人算法交易和学习路线:高级算法交易策略。

你对回溯测试没有透彻的了解

障碍

当你计划你的交易策略时，没有回溯测试的知识是最大的劣势之一。回溯测试帮助你分析各种金融市场的历史数据，然后在此基础上建立策略。没有回测或者没有学习回测的资源会使你的策略出错。

解决方案

回溯测试是使用历史数据测试交易策略的过程，以确定该策略的有效性。回溯测试结果通常以一些流行的性能统计数据来显示策略的性能，如夏普比率、索蒂诺比率，这些数据有助于量化策略的风险回报。拥有一个回溯测试平台，如 Blueshift ，你可以免费获得投资研究、回溯测试和算法交易的空间！

Blueshift 最近推出了 alpha 版本，这是一个快速回溯测试平台，提供分钟级数据(来自多个资产类别和市场)。

推荐资源

如果你想了解更多关于回溯测试的内容，请深入研究如何回溯测试交易策略和在 Excel 中回溯测试多空移动平均交叉策略。

结论

如果你是一个初学者，正在学习算法交易，你可能会面临一些障碍，但你没有意识到你可能会错过一些重要的东西。有一些方法可以掩盖我们在这篇文章中想要涵盖的遗漏的要点。你可以探索一系列的课程，学习成功的算法交易所需的一切，只需开始学习算法交易！

股票市场数学:算法交易的基本概念

原文：https://blog.quantinsti.com/algorithmic-trading-maths/

由查尼卡·塔卡

人们可能会经常思考，理解和学习股票市场数学的必要性。

学数学对股市有什么需求？
在哪里可以学到数学在股市中的应用？
股市数学的基础是什么？

许多人的目标是从数学的角度学习算法交易。各种数学概念，统计学，计量经济学发挥着至关重要的作用，让你的股票交易在股市中的优势。

这里有一个完整的列表，列出了关于股票市场 ath 的所有内容:

谁是交易者？
谁是定量分析师或量化分析师？
为什么算法交易需要数学？
数学何时以及如何成为交易:历史之旅
股票市场的数学概念
描述性统计
概率论
- 蒙特卡洛模拟
- 随机漫步
线性代数
线性回归
- 机器学习对创建算法有什么帮助？
- 计算线性回归
微积分

在开始算法交易的数学概念之前，让我们先了解一下在交易中是如何的势在必行。

在此之前，让我们先来看一下的两个重要组成部分，即交易员和量化分析师。

谁是交易者？

简单来说，任何在任何金融市场买卖金融资产的个人都是交易者。这个个人或交易者也可以代表任何其他人交易。

与投资者相比，交易者通常在更短的时间内交易。这仅仅意味着交易者短期持有资产，从短期趋势中获利。然而，投资者倾向于长期持有资产。

谁是量化分析师或定量分析师？

定量分析师是为金融机构设计复杂框架的人，帮助他们在金融市场上对证券进行定价和交易。Quants 有两种类型:

前台 quants——这些人直接向交易者提供金融证券或交易工具的价格。
后台定量分析师——这些定量分析师在进行彻底的研究后，验证框架并创建新的策略。

向前看，现在让我们了解更多关于算法交易及其与数学的联系。

为什么算法交易需要数学？

通常，当定量分析师工作时，他们会关注市场的表现。但有趣的是:

"量化分析师如何根据市场数据进行预测或预测？"

答案是:他们用数学来做！

更深入地说，在这个过程中，从股票市场购买数据并进行分析。然后，在这个股票市场数据的基础上，他们得出关于股票价格变动的可能概率百分比(比如 65%或 75%等等)。

这被称为:

“预测/预报长期或短期内股票价格的可能性”。

那些参与创建高频交易(HFT) 算法的人要记住在短时间内涉及大量交易。

例如，在一毫秒内，价格可能上涨或下跌，因此，在 HFT，每秒钟都有数千笔交易发生。

数学何时以及如何成为交易:历史之旅

直到六十年代末，数学家们才第一次进入股票交易的金融领域。

这一切都始于加利福尼亚大学的数学教授爱德华·索普，他在 1967 年出版了一本名为《战胜市场》的书。

在这本书中，他声称自己提供了在股票市场上赚钱的简单方法。
此外，这种方法/方式完全基于他设计的在 21 点击败赌场的系统。
据说，它变得非常有名，由于它，赌场被迫改变他们的规则，以“击败市场”。

具体来说，战胜市场的概念就是以一个价格卖出股票和债券，然后以更低的价格买回的过程。

这种策略变得如此流行和有效，以至于爱德华·索普创建了一个名为普林斯顿/新港合伙公司的对冲基金。
这个对冲基金开始统治市场，因此，它成为一个成熟的策略。
不久之后，一代物理学家进入了萧条的就业市场。
看到在华尔街可以赚到的钱的数量，他们中的许多人因此进入了金融业。

人们还注意到，在英国，苏联的解体带来了华沙条约组织科学家的大量涌入。因此，他们带来了一种新的方法，这种方法基于“分析数据”的概念，以及对充足的计算机能力有助于预测市场的理解。

这带来了定量分析的新概念，一位名叫吉姆·西蒙斯的数学天才因在特定领域带来足够的知识而闻名。
1982 年，吉姆·西蒙斯还创立了一家出色的对冲基金管理公司，名为复兴科技。

总之，这是关于“数学如何在算法交易中起飞”的简介，而且非常成功。

现在让我们转向算法交易的数学概念，这是本文的核心。

股票市场的数学概念

从股票交易的数学开始，必须提到数学概念在算法交易中的重要作用。让我们来看看不同数学概念的大类:

描述性统计
概率论
线性代数
线性回归
微积分

描述统计学

让我们看一下描述性统计，它用简短的描述性系数来概括一个给定的数据集。这些既可以代表总体，也可以代表人口中的一个样本。

集中趋势的度量

这里，均值、中值和众数是集中趋势的基本度量。当从由不同值组成的数据集中提取平均值时，这些方法非常有用。让我们逐一了解每一个措施。

平均

这是各种数学领域中最常用的概念，简单地说，它是给定数据集的平均值。因此，如果我们在一个数据集中取 5 个数字，比如 12、13、6、7、19、21，平均值的公式为

这使得:

(12 + 13 + 6 + 7 + 19 + 21)/6 = 13

此外，交易者试图在平均值(移动平均线)或移动平均线交叉的基础上开始交易。

这里，让我们根据计算时段的范围(天数)和移动平均线交叉来理解两种类型的移动平均线:

更快的移动平均线(更短的时间段)-

快速移动平均线是在短时间内(比如过去 20 天)计算的数据集(股票价格)的平均值。

2.较慢的移动平均线(较长的时间段)-

一个较慢的移动平均线是一个数据集(股票价格)的平均值，它是从一个较长的时间段(比如 50 天)计算出来的。

现在，一条更快的均线和一条更慢的均线也一起到达一个“交叉”发生的位置。

根据维基百科，

当较快的移动平均线(即较短周期的移动平均线)与较慢的移动平均线(即较长周期的移动平均线)交叉时，就发生了交叉。换句话说，这是较短周期移动平均线穿过较长周期移动平均线的时候。”

Crossover moving lines

在这里，为了更好地解释它，上面的图形图像显示了三条移动的线。蓝色的表示股票价格的总体趋势线。它被进一步分解成绿色和橙色线条。绿色表示较慢的移动平均线，橙色表示较快的移动平均线。

现在从绿线开始，(较慢的移动平均线)整条趋势线显示了股票价格在较长时间内的变化趋势。趋势线遵循之字形模式，有不同的交叉。

例如，在 2018 年 10 月和 2019 年 1 月之间有一个交叉，其中橙色线(快速移动平均线)来自上方，并在下行时穿过绿色线(慢速移动平均线)。这表明任何个人或公司都会在此时卖出股票，因为它显示了市场的低迷。

这个交叉点被称为“交汇点”。在交汇点之后，两条直线先下降，然后在一个点之后上升，形成另一个(然后是其他)交叉点。

由于图中有许多交叉点，您现在应该能够自己识别它们中的每一个。

现在，非常重要的是要注意，如果快速移动平均线越过慢速移动平均线，并在向上的方向上超越，那么“交汇点”就被认为是看涨的。

相反，如果快速移动平均线跌破慢速移动平均线，并超越下跌，则被认为是看跌。这是因为在前一种情况下，它表明在短时间内，特定股票出现了上升趋势。

然而，在后一种情况下，它显示在过去几天有下降趋势。

例如，我们将对快速移动平均线采用 20 天移动平均线，对慢速移动平均线采用 50 天移动平均线。

如果 20 天移动平均线上升并穿过 50 天移动平均线，它将显示一个牛市，因为它表明过去 20 天股票的上升趋势。

然而，如果 20 天移动平均线低于 50 天移动平均线，这将是看跌，因为这意味着股票在过去 20 天下跌。

根据维基百科，

在股票投资中，这个交汇点用来进场(买入或卖出)或出场(卖出或买入)

简而言之，均值是一个统计指标，用于估计一段时间内公司甚至市场的股票表现。这段时间可以是几天，几个月，甚至几年。

接下来，平均值也可以借助 excel 表格进行计算，公式如下:

=平均值(B2: B6)

让我们理解一下上图中我们做了什么。该图显示了一段时间内(可以是几天、几个月或几年)属于一个行业的不同公司的股票市值。

现在，要得到这个行业在这个特定时间段的移动平均线(平均值)，我们需要将公式=(Average(B2: B6))应用于“平均股价”。这个公式命令 excel 计算从 B2 到 B6 的所有公司的平均股价。

当我们应用这个公式并按“回车”时，我们得到结果 330。这是计算平均值的最简单的方法之一。让我们先看看如何用 python 代码进行同样的计算。

为了进一步使用，在所有概念中，让我们假设基于苹果(AAPL)数据集的值。为了保持通用性，我们采用了苹果公司从 2018 年 12 月 26 日到 2019 年 12 月 26 日的每日股价数据。你可以从雅虎财经下载历史数据。

现在，为了下载苹果收盘价数据，我们将使用下面的 python 代码进行计算:

import yfinance as yf
aapl = yf.download('AAPL','2018-12-26', '2019-12-26')

在 python 中，为了获取收盘价的平均值，代码如下:

mean = np.mean (aapl[‘Adj Close’])
print(mean)

输出是:330

前面我们将看到中位数如何不同于平均值，以及如何计算它。

中位数

有时，数据集值可能有一些处于极端的值，这可能会导致数据集的平均值描绘出不正确的画面。因此，我们使用中位数，它给出了排序数据集的中间值。

要求中位数，你得把数字按升序排列，然后求中间值。如果数据集包含偶数个值，则取中间两个值的平均值。例如，如果数字列表是:12、13、6、7、19，那么，

按升序排列，这些数字是:6，7，12，13，19

现在，我们知道总共有 5 个数字，中位数的公式是:

(n+1)/2 值。

因此，它将是 n = 5，并且

(5+1)/2 值将是 6/2=第三个值。

这里，列表中的第三个值是 12。

所以，中位数在这里变成了 12 。

主要是，中位数的优势在于，与平均值不同，它在数据集的极值情况下仍然非常有效，股票就是这种情况。

如果要从大型数据集计算平均值，则需要中值，在这种情况下，中值显示的是更好地代表数据集的平均值。

例如，如果数据集以 INR 值给出如下:

7.5 万，8.25 万，6 万，5 万，10 万，7 万，9 万。

计算中值需要首先将价格按升序排列，因此，按升序排列的价格为:

50,000, 60,000, 70,000, 75,000, 82,500, 90,000, 1,00,000

现在，中位数的计算将是:

因为有 7 个项目，所以中位数是(7+1)/2 个项目，这使它成为第 4 个项目。升序排列的第四项是 75，000 印度卢比。

如您所见，INR 75，000 很好地代表了数据集，因此这将是一个理想的数据集。

在金融领域，市场价格不断变化，平均值可能无法恰当地代表较大的值。在这里，平均值可能无法代表大型数据集。

因此，我们需要使用中值来找到适当代表整个数据集的值。

Excel 表格通过以下方式帮助计算中位数:

=中位数(B2:B6)

同样在中值的情况下，在上图中，我们有属于特定行业的不同公司在一段时间内(可以是几天、几个月或几年)的股价。

这里，为了得到这个行业在这个特定时期的移动平均值(中位数)，我们使用了公式=中位数(B2: B6)。这个公式向 excel 发出计算中位数的命令，当我们输入同样的值时，我们得到的结果是 100。

让我们学习如何用 python 代码进行计算。

这里的 python 代码将是:

median = np.median (aapl[‘Adj Close’])
print(median)

输出是:100

太好了！既然你已经对平均值和中值有了一个合理的概念，现在让我们转向另一种方法。

方式

模式是一个非常简单的概念，因为它考虑了数据集中重复出现次数最多的数字。此外，模式也称为模式值，代表数据组中出现的最高次数。

有趣的是，像均值和中值一样，众数是代表整个数据集的值。必须指出的是，在某些情况下，一个给定的数据集中可能有一种以上的模式。并且具有两种模式的数据集将被称为双峰。

在 excel 表中，模式可以计算如下:

=模式。SNGL(B1: B5)

与均值和中值类似，众数也可以在 excel 表格中计算，如上图所示。比如可以在 excel 表中放入不同公司的值，用公式=Mode 取出 Mode。SNGL(B1: B5)

(B1: B5) -代表从单元格 B1 到 B5 的值

现在，如果我们取苹果从 2018 年 12 月 26 日到 2019 年 12 月 26 日的收盘价，我们会发现没有重复的值，因此收盘价模式不存在。

因此，当您尝试使用 python 中的以下代码计算模式时:

import statistics
mode = statistics.mode (aapl[‘Adj Close’])

它将抛出以下错误:

Error on calculating mode

因此，在观察收盘价时，该模式没有意义。

说到该模式的意义，当你需要取出前一个特定时间段的重复性股票价格时，它是最有帮助的。

这个时间段可以是几天、几个月甚至几年。基本上，数据的模式会帮助你了解同一股票价格在未来是否会重复。

此外，当您想要绘制直方图并可视化频率分布时，最好使用该模式。

太神奇了！这就把你带到了集中趋势测量的结尾。第二，在描述性统计列表中是对离差的度量。让我们看看另一个有趣的概念。

离差的度量

你会发现“离差度量”的含义就在它的标题中，因为它显示了数据在中心点周围有多分散。

它只是告诉每个数据值彼此之间的变化，这有助于给出数据分布的表示。此外，它还描述了观测值分布的同质性和异质性。

简而言之，它只是显示了整个数据与其平均值的差异。

离差的度量可以分为:

范围
四分位偏差
平均绝对偏差
差异
标准偏差

现在，让我们了解每个类别的概念。

范围

这是所有离差度量中最简单的，也是最容易理解的。范围仅仅意味着两个极端观察值或数据集数量之间的差异。

例如，设 X max 和 X min 是两个极端的观测值或数字。在这里，范围将是两者之间的差异。

因此，

范围= X 最大- X 最小

同样重要的是，要注意量化分析师对区间的密切跟踪。这是因为区间决定了交易的进场点和出场点。不仅是交易，范围也帮助交易者和投资者检查交易周期。

这使得投资者和交易者沉迷于区间交易策略，这仅仅意味着跟随一个特定的趋势线。

趋势线由以下因素形成:

高价股票(跟随上升趋势线)和
低价股票(跟随较低的趋势线)

在这种情况下，交易者可以在较低的趋势线买入证券，在较高的趋势线卖出以赚取利润。

因此，在 python 中，这个简单的代码将能够为您找到所需的值:

aapl [‘Adj Close’].describe()

输出是:

让我们看看另一个衡量标准，四分位数离差是如何起作用的。

四分位偏差

这是将数据集分成四份的类型。它由第一个四分位数 Q1、第二个四分位数 Q2 和第三个四分位数 Q3 组成。

这里，

Q1 -是介于数据的最小值和中值(1/4)或前 25%之间的数字

Q2 -是数据的中间值还是

Q3 -是介于数据中值和最大值(3/4)或低于 25%之间的数字

n -是值的总数

四分位偏差的公式是 Q = * (Q3 - Q1)

因为，

Q1 是前 25%，Q1 的公式是- (n+1)

Q3 也是 25%，但是较低的一个，所以公式是- (n+1)

因此，四分位数偏差= * [( (n+1) - (n+1)]

使用此公式的主要优点和缺点是，它使用一半的数据来显示与平均值的离差。

您可以使用这种类型的离差度量来研究位于中间的观察值的离差。

这种类型的离差测量有助于您了解观察值的离差，从而区分不同季度的大值。

在金融领域，当您必须研究不同时间段的大量数据集(股票价格)并希望从观察值(平均值-中值)中了解离散值(价格)时，可以使用四分位数离差。

这里的 python 代码是假设一系列 10 个随机数:

from numpy import percentile
# calculate quartiles
All_quartiles = percentile(aapl['Adj Close'], [25, 50, 75])
# calculate min/max
Minimum, Maximum = aapl['Adj Close'].min(), aapl['Adj Close'].max()
# print the five number summary
print(Minimum)
print(All_quartiles[0])  #1 Quartile
print(All_quartiles[1])  #2 Quartile
print(All_quartiles[2])  #3 Quartile
print(Maximum)
IQR = All_quartiles[2] - All_quartiles[0]
IQR

输出是:

很好，向前移动，平均绝对偏差是另一个度量，前面会解释。

平均绝对偏差

这种类型的离差是给定数据集中的数字与其均值或中值(平均值)之间的偏差的算术平均值。

因此，

平均绝对偏差的公式为:

(D0 + D1 + D2 + D3 + D4 …Dn)/ n

这里，

n =数据集中偏差的总数，以及

D0、D1、D2、D3 是每个值与数据集中的平均值或中值或均值的偏差，Dn 表示数据集中的最终值。

为了解释平均偏差，我们将看一下下图，该图显示了数据集的“计算平均值”以及(数据集中的)每个值与平均值之间的差异。这些差异或偏差显示为 D0、D1、D2 和 D3，…..D7。

例如，如果平均值如下:

然后，将使用平均值公式计算此处的平均值:

3 + 6 + 6 + 7 + 8 + 11 + 15 + 16 / 8 = 9

当平均值为 9 时，下一步是找出每个数据值与平均值的偏差。因此，让我们计算偏差，或者让我们从每个值中减去 9，得到 D0、D1、D2、D3、D4、D5、D6、D7 和 D8，从而得到如下值:

现在我们已经清楚了所有的偏差，让我们以图像的形式查看平均值和所有的偏差，以便更加清楚地了解这些偏差:

Mean deviation

因此，从一个大的数据集中，平均偏差精确地代表了观察数据值的所需值。

在 python 代码中，平均偏差的计算如下:

from numpy import mean, absolute 
Mean_deviation = mean(absolute(aapl['Adj Close'] - mean(aapl['Adj Close'])))
Mean_deviation

产量是 26。46860 . 68686868686

值得注意的是，均值偏差有助于处理具有各种值的大型数据集，尤其是在股票市场中。

接下来，方差是一个相关的概念，我们会进一步解释。

差异

方差是一种离差度量，它表示平均值与平均值之差的平均值，与平均值偏差的方式类似，但这里的偏差是平方的。

所以，

这里，N =数据集中值的数量

D0，D1，D2，D3 是数据集中每个值与平均值的偏差。

这里，从上面的例子中取值，我们简单地平方每个偏差，然后以下面的方式将偏差值的总和除以总数:

在 python 代码中，如下所示:

variance = np.var (aapl['Adj Close'])
variance

输出 1154.50。现在让我们跳到另一个叫做标准差的指标。

标准偏差

简而言之，标准差是对数据集中数字分布的计算。符号(sigma)代表标准偏差，公式为:

还有，

是标准差的公式。

这里，让我们取与上面两个例子中相同的值，并计算方差。因此，

此外，在 python 代码中，可以使用 matplotlib 库计算标准偏差，如下所示:

std = np.std(aapl['Adj Close'])
std

输出结果是:34。36360 . 38638688667

所有类型的偏差度量都可以从数据集中的观察值中得出所需的值，从而让您对变量的不同值(如价格、时间等)有一个完美的了解。

值得注意的是，平均绝对数据、方差和标准差都有助于区分给定大型数据集中的平均值。

形象化

可视化有助于分析人员根据有组织的数据分布做出决定。有四种这样的可视化方法，它们是:

直方图
条形图
饼状图
折线图

直方图

年龄组

在这里，在上面的图像中，您可以看到 x 轴(年龄组)和 y 轴(频率)上带有随机数据的直方图。由于它以概括的方式看待大量数据，因此主要用于描述单个变量。

例如，x 轴代表从 0 到 100 的年龄组，y 轴代表不同年龄组之间赶上常规眼科检查的频率。直方图显示，在 40 至 50 岁的年龄组之间，人们出现的频率最高。

由于直方图只能用于单个变量，让我们继续，看看条形图有什么不同。

条形图

Bar chart sample

在上图中，你可以看到条形图。这种类型的可视化帮助您分析一段时间内的变量值。

举个例子，不同团队不同年份的销量。您可以看到上面的条形图显示了两年，分别为周期 1 和周期 2。

在第一阶段(第一年)，团队 2 和团队 4 在销售数量方面得分几乎相同。而且，第一组得分不错，但第三组得分最少。
在第二阶段(第二年)，团队 1 的表现优于所有其他团队，得分最高，尽管团队 4 的得分仅次于团队 1。相比较而言，第 3 队得分相当高，而第 2 队得分最低。

由于这种可视化表示可以考虑多个变量和不同的时间段，所以条形图在表示包含各种变量的大量数据时非常有用。

现在让我们先看看饼图在显示数据集中的值时是如何有用的。

饼状图

Pie chart sample

上图是一张饼图，这种表示方式有助于您显示每个变量在总数据集中所占的百分比。每当你有一个百分比形式的数据集，并且你需要以一种显示不同球队不同表现的方式来呈现它，这就是恰当的方式。

例如，在上面的饼图中，可以清楚地看到团队 2 和团队 4 的绩效相似，甚至不用看实际数字。两个队的表现都超过了其他队。此外，它表明第一组比第三组做得更好。由于饼图在视觉上非常直观，它可以帮助你得出一个恰当的结论。

再往前看，这个系列的最后一个是折线图。

折线图

Line chart sample

有了这种表示，借助于 y 轴和 x 轴，两个变量之间的关系更加清晰。这种类型也有助于您发现上述变量之间的趋势。

在上面的折线图中，有两条趋势线形成了两个时期(或两年)4 个不同团队的直观表示。两条趋势线都有助于我们明确不同球队在两年内的表现，也更容易比较连续两年的表现。

它清楚地表明，在此期间，1 团队 2 和 4 团队表现良好。而在第二阶段，团队 1 的表现优于其他团队。

好的，随着我们对描述性统计有了更好的理解，我们可以继续其他的数学概念，它们的公式以及在算法交易中的应用。

概率论

现在让我们回到过去，回忆一下寻找掷骰子概率的例子。这是我们都研究过的一个发现。

给定骰子上的数字，即 1、2、3、4、5 和 6，掷出 1 的概率是 6 分之一或⅙.这种概率称为离散概率，其中有固定数量的结果。

类似地，掷出 2 的概率是 1/6，掷出 3 的概率也是 1/6，以此类推。一个概率分布是一个给定事件的所有结果的列表，它以上面提到的方式与一组有限的结果一起工作。但是，如果结果很大，就要使用函数。

如果概率是离散的，我们称这个函数为概率质量函数。在骰子滚动的情况下，它将是 P(x) = 1/6，其中 x = {1，2，3，4，5，6}。

对于离散概率，有一些案例被广泛研究，以至于它们的概率分布已经标准化。让我们以伯努利分布为例，它考虑了我们抛硬币时得到正面或反面的概率。

我们把它的概率函数写成 px(1–p)(1–x)。这里 x 是结果，可以写成正面= 0，反面= 1。

现在，让我们从历史的角度来研究蒙特卡洛模拟,以理解它如何接近未来的可能性。

蒙特卡罗模拟

据说蒙特卡罗方法是一种解决统计问题的随机方法(其中存在随机输入的抽样)。

简单来说，蒙特卡罗模拟相信通过一次又一次地对大量输入进行采样来获得任何统计问题或数据的结果分布。它还说，这样我们就可以在没有任何风险的情况下跑赢市场。

蒙特卡洛模拟的一个例子是将骰子滚动几百万次，以获得结果或可能结果的代表性分布。有这么多可能的结果，对未来实际结果的预测几乎不可能出错。理想情况下，这些测试应该高效快速地运行，这也是蒙特卡洛模拟的验证。

尽管资产价格不是通过掷骰子来决定的，但它们也类似于随机漫步。现在让我们学习一下随机漫步。

随机游动

随机漫步表明，股票价格的变化具有相同的分布，并且相互独立。因此，根据股票价格的过去趋势，未来价格是无法预测的。此外，它认为不承担一定的风险是不可能跑赢市场的。

回到蒙特卡洛模拟，它通过考虑广泛的可能性并假设它有助于减少不确定性来验证自己的理论。

蒙特卡洛说，问题是当只考虑一次掷骰子或一个可能的结果或更多的时候。因此，解决方案是比较多种未来可能性，并相应地定制资产和投资组合的模型。

在蒙特卡洛模拟之后，理解贝叶斯定理也很重要，因为它基于一些相关的过去事件来研究未来概率，因此具有可用性。

简而言之，贝叶斯定理基于可能导致相关事件发生的过去条件，展示了事件发生的可能性。

例如，假设一个 50-55 岁的特定年龄组在去年 12 月和 1 月以及去年年底记录了最多的关节炎病例。然后，我们将假设今年同样的月份，同样的年龄组可能被诊断患有关节炎。

这可以应用在概率论中，其中，基于关于股票价格的过去事件，可以预测未来的事件。

还有一个最重要的数学概念，叫做线性代数，现在我们将学习它。

线性代数

让我们简单了解一下线性代数。

什么是线性代数？

简单来说，线性代数就是由线性方程组组成的数学分支，比如 a1 x1 + ……。+ an xn = b，。这里最需要注意的是，线性代数是数据的数学，其中，矩阵和向量是数据的核心。

什么是矩阵？

一个或多个矩阵是以特定数量的行和列排列的数字的集合。矩阵中包含的数字可以是实数或复数，也可以是实数和复数。

例如，M 是一个 3 乘 3 的矩阵，其数字如下:

0 1 3

4 5 6

2 4 7

矢量有哪些？

简而言之，向量是线性代数的概念，它既有方向又有大小。

例如，V 是:

[9]

[6]

[-5]

现在，如果 X =

然后，

MX = V 这将成为，

在这个箭头中，箭头的点表示方向，箭头的长度表示大小。

上面的例子一定给了你一个关于线性代数都是关于线性组合的好主意。这些组合利用了称为向量的数字列和称为矩阵的数字数组，最终会创建新的数字列和数组。

众所周知，线性代数与算法或计算有关。因此，线性代数已经被优化以满足编程语言的要求。

此外，为了提高效率，某些线性代数实现( BLAS 和 LAPACK )以自动化的方式配置算法。这有助于程序员适应计算机系统的特定性质，如缓存大小、内核数量等。

在 python 代码中:

import numpy as np
A = np.array ([[0, 1, 3], [4, 5, 6], [2, 4, 7]])
print ('rank of A:', np.linalg.matrix_rank (A))
print ('Trace of A:', np.trace (A))
print ('\Determinant of A:', np.linalg.det (A))

# Inverse of matrix A
print (“\nInverse of A:”, np.linalg.inv (A))
print (“\nMatrix A raised to power 3:\n”,
np.linalg.matrix_power(A,3))

输出是:

A 的等级:3

A: 12 的痕迹

A 的行列式:2.0000000000000004

让我们前进到算法交易中使用的另一个已知概念，叫做线性回归。

线性回归

谈到线性回归， it 是另一个有助于创建算法的主题，是一个最初在统计学中开发的模型。

线性回归是一种模拟标量因变量 y 和一个或多个解释变量(或自变量)x 之间关系的方法。

然而，尽管它是一个统计模型，但它通过显示输入和输出数值变量之间的关系来帮助机器学习算法。

机器学习对创建算法有什么帮助？

机器学习意味着最初的手动干预，为机器提供执行任务的程序，随后是系统本身工作的基于自动情况的改进。

当涉及到计算统计学时，就是这样一个概念相当有帮助。计算统计学是计算机科学和数理统计之间的接口。

因此，计算统计学，也称为预测分析，对当前和历史事件进行分析，以预测未来，从而创建交易算法。

简而言之，机器学习及其预测未来事件的系统方法有助于为成功的自动化交易创建算法。

计算线性回归

线性回归的基本公式是:

Y = mx+b

如果你想阅读更多关于线性回归及其高级方程的内容，请参考这里的链接。

下面，您将在图表中清楚地看到 x 和 y 的表示:

在上图中，x 轴和 y 轴都显示变量(x 和 y)。由于更多的手机销售或手机需求(x 轴)引发了手机供给(y 轴)的上升，陡峭的线就形成了。

因此，为了满足这种不断增长的需求，手机的供应量或数量也在增加。

简单来说，y =趋势线上升了多少(供应量)

x =趋势线走多远(需求)

b =的截距(直线与 y 轴相交的地方)

在线性回归中，输入值的数量(x)被组合以产生该组输入值的预测输出值(y)。基本上，输入值和输出值都是数字。

阅读更多内容，请参考博客这里。

当我们继续前进时，让我们看看另一个叫做微积分的概念，它对于算法交易也是必不可少的。

结石

微积分是算法交易中的主要概念之一，实际上被称为无穷小微积分，意思是研究小到可以测量的数值。

总的来说，微积分是一门研究持续变化的学科，因此，对于股票市场来说非常重要，因为它们一直在经历着频繁的变化。

谈到微积分的类型，有两个宽泛的术语:

微分学——它计算速度和曲线斜率的瞬时变化。
积分——这个计算加在一起的量。

在微积分中，我们通常将特定时间段(t)内的距离(d)计算为:

d = at^2

其中 d 是距离，a 是加速度，t 是时间

现在，为了简化计算，让我们假设 a 是 5。

所以，
d = 5t^2

现在，如果时间(t)是 1 秒，并且要在这个 1 秒的时间段内计算经过的距离，那么，

d=5(1)^2 = 5 米/秒。

在这里，它显示 1 秒钟内走过的距离是 5 米。

但是，如果你想找到 1 秒的速度(当前速度)，那么你将需要一个时间的变化，这将是 t。

现在，因为它真的很少被计算，t+t 将表示 0 秒。

让我们计算 t 秒和 t 秒之间的速度，因为我们从前面的计算中知道，在 1 秒时，所经过的距离是 5m/s。

现在，使用相同的公式，我们还将发现在 0 秒(t +t)覆盖的距离:

所以，d = 5 t^2

d = 5 (t + t )^2

d = 5 (1+t )^2 m

扩展(1+t )^2，我们将得到 1+ 2t + (t)^2

这使我们得出 d = 5(1+ 2t + (t)^2 ) m

进一步求解我们会得到，d= 5 + 10t + 5(t)^2 m

得出最后的结论，

速度=距离/时间所以，在这里，速度= 5 + 10t + 5(t)^2 米/吨秒

这让我们得出结论，10 + 5t 米/秒

因为 t 被认为是小于 1 秒的值，并且速度将在小于 1 秒的时间内计算(当前速度)，所以 t 的值将接近于零。

因此，当前速度= 10m/s。

这种对连续变化的研究可以适当地用于线性代数，也可以用于概率论。在线性代数中，它可以用来寻找一组值的线性近似，在概率论中，它可以确定连续随机变量的可能性。

微积分是正态分布的一部分，也可以用来求正态分布。要阅读更多关于正态分布的内容，请阅读此处的。

厉害！这就把我们带到了量子/HFT/算法交易所需的所有基本数学概念的尽头。

结论

在整篇文章中，我们讨论了股票交易中数学和统计的各种主题，即股票市场数学，以及所有相关的子主题。

由于算法交易需要全面的数学概念知识，我们已经学习了各种必要的概念，即:

描述统计学
概率论
线性代数
线性回归
结石

在解释它们的时候，会有副标题为你提供每一个重要的、更深入的方面，以及它们在 excel 和 python 等平台上的数学方程和计算。

如果你也对发展终身技能感兴趣，这些技能会帮助你提高交易策略。在这个 algo 交易课程中，你将接受统计学&计量经济学、编程、机器学习和量化交易方法的培训，因此你精通每一项在量化&算法交易中出类拔萃所必需的技能。现在就了解更多关于 EPAT 的课程吧！

电影中的算法交易|这 10 个电影场景是顶级的

原文：https://blog.quantinsti.com/algorithmic-trading-movies/

由查尼卡·塔卡

算法交易是许多人的热情所在，当看一部有算法交易场景或情节基础的精彩电影时，它可以成为一种享受。

在当今时代，算法变得如此重要，以至于只要有可能，最好用算法而不是手工来执行。对算法进行编码使生活变得更容易，因为决策快速、准确，并导致有利的结果。

这篇文章将带你浏览个人最喜欢的十部电影，里面有关于算法交易的不可思议的场景。

| |前方剧透！||

该列表如下所示:

银行
监守自盗
太大而不能倒
追加保证金通知
金钱和速度:在黑盒子里
无限
华尔街代码
大空头
金钱怪兽
蜂鸟项目

银行

https://www.youtube.com/embed/LzFXcnz5NCY?rel=0

《银行》(2001)是一部电影，描述了一位名叫吉姆·道尔的年轻数学家设计了一个公式来预测股票市场的波动。当吉姆被一个名叫西蒙的腐败投资银行家雇用时，电影发生了转折。

投资银行家或西蒙希望利用软件为自己谋利。必看！

内部工作

https://www.youtube.com/embed/PJaFjcspaCE?rel=0

纪录片《监守自盗》(2010)讲述的是发生在 2000 年至 2007 年间的真实生活危机，这场危机始于互联网泡沫。在房地产繁荣时期，投资银行借入的资金与银行拥有的资产之比达到了惊人的水平。

电影中最令人难以置信或难以置信的场景突出了高盛如何在 2006 年上半年出售价值超过 30 亿美元的 CDO。此外，高盛押注于低价值的 CDO，向投资者提到它们是高质量的。与此同时，AAA 级金融工具在 2006 年从大约 2000 种飙升至 4000 多种。

大而不倒

https://www.youtube.com/embed/OqYTQB6lrQQ?rel=0

电影《太大而不能倒》(2011)描述了 2008 年的金融危机，重点讲述了美国财政部长鲍尔森(Henry Paulson)和美联储体系主席贝南克(Ben Bernanke)为解决危机期间面临的问题所采取的行动。

这部电影精彩地展示了只有 10 家金融机构持有大约 77%的美国银行资产，却被宣布“大到不能倒”。当局担心在整个金融体系崩溃后可能很快举行新闻发布会的场景是最令人难以置信的场景。

据说整个美国金融崩溃的原因是发放给投资者的住房贷款。随着大量房屋贷款违约，崩溃开始发生。即使是被称为 T2 的保险公司美国国际集团(AIG)也无法在某个时间点之后为违约提供保险。

追加保证金通知

https://www.youtube.com/embed/7h_7-4991Eg?rel=0

《追加保证金通知》( 2011 年)非常微妙地、带娱乐性地描绘了使用风险管理工具的重要性。一家受人尊敬的金融公司正在裁员，其中一名受害者是风险管理部门的负责人，他正在进行一项重要的分析。

他的学生完成研究到深夜，然后疯狂地给他的同事打电话，谈论他发现的公司财务灾难。

接下来是一个漫长的夜晚，在高级管理层准备不惜一切代价减轻失败的同时，他们陷入了恐慌的双重检查和双重交易。

金钱和速度:在黑盒子里

https://www.youtube.com/embed/Gc29yTSNK4E?rel=0

《金钱与速度:黑匣子之内》(2011)是一部纪录片，展示了一个真实事件(即 2010 年发生的闪电崩盘)背后的影响和可能原因。这是一部悬疑惊悚片，其中回答了闪电崩盘从何而来的主要问题。

当调查发现事件背后的真相而得出结论时的情景，令人难以置信。这表明立法缺乏人们所期望的透明度。

无界限的

https://www.youtube.com/embed/ZppdNcMuRFU?rel=0

《无限》(2011)描绘了一个设法做他想做的一切事情的人。他的大脑运转如此之快，以至于他成功地完成了正常人做不到的事情。

例如，他能回忆起许多年前的一些细节。电影中最不可思议的一幕，是他一夜之间成为股市王者。他成为股票市场之王的过程在电影中得到了很好的描述，这也是这个场景最受欢迎的地方。

华尔街守则

https://www.youtube.com/embed/kFQJNeQDDHA?rel=0

《华尔街密码》(2013)是一部纪录片，基于现实生活中一位名为 Haim Bodek 的算法构建者。这部惊悚片描绘了对抗华尔街的天才算法构建者。

这部电影展示了除了构建算法的人之外，算法通常不被任何人理解。现在，令人难以置信或难以置信的场景是 Bodek 构建的算法(已知最快的算法)突然停止工作。

利润消失了，这一切都归咎于算法构建者 Bodek，这时他开始了寻找原因的旅程。他决定公开揭露这个腐败的系统。

大空头

https://www.youtube.com/embed/NCx5Ph7EAxg?rel=0

在这部喜剧电影《大空头》(The Big Short，2015)中，有两个角色查理·盖勒和杰米·希普利恰好是年轻的投资者。虽然他们不是电影中的主角，但他们碰巧是他们计划参观美国证券化论坛的不可思议场景的一部分。

在这里，他们了解到 SEC 没有监管抵押贷款支持证券活动的法规。因此，他们做空高评级的 AA 抵押贷款证券，这些证券被认为是高度稳定的，并由于相当高的派息率而获得良好的回报。

金钱怪兽

https://www.youtube.com/embed/UnllAPMRnKE?rel=0

电影《金钱怪兽》(Money Monster，2016)最出名的情节是展示了一个名为 IBIS Capital 的组织声称的算法故障如何导致大量股东损失金钱。

一位投资者在一位电视股市大师的推荐下，将自己的全部财富投资到了 IBIS Capital。这部电影中一个令人难以置信的场景是，许多失去资本的投资者中的一个开始在股市大师的工作室里制造骚动。

这位投资者认为，股东的投资反而损失了，因为当局或机构中的某人篡改了算法，使其看起来像是由于故障而损失了资金。因此，他威胁说，如果不归还他的钱，就要杀死这位电视股票市场大师。

蜂鸟项目

https://www.youtube.com/embed/AaCqAPCvjKo?rel=0

《蜂鸟计划》(2018)是一部关于高频交易的精彩惊悚剧情电影。在这部电影中，整个重点仍然是短时间内的交易。名叫文森特的股票经纪人说服另一个名叫泰勒的角色购买光纤电缆，用于前台运行订单执行。

不可思议的一幕，展现了这个叫文森特的角色为了让代码快 1 毫秒，为了在金融市场上有竞争力，付出了多大的努力。此外，光缆需要尽可能直，以避免交易中的任何延迟。

结论

对于对交易和算法交易感兴趣的人来说，上面提到的电影是必看的！然而，这些电影是我个人的最爱。

不过，如果你对这里提到的同一部电影中的其他场景或其他一些有精彩场景的电影有任何建议或评论，那就太好了。

请随时在下面发表你对场景、电影或任何与主题相关的评论。

如果你倾向于学习定量分析时间序列、投资组合回报和风险，以及设计和回测动量交易系统，一定要看看这个由 Quantra 撰写的动量交易策略的课程。

免责声明:本文提供的所有数据和信息仅供参考。^{QuantInsti 不保证本文中任何信息的准确性、完整性、当前性、适用性或有效性，也不会对该信息中的任何错误、遗漏、延迟或因展示或使用而产生的任何损失、伤害或损害承担任何责任。所有信息均按原样提供。}

来自经验丰富的算法交易从业者的 7 个有用的提示

原文：https://blog.quantinsti.com/algorithmic-trading-practitioners-tips/

由查尼卡·塔卡

拥有算法交易的经验来自于拥有所需的知识，多年的坚持以及一些尝试和错误。当您接受来自该领域有经验的个人的有用提示时，您可以更快地建立在实践知识的基础上。

作为算法交易领域的初学者，执行有利交易的实际方法是你获得理论知识后的又一个转折点。在这篇文章中，让我们看看 QuantInsti 的经验丰富的从业者在算法的帮助下进行交易时有什么建议。

来自经验丰富的算法交易员和从业者的 7 个有用的算法交易技巧:

战略范式是完整的
获得可靠的财务数据供应商
交易杠杆产品要谨慎
学会系统地回测，严格地回测任何交易想法
现货交易前的票据交易
风险管理是关键
尽可能多地阅读交易书籍，了解最新技术

战略范式是不可或缺的

首先也是最重要的，你需要了解战略范例以及为什么这些范例很重要。现场交易中的策略开发是最关键的部分，因此，应该以有序的方式完成。

你从交易策略的假设开始，然后做编码，然后回溯测试，然后走前测试。这个过程以市场上的实时交易结束。

获得可靠的财务数据供应商

当谈到算法交易时，获得可靠的数据供应商是另一件重要的事情。金融数据供应商提供来自金融市场的数据。

供交易者和投资者使用，金融数据供应商在格式化并确保无误后为您提供市场数据。例如，间谍数据(实时数据和历史数据)可能存在重复数据、缺失数据值等。是错误的，如果用于创建交易策略，可能会导致不精确的结果。

彭博、汤森路透和穆迪分析等公司是市场数据供应商的常见例子。

交易杠杆产品时要谨慎

虽然在金融市场上交易杠杆化产品可以帮助你从总交易的借入或杠杆化部分中获利，但它也带来了损失超过你所拥有的风险。

让我们假设你在市场上持有 100，000 美元的杠杆资金，但你只有 500 美元。如果金融市场上涨，你就能满足于获利。假设市场上涨，你在市场上的头寸变成 102，000 美元。在这种情况下，除了你自己的 500 美元投资外，你将获得 1500 美元。

相反，让我们假设你发现市场下跌，你在市场上的头寸是 98，000 美元。在这种情况下，你最初的 100，000 美元的损失是 2000 美元。这清楚地表明，你不仅要承担自己 500 美元的损失，还要额外支付 1500 美元，因为经纪人通常会追加保证金。

保证金通知是由经纪人发起的。如果你的账户价值低于设定的阈值，你的经纪人会要求你在账户中存入更多资金。发生这种情况是因为经纪人试图保护自己，以防账户贬值，你无法偿还债务。

如果市场价值下跌，算法能做的最好的事情就是在你的杠杆产品上设置止损单或止损单(退出市场)，当市场价格开始下跌时，避免你遭受巨大损失。但是，当经纪人账户的市场价值下降时，最初的损失仍然存在。

在一些证券中使用杠杆，比如 ETF，比其他证券有更大的风险。ETF 有一些与之相关的成本，如费用率、税收和周转成本。除了额外的损失，交易者还需要承担这些费用的开支。

然而，你可以管理对冲基金的杠杆作用，因为对冲基金经理确切地知道什么时候使用杠杆作用，什么时候不使用，以避免遭受巨大损失。对冲基金经理通常是私人实体，并要求他们在金融市场上维持或交易的资本的最低投资。

学会系统地回测，严格地回测任何交易想法

交易者通常会因为没有在合理的研究和回溯测试的基础上做出交易决定而损失资金。从你的交易决策中去除情绪，并对策略或交易想法进行回测是非常重要的。回溯测试是根据历史数据测试交易假设/策略的过程。

让我们试着更好地理解这一点。假设你有一个交易假设，表明特定证券在未来两个月的正回报。这一假设是基于过去两年的正回报。

现在，检验这个假设和知道这个策略是否有效是两件主要的事情。这个假设可以通过回溯测试来验证，回溯测试意味着根据历史市场数据找出交易策略的表现。

例如，在动量交易策略中，投资者在金融证券上涨时买入，在假定见顶时卖出。在这里，假设可以是在两个月的时间内资产净值的正增长。两个月后，股票将达到最高点，因为这发生在过去的一年里。

假设 NIFTY 50 所有股票的回报率预计为 3%。这个预期陈述了回报率为 3%的假设，但是为了检验这个假设，我们使用了假设检验。

一个好的回溯测试人员会确保不会出现以下可能会改变你的回溯测试结果的缺点或偏见:

过度拟合 -当过度拟合发生时，交易策略的回测结果显示该策略在历史数据上表现良好，但在任何新数据上都可能表现不佳。
前瞻偏差 -在信息实际出现在公众视野之前使用回溯测试中的信息是前瞻偏差。在回溯测试中，它会导致错误的结果。例如，如果你正在评估你的组织的季度收益报告对股票市场的影响，你将假设该报告在季度末还没有出来。
生存偏差 -在分析历史数据时只考虑赢家而不考虑输家时出现的偏差。因此，在回溯测试极其重要的时候，要包括所有的数据。例如，一些共同基金可能在衰退中表现更好，但其他共同基金可能没有。但在下一次衰退中投资共同基金时，只考虑那些在上一次衰退中表现良好的基金，将是一种生存偏差。
忽略交易成本 -交易/交易成本，如佣金、税收和滑差，在对策略进行回溯测试时非常重要。将这些成本包括在内，可以真实地反映出该策略的回报。

此外，没有固定的次数，你应该回测你的策略。你可以多次调整策略。但是，不断的调整会导致过度拟合，所以确保你不要过度。

一旦你完成了回溯测试，你可以考虑你的交易策略，先进行纸上交易，然后进行现场交易。

现场交易前的票据交易

如果你对回溯测试策略的表现满意，那么你就可以开始纸上交易了。而一旦纸面交易结果令人满意，就可以开始现场交易了。这样，你就确保了你的策略的准确性。

纸上交易和现场交易的流程

Source: Paper Trading Steps for paper trading and live trading

票据交易的一些好处是:

在纸上交易中没有亏损的风险和压力，因为这不是真正的交易。纸上交易只是帮助你了解实际交易的结果。
交易者开始在实际的金融市场场景中练习交易。因此，从上市前的准备到最终的盈利或亏损，在交易过程的每个环节都可以获得良好的体验。

现在，真正的问题是"在上线之前，你应该坚持多久？

这个问题的答案是不要超过一个月左右，你应该进行纸上交易，因为你从现场交易中获得的经验将与从纸上交易中获得的经验非常不同。

因此，在现场交易中学到的经验对理解真实的市场场景是非常有用的，在真实的市场场景中，你的实际资金将受到威胁。然而，你必须管理实时市场的风险，我们将在下一节讨论。

推荐观看:纸上交易如何让你成为更好的交易者

风险管理是关键

交易中的风险管理对于承担金融市场下跌趋势所带来的损失的风险管理至关重要。这在新冠肺炎、海啸等事件中是可能的。

让我们来看看这张表，它是一个例子，说明检查你的损失是多么重要，因为每增加 5%的损失，你弥补损失所需的收益百分比就会增加。这只是意味着损失越大，就越难恢复:

| 百分比损失 | 恢复和回到平衡所需的百分比增益 |
| -5% | 5.3% |
| -10% | 11.1% |
| -15% | 17.6% |
| -20% | 25.0% |
| -25% | 33.3% |

来源:培养基。鸣谢:里沙布·米塔尔

风险管理涉及风险的识别、评估和缓解，这些风险通常在市场走势与预期相反时出现。

因此，在预测所有已知风险并为任何黑天鹅事件做好准备后，在对市场进行彻底分析的基础上设定预期非常重要。

趋势是这里最重要的因素。趋势意味着市场、资产价格或其他此类指标的总体方向或势头。趋势是由投资者的风险偏好形成的，这意味着在某些事件中的预期风险，如选举(政治事件)、利率决策(经济事件)和新技术进步(商业事件)。

这是关于金融市场的风险。另一个是操作风险 (OR)，这是一个交易者由于失败的内部流程或系统/网络缺陷而面临的风险。

或涉及广泛的“非财务问题”，如:

计算机系统或网络架构没有更新，或者使用它们的人员不称职的技术风险。
缺乏结构化风险政策。
与过程相关的风险，如信息处理、数据传输、数据检索出错的可能性以及结果或输出的不准确性。
其他风险包括缺乏对风险的适当监控、员工或管理层的非自愿错误、员工或管理层欺诈或犯罪活动。
最后，它可能包括自然灾害、恐怖主义等造成的损失。

因此，在预测风险后，你可以投资股市，权衡你的预期风险和预期收益。

建议阅读:投资组合&风险管理

尽可能多地阅读交易书籍，了解最新技术

阅读交易书籍是增加你的算法交易知识，成为专业交易者的最好方法。如果你是算法交易和量化交易的新手，看看这些免费资源来学习算法交易。

通过这些关于算法交易的必备书籍，深入了解各种概念，如市场微观结构、统计学和计量经济学、技术分析、期权交易、高级统计学、机器学习和 Python。

为了更多的学习，你可以查看这些免费的资源来学习机器学习交易充满了最新的信息和丰富的资源。

结论

在这篇文章中，我们的目标是涵盖经验丰富的算法交易者的基本技巧。在开始算法交易练习的时候，这 7 个技巧是简洁但最有效的。

你发现任何战略的制定都需要一个循序渐进的过程，这对于战略的制定是最重要的。然后，获得一个可靠的数据供应商和对投资保持谨慎是算法交易成功的关键。

在你在市场上执行之前，你必须进行回溯测试和纸上交易。最后但同样重要的是，尽可能多的阅读交易书籍会让你跟上形势的发展。

此外，阅读可以帮助你从算法交易领域有经验的个人那里获得很多不同的观点。

你也可以在大约 40 个小时的时间里，通过学习课程:面向所有人的算法交易，获得不同量化交易平台角色所需的基本技能，如交易员、分析师、开发人员。非常适合想要学习和使用 Python 进行交易的交易者和 quants，学习不同的交易策略，包括日交易，机器学习，ARIMA，GARCH，并使用期权定价模型。立即注册！

使用交互式经纪人 API 实现用 Python 编码的算法交易

原文：https://blog.quantinsti.com/algorithmic-trading-python-interactive-brokers-webinar-nov-2016/

T2】

网上研讨会日期和时间

2016 年 11 月 10 日星期四

下午 8:00 是|科技委 8:30

你错过了刘辉博士九月份关于在实时市场中使用 Python 进行 交易的网络研讨会吗？

不用担心，因为 Quantinsti 的带着网上研讨会回来了，这让成千上万的与会者轻松了许多。这一次，它只会变得更大，因为互动经纪人自己正在举办一个关于使用互动经纪人 API 实现用 Python 编码的算法交易的有见地的会议。

如今，许多量化交易者和研究人员更喜欢 Python 算法交易，而不是其他编程语言，因为 Python 可以帮助他们建立自己的数据连接器、执行机制、回溯测试引擎、风险和订单管理系统、前进和优化测试模块。

对于刚接触算法交易的人来说，Python 代码易于阅读和理解。Python 更容易编写和评估 Algo 交易结构，因为它采用了函数式编程方法。

演讲嘉宾

刘辉博士

教员，Quantinsti
作者 IBridgePy，一款与交互式经纪人进行交易的开源软件
Running River 投资有限责任公司创始人

许博士的主要交易兴趣是美国股票和外汇市场。Running River Investment LLC 是一家私人对冲基金，专门使用 Python 开发自动化交易策略。Hui 是 IBridgePy 的作者，IBridgePy 是一个著名的 Python 交易平台，允许交易者快速实施他们的交易策略。

刘辉博士在中国清华大学获得材料科学与工程学士和硕士学位，在美国弗吉尼亚大学获得博士学位。他在美国印第安纳大学获得工商管理硕士学位，在印第安纳大学的研究兴趣是定量分析。

会话详情

本课程非常适合使用 Python 进行自动交易的初学者和专业人士。演讲者将首先简要概述流行的和现有的基于网络的算法交易平台。

会议的重点将是 IBridgePy 的适用性，这是一个开源软件，用于连接到交互式经纪人 C++ API，以便在实际市场中执行 python 代码。

这个流行软件的作者惠博士将展示如何使用这个免费平台来交易您的策略，并讨论 IBridgePy 的三个基石:获取实时报价、获取历史数据和下单。

谁应该参加？

自动化交易爱好者
对金融市场感兴趣的 Python 程序员
交互式经纪人用户
寻求自动化执行解决方案的人
那些对使用 Python 进行交易感到好奇的人

关于 IBridgePy 的更多信息

IBridgePy 是一个著名的 Python 交易平台，可以让交易者快速实施自己的交易策略。在 Python 社区中，它被广泛接受为下一代 Python 交易平台。IBridgePy 的主要特性包括:

它可以交易交互式经纪人提供的任何证券，例如期货、期权、外汇等。
它可以同时管理多个帐户。
它可以同时执行多种交易策略。

零售算法交易:介绍和零售交易完全指南

原文：https://blog.quantinsti.com/algorithmic-trading-retail-traders/

由查尼卡·塔卡 & 苏姗娜·拉帕尔基

作为一个散户交易者，要深入了解算法交易，这本全面的指南一定能很好地服务于你的目的。你将能够找到算法交易的基本概念和高级概念。

接下来，本文将介绍:

什么是算法交易？
[散户为什么要做算法交易？](#why-should retail-traders-do-algorithmic-trading)
散户如何开始算法交易？
零售算法交易规则
设置零售算法交易台的要求
零售算法交易的经纪人
学习零售算法交易的课程

什么是算法交易？

简而言之，算法交易意味着使用算法形式的一组定义好的指令来产生交易信号和下单。

每个算法可以被假设为可以访问工具的实时和历史价格，在基于价格执行计算之后，可以买卖这些工具。该算法甚至可以将订单分成小块，在不同的时间执行，以获得尽可能好的价格。

据经济时报报道，报告显示，全球算法交易市场规模预计将从 2019 年的 111 亿美元增长到 2024 年的 188 亿美元，复合年增长率(CAGR)为 11.1%。

还有人提到，算法交易为市场开创了一个新时代，其好处尚未完全实现。适应这种新的交易手段，才能保证更好的效果。Algo 交易现在是在未来金融市场生存的“先决条件”,因为交易的未来在于自动化。

与人工交易相比，算法交易有几个优势。快速的交易执行，准确性，交易时抛弃“情绪”的能力，以及 100%遵守已决定的算法交易策略是一些优势。

那么，散户应该进入算法交易吗？

绝对的！让我们来看看算法交易对散户来说是什么情况。

散户为什么要做算法交易？

长期以来，散户交易者一直没有算法交易。但是，现在，散户交易者对算法交易表现出兴趣，因为像 TD Ameritrade T1 这样的公司或经纪人正在支持散户算法交易者。

最重要的是，散户交易者必须明白，要进入算法交易世界，他们需要对投资和算法交易有很好的了解。

虽然，不参与算法交易可能会导致对散户的冲击，因为，在市场上，算法交易员可能会比人工交易员占上风。

算法交易也给金融市场的散户交易者带来了一些好处。众所周知:

提高执行速度
训练你的交易决策
扩大你的市场覆盖面
帮助交易系统化
帮助消除持续的市场监控
做实时定量分析

提高执行速度

主要原因是，如果你的交易策略对你有利可图，你需要提高执行速度，让有利可图的交易快速发生。

在交易中，只有当你的盈利弥补了你的亏损，你才能盈利。这也足以说明你的努力和成本。算法交易也是一种方法。

训练你的交易决策

另一个原因是，传统的散户交易者一直根据市场的“感觉”凭直觉交易。这没什么不好，尤其是如果你是一个经验丰富的玩家，有很多市场洞察力可以派上用场。

然而，直觉往往被证明是错误的，大多是在涉及贪婪和恐惧的时候。当市场下跌时，许多业余交易者会迅速卖出，因为他们害怕进一步崩盘。算法交易遵循预先决定的进出规则，防止这种情绪交易，从而避免可避免的损失。

扩大你的市场覆盖面

量化交易越来越受欢迎的一个主要原因是它允许交易者建立量化策略。此外，它使用建模技术来管理风险。

这进一步使他们能够交易期权和衍生品等工具，否则这些工具对散户投资者来说波动太大。

帮助交易系统化

利用算法交易满足预设条件，如时间、价格、数量和一些其他市场条件，已知使交易系统化。系统交易对股票价格做出更准确的预测，从而使交易更有利。

帮助消除持续的市场监控

算法可以根据市场走势进行监控、决策和执行交易。因此，不需要在交易时间持续手动监控市场。

做实时定量分析

算法可以在过去的数据上运行，以帮助交易者分析策略在利润和损失方面的表现，以及一些流行的表现统计数据，如夏普比率，阿尔法，贝塔等。

回测和量化策略的风险回报的能力有助于交易者在真实市场中运行策略之前，在模拟环境中从自己的错误中学习。

在我们继续之前，不要忘记阅读为什么你应该学习算法交易。

散户如何开始算法交易？

对于开始算法交易，你必须对某些事情有详细的了解。为此，您必须在以下方面投入时间和精力:

知识
战略
工作流程

知识

在你迈出这个特定领域的第一步之前，获取这个世界上任何事物的知识都是必须的。一旦你知道了算法交易的要点，你将能够采取最好的下一步。要获得您需要的知识:

培训，你可以作为实习生或实习生加入一个组织，以便熟悉工作流程和道德规范。
你可以选择在线课程。Quantra 为所有级别(初级、中级和专家)提供许多这样的课程。
书籍起着重要的作用，因为它们是你开始算法交易的最佳指南。

从算法交易开始，你必须了解:

交易工具的类型(股票、期权、货币等。),
策略类型(趋势跟踪、均值反转等。),
套利机会，
期权定价模型，以及
风险管理

战略

算法交易策略是进行最有利可图的算法交易的几种方法。最受欢迎的策略是:

工作流程

这张图片展示了算法交易的各个阶段或工作流程。你要联系的经纪人可以指导你这些步骤。每个经纪人都有不同的步骤，因此，您可能会发现略有不同，但目标是相同的。

建议阅读:

零售算法交易规则

从交易所的角度来看，如果经纪人为其客户提供一种算法，创建用于自动化交易的 API，那么它就被称为算法交易。这些算法需要批准，通常由提供它们的经纪人管理。

印度的算法交易法规

最近印度很多经纪人或者第三方提供一个 API。该 API 与基于网络的经纪人交易平台交互，例如用于交互经纪人的TWS和用于 Zerodha 的风筝。这些网络平台得到了交易所的批准，并针对基于互联网的交易制定了所有风险规则。

据 2017 年 11 月 29 日经济时报报道，2016 年 8 月，Sebi 是首批发布讨论文件，提议加强 algo 交易规则的监管机构之一。它提出了一套 7 项建议，旨在为机构投资者和散户投资者创造一个公平的竞争环境。

但由于不清楚这些规定对市场的影响，监管机构没有最终敲定这些规定。此外，监管方面正在加快步伐，在印度，监管者正在根据 Finapolis 建立一个制定指导方针的框架。

美国的算法交易法规

据 mondaq 报道，2016 年，SEC 批准了金融行业监管局(FINRA)提出的一项规定，要求算法交易开发者注册成为证券交易员。

2016 年，商品期货交易委员会(CFTC)提出了一项对 AT 法规的补充，该法规要求，除其他外，交易算法背后的专有源代码应向 CFTC 和司法部(DoJ)提供。

算法交易受到了各种监管机构的关注，这表明在不久的将来，新的监管规定是切实可行的。很难预测这种监管将采取的确切形式，但研究其他司法管辖区采用的提案和监管可以为我们提供有用的见解。

欧洲算法交易法规

在欧洲，欧洲证券和市场管理局(ESMA) 是一个独立的欧盟机构，通过加强对投资者的保护和促进稳定有序的金融市场来维护欧盟金融体系的稳定。

散户投资者接受监管的步骤很简单。您只需:

在经纪人处开立交易账户
注册一个开发者账户(这对于一些经纪人来说是可选的)
开始使用经纪人的 API 来建立一个自动交易系统

一旦你选择了一个代理的 API，你会发现这些步骤是可以遵循的。一旦你开始使用经纪人的 API，你将受到经纪人的监管措施的保护。

让我们向前看，找出建立交易台所需的东西。

设置零售算法交易台的要求

我们会用一些提示来涵盖“要求”部分，这些提示会帮助你理解算法交易中非常重要的东西。没有这些技能和设施，你的算法交易可能仍然不完整。

我们将分点讨论这些参数，然后详细讨论，以帮助您利用资源来涵盖以下每个要点。

开始零售算法交易的要求如下:

零售算法交易的交易策略
零售算法交易的风险管理
零售算法交易的编程技巧(可选)
零售算法交易的交易软件(可选)
零售算法交易的数据
零售算法交易的资本要求

现在，让我们详细考虑一下这些参数。

零售算法交易的交易策略

这是算法交易最重要的部分。确保您的战略具备以下要素:

明确定义的交易进场、出场、止损和获利的规则
投资组合管理意味着决定交易哪些资产的策略
风险管理是战略中最重要的方面，因为有人曾经说过“赚钱有两种方式，一是不要失去它&，二是不要失去它”。
应对意外事件的准备——有时你的算法不知道如何应对市场条件，这种情况很少见，但它们可能会毁掉你的整个投资组合，所以确保你知道如何将这一点纳入你的算法。

除了这个标准清单，为了成为一个成功的算法交易者，你还需要确定很多小事情。这些东西有些和编程、交换、计时等等有关。直到你真正开始交易，你才会注意到它们。

爬上这个陡峭的学习阶梯最简单、最快的方法就是注册在线课程。

零售算法交易的编程技巧(可选)

你不必成为一个编程专家来编写你的算法交易策略，但是，基本的理解和预先的接触是必须的。有许多语言可以用来编码你的交易策略。

R & Python 在 algo 交易者中最受欢迎，因为它们有庞大的库，并支持各种交易软件。虽然，你接触的经纪人可能有这样的功能来提供交易的便利，因为他们可能不需要你编写太多的程序或代码。

许多人已经克服了对编程的恐惧，并在今天的领域中相当成功。

零售算法交易的交易软件(可选)

对于好的算法交易，需要有交易软件，但这不是强制性的，因为你的经纪人可能会给你提供一个。

作为一个散户，你可以购买现成的交易软件，以防你想在执行交易策略之前用它来完成一些任务，比如回溯测试。

以下是可供您选择的交易软件:

这些平台提供的功能包括实时扫描、技术指标数量、专家顾问、回溯测试、公司基本面、新闻服务、自动下单、预测、二级数据等。

重要的是，交易者应该根据自己的交易风格、特点和价格来选择平台。

零售算法交易的风险管理

当谈到算法交易时，风险的数量就会爆炸，因为涉及的东西太多了。以下是按类别划分的一些风险:

接近
一致性
质量
算法
技术
可量测性

你必须确保所有这些风险都由你选择的经纪人积极管理。现在，我不会详细讨论每一个，因为我们已经详细介绍了这些风险和减轻风险的方法这里。

零售算法交易的数据

你将需要历史数据来测试你的策略。你可以在谷歌或雅虎财经上免费获得几乎所有交易资产的历史数据。

请注意，这些数据可以在更大的时间尺度(日、月、年等)上获得。).虽然这对低频交易策略来说没问题。

但是对于 HFT 或高频交易策略，你需要更小时间尺度(微秒、毫秒等)的数据。)，这些数据可以从全球数据馈送、托马斯路透等网站获取。然而，这些数据是额外收费的，所以你必须根据历史数据的来源付费。

二、直播数据对于直播交易，你可以直接从交易所获取，也可以从券商处获取。对于 HFT 算法交易，建议尽早从交易所获得分笔成交点数据，对于低频交易，你应该可以接受经纪人提供的数据，平均延迟约一秒钟。

零售算法交易的资本要求

作为零售商，你需要资金来建立交易平台。某些东西，如计算机硬件、交易软件、从网站收集的数据等。肯定会计入你的开支。

展望未来，让我们来发现算法交易的经纪人的广阔世界。

零售算法交易经纪人

在选择算法交易经纪人时，你可以考虑最可靠的经纪人。我们为你准备了一份相同背景的清单。

首先，我们覆盖了印度算法交易的经纪人，然后我们也为你提供了来自美国、英国、欧盟、新加坡和加拿大的零售算法交易的经纪人名单。

印度的算法交易经纪人

美国的算法交易经纪人

英国的算法交易经纪人

欧盟的算法交易经纪人

加拿大的算法交易经纪人

希望上面的列表能帮助你找到最适合你开始算法交易的算法交易经纪人。

接下来，让我们讨论一下量化交易课程，它将帮助你获得关于成功交易的知识。

学习算法交易的课程

这是真的，在你开始自己的 algo 交易台之前需要做很多工作，但仅仅因为它的优点和执行过程中的安心，这是值得的。

此 algo 交易课程是一个全面的认证课程，由领先的行业专家以在线教室的形式教授，并配有专门的支持经理，以加快查询解决。

另一方面， Quantra 的在线自定进度互动课程提供算法交易各个方面的培训。

为了学习如何使用互动经纪人平台来自动化和执行你的交易，你可以去 Ibridgepy 课程。另外，你可以在人人算法交易课程中学习算法交易策略。

结论

本文涵盖了零售算法交易的重要方面，并讨论了算法交易的内容、原因和方式。如果你想建立算法交易的技能，在这个领域的全面知识是必须的。

如果你想从事算法交易，那么我们在 EPAT 开设的综合算法交易课程正是你想要的，该课程由行业专家、交易从业者和中坚分子教授，如欧内斯特·陈博士、尤安·辛克莱博士等。立即注册！

*更新:我们注意到一些用户在从雅虎和谷歌金融平台下载市场数据时面临挑战。如果您正在寻找市场数据的替代来源，您可以使用 Quandl。

免责声明:本文中提供的所有数据和信息仅供参考。QuantInsti 对本文中任何信息的准确性、完整性、现时性、适用性或有效性不做任何陈述，也不对这些信息中的任何错误、遗漏或延迟或因其显示或使用而导致的任何损失、伤害或损害负责。所有信息均按原样提供。*

QuantInsti 被邀请在 IIT·KGP 进行一次会议

原文：https://blog.quantinsti.com/algorithmic-trading-session-iit-kgp/

Gaurav Raizada 先生于 2013 年 1 月 28 日在 IIT KGP 发表了关于算法交易的演讲。

会议首先简要介绍了算法交易，包括过去 3-4 年算法交易在印度的指数增长。演讲者还讨论了几个基本交易策略，通过复杂订单类型的逐步开发引导讨论简单算法交易策略的开发。

该演讲集中在市场数据事件的异步本质和交易中的订单簿的概念。总的来说，它提供了算法交易的数学和编程方面的见解。

算法交易策略:高级算法交易策略基础

原文：https://blog.quantinsti.com/algorithmic-trading-strategies/

由查尼卡·塔卡、维拉伊·巴加、&、【阿普尔瓦·辛格】组成

算法交易策略是用计算机语言(如 Python)编写的简单策略，用于执行交易指令。交易员对这些策略进行编码，以利用计算机的处理能力，以更有效的方式进行交易，而不需要或最少需要干预。

让我们通过这篇博客了解更多关于算法交易策略的信息，内容包括:

什么是算法交易策略？
算法交易策略的分类、范式&建模思想
建立和实施算法交易策略
构建算法交易策略的步骤
【algo 交易策略用在哪里？
如何学习 algo 交易策略？
关于算法交易策略的常见问题

什么是算法交易策略？

“算法交易”是一个听起来很复杂的术语，但是如果你有学习的决心和毅力，它是很容易实现的。

基本上，算法是一组指令或规则，用于使计算机代表程序员(创建算法的人)迈出一步。在交易领域中，程序员是至少了解一种计算机编程语言(如 C、C++、Java、Python 等)的交易者。).

这种编程语言的知识是必需的，因为交易者需要用计算机能理解的语言编写指令。

简而言之，在交易中,(交易者)将一组指令或规则交给计算机，以便在最少人工干预的情况下，通过证券交易所自动执行交易指令。这叫做算法交易。

谈到“算法交易策略”，交易策略是由具有金融市场知识的交易者设计的

进入市场(在价格有利时买入)
退出市场(当价格开始低于预期时卖出)

这些策略被编码为一套程序化的指令，为交易者创造有利的回报。给计算机的指令集是用编程语言(如 C、C++、Java、Python)给出的。随后，计算机可以产生信号，并采取相应的交易立场。

算法交易策略、范例和建模思想的分类

今天使用的所有算法交易策略可以大致分为以下几类:

基于动量的策略或趋势跟踪算法交易策略
套利算法交易策略
做市算法交易策略
交易中的机器学习
期权交易和期权交易策略

我们将在下面阐明与每个算法交易策略相关的策略范例和建模思想。

基于动量的策略或趋势跟踪算法交易策略

假设市场有一个特定的趋势。作为算法交易者，你正在跟随这个趋势。

根据我们的假设，市场将在本周内下跌。现在，你可以用统计学来判断这种趋势是否会继续。或者未来几周是否会有所改变。因此，你将采取下一步行动。

你的算法交易策略是基于你用统计数据确定的市场趋势。

这种跟随趋势的方法叫做基于动量的策略。

实现这种算法交易策略的方法有很多，在我们之前的一篇名为“自动化交易量化新闻的方法”的文章中已经详细讨论过。

基于动量策略的策略范式

动量策略通过利用市场波动，寻求从现有趋势的持续中获利。

"简单地说，高买高卖，反之亦然."

我们如何实现这一点？

短期头寸:在这种特殊的算法交易策略中，我们将在上涨或下跌的股票中建立短期头寸，直到它们出现反转迹象。这与几乎所有其他众所周知的策略背道而驰。
价值投资:价值投资一般是基于长期均值回归，而动量投资是基于均值回归发生前的时间差。
势头:势头是追逐业绩，但系统地利用其他业绩追逐者的情绪决定。

解释:

对于历史上证明有效的任何策略，通常有两种解释，

要么这个策略补偿了额外的风险，要么
溢价的存在是有行为因素的。

为什么动量会起作用？

投资者表现出的行为偏差和情感错误有一长串，这是由动量效应造成的。

然而，这说起来容易做起来难，因为趋势不会永远持续，当它们达到顶峰并结束时，会迅速逆转。

动量交易比大多数其他策略具有更高的波动性，并试图利用市场波动。

通过使用适当的风险管理技术和止损，正确选择买卖时机以避免损失是很重要的。动量投资需要适当的监控和适当的多样化，以防范这种严重的崩溃。

基于动量策略的建模思想

首先，你应该知道如何检测价格趋势。因为你已经开始交易了，你知道趋势可以通过跟踪连续上涨几天、几周甚至几个月的股票和 ETF 来发现。

例如，找出在 52 周高点 10%以内交易的股票，或者查看过去 12 或 24 周的价格变化百分比。类似地，发现短期趋势，包括短期价格变化。

例如，早在 2008 年，石油和能源部门一直被列为顶级部门之一，尽管它正在崩溃。

动量交易策略的类型

我们也可以通过收益来了解股票价格的变动。基于过去回报(价格动量策略)或收益惊喜(被称为收益动量策略)的策略利用了市场对不同信息的反应不足。

收益动力策略:收益动力策略可以从与短期收益相关的信息的反应不足中获利。
价格动量策略:价格动量策略可以从市场对更广泛的信息(包括长期盈利能力)的缓慢反应中获利。

看看下面有用的阅读材料:

利用二次判别分析优化日内动量策略

套利算法交易策略

我们用一个例子来理解套利。如果我们假设一家制药公司将被另一家公司收购，那么这家公司的股价可能会上涨。

这是由企业收购事件引发的。如果你计划基于企业活动期间(之前或之后)可能发生的定价低效进行投资，那么你使用的是事件驱动策略。

破产、收购、合并、分拆等。可能是驱动这种投资策略的事件。这些套利交易策略可以是市场中性的，被对冲基金和自营交易者广泛使用。

统计套利

当一个套利机会因为错误报价而出现时，它对算法交易策略非常有利。虽然，这种机会存在的时间很短，因为市场上的价格会很快调整。这就是为什么这是算法交易策略的最佳用途，因为自动化机器可以立即跟踪这种变化。

例如，假设苹果的股票价格每下跌 1 美元，微软的股票价格也会下跌 0.5 美元。现在，鉴于微软还没有倒下，你可以继续出售微软来获利。

统计套利的策略范式

如果做市是利用买卖价差的策略，统计套利寻求从基于这些资产预期价值的一个或多个资产的统计错误定价中获利。

解释统计套利的一种更具学术性的方法是，在非常短的持有期内，将风险分布在一千到几百万笔交易之间，期望从大数定律中获利。统计套利算法基于均值回复假设，大部分是成对的。您可以注册我们的统计套利交易课程。

统计套利的建模思路

配对交易是统称为统计套利策略的几种策略之一。在配对交易策略中，表现出历史价格联动的股票使用基本面或基于市场的相似性进行配对。

该策略建立在这样一个概念上，即市场中的相对价格处于均衡状态，偏离这种均衡状态的情况最终会得到纠正。

当一只股票的表现优于另一只时，卖空表现好的股票，买入另一只股票，预期短期分流将在收敛中结束。这通常可以对冲不利市场波动带来的市场风险，即使策略β保持中性。

然而，头寸的总市场风险取决于投资于每只股票的资本量以及股票对此类风险的敏感度。

下面，我提到了一个有用的读物，你可能会喜欢:

卡尔曼滤波技术与中国期货市场的统计套利

做市算法交易策略

要理解做市，我先说一下做市商。

根据维基百科:

做市商或流动性提供者是一家公司或个人，他们对金融工具或库存商品的买入和卖出价格都进行报价，希望从买卖差价中获利。

做市商为不经常在证券交易所交易的证券提供流动性。做市商可以增强证券的供求平衡。

让我们看一个例子:

假设你有一个做市商马丁，他从市场上以 500 印度卢比买入一项资产，并以 505 印度卢比卖出。他会给你一个 505-500 印度卢比的买卖报价。利润是 5 印度卢比，但在一天中，他沉溺于大量的股票，以获得相当大的一部分，并抵消价格波动对他不利的风险。同样，当马丁承担更高的风险时，盈利概率也更高。

我发现迈克尔·刘易斯的书《印度牛市中的闪光男孩》非常有趣，它非常详细地谈到了流动性、做市和 HFT。你看完这篇文章后可以去看看。

因为在进入或升级到算法交易时，你需要分析和量化，所以必须学会编程(如果不是全部的话，也要学会一些),建立万无一失的系统，执行正确的算法交易策略。

阅读这篇关于自动交易系统的文章:架构、协议、延迟类型将对你非常有益。

做市策略范式

正如我前面提到的，做市的主要目的是为不在证券交易所交易的证券注入流动性。

为了衡量流动性，我们考虑了买卖价差和交易量。

一些交易算法倾向于从买卖差价中获利。

例如，在本节中，我们将再次提到我们的伙伴 Martin。作为做市商的马丁是一个流动性提供者，他可以在金融工具的买方和卖方报价，希望从买卖价差中获利。

马丁将接受持有他报价的证券的风险，一旦收到订单，他通常会立即出售自己的存货。他可能会在几秒钟内寻求一个抵消报价，反之亦然。

当涉及非流动性证券时，利差通常更高，利润也更高。

例如，在这种情况下，马丁将冒更大的风险。由于缺乏流动性，市场中的几个部分缺乏投资者的兴趣，因为他们无法在任何给定的时间点从几只小盘股和中盘股中退出。

像马丁这样的做市商是有帮助的，因为他们总是准备按照他们所报的价格进行买卖。事实上，大部分高频交易(HFT)都是被动做市。这些策略存在于市场的两边(通常是同时),它们相互竞争，为那些需要流动性的人提供流动性。

那么，这种做市策略什么时候最赚钱呢？

只要模型能准确预测未来的价格变化，这种策略就是有利可图的。

做市的建模思路

买卖价差和交易量可以一起建模，以获得流动性成本曲线，即流动性接受者支付的费用。

如果流动性接受者仅在最佳买价和卖价下执行订单，费用将等于买卖差价乘以交易量。当交易者超过最好的出价，并要求接受更多的交易量时，费用也变成了交易量的函数。

交易量很难建模，因为它取决于流动性接受者的执行策略。目标应该是找到一个与价格动态一致的交易量模型。

做市模型通常基于以下两者之一:

第一个做市模型

第一个重点是库存风险。该模型基于首选库存位置和基于风险偏好的价格。

第二种做市模式

第二种是基于逆向选择，区分知情交易和噪音交易。噪音交易对市场没有任何看法，而知情交易却有。当流动性接受者的观点是短期的，它的目的是利用统计优势获得短期利润。

从长远来看，目标是使交易成本最小化。长期战略和流动性约束可以被建模为短期执行战略周围的噪声。

因为前进和抓住机会是我们在这个领域必须做的事情，我们必须适应机器学习等不断发展的科学。

交易中的机器学习

在基于机器学习的交易中，应用之一是在某个置信区间预测非常短期的价格运动范围。使用人工智能(AI)的优势在于，人类开发初始软件，人工智能本身开发模型并随着时间的推移进行改进。

大量基金依赖于由数据科学家和定量分析师建立的计算机模型，但它们通常是静态的，即它们不会随着市场而变化。另一方面，基于机器学习的模型可以高速分析大量数据，并通过这样的分析来改进自己。

交易中机器学习的建模思想

一种叫做“贝叶斯网络的机器学习形式可以用来预测市场趋势，同时利用几台机器。

包括“进化计算”(受遗传学启发)和深度学习等技术的人工智能可能会在数百甚至数千台机器上运行。

AI 在交易中能做什么？

它可以创建大量随机的数字股票交易者，并根据历史数据测试他们的表现。
然后，它挑选最好的交易者，用他们的风格/模式创造新的进化交易者。
这个过程重复多次，一个可以完全独立运作的数字交易者就诞生了。

这些是一些重要的战略范例和建模思想。接下来，我们将按部就班地构建一个算法交易策略。

你可以在 EPAT 通过 QuantInsti 学习这些范例的细节，QuantInsti 是世界上第一个经过验证的算法交易课程。

一些重要的阅读:

期权交易和期权交易策略

期权交易是一种交易策略。这是一个完美的交易风格，期望以有限的投资获得更高的回报。

人们可以创建自己的期权交易策略，进行回溯测试，并在市场上实践。您可以注册学习我们关于 Python 中基本期权交易策略的免费课程。

以下是一些不同类型的期权交易策略:

建立和实施算法交易策略

从算法交易策略到算法交易策略的分类、范例和建模思想以及期权交易策略(你可以注册我们的高级期权交易策略课程)，现在我们来到本文的这一部分，你将学习如何建立一个基本的算法交易策略。

我想这一定是你想到的第一个问题。

重点是，在阅读本文时，你已经开始了解算法交易策略的基础知识和算法交易策略的范例。现在，我们的车队已经启动了引擎，是时候踩下油门了。

一个人如何建立一个算法交易策略？

我们将一步一步地解释算法交易策略是如何建立的。

构建算法交易策略的步骤

简明的描述会让你对整个过程有个概念。

第一步——决定战略范式
第二步-建立统计显著性
第三步——建立交易模型
第四步——引经据典或打击策略
第五步——回测和优化
第六步-风险与绩效评估

第一步-决定类型或策略范例

第一步是决定战略范式。它可以是基于做市、套利、阿尔法生成、对冲或执行的策略。

在这种特殊情况下，我们将选择配对交易，这是一种统计套利策略，是市场中性的(Beta 中性)并产生 alpha，即不管市场运动如何都赚钱。

步骤 2 -建立统计显著性

您可以根据市场观点或通过视觉相关性(在配对交易策略的情况下)来决定您想要交易的实际证券。确定该策略对所选证券是否具有统计意义。

例如，在配对交易的情况下，检查所选配对的协整。

步骤 3 -建立交易模型

现在，根据你想在策略中产生的买入/卖出信号，编写逻辑代码。对于配对交易，检查“均值回归”；计算该对价差的 z 分数，并在您预期它将恢复到均值时生成买入/卖出信号。在 Quantra 课程中详细学习均值回归策略。

决定“止损”和“止盈”的条件。

止损——止损单限制投资者在证券头寸上的损失。它发出平仓现有多头或空头头寸的指令，以避免进一步的损失，并有助于消除交易决策中的情绪。
兑现利润——兑现利润订单用于自动结清现有头寸，以便在有利的方向移动时锁定利润。

第 4 步-引用或点击策略

决定策略将是“引用”还是“命中”是非常重要的。执行策略，在很大程度上，决定了你的策略会有多激进或被动。

报价——在配对交易中，你为一种证券报价，然后根据该头寸是否被填补，你发出另一种证券的订单。在这种情况下，得到一个填充的可能性较小，但你保存了一方面的买卖。
点击——在这种情况下，你同时发出两种证券的市场指令。得到一个填充的概率更高，但同时滑点更多，你在双方都支付买卖。

根据滑动和定时执行，在填充概率和优化执行之间的选择是——如果我必须这样说的话，这是什么。如果你选择报价，那么你需要决定什么是报价，这就是配对交易的工作方式。

如果你决定对流动性较低的证券报价，滑点会减少，但交易量会下降。另一方面，流动性证券增加了滑点的风险，但交易量会很高。

使用统计学来检查因果关系是达成决策的另一种方式，即安全引起另一个安全的变化，以及哪一个导致的变化。因果检验将确定“超前-滞后对”；对领先的证券进行报价，对落后的证券进行补仓。

第 5 步-回测&优化

你如何决定你选择的策略是好是坏？你如何判断你的假设？

这就是对策略进行回溯测试的地方，它是基于历史数据对设计假设的性能进行评估的必要工具。

如果回溯测试结果和性能统计支持假设，则可以认为策略是好的。因此，选择具有足够数量数据点的历史数据是很重要的。

这是为了创建足够数量的样本交易(至少 100+交易),涵盖各种市场情景(看涨、看跌等)。).确保你也为佣金和滑点成本做好准备。这将使你得到更真实的结果，但是在回溯测试时，你可能仍然需要做一些近似。

例如，在对报价策略进行回溯测试时，很难判断什么时候你得到了一个填充。因此，通常的做法是假设头寸是用最后的交易价格来填充的。

回溯测试时，你应该使用什么样的工具？

算法交易策略的回溯测试涉及到大量的数据，尤其是如果你打算使用逐笔交易的数据。所以，你应该选择能够处理如此大量数据的工具。Blueshift 是一个免费平台，允许你使用 10 年以上的数据进行回溯测试、投资研究和算法交易。

应该用- R 还是 MATLAB？

r 非常适合处理大量的数据，并且具有很高的计算能力。因此，使它成为回溯测试的较好工具之一。还有，R 是开源的，免费的。我们也可以使用 MATLAB，但是它需要许可费用。

步骤 6 -风险和绩效评估

“权力越大，责任越大”

好吧，我只是剽窃了本·帕克在蜘蛛侠电影中的名言(不是那部令人惊奇的)。但是相信我，这是 100%真实的。不管你对自己的策略看起来有多自信，也不管它之前会有多成功，你都必须仔细评估每一件事。

在分析策略的绩效和风险时，您需要监控几个参数。下面提到了一些重要的指标/比率:

总回报(CAGR)–复合年增长率(CAGR)是一项投资在超过一年的特定时期内的平均年增长率。
点击率–订单与交易的比率。
每笔交易的平均利润——总利润除以交易总数
每笔交易的平均损失——总损失除以交易总数
最大亏损——任何交易中的最大损失
回报的波动性——“回报”的标准差
夏普比率——风险调整回报，即每单位波动率或总风险的超额回报(超过无风险率)。

algo 交易策略用在哪里？

Algo 交易策略可以被任何有金融市场经验并掌握编码技巧的交易者使用。这样的交易者被称为算法交易者。

算法交易者可以对算法交易计算机进行编码，以对交易订单采取不同的行动，例如:

执行复杂的数学计算来预测金融资产的价格
预测市场走势
生成交易信号
风险管理等。

算法交易策略被对冲基金、投资银行、养老基金、自营交易员和经纪自营商用于做市，因此创造了算法交易的世界。

如何学习 algo 交易策略？

从算法交易上的在线课程数量来看，有几个在展示，但找到适合你个人需求的课程是最重要的。现在，向一群市场专家学习显然对你最有利。要做到这一点，你的目标和课程设置(获取该领域的知识)应该完全同步，以免在不必要的信息上浪费哪怕一丁点时间。

此外，还有一个精心设计的平台来锻炼你的知识，以便在现场市场中适当地使用这些知识。

课程

谈到算法交易课程，Quantinsti 提供了世界上第一个经过验证的算法交易课程 EPAT(算法交易的执行程序)以及一系列通过 Quantra 自定进度的算法交易课程。

算法学习课程为你提供了一系列可供选择的目标。每个目标都为你提供了一套有组织的信息丰富的课程，这些课程应该能满足你的目的。QuantInsti 在网页上的学习路线为您提供了从基础知识到高级知识的降序课程。

在这里，你可以看到 Quantra 网页上算法交易的课程列表。

EPAT 给了你一个关于算法交易的更详尽的见解，以防你是一个初学者，并希望更深入地理解每一个术语。

书

有几本关于算法交易的书，它们对于理解诸如“交易/交换如何在市场中发生”的细节很重要，你也可以进一步研究市场参与者、交易方法、流动性、价格发现、交易成本等。

阅读博客关于算法交易的基本书籍，获得下面提到的每个相关阅读的详细概要:

拉里·哈里斯 ⁽ ⁾ 的《交易与交换:从业者的市场微观结构》。
莫琳·奥哈拉的市场微观结构理论 ⁽ ⁾ 。
欧内斯特·陈 ⁽ ⁾ 博士的《算法交易:赢的策略及其基本原理》。
算法交易和 DMA:直接交易策略介绍，巴里·约翰逊 ⁽⁴⁾ 。
肖姆的统计学和计量经济学大纲。
金融时间序列分析由瑞蔡 ⁽⁶⁾ 。
金融市场的技术分析:交易方法和应用的综合指南，作者约翰·j·墨菲 ⁽⁷⁾ 。
约翰·c·赫尔 ⁽⁸⁾ 的期权、期货和其他衍生品。
动态对冲:管理香草和异国情调的期权由纳西姆尼古拉斯塔勒布 ⁽⁹⁾ 。

上面提到的课程和书籍一定会提高你在算法交易领域不同领域的知识和专业技能。

关于算法交易策略的常见问题

这里有一些关于算法交易策略最常被问到的问题，这些问题是我们在算法交易的向我提问环节中遇到的。

问题:我不是工科毕业生，也不是软件工程师或程序员。我对写编程语言一窍不通。那我该如何制定这样的交易策略呢？我已经退休了。采取一定的方法论或者遵循，会对我的交易有帮助吗？有什么标准的策略可以让我用它来交易吗？

回答:我将把它分成两部分，一部分是，如果你没有编程经验，但你对统计学有一些了解，或者你对交易策略有一些了解，那么最好的开始就是开始学习。你可以开始与 QuantInsti 的代表联系，他们可以分享许多有助于你开始的材料，这些材料也可以在我们自己的门户上找到。

我们还与 NSE 一起推出了一门新课程，这是一门使用 Python 的期权基础联合免费认证课程，由我们的自定进度学习门户 Quantra 提供。

所以有很多这样的东西可以帮助你开始，然后你可以看看你是否感兴趣。好的一面是你提到你退休了，这意味着你有更多的时间可以利用，但确保它确实对你有吸引力也很重要。我一般不推荐任何标准策略。

没有让你赚大钱的标准策略。即使是最复杂的标准策略，你也需要做一些修改，以确保从中获利。如果它是标准的，那么它是标准的，这意味着它不会产生任何回报。好主意是创造你自己的策略，这很重要。

问:我们可以用 Python 开发 MACD 发散吗？

回复:可以，可以。几乎所有基于指标的技术策略都可以。

问题:你见过的算法交易的胜率最好的数字有哪些？

回答:关于算法交易，特别是高频交易的有趣之处在于，它不是关于你能产生的百分比回报。

我曾经见过在一个月内获得 50，000%回报的策略，但问题是，所有这些策略，其中许多都不可扩展。这种特殊的策略过去只在一个批次上运行，鉴于你的利润如此之少，即使你赚了相当多的钱，也是不可扩展的。

如果我们更多地从它赚钱的数量与现有的大量基础设施的角度来看，那么考虑到它只在一个平台上运行，我不可能赚很多利润。

因此，如果是 HFT，或者是中低频交易策略，夏普比率通常为 1.8 到 2.2，这是一个不错的比率，那么看胜率就不是正确的方式。所以我们不能谈论回报是什么，回报可以是没有定义风险的，特别是如果这是一个没有太大意义的定向策略，这就是我给你夏普的数字的原因，如果你扩大规模的话。

除了这些问题之外，我们已经在这篇文章中讨论了更多关于算法交易策略的问题。

看看你对算法交易策略的疑问是否存在，或者随时联系我们，我们很乐意帮助你。

额外内容

这里有一些重要的读物，可以帮助你学习算法交易策略，并对你的学习有所指导。

结论

算法交易策略是由在金融市场经验丰富的交易者设计的，他们也具有用计算机语言如 Python、C、C++、Java 等进行编码的知识。

算法交易策略的整个过程并没有到此结束。我在这篇文章中提供的只是一座无尽的珠穆朗玛峰的脚下。为了克服这一点，你必须具备正确的知识，并得到正确的指导。

如果你想深入研究算法交易，报名参加我们的算法交易管理课程或 EPAT。 algo 交易课程，帮助你实现学习目标，即成为一名专业的算法交易员。EPAT 是一门综合性课程，涵盖了风险管理、投资组合优化、期权交易、市场微观结构等广泛的主题。

免责声明:股票市场的所有投资和交易都涉及风险。在金融市场进行交易的任何决定，包括股票或期权或其他金融工具的交易，都是个人决定，只能在彻底研究后做出，包括个人风险和财务评估以及在您认为必要的范围内寻求专业帮助。本文提到的交易策略或相关信息仅供参考。T3】

算法交易十大博客| 2022

原文：https://blog.quantinsti.com/algorithmic-trading-top-blogs/

算法交易是一种利用算法实现交易活动的方法。算法帮助开发模型，并训练它们分析时间、价格和交易量等参数。算法交易通过结合速度和计算资源来提高效率。

我们向你展示由我们的领域专家撰写的顶级算法交易博客。这些博客迎合了从基础到中级和高级的各种水平。博客还包括指南、教程等。帮助你学习更多的算法交易。

算法交易:什么是算法交易，如何开始，策略，更多

这个博客是一个完整的初学者指南，解释了算法交易的基本术语。技术和领域算法的进步将交易活动带到了一个新的高度。文章讨论了:

算法交易是什么，为什么？
从人工交易到算法交易的转变
算法交易是什么时候开始的？
算法交易策略
算法交易工资
印度有什么规章制度？
如何学习算法交易
算法交易的工作流程
如何建立自己的算法交易业务？

免费资源学习算法交易

这个博客涵盖了一个全面的、强大的资源汇编列表，你可以免费访问。书籍、教程、网络研讨会录音、python 教程等资源。完全可以让你使用和学习。对于初学者来说，这是进入算法交易世界的好方法。

算法交易员 Vs Quant 开发者

顾名思义，文章给出了算法交易员和量化分析师的对比。当两者结合在一起时，它们在算法交易领域是独立相关的。

文章解释道:

什么是算法交易员和量化分析师？
一个算法交易员和一个 quant 开发者的工资是多少？
教育资格
算法交易员和量化分析师的工作角色不同

做算法交易

我们相信您很想知道:

如何准备从事算法交易这一职业？
如何建立你的量化金融之旅？
你是如何将职业轨迹转变为算法交易的？
如何以及从哪里开始？

算法交易领域为个人开辟了几条途径。想知道在这个领域能抓住的各种机会？了解各种工作，职业机会，技能要求，资格，工资等。在这个博客的领域内提供。

为什么要投资算法交易？T3】

作为一种流行的现象，算法交易的领域帮助交易者有效地实施交易活动。它有助于开发策略和模型，快速准确地自动化任务。作为初学者进入这个领域，个人可能会更好奇。这篇博客带你了解为什么你应该投资算法交易的 5 个关键原因！

来自经验丰富的算法交易从业者的提示

你希望在算法交易领域学习和成长吗？想知道成功交易者的最佳实践是什么吗？我们提供了一个博客，带你浏览实践者采用的实践方法。向 QuantInsti 有经验的从业者学习。

为什么学习算法交易会面临障碍？T3】

当你转向算法交易领域时，在学习和发展技能时，你可能会面临某些挑战或障碍。本文讨论了您可能面临的各种障碍以及可以用来克服这些障碍的解决方案。

算法交易如何让你远离麻烦？T3】

Algo 交易绝对节省时间，成本和精力。在算法交易中使用正确的知识和资源可以帮助增加你的视野。本文讨论了常见故障及其解决方法和常见问题。

算法交易的神话与现实

算法交易没有听起来那么复杂！交易算法可以为你提供可靠、准确、快速的交易解决方案。想成为成功的算法交易者吗？这个博客揭穿了各种神话，讨论了合适的技能，并提供了多个成功的故事！

交易策略的种类:成分、方法等

算法交易中有多种策略来满足不同的目的。当实施正确的策略时，交易者可以准确有效地执行交易。这篇文章提供了交易者可以应用的各种策略的广泛理解。

文章解释道:

什么是交易策略？
交易策略的组成部分
交易策略的类型
基于 ML 的交易策略
策略组合

特别提及

机器学习分类算法

该博客简单介绍了机器学习的分类要求，并简要讨论了:

监督学习
无监督学习
监督模型的类型
分类类型
分类器模型
超参数调谐
性能赋值
使用 SVC 进行交易
学习机器学习的资源

股市数学:算法交易的基本概念

你有没有想过，为什么我们需要了解和学习股市数学？

你可能思考过这样的问题:

学数学对股市有什么需求？
我从哪里可以了解到数学在股票市场中的应用？
股市数学的基础是什么？

这个博客讨论了股票交易中的数学和统计学，也称为股票市场数学。

一个成功的算法交易员的素质

算法交易的领域为个人提供了大量的机会。你在该领域发展的技能越多，你就越能建立一个成功的职业生涯。这篇文章简单地讨论了一个成功的算法交易者的最佳品质。

算法交易与全权交易

原文：https://blog.quantinsti.com/algorithmic-trading-vs-discretionary-trading/

由尼廷·塔帕尔

简介

如果你是全权交易者，你可能以前问过这些问题

算法交易的未来是怎样的？
我应该从全权委托交易转为算法交易吗？
算法交易正在接管金融市场吗？
这场人机大战，谁会赢？

为了回答这些问题，我们首先需要知道是什么使这些实践彼此不同。

在这篇文章中，我们将尝试解读所有与算法交易和自主交易相关的问题。

全权委托交易

全权交易者有一套他们在交易实践中遵循的规则，这些规则会根据他们的经验和最适合他们的方式进行修改或替换。一些人严格遵循这些规则，而另一些人则倾向于试验，直到他们觉得已经破解了代码，并继续对他们的策略进行必要的修改。

全权交易者研究信号和图表，然后决定是否买入或卖出资产。交易员在全权委托交易中发号施令，即何时进入或退出头寸。

在自主交易中，最大风险来自于交易者在不受控制的情绪影响下做出的决定。在大多数情况下，这些情绪会导致无法合理辩护的交易。因此，为了获利，不仅要有一个有利可图的策略，还要检查自己的情绪，这变得极其重要。

算法交易

系统交易者使用算法来做出交易相关的决策，或者预测他们从投资中获利的最佳机会。算法根据市场条件、股票类型、市场等而改变。

一个系统的交易者不能依靠手动研究图表和阅读信号来忍受不确定性。他/她更喜欢根据历史数据做出预测，建立一个适合市场条件的算法策略，编码并启动它。他们的角色变成了一个旁观者，根据已经建立的逻辑监控算法的性能，并在算法性能下降或停止工作时做出必要的改变。

关键差异化因素

交易策略:

全权交易者的交易策略来自于通过学习图表、市场条件、理解指示信号和其他相关因素收集的信息，这些信息帮助他们在下单或决定何时退出之前起草一套特定的规则。

另一方面，算法交易者发现仅仅依靠图表收集的结果是有风险的。下单或退出的决定取决于算法。算法的设计基于:

衍生品知识
编程技能
统计与概率
风险管理技能
史料研究
预测

这由具有所需技能组合的 algo 专业人员来完成。该系统研究市场，并根据算法的逻辑集做出决策。

人类情绪的影响:

全权交易者在决策时容易受到情绪因素的影响。在预测可能导致重大损失的结果时，交易者往往倾向于为自己的情绪偏见辩护。

在算法交易中，受情绪相关因素影响的风险几乎为零。数学模型纯粹基于指令集，消除了任何情绪的干预，无论是贪婪、恐惧、错误的直觉等等。

自动化:

全权委托交易的做法限制了为你发号施令的自动化系统的使用。它由交易者手动管理，系统对你下一步想做什么没有什么发言权。

算法交易员不需要监控市场和阅读图表，因为交易是自动完成的。输入系统的信息由黑匣子进行处理，并提出最佳可能结果的建议。一旦交易者确信了结果，他们就可以打开算法，只需筛选进程并做出相应的改变。

预定义的规则:

全权交易者没有预先定义的规则。购买或退出是基于交易者的经验和研究做出的，这可能导致每次执行有多个交易规则。

算法交易的规则是预先定义好的，并经过回溯测试。历史数据的回溯测试增加了成功结果的可能性。交易被置于由算法控制的预定义水平。

分析当前市场状况:

由于市场条件的突然变化，全权交易者的冲动行为可能导致损失。这可能是因为缺乏了解或者没有读懂市场的波动性。

情绪分析等技术有助于算法在这种情况下表现更好，并能够根据外部因素解读市场波动。

全权交易者观察到的指标

全权交易者对上述价格图表的一组典型观察结果可列举如下:

总体趋势是上升的
我应该把止损和限价放在哪里？
能够影响上升趋势的当前新闻
移动平均线也在上升
电流指示器发出反转信号

算法交易者观察到的指标

算法交易者的观察和结论可以列举如下:

算法成功的概率是多少，它为我盈利的概率是多少？
历史数据表明了什么？
基于当前和历史趋势对股票的未来估计
一只股票的时间序列说明了什么
我设计的策略的误差幅度是多少？

结论

技术是进化的一部分，我们人类创造了将定义本世纪的技术。适应新的更好的交易方式类似于获得更好的结果，你不能逃避。算法减少了误差幅度，消除了“人为因素”,如情绪、基于人工交易的错误、陈旧的交易策略等

像超级计算机一样，算法交易遵循严格的规则和逻辑。

引用艾伯特·希布斯的话:“尽管我没能登上月球，但我的机器做到了”

所以让你的机器为你赚钱吧。

下一步

如果你想学习算法交易的各个方面，那就去看看算法交易(EPAT)中的 T2 高管课程。该课程涵盖了统计学&计量经济学、金融计算&技术和算法&定量交易等培训模块。EPAT 让你具备成为成功交易者所需的技能。现在报名！

[小组讨论]在你进入量化交易和算法交易之前...

原文：https://blog.quantinsti.com/algorithmic-trading-week-23-september-2021/

https://www.youtube.com/embed/_m_Mm6Jh_9o?rel=0

关于活动

算法交易和量化交易领域的一些行业中坚和交易专家之间的小组讨论，将解决和谈论你在进入量化交易和算法交易之前需要知道的一切。

对于有抱负的算法交易者，量化分析师，学生，专业人士和任何对金融市场感兴趣的人来说，这是一个必须参加的活动。

活动于:
2021 年 9 月 23 日星期四
东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

扬声器

伊桑·沙阿(AVP，QuantInsti 的内容与研究)

伊桑·沙阿是 AVP，领导 QuantInsti 公司 Quantra 的内容和研究团队。在此之前，他曾在巴克莱全球市场团队和美国银行 Merill Lynch 工作。他在金融市场拥有丰富的经验，在不同的资产类别中担任不同的角色。

Nitesh Khan delwal(QuantInsti 联合创始人&首席执行官)

Nitesh 拥有 IIT 坎普尔的电气工程学位和 IIM 勒克瑙的管理研究生学位。

prodipta Ghosh(QuantInsti 副总裁)

Prodipta 领导 QuantInsti 的 Fin-tech 产品和平台开发。

他在银行业工作了十多年，在孟买和伦敦的德意志银行的交易和结构部门担任过各种职务，并在渣打银行担任企业银行家。在此之前，Prodipta 作为科学家在印度国防 R&D 组织(DRDO)工作。

他毕业于 Jadavpur 大学，获得机械工程学士学位，并拥有 IIM 勒克瑙大学的管理学研究生学位。

Rajib Ranjan Borah (首席执行官&总监，iRage &联合创始人，QuantInsti)

在 iRage，他领导衍生品业务，并与交易所、金融和教育机构合作设计教育项目。他在美国、欧洲和亚洲举办过研讨会。他在美国、欧洲和亚洲举办过研讨会，并且是全球领先的商学院之一 IIM 商学院旗舰 MBA 项目财务会计系的客座教授。

他之前的经验包括在所有主要的美国和欧洲交易所(Optiver，Amsterdam)进行高频交易；数据分析技术(甲骨文公司)；商业战略咨询(普华永道)和股票衍生品研究(纽约州彭博市)。Rajib 拥有 IIM 加尔各答的 MBA 学位，是一名来自卡纳塔克邦 NIT 的计算机工程师。

vivek Krishnamoorthy(QuantInsti 的内容&研究负责人)

Vivek 教授参与者数据分析，使用 Python 构建量化策略和时间序列分析。他在印度、新加坡和加拿大的工业、学术和研究领域拥有超过 15 年的经验。

他是《Python 基础知识:金融市场插图》(2019) 《算法交易粗略指南》(2020) 《算法交易粗略指南》(2020)&等书的合著者。他拥有 VESIT(孟买大学)电子&电信工程学士学位，以及 NTU 新加坡大学的 MBA 学位。

关于 2021 年 ALGO 交易周

在我们庆祝 QuantInsti 成立 11 周年之际，我们开始了一项新的传统——Algo 交易周。行业领袖将加入我们，通过各种教育会议分享他们的经验和智慧。对于有抱负的算法交易者和量化交易社区来说，这将是一个很好的学习机会。这是您联系您最喜爱的专家并免费获得所有问题答案的机会。

【问答环节】如何成为一名成功的量化分析师

原文：https://blog.quantinsti.com/algorithmic-trading-week-24-september-2021/

https://www.youtube.com/embed/XMjsF5y3Oe4?rel=0

关于活动

这是一个非常难得的直接与世界著名的专家欧内斯特·陈博士交流的机会，他将回答你所有关于成为成功的量化分析师的问题。全部免费！一定要参加。

活动将于:进行

2021 年 9 月 24 日星期五
美国东部时间上午 9:00 | IST 时间下午 6:30 |美国东部时间晚上 9:00

扬声器

陈博士(PredictNow.ai Inc .创始人&首席执行官)

陈博士是 PredictNow.ai Inc .的创始人兼首席执行官，也是 QTS 资本管理有限公司的管理成员。自 1997 年以来，他曾在多家投资银行(摩根士丹利、瑞士瑞信银行、Maple)和对冲基金(Mapleridge、Millennium Partners、MANE)工作。

陈博士从康奈尔大学获得物理学博士学位，在加入金融业之前，他是 IBM 人类语言技术小组的成员。他是总部位于芝加哥的投资公司 EXP Capital Management，LLC 的联合创始人和负责人。

陈博士也是《量化交易:如何建立自己的算法交易业务》(Wiley)、《算法交易:获胜策略及其基本原理》(T1)的作者，他的第三本也是最新的一本书是关于机器交易:部署计算机算法征服市场(T3)。

关于 2021 年 ALGO 交易周

[网络研讨会]如何选择最佳股票和实时交易

原文：https://blog.quantinsti.com/algorithmic-trading-week-25-september-2021/

https://www.youtube.com/embed/MXt44WVwWSk?rel=0

关于活动

如果你一直在交易或者是交易新手，可能你总是对以最好的方式交易感到好奇。但是你要怎么做呢？通过选择正确和最好的股票，并采取一切必要的手段，进行现场交易。

在这个独家网络研讨会中，刘辉博士解释了如何选择最好的股票并进行实时交易——完全靠自己。一定要参加。

活动举办日期:
2021 年 9 月 25 日星期六
东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

扬声器

刘辉博士(Running River Investments LLC 创始人，IBridgePy 作者)

刘博士是 Running River Investments LLC 的创始人，该公司是一家私人对冲基金，专门从事各种自动化交易策略的开发和实施。

他还是 IBridgePy 的作者，这是一个灵活易用的 Python 包，可以与交互式代理 C++ API 对话。IBridgePy 并没有重新实现 IB 的 API。它只是对 IB 的 C++ API 做了一个包装，让 Python 可以直接调用 C++ API。

关于 2021 年 ALGO 交易周

【大师级】牛市中的卖空

原文：https://blog.quantinsti.com/algorithmic-trading-week-26-september-2021/

https://www.youtube.com/embed/LYV6JXB0yH4?rel=0

介绍会；展示会

//www.slideshare.net/slideshow/embed_code/key/1XxpwaznHDqw9Z

Short selling in the bull market - Masterclass by Laurent Bernut from QuantInsti

关于活动

如果市场失灵，你能从中获利吗？在这个 120 分钟的综合大师班中，Laurent Bernut 解释了你需要知道的关于牛市中卖空的一切，以一种实用和完全动手的方式。对所有与会者完全免费！

活动于:
2021 年 9 月 26 日星期日
美国东部时间上午 12:00 | IST 时间上午 9:30 |新加坡时间下午 12:00

扬声器

【洛朗·贝努特】 (阿尔法安全资本 CEO)

Laurent 在 Fidelity Investments、Rockhampton 和 Ward Ferry 拥有超过 18 年的另类投资经验。在富达的 8 年多时间里，他一直是现代史上最长熊市之一——日本股市——的专职卖空者。

关于 2021 年 ALGO 交易周

[小组讨论]在交易中使用情绪和替代数据

原文：https://blog.quantinsti.com/algorithmic-trading-week-27-september-2021/

https://www.youtube.com/embed/WJZELim5wqQ?rel=0

关于活动

情绪分析、自然语言处理、替代数据——在最近的交易中，你会碰到这些术语。但是着手了解它们，研究它们，并在现实市场中实施它们才是关键。

与 Valle 博士、Mitra 教授、Campellone 博士和 Kashyap 博士一起讨论如何在交易、途径、进展、应用等方面使用情绪和替代数据，同时在短短 60 分钟内回答您对该主题的疑问。为难以置信的会议做好准备！

活动于:
2021 年 9 月 27 日星期一
东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

小组成员

Cristiano Arbex Valle 博士(OptiRisk Systems 的研究员/开发人员)

Valle 博士拥有巴西贝洛奥里藏特米纳斯吉拉斯联邦大学(UFMG)的计算机科学学士学位和运筹学硕士学位。2011 年，Valle 博士以软件工程师和研究员的身份加入了 OptiRisk。

2014 年，Valle 博士获得了布鲁内尔大学(英国)数学科学系的博士学位，研究主题为优化技术和金融建模。

瓦莱博士精通葡萄牙语(他的母语)和英语；他还精通西班牙语和法语。

Gautam Mitra 教授(OptiRisk Systems 创始人兼博士)

BEE(JU，1962 年)，MSc(伦敦，1964 年)，PhD(伦敦，1968 年)，FBCS，FRSA，CMATH 和 FIMA。

Gautam Mitra 教授是 OptiRisk Systems 的创始人和总经理。他在运筹学领域，尤其是计算优化和建模领域，是一位国际知名的研究科学家。

他与来自欧洲、英国、美国、巴西和印度的研究人员在其专业领域建立了一个世界级的研究小组。他已经出版了五本书和一百五十多篇研究文章。他是 UCL 的校友，目前是 UCL 计算机科学系的客座教授。

2004 年，他被布鲁内尔大学授予“杰出教授”称号，以表彰他在计算优化、风险分析和建模领域的贡献。他领导了数学系(1990-2001 年)，随后创建了风险分析和优化建模应用中心(CARISMA)。他是布鲁内尔大学的名誉教授。

在 OptiRisk Systems，他指导研究，并积极推动公司发展成为金融分析领域的领导者。米特拉教授也是姊妹公司联通研讨会的创始人和主席。OptiRisk systems 和联通研习班在印度也有子公司。在印度和东南亚，两家公司都在经历一个有机增长的时期。

Matteo Campellone 博士(Brain 执行主席)

Campellone 博士是 Brain 的联合创始人和执行主席，Brain 是一家专注于交易策略和投资决策算法开发的公司。他拥有物理学博士学位和工商管理硕士学位。

Matteo 过去的活动包括金融机构的金融建模以及工业公司的企业风险和基于价值的管理。作为一名理论物理学家，他致力于复杂系统的统计力学和非线性随机方程的研究。

Ravi Kashyap 博士(摩根士丹利定量策略师/副总裁)

Kashyap 博士曾在纽约和香港这两个主要金融市场工作过。他曾在高盛、摩根士丹利、美林和花旗集团等金融服务公司担任产品经理和量化策略师。

他最后一个主要的行业角色是在 IHS Markit，负责亚太地区的定量产品。2017 年年中，他将职业生涯转向金融领域的学术研究。他在香港城市大学获得博士学位，研究领域是生活和金融市场中的不确定性和意外后果。

他是韩国 SolBridge 国际商学院的金融学教授，后来在新加坡 SP Jain 全球管理学院工作。

关于 2021 年 ALGO 交易周

关于 CSAF

该证书在情绪分析和替代数据的金融(CSAF)方案是专为金融专业人士谁是寻找发展自己的职业生涯在现代金融方法使用新闻，情绪分析和替代数据。

详情在此: 金融(CSAF)情感分析与另类数据证书

[小组讨论]量化金融的当前趋势

原文：https://blog.quantinsti.com/algorithmic-trading-week-28-september-2021/

https://www.youtube.com/embed/7K9W6Xrybbs?rel=0

关于活动

正如我们所知，随着各种技术不断发展和演变交易世界，正在进行更广泛和更深入的研究，涉及金融和交易世界中数学和统计的学习、应用和使用。

在本次讨论中，我们来自全球各地的专家小组深入探讨了量化金融领域的当前趋势。他们的主题专业知识和经验在著名组织中担当重要角色，他们对该主题的想法会产生关键的见解，一定会指导您。一定要参加！

活动举办日期:
2021 年 9 月 28 日星期二
东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

小组成员

David Jessop(Columbia thread needle Investments EMEA 投资风险主管)

在任职期间，David 负责监督在 EMEA 地区管理的所有投资组合的独立投资风险管理流程。在加入该公司之前，大卫是瑞银定量研究的全球主管。

在瑞银的 17 年里，他的研究涵盖了许多主题，但特别是他专注于风险分析、投资组合构建以及最近的交叉资产因素投资/机器学习和贝叶斯技术在投资管理中的应用。

在此之前，他是花旗集团的量化营销主管。David 在 Morgan Grenfell 开始了他的职业生涯，最初是衍生品分析师，然后是量化投资组合经理。David 拥有剑桥大学三一学院的数学硕士学位。

Debashis Guha 博士(SP Jain 全球管理学院教授兼机器学习主任)

Debashis Guha 是 S P Jain 全球管理学院机器学习主任兼商业技术研究中心主席。他在人工智能领域，尤其是其在经济和金融领域的应用方面，拥有二十多年的工作经验。

他还是一家总部位于班加罗尔的公司的创始人，该公司为全球量化对冲基金提供咨询服务。他曾担任总部位于加州的对冲基金 Big Sky Capital 的风险管理和量化交易主管，以及另一家加州对冲基金 Global Trend Capital 的合伙人。

古哈博士毕业于 IIT 大学，并在哥伦比亚大学获得博士学位。

Richard V. Rothenberg(全球人工智能公司执行董事)

理查德是 Global A.I. Corporation 的执行董事，该公司是一家大数据和人工智能公司，为机构客户提供定量研究、数据驱动的信号和替代数据，包括对冲基金和政府。

此前，Richard 曾在数十亿美元的对冲基金和全球投资银行担任量化投资组合经理和研究员，包括德意志银行、Man investments 和其他领先机构。Richard 是劳伦斯伯克利国家实验室(世界上最大的超级计算实验室之一)的研究人员，也是国防高级研究计划局(DARPA)的顾问。

理查德是联合国贸易和发展会议可持续发展目标数据工作队成员，也是联合国科学、技术和创新专家组成员。

Richard 拥有蒙特里理工学院的经济学和计算金融学士学位，CQF 学院的量化金融证书，以及哥伦比亚大学的管理和量化金融硕士学位。

关于 2021 年 ALGO 交易周

【问答环节】交易中的人工智能

原文：https://blog.quantinsti.com/algorithmic-trading-week-29-september-2021/

https://www.youtube.com/embed/m976QX3XUoc?rel=0

关于活动

随着技术的快速发展，人工智能正在被金融和贸易领域迅速采用，因为它在该领域具有巨大的能力和未开发的潜力。

2019 年，金融科技市场的全球人工智能价值为 26.1713 亿美元，预计到 2027 年将达到 352.301 亿美元，预测期内 CAGR 增长率为 38.4%。(来源)

我们将为您带来一个 60 分钟的专门问答环节，由著名专家 Thomas Starke 博士主讲，他将解答您关于使用、含义、应用等方面的所有疑问。人工智能在交易领域的应用。一定要注册加入到时间里来！

活动于:
2021 年 9 月 29 日星期三
美国东部时间上午 5:00 | IST 时间下午 2:30 |新加坡时间下午 5:00

扬声器

Thomas Starke 博士(AAAQuants 首席执行官)

斯塔克博士拥有物理学博士学位，目前担任澳大利亚领先的自营交易公司 AAAQuants 的首席执行官，领导该公司的量化交易团队。他还在牛津大学担任高级研究员。

Starke 博士曾在专有贸易公司 Vivienne Court 和高速印刷领域的世界领导者 Memjet Australia 工作过。他曾领导劳斯莱斯公司(英国)的战略研究项目，也是微芯片设计公司 pSemi 的联合创始人。

关于 2021 年 ALGO 交易周

[网络研讨会]在交易中应用机器学习

原文：https://blog.quantinsti.com/algorithmic-trading-week-30-september-2021/

https://www.youtube.com/embed/hxtugnzgdM4?rel=0

关于活动

当谈到使用机器学习时，尤其是在交易领域，已经有了稳定而快速的增长。如果你是初学者、有抱负的人、专业人士或专家，你可能已经读到过这方面的内容，正在研究它，并且面临着关于在交易中使用 ML 的问题和疑虑。

与我们的专家 Ishan Shah 和 Rekhit Pachanekar 一起参加这个 60 分钟的会议，他们将带您了解机器学习的各种应用，揭示该领域的最新事件和进展，并分享沿途的例子。

此外，你还可以得到你关于在交易中应用机器学习的问题。没错，这是一个专门的一小时会议。一定要报名参加！

活动将于:进行

2021 年 9 月 30 日星期四
美国东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

扬声器

伊桑·沙阿(AVP，QuantInsti 的内容与研究)

rek hit Pachanekar(QuantInsti 的定量分析师)

Rekhit Pachanekar 在 IIM 印多尔完成了他的 PGDM，是一名计算机工程师。他是 Quantra 内容团队的一员，研究股票和固定收益证券。工作之余，他喜欢阅读市场中的异常数据，并怀着浓厚的兴趣关注特斯拉公司(Tesla Inc .)。

关于 2021 年 ALGO 交易周

NSE 于 2014 年在 MDP 举办的算法交易研讨会

原文：https://blog.quantinsti.com/algorithmic-trading-workshop-mdp-nse-2014/

事件摘要

最近，印度最大的证券交易所国家证券交易所(NSE)在孟买和高知举办了一系列为期两天的算法交易研讨会。这些研讨会是 NSE 发起的管理发展计划的一部分。这些会议是为金融机构的高级管理人员举办的，参加者包括这些机构的董事、首席执行官和其他高级管理人员。这些课程是为已经接触算法交易的专业人士开设的，因此这些课程探索了算法交易的高级概念和更精细的细节。

在当今充满活力和技术密集型的市场中，算法交易是交易的一个固有部分，并已被金融市场广泛接受——无论是最大化盈利能力、促进可扩展性还是改善投资组合和风险管理。

算法交易的管理发展项目被证明是一个巨大的成功，因为参与者从一些业内最优秀的教师那里获得了第一手的实践经验。他们还对算法交易的定性、定量和技术方面有了多方面的详细了解。

这些项目由 Suneeth Reddy、Shaurya Chandra、Rajib Ranjan Borah 和 Aditya Sihag 主持，他们都是印度算法交易领域的资深人士。目前，他们是 iRageCapital 咨询服务的成员，也是 QuantInsti 量化学习私人有限公司的成员。

项目概述

NSE 为分析师、交易商、交易员、顾问和其他市场从业者提供了一个关于算法交易的综合研讨会。该课程提供了一个学习算法交易的机会。本课程的教师是 quantin STI Quantitative Learning Pvt ltd .尊敬的董事和教师。在该领域超过三年的教学经验以及行业专家和从业者，齐教师将在这两天中让您全面了解该领域。对于那些对这个领域完全陌生的人来说，这是一个非常好的起点。

不同类型的算法交易策略

高频/超高频策略
执行策略:TWAP、VWAP、IS 等
阿尔法寻求策略:-做市，套利
不同类型的套利策略(结构性和统计性)
股票细分策略:指数套利，均值回归，动量，技术分析，配对交易
期权策略:分散，波动性差价，差异互换，果冻卷，偏斜交易
多重交换策略:智能订单路由策略
基于订单簿动态的交易策略
不同的全球公司在做什么？

开发算法交易策略的过程

*** 设计和操作算法交易策略的整个生命周期

使用高频数据-管理分笔成交点数据库
规范化和清理数据
假设公式
自动化策略开发的机器学习方法

规章制度

审计流程和要求(NSE 定义)
SEBI 关于审计的建议
Exchange 审计
技术和系统审计
合规要求
印度交易所的战略批准流程
全球法规趋势

针对算法交易的风险管理

交易操作的风险管理-不同的风险来源，量化和设定限额的评估方法
自动化交易中的其他风险管理问题
算法交易中遇到的常见错误
全球算法交易所有重大失败的案例研究
印度交易所的风险管理要求

构建量化工具

使用 R 的统计大数据分析
在 Excel 中使用 R
为算法交易建立期权组合管理工具的实践练习

在算法交易平台上工作-我

基于算法的复杂事件处理
交易平台
使用 exchange 模拟器和测试策略

绩效评估和投资组合管理

使用夏普比率、索提诺比率、詹森阿尔法、RaROC、特雷诺比率等确定战略的盈利能力
利用空间理论跨战略分配资源

下一步

如果你是一名散户交易者或专业技术人员，想要建立自己的自动化交易平台，今天就开始学习算法交易吧！从基本概念开始，如自动交易架构、市场微观结构、策略回溯测试系统和订单管理系统。你也可以报名参加 EPAT，这是业内最广泛的算法交易培训课程之一。

活动照片

NSE 在 MDP 举办的算法交易研讨会-2015 年 6 月

原文：https://blog.quantinsti.com/algorithmic-trading-workshop-mdp-nse-june-2015/

T4】

日期:2015 年 6 月 27 日和 28 日

时间:上午 10:00 至下午 5:30

地点:孟买 Bandra Kurla 综合大楼交易广场 C-1 座 NSE-400051

事件概述

技术革新了金融市场的运作方式和金融资产的交易方式。全球市场的技术发展需要一种多维的方法来理解算法交易的重要性。

发展定量和定性算法交易技能的专业知识是必要的。这有助于我们更好地了解市场，并根据市场变化制定不同的策略。

鉴于当前的市场情景和动态，算法交易比以往任何时候都更吸引人的注意。这些概念是多方面的，适用于所有金融市场:股票、固定收益、国内或全球货币。

有鉴于此，NSE 与 QuantInsti 联合为分析师、交易商、交易员、顾问和其他市场从业者举办了一个关于算法交易的综合研讨会，作为他们管理发展计划(MDP)的一部分

NSE 的管理发展计划

NSE 的 MDPs 旨在提升金融行业各级高管的竞争力。它旨在帮助专业人士在提高自身知识的同时，以个人和集体的方式在自己的岗位上发挥领导作用。NSE 的 MDP 对于渴望在其组织中担任领导角色的专业人士和经理来说至关重要。

QuantInsti 与神经元特异性烯醇化酶的关系

作为亚洲学习算法交易的先驱机构，QuantInsti 的愿景是通过提供在市场中成功交易所需的正确知识、技能、工具和态度，将算法交易扩展到每一个散户和机构交易者。我们的使命是帮助世界各地的每一个交易者进入自动化交易的世界，并从技术创新中受益。

因此，我们的教师与 NSE 建立了这种联系，以便与会者可以从教师丰富的实践经验以及其他学习者的不同经验中学习。这是获得新见解以取得成功的理想平台。

Rajib Borah 在 2014 年 NSE 的算法交易管理发展项目上

在我们之前在 MDP 的算法交易研讨会上，我们的老师已经阐明了各种自动化交易策略、工具、绩效评估技术、投资组合管理技术、规则和条例。这一次，我们的老师讨论了过去几个月交易生态系统中的新一代策略和变化。

为期两天的研讨会的计划内容

| Day 1 Demystifying Algorithmic Trading

解读行话:量化交易，算法交易，自动交易，高频交易，超高频交易
算法交易的演变-全球
算法交易的发展——印度
为什么要做算法交易——算法交易的好处？
全球和印度趋势——产量等

System Architecture and its impact on trading performance

算法交易平台的内部组件(OMS、CEP、RMS、适配器、tickStore、eventStore 等)及其交互
外部组件-与目的地的适配器通信、通信标准和协议(FIX 等)、TAP 服务器、multi TAP 和邀请管理
印度市场的技术设置-网络连接(场景、消息速率)；不同的交易环境(模拟、测试)；托管与非托管；tbt vs 快照；原生 api 与固定连接
构建与购买决策(“内部构建工具”与“购买现成产品”)

Technological innovations for algorithmic trading

延迟、测量延迟的方法、标准延迟基准数据
软件创新-低延迟代码，
硬件创新- cpu 亲和力与可扩展性、FPGA 与 ASIC、硬件策略、硬件配置
印度市场可用的工具-软件、硬件等

Tool-box set of Algorithmic Trading

统计、定量金融、计算
与设计算法交易策略相关的关键统计概念

Different types of algorithmic trading strategies

高频/超高频策略
执行策略:TWAP、VWAP、IS 等
阿尔法寻求策略:-做市，套利
不同类型的套利策略(结构性和统计性)
股票细分策略:指数套利、均值回归、动量、技术分析、配对交易
期权策略:分散，波动性差价，差异互换，果冻卷，偏斜交易
多重交换策略:智能订单路由策略
基于订单簿动态的交易策略
不同的全球公司在做什么？

Process of developing an algorithmic trading strategy

设计和操作算法交易策略的整个生命周期
使用高频数据-管理分笔成交点数据库
规范化和清理数据
假设公式
自动化策略开发的机器学习方法

Rules and Regulations

审计流程和要求(NSE 定义)
SEBI 关于审计的建议
Exchange 审计
技术和系统审计
合规要求
印度交易所的战略批准流程
全球法规趋势

Day 2 Working on Algorithmic Trading Platforms - I

基于算法的复杂事件处理
交易平台
使用 exchange 模拟器和测试策略

Risk Management specific to Algorithmic Trading

交易操作的风险管理-不同的风险来源，量化和设定限额的评估方法
自动化交易中的其他风险管理问题
算法交易中遇到的常见错误
全球算法交易所有重大失败的案例研究
印度交易所的风险管理要求

Working with Quant Tools

使用 R 的统计大数据分析
在 Excel 中使用 R

Performance Evaluation and Portfolio Management

使用夏普比率、索提诺比率、詹森阿尔法、RaROC、特雷诺比率等确定战略的盈利能力
利用空间理论跨战略分配资源

Building Quant Tools

为算法交易建立期权组合管理工具的实践练习

What next

交易所创新
竞争格局
新一代策略-基于机器可读新闻的策略等

Future studies

关于算法交易的书籍、学习资料和研究论文的文献综述

扬声器

Gaurav Raizada 是 iRageCapital Advisory Private Ltd .的董事，负责该公司在印度的系统、绩效和战略咨询业务。他曾以战略开发和执行为核心进行广泛咨询，包括交易系统开发、延迟减少、优化和交易成本分析。Kunal Kumar 在 iRageCapital Advisory 的交易策略团队工作，负责开发新策略，并对现有策略进行微调。他关注的领域扩展到流程自动化和维护交易基础设施。在此之前，他在 ICICI 银行总部的资金团队工作，帮助国际机构客户处理外汇、债券和衍生品需求。他还在 Religare Capital Markets 的投资银行部门和塔塔钢铁公司实习过。Nilesh Koshe 在 iRageCapital Advisory 的衍生品策略团队中担任量化助理。他的重点领域是使用机器学习技术的数据建模，为 algo 交易自动化交易决策。在 iRage Capital 之前，他曾在一家领先的投资银行担任衍生品策略师，为购买保险基金、养老基金等客户提供衍生品解决方案。他在亚洲和欧洲市场服务。Rajib Ranjan Borah 是 iRageCapital 的联合创始人和董事。在过去的 10 年里，他在美国、欧洲&亚洲与该行业的先驱公司如 Bloomberg LP、Optiver LLP、iRageCapital 合作，担任过与自动化交易相关的各种重要职务，从设计和交易 HFT 策略、低延迟交易技术，到为一个财团启动新的商品衍生品交易所提供策略咨询。作为国家奥林匹克决赛选手，Rajib 曾两次代表印度参加世界拼图锦标赛。

用于学习算法交易和量化金融的广泛课程

完成本次研讨会后，与会者从我们的教师那里获得了许多关于自动化交易的理论和实践见解。为了学习和实施这些最佳实践和策略，你可以加入我们的算法交易 (EPAT)高管项目。这是一个为期 6 个月的计划，在周末进行(在线和课堂)。我们还为参与者提供各种工具和测试市场数据，用于项目目的。

事件照片

算法交易:它是什么，如何开始，策略，等等

原文：https://blog.quantinsti.com/algorithmic-trading/

由查尼卡·塔卡

算法交易简单地说就是帮助以自动化方式执行交易指令的过程。它比手工交易更有利，因为它提供了更多的交易利润。这都归功于它更快更准确！

根据 Research and Markets 发布的“2018-2022 年全球算法交易市场”报告，如果数据可信，全球算法交易市场规模预计将从 2019 年的 111 亿美元增长到 2024 年的 188 亿美元，CAGR 增长率为 11.1%。此外，它正被广泛使用，并不断扩大其在新兴市场的影响力。

在此，本文旨在让您全面了解以下内容:

算法交易是什么，为什么？
从人工交易到算法交易的转变
算法交易是什么时候开始的？
交易频率:HFT、MFT、LFT
Algo 交易策略
算法交易工资
印度有什么规章制度？
如何学习算法交易
算法交易的工作流程
如何建立自己的算法交易业务？

算法交易是什么，为什么？

简单来说，算法交易是将交易策略转换成计算机代码的过程，计算机代码以自动、快速和准确的方式买卖(进行交易)股票。由于自动化交易方式更快、更准确，它现在受到青睐，并正在迅速扩大其在新兴市场的影响力。

从技术上讲，有几种数学算法在根据当前市场数据做出交易决策，然后在金融市场发送并执行订单。这种方法使交易不受任何情绪的影响(如恐惧、贪婪等)。)因为执行每笔交易的决定都是由计算机以系统的方式做出的。

例如，如果苹果(AAPL)股票的当前市场价格低于 200 天的平均价格，则该算法购买该股票。相反，如果当前市场价格高于 200 天平均价格，它将出售苹果(AAPL)股票。

好了，让我们向前看，大致了解一下交易是如何开始的，以及它是如何从手工交易转变为基于算法的交易的。

从人工交易到算法交易的转变？

现在，你对什么是算法交易以及它如何胜过传统/人工交易有了一个公平的想法。但是，在过去没有自动化的时代，交易是什么样的呢？

推荐阅读:

过去时代的交易和现在的交易！

传统交易是在算法交易出现之前就存在的。在过去的时代，人们习惯于通过电话进行人工交易，也可以通过计算机进行电子交易。

回到过去，当自动化交易的概念还没有被引入时，交易者会从市场上收集数据，进行分析，并根据这些数据做出交易决策。

因此，从历史上看，曾经有人类交易员会根据市场数据做出买卖股票的决定。

在一段时间内，对更快、更可靠(不受人类情绪影响)和准确的方法的需求导致了算法交易的发明。

你可以在这里阅读算法交易的优势。现在，让我们进一步理解算法交易到来后发生了什么。

算法交易对传统交易者有影响吗？

谈到算法交易优于传统交易，但很明显，通过算法交易更快，更准确，没有人为错误。

根据 2019 年经济时报的一项发现，算法交易是金融市场的未来，也是在明天的市场中表现良好的先决条件。此外，算法交易被认为对传统交易者没有威胁。这是因为，为了更好地做市和确保金融市场的稳定，总是需要人为干预。

既然现在你知道了自动化接管之前的交易是什么样子，接下来你会知道人工交易是从什么时候开始的，算法交易是在哪一年取代它的。

算法交易是什么时候开始的？

回到过去，传统交易始于四个世纪前，大约在 1602 年，荷兰东印度公司开始了这种交易。而且，直到 20 世纪 80 年代末和 90 年代，算法交易(完全电子化的交易执行)才开始在金融市场出现。

到 1998 年，美国证券交易委员会(SEC)授权电子交易所，为计算机化的高频交易(HFT)铺平了道路。因为 HFT 执行交易的速度比人快 1000 倍，所以它变得很普遍。

高频交易 (HFT)是一种自动化交易，我们将在后面看到对它的解释。

虽然算法交易是执行交易的一个概念，但它在股票市场上运作的频率(速度)有不同的水平。

交易频率:HFT，MFT，LFT

现在，交易(买卖股票)有一个特定的速度水平。这个速度决定了每秒钟产生的利润数量。

下面，让我们来看一下这三种交易类型，每一种都基于它的频率或速度。

高频交易(HFT) -这种类型的交易导致高速交易，即在几秒钟内执行大量订单。因此，它使证券交易在市场上每一毫秒都成为可能，从而获得高额利润。这种类型的交易是一种低延迟交易实践，这意味着交易发生得比竞争对手更快，以响应市场事件，提高盈利能力。

深刻的见解

高频交易越来越受欢迎，因为交易所为公司提供激励措施，以增加市场的流动性。
这有助于增加市场的流动性，也有助于消除小的买卖价差。
在印度，HFT 占该国金融业的三分之一，而且增长迅速，这使得它极有可能在印度进一步飙升。

中频交易(MFT) -中频交易需要几分钟到一天的时间进行交易，因此比高频交易慢。它的等待时间(进行交易所需的时间)比 HFT 高。

低频交易(LFT)——低频交易发生在一天到几周内，是最慢的交易类型。因此，等待时间(进行交易所需的时间)比 HFT 和 MFT 高得多。

在美国和其他发达国家，2013 年高频交易占股票的近 70%。

坚持住！我们还没有到达终点。因为算法交易需要策略来做出最有利可图的决定，所以有各种各样的策略，每种策略基于不同的市场条件。

算法交易策略

算法交易策略是进行最有利可图的算法交易的几种方法。虽然每个策略不同，但相同的是进行算法交易的程序。每种方法的思路都是从从交易所检索真实市场数据开始，然后根据预定义的规则或逻辑生成交易订单。交易订单包含所有规格，如类型、边和数量。

每种策略都以其预先定义的方式工作，让交易者准确执行算法来进行交易。

为了更好地理解，请看一下最流行的策略及其解释:

做市策略
套利策略
统计策略
动量策略
基于情绪的交易策略
机器学习交易策略

做市策略:

这种策略有助于增加市场的流动性。做市商，通常是大型机构，为大量买卖交易订单提供便利。做市商是大型机构背后的原因是有大量的证券参与其中。因此，由单个中介来促成所需的交易量可能是不可行的。

在这个过程中，做市商买卖特定公司的证券。每个做市商都通过显示特定数量证券的买卖报价来发挥作用。一旦收到买家的订单，做市商就从自己的库存中卖出股票并完成订单。因此，它确保了金融市场的流动性，使投资者和交易者的买卖更加简单。这总结了做市商对于充分交易是极其重要的。

套利策略:

这种策略意味着利用金融工具或资产在两个不同市场的错误定价。套利策略的一个例子是，一项资产在一个市场上以特定价格交易，但在另一个市场上以高得多的价格交易。因此，如果你之前以较低的价格购买了该资产，那么你可以在价格较高的市场上出售该资产。这样，你最终会在没有任何风险的情况下获得利润。

因此，在这种情况下，你可以同时对一项资产进行多项交易以获取利润，而不会因为价格不平等而带来任何风险。

统计套利策略:

基于均值回归假设，统计套利算法通常是成对工作的。这种策略期望从基于资产预期价值的一项或多项资产的统计错误定价中获利。

统计套利的一个例子是配对交易，我们观察一对股票价格之间的比率或价差，它们是协整的。如果价差超出预期范围，那么你买入下跌的股票，卖出表现优异的股票，期望价差会回到正常水平。统计套利可以处理根据许多因素分类的投资组合中的一百只或更多的股票，并且可以从分析&执行的角度完全自动化。

动量策略:

这些策略通过观察市场的现有趋势从市场波动中获利。因此，它寻求高买高卖，以使股票投资有利可图。

现在，让我们了解价值投资和动量投资之间的关系。

说到价值投资，每当偏离均值或平均值时，它就试图回归均值或平均值。这是动量投资发生的时候，因为它发生在均值回归发生之前的时间间隙(在 Quantra 课程中详细学习均值回归策略)。

当价格偏离均值时，市场上的其他交易者会做出大量情绪化的决定，所以动量是有效的。因此，收益是由于他人的行为偏差和情感错误而产生的。

这里唯一棘手的部分是趋势可能会迅速逆转并破坏动量收益，这使得这些策略高度不稳定。所以正确安排买卖，避免损失是非常必要的。这可以通过适当的风险管理技术来实现，这些技术可以适当地监控投资，并在不利的价格变动情况下采取保护措施。

我们已经在关于算法交易策略&范例的文章中讨论过基于动量的交易策略。

基于情绪的交易策略:

情绪交易策略包括在由多头或空头驱动的市场中建仓。情绪交易策略可以是基于动量的，即跟随一致意见或市场情绪，如果是牛市，我们就高投资高卖出，反之亦然。

情绪交易策略甚至可以是逆势或均值回归，即与市场情绪相反。反向投资者从以下理论中获利:当证券存在某种群体行为时，它会导致某种可利用的错误定价(对已经普遍上涨的证券定价过高),在大牛市之后，证券价格会因回调而下跌，反之亦然。

机器学习交易策略

机器学习意味着研究计算机系统根据市场数据做出交易决策所遵循的算法和特定模式集。源于对“模式识别”的研究，它强调了这样一个事实，即计算机无需专门编程就能学习。现在必须明确的是，人类开发/初始化软件，然后，AI(人工智能)在一段时间内随机应变。所以这意味着总是需要人工干预。这里的好处是，基于机器学习的模型可以高速分析大量数据，并沉迷于自身的改进。这比由数据科学家或定量分析师构建的传统基本计算机模型要简单得多。

这里我简单地提到了贝叶斯网络，因为它是一种机器学习。这种类型可以用来预测市场趋势。进一步解释，它考虑到一个事件，并在此基础上，预测/分析事件的概率或可能的原因。此外，这有助于理解和了解特定事件的可能原因，因此，这些原因可以帮助预测市场趋势，如前所述。

这都是关于不同的策略，在此基础上可以建立算法和进行交易。如果你想在算法交易领域发展事业，你可以先看看每个国家提供的量化分析师的平均工资。

Algo 交易工资

算法交易最近取得了成功，如果你期待开始自己的算法交易生涯，你脑海中的一个主要问题一定是“薪水”。

下面，我提到了每个国家特定的平均定量工资列表:

来源:的确，LinkedIn、Payscale 和 Glassdoor

通过这种方式，你一定对每个国家的 Quant 平均工资有了一个大致的概念。要找到更多关于这个话题的信息，你可以参考博客一个量化分析师挣多少工资？

好极了。薪水不错，现在看看当涉及到法律问题时，一个定量分析师能做些什么。

印度有什么规章制度？

监管机构印度证券交易委员会(SEBI)出台了一些法规和合规性，以确保交易的透明度和安全性。大宗商品市场监管机构远期市场委员会(FMC)于 2015 年 12 月与 SEBI 合并。它为印度市场的算法交易列出了一些极其重要的合规要求。

你可以在下面阅读它们:

审计要求 -所有 HFT 公司需要通过半年度审计，审计只能由交易所网站上列出的交易所选任系统审计师(CISA 认证)进行。对于审计需求，您需要维护订单、交易、控制参数等的日志。在过去的几年里。现在您必须知道，控制参数是印度交易所特别需要的，以了解所下订单的策略是否得到验证。

与执行相关的 -以下是与订单执行相关的某些合规性。首先，它坚持认为所有的订单都必须按照交易所的规定贴上唯一的标识。其次，新订单只有在对之前未执行的订单进行核算后才能执行。对算法的任何修改都要得到交易所的批准，系统应该有足够的检查，以便在出现循环或失控的情况下终止执行。

特定商品市场——有一定的风险控制措施，如每日价格区间、最大订单量、头寸限额等。这是应该遵守的。此外，市价订单和 IOC(立即或取消)订单将不被下单，只能下单限价订单。迷你和微型合约不接受算法交易。此外，所有订单都应通过位于印度的会员服务器和经批准的 id 发送。这些系统不能与印度境外的任何系统或 ID 有任何链接。会员必须确保他们的策略将流动性引入市场，并应提交一份解释该策略的文件。成员还应维护上述规定的所有日志，确保定期审计，并获得对现有战略的任何变更的批准。

好吧！现在你已经清楚了算法交易的许多重要方面，让我们继续前进，探索更多！

如何学习算法交易？

根据算法交易上的在线课程数量，有几个展示的课程，但是找到适合你个人需求的课程是最重要的。现在，向一群市场专家学习显然对你最有利。要做到这一点，你需要确定你的目标已经设定，并在此基础上研究知识。简而言之，你的目标和课程应该完全同步，这样才不会在不必要的信息上浪费哪怕一丁点时间。

此外，还有一个精心设计的平台来锻炼你的知识，以便在现场市场中适当地使用这些知识。

推荐阅读:
学习算法交易:循序渐进指南

课程

谈到算法交易课程，Quantinsti 提供了世界上第一个经过验证的算法交易课程 EPAT(算法交易的执行程序)以及一系列通过 Quantra 自定进度的算法交易课程。

算法学习跟踪为你提供了一个可供选择的目标列表。每个目标都为你提供了一套有组织的信息丰富的课程，这些课程应该能满足你的目的。Quantinsti 在网页上的学习路线为您提供了从基础知识到高级知识的降序课程。

在这里，你可以看到 Quantra 网页上关于算法交易的课程列表。

EPAT 给了你一个关于算法交易的更详尽的见解，以防你是一个初学者，并希望更深入地理解每一个术语。

书

有几本关于算法交易的书，这些书对于理解诸如“交易/交换如何在市场中发生”等细节很重要，并进一步探究市场参与者、交易方法、流动性、价格发现、交易成本等。

阅读博客，关于算法交易的必备书籍，获得下面提到的每个相关阅读的详细概要:

拉里·哈里斯的《交易与交换:从业者的市场微观结构》
玛琳·奥哈拉的市场微观结构理论
欧内斯特·陈博士的《算法交易:获胜策略及其基本原理》
巴里·约翰逊的《算法交易和 DMA:直接交易策略介绍》
Dominick Salvatore，Derrick Reagle 编写的 Schaum 统计学和计量经济学大纲
Ruey Tsay 对金融时间序列的分析
约翰·j·墨菲的《金融市场技术分析:交易方法和应用综合指南》
约翰·C·赫尔的期权、期货和其他衍生品
动态套期保值:纳西姆·尼古拉斯·塔勒布管理普通和奇异期权

上面提到的课程和书籍一定会提高你在算法交易领域不同领域的知识和专业技能。

算法交易的工作流程

说到“对工作流程的理解”，这个概念解释了每笔交易是如何在幕后使用算法进行的。简单地说，算法系统的工作原理是从交易所接收数据，然后在此基础上进行交易。

历史上，手动交易曾经很流行，交易者需要手动收集数据，并通过电话下单以执行交易。这需要花费大量的时间和精力，因此，由于没有多少交易可以进行，因此也就没有多少利润可言

现在，随着算法交易的出现，从收集市场数据到下单执行交易的整个过程已经自动化。

下面是一个量化分析师如何实施算法交易的简图:

所以，上图显示了一个量化分析师是如何实现算法交易的。

在的第一步，你将需要做研究或获得一些经验，从而得出一个假设。这就是你如何根据你设定的假设来制定策略。

然后在第二步，借助初步的分析和统计工具的使用，为交易设计规则。

在第三步中，使用其中一种语言，即 Python/R/C++，用编码语言将策略形式化。这样做是为了让系统/计算机化的交易平台用它能理解的语言来理解策略。

现在，在第四步中，测试阶段 1 通过回溯测试完成，其中考虑了历史价格信息。在这种情况下，使用历史数据来测试该策略，以了解如果您在过去使用该策略，该逻辑会有多好。通过这种方式，可以测试策略的性能。此外，根据结果，你有机会优化策略及其参数。

然后，第五步是测试阶段 2，在该阶段中，在真实环境中测试策略。在这方面，你不需要投入实际的钱，但它仍然为你提供了一个非常准确和精确的结果。因此，有了这一点，人们可以期望得到在实际环境中也可能出现的结果。唯一的缺点是，这是一个耗时的活动，但你可以通过使用他/她的经纪人提供的功能来做到这一点。或者，你也可以开发你的框架来测试游戏。

第六步涉及到在真实环境中的部署，这需要管理多个方面，这在回溯测试中通常不被考虑。

在功能上，需要管理以下方面:

订单管理
风险管理
货币/基金管理
资产多样化
投资组合管理
用户管理
滑移

从技术上讲，需要管理以下几个方面:

与代理 API 建立连接。
使用代理连接传递买/卖订单
与数据 API 建立连接(如果数据供应商不同于代理)
使用数据 API 连接访问实时和历史数据

如何建立自己的算法交易业务？

为了建立你自己的算法交易业务，你需要一些安排来使你的业务成功。虽然寻求知识来建立一个成功的企业是你实现目标的第一步，但是还有一系列其他的先决条件。

举几个例子，一个成功的算法交易业务需要硬件和软件形式的领域知识、熟练的资源、技术和基础设施。

此外，您还需要确保合规性和法规得到定期执行，以保持透明度、安全性和顺畅的工作流程。上述是你可能期待开始的任何生意的先决条件。

要进一步阅读和深入挖掘这个话题，请参考博客建立一个算法交易台。这个博客提供了对“如何着手建立你自己的成功的算法交易业务/交易台”的深入理解，以达到同样的成功。

我们整理了一些最受欢迎的由专家撰写的关于算法交易的博客。

结论

最后但并非最不重要的是，算法交易业务肯定会为您提供一个先进的交易和盈利系统，并已成为一种相当受欢迎的交易方式。此外，如前所述，随着其对新兴市场的影响越来越大，据连贯市场观察估计，其 CAGR 将在 2018 年至 2026 年间达到 10.1%。

因此，有了适当的知识，规则的遵守和法规，算法交易平台是最快的，安全的和最有利可图的。

问我任何问题:交易中的情绪分析和替代数据|免费网络研讨会

原文：https://blog.quantinsti.com/ama-sentiment-analysis-trading-20-may-2022/

https://www.youtube.com/embed/vVZNse7xiSs?rel=0

关于 CSAF

金融情绪分析和替代数据证书(CSAF) 是一门由讲师指导的课程，由领先的算法交易员、情绪专家、定量建模专家和 HFT 思想领袖为金融专业人士设计。

CSAF 是全面的，并提供无与伦比的算法世界和金融技术的最新思想的见解。完美的发展你的现代金融方法的职业生涯，它涵盖了交易的各个方面，投资决策和使用新闻分析，情绪分析和替代数据的应用。

关于会议

关于情绪分析、替代数据和职业机会的“问我任何问题”会议。这是一次揭秘会议，你可以向专家提出你的问题。

情感分析

什么是情感分析？
什么是交易中的情绪分析？
情绪分析如何用于交易？

替代数据

什么是替代数据？
什么是交易中的替代数据？
替代数据如何用于交易？

职业机会

职业机会有哪些？
如何在新的金融市场发展事业？

通过注册表格提前提出您的所有问题，以便在 AMA 会议中获得答案。

扬声器简介

Christina Erlwein-Sayer 教授

(柏林 HTW 大学统计学和金融数学教授)

Christina 教授是柏林 HTW 技术与经济学院统计学和金融数学教授，曾在 OptiRisk Systems 担任定量分析师和高级研究员。她于 2008 年在伦敦布鲁内尔大学获得了数学博士学位。然后，她在德国凯泽斯劳滕弗劳恩霍夫 ITWM 大学金融数学系担任研究员和顾问。

Gautam Mitra 教授

(联通和 OPTIRISK 董事长)

Mitra 教授是运筹学领域，尤其是计算优化和建模领域的国际知名研究科学家。他是 OptiRisk Systems 和 UNICOM 研讨会的创始人和主席。他出版了五本书，发表了 150 多篇研究论文，并于 2004 年被布鲁内尔大学授予“杰出教授”称号。

基思·布莱克博士

(FDP 研究所常务董事兼项目主任)

基思·布莱克博士是 FDP 研究所的常务董事和项目主任。此前，他在 CAIA 协会担任内容战略董事总经理，是 CAIA 课程的合著者。Black 博士拥有惠蒂尔学院学士学位、卡内基梅隆大学 MBA 学位和伊利诺伊理工学院博士学位。他是 CFA、CAIA 和 FDP 特许持有人。

本次网络研讨会于:
2022 年 5 月 20 日星期五
东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

把你的雄心作为你的职业——普里扬卡论算法交易

原文：https://blog.quantinsti.com/ambition-profession-priyanka-algorithmic-trading/

“如果你觉得有什么事情是你应该去做的，如果你对它有热情的话，那么停止许愿，去做吧。”——婉妲·塞克丝

当谈到对交易的热情时，我们会推荐一个能代表这种热情的名字——普里扬卡。一个有抱负的算法交易者，一个交易从业者，一个真正热情的学习算法交易的人。

一个沉默寡言，但拥有天赋的人，以下是她的简单旅程。

以下是我们与普里扬卡的对话:

嗨，普里扬卡，给我们介绍一下你自己。

嗨！我是普里扬卡，我在印度的 VTU 卡纳塔克邦完成了我的工程(ECE)。在过去的 5 年里，我一直在市场上交易。

我总是期待着了解市场，我也总是发现企业家精神是一个非常有趣的方面。当我第一次了解算法交易时，它吸引了我的注意，从那以后我就对它着迷了。

你为什么选择做量化交易者？

我说过，我一直对交易感兴趣。我想根据固定的系统或计划，有条不紊地设计交易策略。我非常渴望通过严格的研究和数学计算来开发交易策略。

我知道我可以制定策略，包括在选择证券、选择和过滤数据时应用科学方法。我对研究交易这些证券的数据特别感兴趣。

虽然我是自己交易，但在我看来，如果有正确的指导，我可以做得更好，这就是我对算法交易和量化交易领域的探索，让我来到了 QuantInsti 的 EPAT 课程。

你想和 Algo 交易者分享什么建议？

有许多技术因素(SMA 交叉)并不一定包含股票“未来”的全部信息。图表显示了历史价格，但历史价格不是未来价格的指标。

我最好的建议是考虑一些独特/聪明的因素，这些因素可能携带一些关于股票近期方向的信息(1 到 10 天)。这可以通过外推 QuantInsti 教授的算法来完成。同样，当测试你的因素时，测试多个投资组合，每个投资组合的股票数量相等。

试验，试验，试验。

还要记住，在牛市中表现良好的，在熊市中不一定表现良好。

你对想进入算法交易领域的人有什么寄语？

如果你需要从一些业内知名人士那里学习算法交易，在不影响质量的情况下，接触市场，EPAT 是正确的开始。该方案全面涵盖了股票市场的所有方面，如何建立战略和有效实施这些战略的方法。它包括各种模块，涵盖算法交易的每一个方面。

总的来说，如果有人想在算法交易中建立职业生涯，他们肯定应该选择这个项目。

谢谢你，普里扬卡，谢谢你告诉我们你的旅程是怎样的，谢谢你帮助我们与世界分享。我们同意，有了正确的技能、指导和支持，你就可以成为算法交易不断增长的领域的一部分。算法交易(EPAT)的高管课程就是这么做的。

其全面的课程包括培训模块，如统计学和计量经济学，金融计算和技术，算法和量化交易，并装备你成为一名成功的交易者。点击了解更多信息。

免责声明:为了帮助那些考虑从事算法和量化交易的人，这个案例研究是根据一个学生或 QuantInsti 的 EPAT 项目的校友的个人经历整理的。案例研究仅用于说明目的，并不意味着用于投资目的。EPAT 项目完成后所取得的成果对所有人来说可能并不一致。

用 C++编写的交易策略示例

原文：https://blog.quantinsti.com/an-example-of-a-trading-strategy-coded-in-c/

任何交易策略都可以分解成一系列事件和对这些事件的反应。反应可能会变得无限复杂和多变，但战略写作本质上非常简单，就是这样。

事件的种类及其频率将取决于市场和该策略所依据的工具，但是，一般来说，大多数市场将具有以下不同的特点:

事件种类

市场数据变化 -这可能意味着价格变化或尺寸变化。这也可能是最后的交易价格。
来自交易所的报告 -来自交易所的确认、拒绝等。
订单执行 -部分或全部执行之前下达的订单。
订单被发送到交易所——在向交易所发送订单后可能需要做的一些簿记工作，可能是为了风险管理。
间隔事件 -这不是一个与市场相关的事件，但更像是一些需要定期运行的逻辑。例如，蜡烛的形成。
正在加载的新投资组合 -正在加载的新投资组合可能会改变已经运行的其他投资组合的风险限额，因此需要减少订单规模等。
用户参数改变 -每个策略都需要一组特定的用户输入或参数，这些输入或参数定义了策略运行的框架。这可以从报价订单规模到该策略可以承受的最大风险等。这些参数中的任何一个改变都可能并且通常会保证一定量的重新计算。

战略

作为练习，我们可以看一个非常简单的量化交易策略，看看我们如何将一个前提分解成对事件的反应。让我们考虑一个纯粹的套利策略，它本质上是基于这样一个事实，即在不同目的地报价的相同工具应该理想地具有相同的价值。如果价值差异大到足以证明在一个交易所买入而在另一个交易所卖出是合理的，我们就会这样做。假设我们想从每一笔买卖中赚取差价。所以建议的策略是在 instr1 上报价

Buyprice = bid2-s

SellPrice = ask 2+s

其中，买入价格和卖出价格分别是 instr1 上的买入订单和卖出订单的价格。

Bid1 和 ask1 是 instr1 的价格。

Bid2 和 ask2 是 instr2 的价格。

基本逻辑是始终将买入订单保持在 bid2–s，将卖出订单保持在 ask2 + s。每当买入订单被执行时，我们就在 instr2 的 bid 2 上发送卖出订单。所以实际上，

我们在 bid2–s 买入，在 bid 2 卖出= >从这笔交易中获利 s。

OnMarketData(tick1, tick2)

{

buyPrice = tick2.bid- s

if buyorder present in instr1

replace it to buyPrice

else

send new order at buyPrice

sellPrice = tick2.ask + s

if sellorder present in instr2

replace it to sellPrice

else

send new order at sellPrice

}

onExecution{

if buy execution happened on instr1

send sell order on instr2

else if sell execution happened on instr1

send buy order on instr2

}

显然，正如我们所看到的，onMarketData 逻辑只依赖于 instr2 的市场数据，而不依赖于其他数据。

类似地，one execution 逻辑依赖于 instr1 上订单的执行。

目前为止听起来不错。在一个事物瞬间发生的理想世界里，这将是完美的。但在现实世界中，我们在一定的约束下运作。一些这样的限制是

订单到达交易所需要有限的时间
交易所需要有限的时间来确认订单
除非订单处于已确认状态，否则无法发送替换请求。

显然，这改变了一切。考虑下面的时间线。

T0:以价格 B1(= bid 2–s)发送的购买订单

T1: instr2 移动到 tick~2 (bid2-1，ask2-1)

T2:确认 T0 发出的订单

T10:工具 2 中的新市场数据

在 T1 时，我们在 instr1 上的购买订单应该被替换为 bid 2–1–s。但是，由于订单未被确认，我们无法替换它，因此订单仍然停留在 bid 2–s，并且它一直停留在那里，直到 T10 时新的市场数据出现。请注意，回执已到达 T2。但是，我们没有更换我们的订单(它的价格是错误的),因为我们认为对 instr1 的报价只取决于 instr2 的市场数据。这意味着如果这个订单在 T3 被执行，我们将

在 bid2-s 购买 instr 1

以出价 2 -1 出售 instr 2 =>我们生产了 s-1(而不是 s)。

为了避免这种情况，可能还需要对确认报告做出反应。

所以新的伪代码应该是

onAcknowledgement()

{

If acknowledgement is for instr1

onMarketData(tick1, tick2)

}

OnMarketData(tick1, tick2)

{

buyPrice = tick2.bid- s

if buyorder present in instr1

replace it to buyPrice

else

send new order at buyPrice

sellPrice = tick2.ask + s

if sellorder present in instr2

replace it to sellPrice

else

send new order at sellPrice

}

onExecution{

if buy execution happened on instr1

send sell order on instr2

else if sell execution happened on instr1

send buy order on instr2

}

听起来还不错。当然，直到我们挖得更深一点。考虑下面的时间线。

T0:以价格 B1(= bid 2–s)发送的购买订单 O1

T1:T0发送的订单已确认

T2:执行原始订单 O1。在投标 2 时在 instr2 上发送的覆盖销售订单

T3: instr2 订单执行。由于在 instr2 上执行，所以未执行任何操作

T10:工具 2 中的新市场数据。在 instr1 上发送的新购买订单 O2

请注意，从 T2 和 T10 开始，instr1 上没有买入订单。意味着我们可能会错失良机。我们只在 T10 介入一个买入订单，因为我们正在监听的事件是 instr2 上的市场数据、instr1 的确认和 instr1 的执行。为了避免错失良机，我们将在列表中添加另一项活动。instr2 的执行。因此，我们将伪代码修改为

onAcknowledgement()

{

If acknowledgement is for instr1

onMarketData(tick1, tick2)

}

OnMarketData(tick1, tick2)

{

buyPrice = tick2.bid- s

if buyorder present in instr1

replace it to buyPrice

else

send new order at buyPrice

sellPrice = tick2.ask + s

if sellorder present in instr2

replace it to sellPrice

else

send new order at sellPrice

}

onExecution{

if buy execution happened on instr1

send sell order on instr2

else if sell execution happened on instr1

send buy order on instr2

else if execution is on instr2

onMarketData(tick1, tick2);

}

到目前为止，我们假设我们的执行完全发生或根本不发生。部分执行给我们简洁的逻辑带来了麻烦。这是因为这增加了另一个我们必须遵守的约束:

更换时，我们要告诉交易所最后一次交易时间是什么。最后交易时间是指每当订单改变(确认、替换、交易等)时，每个交易所分配的时间戳

这导致了下面的场景

T0:以价格 B1(= bid 2–s)发送的购买订单 O1

T1:确认 T0 时发出的订单。上次交易时间更新为 T1

T2:instr 2 的市场数据更改为 bid 2–1。发送替换请求(R1，最后交易时间为 T1)以将价格更改为 bid2-1-s

T3:在 R1 到达交易所之前，部分执行原始订单 O1。最后交易时间在交换端更新为 T3。以投标 2 在 instr2 上发送的封面销售订单。由于订单处于未确认状态，instr1 上未发送任何更换请求。

T4:订单被拒绝，因为交易所认为最后交易时间是 T3，但替换请求是用 T1 发送的。

T10:工具 2 中的新市场数据。在 instr1 上发送的 R2 替换请求

在 T4 和 T10 之间，instr1 上的买入订单仍然停留在 bid 2–s(而不是 bid2-1-s)。如果我们看到另一个执行，这可能会导致滑点。我们没有将其替换为正确的价格，因为我们只是对 instr2 的市场数据、instr1 的确认和执行情况做出反应。

现在，我们也可以将剔除添加到算法中。

onAcknowledgement()

{

If acknowledgement is for instr1

onMarketData(tick1, tick2)

}

OnMarketData(tick1, tick2)

{

buyPrice = tick2.bid- s

if buyorder present in instr1

replace it to buyPrice

else

send new order at buyPrice

sellPrice = tick2.ask + s

if sellorder present in instr2

replace it to sellPrice

else

send new order at sellPrice

}

onExecution{

if buy execution happened on instr1

send sell order on instr2

else if sell execution happened on instr1

send buy order on instr2

else if execution is on instr2

onMarketData(tick1, tick2);

}

onReject{

if reject on instr1

onMarketData(tick1, tick2)

}

到目前为止，我们已经做了两个非常大的假设。第一，事件一个接一个地发生，第二，我们对事件的反应是瞬间的。然而，在现实中，事件可能同时发生，例如，市场数据和订单的执行可能同时到达我们这里。这意味着该策略将并行运行两个不同的线程。同样，当我们正在处理对市场数据事件的反应时，执行可能会到来。如果并行处理事件，我们必须小心实现，因为像 buyPosition 和 sellPosition 这样的变量可能处于不一致的状态。如果您想避免多线程实现的复杂性，那么您可以始终按顺序处理事件，这样的代价就是延迟。我们将在另一篇文章中探讨多线程实现中出现的边缘情况，以及如何绕过它们。

即使在单线程实现中，我们也还没有考虑用户生成的事件，如参数更改。例如，如果用户决定改变 s 的值，我们也应该对此做出反应，而不是等待下一个市场事件来用正确的价格替换我们的报价。这篇文章的本质是介绍在实施算法交易策略之前，分解一个事件并深入挖掘逻辑流程的方法。

下一步

了解如何在 R 中回溯测试您的交易策略。我们在 R 中使用 Quantmod 包编码的'交易策略的帖子将带您一步步地获取历史数据，并在 R 中编码您的交易策略..

下载 C++代码

C++中的交易策略代码

在 R 中使用 Quantmod 包编码的交易策略的例子

原文：https://blog.quantinsti.com/an-example-of-a-trading-strategy-coded-in-r/

在本帖中，我们将回测我们的交易策略。交易策略的回测可以分四个阶段进行。

获取历史数据

quantmod 包使得从雅虎财经中提取历史数据变得非常容易。下面的一行代码获取 NSE ( Nifty)数据。

getSymbols("^NSEI")

Quantmod 提供了各种可视化数据的功能。以下命令为 NSE 数据创建图表。

chartSeries(NSEI, TA=NULL)

TA="Null "表示不使用任何技术指标。我们将很快看到技术指标在图表上的应用。

制定交易策略并指定规则

下一步是选择一个交易策略。在这个例子中，我们将选择 MACD(移动平均收敛发散度)。在移动平均线交叉策略中，计算两个平均值，一个慢速移动平均线和一个快速移动平均线。快速移动平均线和慢速移动平均线的区别叫做 MACD 线。第三平均称为信号线；还计算了 MACD 信号的 9 天指数移动平均值。如果 MACD 线穿过信号线，这是一个看涨的信号，我们做多。如果 MACD 线穿过信号线下方，这是一个熊市信号，我们做空。我们选择 NSE 数据的收盘价来计算平均值。以下命令完成了这项任务。

data=NSEI[,4]

下面的命令计算收盘价的 MACD。

macd = MACD(data, nFast=12, nSlow=26,nSig=9,maType=SMA, percent = FALSE)

人们可以根据交易要求选择不同的参数来衡量快速、慢速和信号平均线。这里我们坚持标准参数。MACD 是 quantmod 中计算移动平均线收敛发散的函数，数据是 NSE 的收盘价，nFast 是快速移动平均线，nSlow 是慢速移动平均线，maType =SMA 表示我们选择了简单移动平均线，percent =FALSE 表示我们正在计算快速移动平均线和慢速移动平均线之间的差异。将其设置为 TRUE 将返回快速移动平均线和慢速移动平均线之间的百分比差。

以下命令绘制了 NSE 收盘价和 MACD 参数的图表。

chartSeries(NSEI, TA="addMACD()")

如前所述，我们将交易信号定义如下

如果 MACD 信号越过信号线，我们在 NSE 做多
如果 MACD 信号穿过信号线下方，我们就做空 NSE

下面的命令相应地产生交易信号。我们使用滞后算子来消除前瞻偏差。

信号=滞后(if else(MACD $ MACD<MACD $信号，-1，1))

对历史数据执行策略

我们将对 NSE 从 2007 年 9 月 17 日到 2015 年 9 月 22 日的历史数据应用此策略。交易信号应用于收盘价，以获得我们策略的回报。

returns = ROC(data)*signal

ROC 函数提供两个收盘价之间的百分比差。我们可以选择希望看到回报的持续时间。以下命令选择 2008 年 6 月 2 日和 2015 年 9 月 22 日之间的返回时间。

可以使用以下命令计算和绘制累积回报:-

portfolio = exp(cumsum(returns))

plot(portfolio)

评估绩效指标

回溯测试的第 4 ^{步是评估性能指标。R 中的性能分析包提供了一个整合的平台来观察与性能相关的参数。在 r 中可以观察到各种指标，如提款、下行风险。}

以下命令提供了上述参数的摘要以及更多信息！

table.Drawdowns(ret, top=10)

table.DownsideRisk(ret)

charts.PerformanceSummary(ret)

下面是代码的简洁版本。

require(quantmod)
require(PerformanceAnalytics)
getSymbols('^NSEI')
chartSeries(NSEI, TA=NULL)
data=NSEI[,4]
macd = MACD(data, nFast=12, nSlow=26,nSig=9,maType=SMA,percent = FALSE)
chartSeries(data, TA='addMACD()')
signal = Lag(ifelse(macd$macd < macd$signal, -1, 1))
returns = ROC(data)*signal
returns = returns['2008-06-02/2015-09-22']
portfolio = exp(cumsum(returns))
plot(portfolio)
table.Drawdowns(returns, top=10)
table.DownsideRisk(returns)
charts.PerformanceSummary(returns)

下一步

在这篇文章中，我们展示了一个非常简单的策略，并看到了如何将一个前提分解成对事件的反应。为了使它更简单，我们添加了一个用 C++编写交易策略的例子。单击此处立即访问。除此之外，你可以查看我们博客上关于不同量化交易策略的文章。

更新

我们注意到一些用户在从雅虎和谷歌金融平台下载市场数据时面临挑战。如果你正在寻找市场数据的替代来源，你可以使用 Quandl 来获得同样的信息。

一个分析师学习卖空的故事

原文：https://blog.quantinsti.com/analyst-short-selling-punit/

成功是保持学习和努力工作的火焰不灭的欲望。可以是小的成就，也可以是大的成就，正是这些目标让你兴奋地早早起床。

一个这样的故事是关于 普尼特·巴拉德瓦 的，他用他的分析经验看到了量化交易的增长。他知道他必须上船。除了“数据驱动”这个词，还有什么能让分析师们竖起耳朵？

阅读所有关于 Punits 学习和创建自己的交易策略的旅程。

告诉我们一些关于你自己的情况:你目前的工作概况，你的教育背景。

作为一名受过正式训练的数学家，我为一家投资银行工作，密切关注估值模型和自动化流程。我用我的个人账户交易，有一个目标，在空闲时间创造新的策略。

是什么激励你学习量化交易？

我相信交易是一个过程，一个众所周知的困难过程。量化交易允许以合理的方式管理和控制风险。额外的好处是能够在日常工作之外运行交易系统，这无疑有助于心理健康。

你参加过 Laurent Bernut 的《交易中的卖空》课程吗？

Quantra 课程短小精悍。他们开门见山，立即钻研深层概念。这一点，加上伯努特概述的思维过程的简单性，给严肃和中级都增加了价值。它们非常适合严肃和/或中级学习者，也适合热情的初学者。

我喜欢劳伦特·伯努特教授的关于卖空的课程，因为它非常适用于真实交易。虽然提供了一个系统，但它是模块化的，因此学生可以专注于他们认为与他们相关的部分。课程中给出和使用的代码可以立即使用，它可以直接获得的事实表明了伯努特先生的信心。

无论是从手工交易转变为自动化交易，还是开始自己的高频交易，QuantInsti 课程都将为您提供便利。Quantra 课程是自定进度的小型课程，是获得使用 Python 或 excel 创建自己的交易策略所需技能的快速方法。所以你可以在几个小时内获得有用的技能。

寻找课堂辅导和与教职员工一对一互动？点击了解更多。

免责声明:为了帮助正在考虑从事算法和量化交易的个人，本案例研究是根据来自 QuantInsti 的学习者的个人经历整理的。成功案例仅用于说明目的，不用于投资目的。完成任何 QuantInsti 课程后获得的结果对所有人来说都不尽相同。

分析和实验的态度——普拉内成为成功的量化分析师的秘密

原文：https://blog.quantinsti.com/analytical-attitude-pranay-quant/

跟上最新的趋势永远不会太晚。所需要的只是一些投资——不仅是金钱上的，物质上的，还有情感上的投资。一个人需要从个人和职业生活中抽出时间来得到自己想要的东西。

Pranay 让自己继续前进，学习，应用和渴望实现他在生活中的愿望。就像他说的，通过培养分析和实验的态度！今天，作为一个成功的量化分析师，Pranay 经历了一段有趣的旅程，我们想和所有读者分享。

以下是我们与 Pranay 的对话:

你好，普拉内！你能给我们介绍一下你自己吗？

嗨！我是普拉内·拉斯托吉。我目前是波兰弗罗茨瓦夫瑞士瑞信银行公司的定量分析师。我在马尼拉理工学院获得了电子和通信工程学士学位。

之后，我清门考试。我在 IIT 海德拉巴获得了电气工程硕士学位。

我喜欢拼图，编程，我也是一名壁球运动员。在金融行业，我在 LinkedIn 上联系并关注了许多人，他们已经完成了研究生课程，是世界上一些知名大学的博士。我一直在跟踪他们，阅读他们的研究论文。

今天，我的职业专注于研究和定量分析。但正因为如此，我没有金融背景，我最终想投身于量化金融，因此我报名参加了 QuantInsti 的 EPAT 项目，通过这个项目我了解了一切。

我以这项研究为基础，在金融业找到了一份定量分析师的工作。我有幸与瑞士瑞信银行和汇丰银行等投资银行以及 HFT 公司共事。

你能和我们分享一下你的工作经验吗？

在我的 EPAT 课程期间，我被安排在新德里的一家 HFT 公司工作，在那里我有机会学习 HFT 的基础知识，逐笔读取数据，进行数据分析，并学习如何提出自己的算法。

工作了一段时间后，我去了汇丰银行，做了一名定量分析师。我在定量金融领域有很好的曝光率。我直接与伦敦的 Quants 服务台团队合作，许多关键人物都参与其中，我也会与伦敦的前台打交道。

我在 HFT 的下一份工作是在 Ogha research 担任定量分析师。在 Ogha，我有机会在 HFT 探索新的策略和交易理念。由于行动迅速且不情愿，我感到轻松，并开始开发和回测新策略，并付诸实施。

去年，在探索印度以外的工作时，我也有机会和波兰的瑞士瑞信银行一起工作——在他们的 Quant Strat 团队。所以，我来了，开始了我职业生涯的下一段旅程。

根据你的观点，研究在交易中的作用有多重要？

如今市场上有许多参与者。在市场上部署模型之前，人们必须做大量的背景工作、一些家庭作业和良好的研究。因为只有这样他才会有优势。所以，他必须仔细研究市场。

让我们考虑这个例子:

问题:如果给你一个小时去砍树，你会做什么？T3】

回复:花 50 分钟磨斧子，然后 10 分钟砍树。T3】

所以，一个人必须磨利他的工具，做他的研究。一旦他擅长研究，他就可以去做模型，然后在市场上部署他的模型。当然，有很多先决条件，如指标分级、市场测试等。但是，这需要大量的研究。

一旦你把你的研究论文放到网上，你会得到很多关于人们如何看待市场的想法，他们如何制作他们的模型，他们调整了哪些参数，等等。

我认为现在许多公司和对冲基金更加关注机器学习技术。这不是一个人去做手工交易的时代。在高频交易中(HFT)，微秒和纳秒有很大的不同。因此，人们必须做大量的分析工作。所以，对定量分析的兴趣是必要的。

这是我的方法，也是我的想法。

你愿意提及一些你用过的工具和技巧吗？

在我目前的职位上，我也在使用 F#，因为它是函数式编程——并且为许多证券定价。除此之外，我们还为华尔街的许多对冲基金使用 F#，这些基金使用 Julia -另一种函数式编程。所以，F#非常方便。很少有人用 F#。有时候也会用到 C++。

正如我最初提到的，C++和 Python 是业内最常用的编程语言和工具。当然，我更喜欢 C++，它是我的首选语言。

我用 Python 跟熊猫，Numpy，Tensorflow，Scikit 学过想出模型。除此之外，许多对冲基金和行业正在使用 Python 进行量化工作、定价，主要是 HFT 系统。

对于原型、数据分析、交易策略的回溯测试，你可以选择 Python。为什么？

因为它是开源的，
网上有很多帮助，
外面有很多图书馆，
当一个人想进入 ML 时，它是首选语言
数据科学领域

当然，也有其他语言可用，如 R 和 MATLAB，但就在线帮助和支持而言，Python 是最大的。这也取决于一个人正在做的工作。人们不能仅仅部署 Python 程序或 HFT 系统。

你已经开发了一款增强现实应用，能告诉我们吗？

我在 IIT 选修了一门多媒体通信和系统的课程，这门课程要求我做一个关于最新技术的项目。所以我做了一个增强现实播放器，因为它我们获得了第二个最佳项目奖。

人们必须下载 Android 应用程序，打开它——打开相机，拍摄选定的图像。现在，由于图像与特定媒体之间存在内部映射，当相机看到该图像时，特定媒体被激活。这只是一个初始模型。

你喜欢什么样的学习方式？

如果一个人必须在这个特定的行业，他必须保持与行业的最新事件和技术更新。

在研究方面，我特别崇拜定量金融学方面的保罗威尔莫特赛克斯。最近，我对使用 Python 的深度学习模型很感兴趣。除此之外，还有许多关于波动性、交易和所有这些方面的量化金融书籍，人们可以去探索。

如果我看看我自己的组织，有许多 Quants 从帝国理工学院获得博士学位，我通常尊敬他们，跟随他们获取知识。

根据你在机器学习方面的经验，你对此有什么想法？

截至目前，我仍然认为它像一个黑匣子。有一些像线性回归、逻辑回归这样的模型，但是除此之外，我还没有在这个行业中看到非常好的模型。然而，这一领域在金融领域仍然是一个新领域，机器学习已经有了大量的应用。但是，挑战之一仍然是模型的互操作性。

你在生活中是如何运用你的算法交易知识的？

EPAT 对我来说意义重大，因为我对量化金融一无所知，它给了我进入量化金融行业的阶梯。我实际上涵盖了我的基本知识-什么是看涨期权，什么是看跌期权，期权定价，等等。

最好的部分是在课程结束时做一个项目。讲师和导师总是乐于助人。当我需要期权定价方面的帮助时。在这方面他有很多知识。

这是我非常喜欢 QuantInsti 的一点——即使一个人已经完成了他的课程，你也能为他们提供服务和福利。

所以，我对 EPAT 心怀感激。

你对有抱负的量化分析师有什么话要说吗？

培养分析思维和实验分析态度

这不像是给你特定的步骤去做特定的任务。你必须深入和超越，探索很多方法，然后只有你会成为一个成功的定量分析师。更多的是关于研究——不仅仅局限于参考研究论文，你必须做很多实验，自己动手做一些事情，然后你会得到很多想法。

你有时会失败，你会获得一些经验，你会再次尝试。很少有像勤奋这样明显的品质，让自己跟上最新的技术和趋势。

祝一切顺利！

谢谢你抽出时间，Pranay，从波兰和我们连线。我们祝你不断成功和成长。

在追求提升算法交易知识的过程中，你需要具备必要的知识和技能。我们的算法交易 (EPAT )高管课程帮助你实现你的学习目标。EPAT 是一门综合课程，涵盖的主题从统计学&计量经济学到金融计算&技术，包括机器学习等等。

安德里从美术到算法交易的旅程

原文：https://blog.quantinsti.com/andriis-journey-arts-algo-trading/

交易是一个吸引来自不同领域的每个人的领域。而且，算法交易领先一步，允许人们通过定量和技术模型和分析，以及机器学习和人工智能等先进概念来增强他们的交易策略。

安德里就是这样一个决心在这个领域出类拔萃的人。安德里·瓦西里耶夫(Andrii Vasyliev)是一名美术和建筑专业的学生，他决定追求自己对算法交易的兴趣，从而提高自己的交易技能。

以下是我们与安德里的对话

Hello, Andry, tell us something about yourself.

嗨！我是安德里·瓦西里耶夫。我住在乌克兰。我从 2006 年开始研究金融市场。同年，我决定离开美术和建筑学院，去学习和发展分析和交易技巧。

With more than 10 years of experience in strategy research and development, what inspired you to explore the field of algorithm trading?

分析性能，检查大量的方法和策略，我得出结论，行动的自动化和算法化是未来可依赖的可持续积极结果的关键组成部分。

What made you choose EPAT to learn algorithmic trading?

选择 EPAT 方案是基于高质量和结构良好的信息、与合格专家直接对话的可能性以及从沟通的第一天起就得到的高度支持。

Tell us about your experience in EPAT.

我对 EPAT 项目的师资和支持有着非常好的印象。该方案的时间表是非常坚实和合乎逻辑的。学生和团队之间保持高水平的沟通，在学习过程中保持适当的参与度。一些我无法理解的难懂的概念用适用的例子很容易解释。多亏了这个项目，我能够克服学习编程语言的障碍，并最终开始在实践中使用这一技能。

How did you apply what you learned from EPAT to your career? What are your future plans?

在我工作的这个阶段，我经常使用我在课程中掌握的数据分析和 Python 编程的技能。我在整个课程中获得的大量有用信息仍在等待应用的时机。

What information or suggestions do you want to share with people with lofty ideals in EPAT?

我想提醒参加 EPAT 课程的人，掌握交易的技巧和概念需要毅力、专注和思维训练，没有勤奋是不可能做到的，所以要有耐心和毅力！

安德里的故事展示了坚持不懈地追求自己的激情可以带来成功的结果和更好的实践技能。

EPAT 教你终身技能，这将永远帮助你提升你的交易策略。通过统计和计量经济学，金融计算和技术，机器学习等主题，EPAT 确保你熟悉在交易领域取得成功所需的每一个领域和技能。在此报名。

免责声明:为了帮助那些正在考虑从事算法和量化交易的人，这个案例研究是根据 QuantInsti EPAT 项目的学生或校友的个人经历整理的。案例研究仅用于说明目的，并不意味着用于投资目的。EPAT 方案完成后取得的成果对所有人来说可能不尽相同。

情绪分析在交易中的应用:它在哪里工作？

原文：https://blog.quantinsti.com/applicability-sentiment-analysis-trading-works/

情感分析。也称为观点挖掘，是对一段文本中表达的观点进行计算识别和分类的过程，尤其是为了确定作者对特定主题、产品等的态度。是正的、负的或中性的。分析发现，社交媒体、股票市场、、法律、政策制定、社会学甚至客户服务都有显著的突出表现。

机器对事件的反应比人更快，可以毫不费力地处理大量信息。在波动性更大的市场中，人们往往对正面消息反应不那么强烈，而对负面消息反应更强烈。当然，有些情况下，情绪分析，有时也称为新闻分析，对一个职位来说很有效，但在其他情况下却失败了。下面的幻灯片总结了交易中情绪分析的有利和有利的结果。

https://prezi.com/embed/aj0mccm6n_wi/?bgcolor=ffffff&lock_to_path=0&autoplay=0&autohide_ctrls=0&landing_data=bHVZZmNaNDBIWnNjdEVENDRhZDFNZGNIUE43MHdLNWpsdFJLb2ZHanI0VHpDWDZnc2lGT1czWExUVHM3TXU2eDNnPT0&landing_sign=pY51gqFI2VybVfmw9_HMgzl3EN4vvoseZXOIQL-jRkI

如果你希望在现代金融方法方面发展你的职业生涯，一定要参加这个关于金融情绪分析的课程。它涵盖了交易的各个方面，投资决策&应用使用新闻分析，情绪分析和替代数据。

丹尼尔如何将他的统计知识和技术应用到交易中

原文：https://blog.quantinsti.com/applying-statistical-knowledge-technical-skills-trading-daniel/

技术已经渗透到全球几乎所有的领域，现在正朝着融合人工智能和机器学习等先进概念的方向发展。在这个技术不断发展的世界中，有必要具备一定水平的技术意识，以学习将概念应用于现实世界的问题。

丹尼尔·武科塔，量化交易数据分析师，凭借其技术专长和统计知识进入算法交易领域并在其中表现出色。

下面是我们与丹尼尔的对话

嗨，丹尼尔，给我们介绍一下你自己。T3】

我拥有统计学学士学位，在 Oracle 应用程序、各种数据库、数据集成和转换以及数据分析和商业智能方面拥有 20 年的编程经验。我一直着迷于问题解决和数据探索，试图理解为什么会发生、正在发生和可能发生的行为。我认为自己是一个有创造力和好奇心的人，热爱艺术&手工艺、绘画、写作、阅读、烹饪、木工、演奏音乐、电影和旅行。

你是什么时候开始交易的，是什么促使你去探索算法交易这个领域？T3】

我的兄弟拥有一家投资公司，他最初是一名交易员，他希望能雇佣一名能够利用技术分析和自动化来改进交易实践的人。所以他建议说，这可能是我感兴趣的事情，也可以和他一起工作。我在编程方面也有很多经验，并且有统计学学位，所以这正好符合进入这个领域的要求。

作为一名技术出身的人，你希望提升或增强哪些技能？T3】

我正在研究学习和应用 Python 来创建交易策略。

是什么让你选择 EPAT 来实现你的目标？T3】

它为量化交易概念、工具和理论的不同方面提供了一个良好的基础和广阔的范围，并且需要课程和考试来获得一个有声望的认证。

说说你的经历。T3】

我喜欢一些课程，但是我发现很难跟上，因为我是全职工作，是一名要求很高的软件开发人员。我发现统计方面和 Python 编程非常有趣和有用。一些关于金融工具的基本培训会帮助我更好地理解股票市场的图表和基本面。

您如何将通过 EPAT 获得的技能和知识应用到您的职业生活中？T3】

我正在使用 Python 代码中的一些基础知识来构建策略回溯测试代码。

你想和有抱负的量化分析师和算法交易者分享什么信息？T3】

我鼓励有抱负的量化分析师尽可能多读书，尽可能多查阅网络资源，扩大知识面，以便在这个领域更加成功，更加博学。

丹尼尔的故事展示了任何人如何将他们的技能运用到不同的领域，比如算法交易。有了正确的技能、指导和支持，你就可以成为算法交易领域不断增长的一部分。算法交易的执行程序( EPAT )就是这么做的。它的综合课程包括培训模块，如统计学&计量经济学、金融计算&技术和算法&量化交易，让你成为一名成功的交易者。点击了解更多信息。

免责声明:为了帮助那些考虑从事算法和量化交易的人，这个案例研究是根据一个学生或 QuantInsti 的 EPAT 项目的校友的个人经历整理的。案例研究仅用于说明目的，并不意味着用于投资目的。EPAT 方案完成后取得的成果对所有人来说可能不尽相同。

Aroon 指标:如何将其用于加密货币交易

原文：https://blog.quantinsti.com/aroon-indicator-cryptocurrency-trading/

由瓦伦·迪瓦卡

在这篇博客中，我们将了解 Aroon 指标，也称为 Aroon 振荡器。

什么是 Aroon 指标？

1995 年，Tuscarora 资本管理公司的负责人,《新技术交易者》( 1994 年)和《超越技术分析》( 2001 年)的作者 Tushar Chande 开发了 Aroon 指标。这对于捕捉趋势和识别区间市场非常有用。

如何计算 Aroon 指标？

首先让我们了解一下 Aroon 是如何计算的。Aroon 指示器由两部分组成。

阿龙努普
阿龙当

AroonUp 用于衡量上涨趋势，aroondow用于衡量下跌趋势。通常，AroonUp 是使用高点计算的，AroonDown 是使用低点计算的，但您也可以仅使用收盘价来计算它们。

要计算 AroonUp 值，您需要知道两件事:

回顾时期
自最高价形成以来的时期

假设你选择了一个 14 周期的回顾，那么我们需要检查过去 14 个周期的最高价/收盘价。

让我们说最高的顶点出现在第四根蜡烛上。则 AroonUp 计算如下:

AroonUp =(回看-(自最高高点以来的周期))/(回看)

因此，aro NUP =(14-4)/14

即。 AroonUp = 0.7142

你一定注意到了，Aroon 指标是一个百分比值。它只是表示在过去的“X”周期中，最高/最低价格有多近。上面计算的 AroonUp 值乘以 100，以百分比形式表示。

AroonUp = 0.7142*100

即。 AroonUp = 71.42

同样，AroonDown 是使用过去 X 个周期中的最低低点计算的。

AroonUp =(回看-(自最低低点以来的周期))/(回看)

减去两个 Aroon 指标，计算 Aroon 振荡器。

AroonOscillator = AroonUp-AroonDown

虽然 Aroon 振荡器是表示这两种指标的简单方法。让我们来详细了解一下如何解读这些指标。

Aroon 指示器的解释

当 AroonUp 值大于 AroonDown 值时，市场被称为趋势上升。

但 Aroon 指标的这种交叉并不被认为是一个强烈的信号，相反，它被视为趋势的开始。只有当 AroonUp 值超过 50 时，才会确认上升趋势。

在上图中，绿色的 Aroon 线代表 aroonp 值，它高于红线或 AroonDown 线，每当市场趋势向上时。

你也可以用 Aroon 振荡指标来解释这一点，如果 Aroon 振荡指标高于零，它表示上升趋势，如果它高于 100，你认为它是上升趋势的确认，如果它低于-100，那么我们可以确认它是下降趋势。

Aroon 指标也可以用来识别区间市场。当 AroonUp 和 AroonDown 指标平行时，或者当 Aroon 振荡指标持平时，它表明市场在区间波动。如果你是一个日内黄牛党，那么这个平坦的区间是你交易的理想选择。

和所有技术指标一样，Aroon 也是一个滞后指标。因此，它容易受到突然峰值的影响。为了防止这种波动，交易者应该有有效的退出标准。

加密货币交易商总是在寻找最可靠的经纪和交易平台。你可以参考这篇列出了 9 个最佳加密货币交易所的文章。

在我们的加密货币交易课程中，我们已经成功应用 Aroon 指标结合 RSI 生成交易信号。

交易中的人工智能和机器学习

原文：https://blog.quantinsti.com/artificial-intelligence-machine-learning-trading/

由查尼卡·塔卡

人工智能是一个当代概念，我们都听说过，甚至可能知道它。因为这是你选择通读的文章，你肯定会从我们前面提到的人工智能和人工智能的交易方面受益。在今天，我们必须知道他们是如何推动有利可图的交易的。在 AI & ML 的帮助下找到所有关于交易的信息。因此，本文的内容涵盖:

人工智能是什么，在交易中是如何使用的？
人工智能的种类
人工智能和机器学习对交易的影响
AI 和 ML 在交易中的实现和应用

人工智能是什么，在交易中是如何使用的？

基本上，人工智能(AI)是制造智能机器的科学和工程。具体来说，它考虑到智能计算机程序来计算、推理、从经验中学习、适应新情况和解决复杂问题。人工智能(AI)主要基于计算机科学、心理学、语言学、数学、生物学和工程学等学科。

由于人工智能正在极大地塑造股票交易的未来，它将在未来的时间里继续使交易有利可图。例如，机器人顾问可以在尽可能短的时间内自动分析数百万个数据点，并在此基础上预测价格。此外，它在最有利可图的时候执行交易，因为它有能力在股票市场每秒进行几笔交易。因此，为了准确分析、预测、及时执行交易以及降低风险，人工智能发挥着重要的作用。

现在，让我们看看人工智能在交易中的具体应用:

图案形成
预测交易(基于情绪)
提高交易速度

图案形成

人工智能是一项强大的技术，有助于在几秒钟内分析大量数据点。通过这种方式，它可以快速识别那些历史交易模式，并为智能交易进行复制。然而，人类无法以这样的速度识别和构建模式。

预测交易(基于情绪)

基于对新闻标题、社交媒体评论和其他平台的分析，人工智能能够在情绪分析的帮助下预测其他交易者的举动以及股票的走向。

提高交易速度

由于这是一个以技术为导向的快节奏运作时代，人工智能有助于促进每一毫秒的交易。此外，人工智能导致了这种不需要人工干预的快节奏自动化交易。

太好了！现在让我们转到人工智能的类型，看看人工智能涵盖的主要类别。

人工智能的种类

现在，你必须知道基于规则的系统和机器学习都有助于推断输入数据。这两种类型对特定情况都很重要。现在让我们看看这些类型之间有什么不同。

基于规则的系统

基于规则的系统被认为是简单的人工智能。他们只需要输入符合这个或那个的语句，就可以使系统得出结论。因此，它由一些 IF-THEN 规则和一组事实组成。它的作用基于两个主要原则，即:

一组事实
一套规则

一组事实

这些是数据所依赖的一组一般事实。例如，一本书的价格是 100 印度卢比或超过 100 印度卢比。

一套规则

这些是事实的引擎，因为它们决定了两种事实的结果。例如，如果这本书的价格是 10 美元，那么你买它。

既然你对这两个概念都很清楚，那么让我们来看另一个例子。人工智能被输入基于规则的信息，以推荐每天穿哪种颜色的鞋。在这种情况下，会有事实支持同样的观点。事实可能会因为几个原因而有所不同，例如:

下雨了
这是一个运动日
这是一个庆祝的日子

基于以上事实，系统将相应地结束每一天。

这里，同样重要的是要注意，在特定领域的一组人类专家的帮助下，决策被输入到系统中。

此外，规则很容易编写，因为您只需要在决策过程中出现您之前没有考虑到的任何其他事实时，向系统添加一条规则。这里要注意的另一个要点是，规则是确定性的，因此，没有将规则适当地放置会导致错误的结果。此外，现实生活场景中的变化可能会比系统中的更新更快。这也会使结果出错。

想了解更多，可以参考研究论文这里。

机器学习

机器学习是另一种方法，但它是一种改进的方法，有助于消除基于规则的系统中的问题。在这种情况下，机器得到的是关于每个数据点结果的信息，而不是决策过程。

例如，如果 1000 名申请者中有一部分人的奖学金申请被拒绝，那么系统将只提供结果，而不是整个过程。

这样，与基于规则的系统相比，自动化系统学会做出更准确的决策。

因此，它在历史结果的基础上运作，并预测未来的结果。此外，除了历史结果，它还考虑了影响决策的其他参数或因素。

根据的另一个例子，这里的输出可以简单到‘我今天是否应该带伞？’或者像‘预测股票价格’这样复杂的事情。因此，需要多少输入变量或特征就有多少。尽管输入变量和输出在很大程度上是真实世界的情况，但仍然很难解释在这两者之间起作用的几个因素。

现在让我们来看看机器学习过程可能不起作用的地方。

在这里，一个例子可以帮助决定一个场合的服装。在这种情况下，影响决策的因素非常多，其中之一就是“特定日期的温度”。该系统将检查一年前同一天的温度，以此作为其结果的基础。

但是，这里的因素可能不一致。这是因为在今年的某一天，气温可能或多或少。因此，根据当前的温度来决定，系统将不得不依赖于那天的事实。

值得一提的是，机器学习也有一种类似于基于规则的系统的‘决策树’方法。在这种情况下，您需要在开始时向系统提供一条语句，然后继续执行随后做出的决策。但是，决策树和基于规则的系统是有区别的，基于规则的系统是有信息反馈的。基于规则的系统来自人类专家的输入，而决策树中的决策是由机器学习过程做出的。

现在，既然你清楚人工智能的类型，让我们继续前进，找出人工智能和机器学习对交易的影响。

人工智能和机器学习对交易的影响

事实上，人工智能和机器学习有能力解决交易领域的大规模问题。这些情况或问题通常与优化、分析和预测有关。凭借这种力量，人工智能和人工智能在以下方面影响了交易:

股票价格预测因子(因素)的识别与分析

人工智能和人工智能使用神经网络和几种学习方法来识别和分析导致特定股票价格的因素。这些因素也被称为预测因素或特征。基于这些因素，AI 和 ML 预测未来的股票价格。还有，AI 的这个应用是机器学习的一个例子。

基于事实的决策

人工智能是一个自动化系统，它做出基于事实的决定，而不像人类那样，人类的决定是由恐惧、贪婪、希望和议程等情绪驱动的。有了这些基于事实的决策，交易对市场参与者来说变得更加有利可图。

交易领域招聘模式的变化

随着基于事实的交易的出现，人工智能也带来了人类帮助管理交易的需求。由于基于人工智能和人工智能的交易需要精通数学、计算机编程等的个人，现在交易领域正在招募各种相关领域的员工。

聊天机器人的使用

人工智能和人工智能通过一些有利的内含物，例如聊天机器人，为交易者的日常生活带来了显著的附加值。聊天机器人改善了交易的方式，因为交易者不仅可以更容易地与聊天机器人交流，还可以访问报表的历史记录。此外，聊天机器人可以自我学习，不需要任何人工干预。

这里，我们举个例子。假设你，作为一个交易者，向机器人发送一条消息来了解交易报价。在这种情况下，机器人会更新你的当前价格，还会确认你正在看的交易规模。现在，机器人会为你提供潜在的报价，也会考虑其他交易者的反应。一旦收集了所有报价，它将为您提供最好的报价。

模拟风险场景

由于人工智能有助于预测交易领域的股票价格，它是迄今为止股票市场的最佳工具。有了准确的风险预测，交易者可以做出明智的决定。人工智能有能力收集大量数据，并以非凡的速度和准确性进行分析。有了这种能力，it 就有可能最大化潜在收益并模拟风险情景。因此，AI 和 ML 已经将交易业务转向对交易者更有利可图的方向。

正如你所看到的，人工智能和人工智能以前所未有的盈利能力冲击了市场文化。

现在，让我们向前看，看看人工智能和人工智能在交易中的实现和应用。

人工智能和人工智能在交易中的实现和应用

人工智能和机器学习在交易领域发挥着重要作用，因为新技术使交易变得更快更简单。

机器学习是人工智能的一个子领域，它为交易领域提供了一项非凡的创新。

机器学习在交易领域有几种实现方式。我们列出了以下几个候选名单:

基于历史数据的股票价格预测
加速寻找有效的算法交易策略
要监控的市场数量

基于历史数据的股票价格预测

机器学习意味着向系统提供历史数据，以便系统在未来根据这些数据做出决策。因此，为了预测被称为目标变量的股票价格，机器学习使用被称为预测变量的历史数据。为此，ML 中的算法学习应用预测变量来预测目标变量。

加速寻找有效的算法交易策略

机器学习也被用来加速寻找有效的算法交易策略。因为它提供了一种自动化的方法，所以比手工过程好得多。这些算法交易策略通过优化利润和模拟风险来帮助交易者。无论如何，如果你有自动化来支持你完成任何任务，这是一个竞争优势。例如，有几种策略利用机器学习来优化算法，如线性回归，深度学习，神经网络等等。

要监控的市场数量

机器学习也有助于增加个人监控和响应的市场数量。市场数量越多，交易者选择利润最高的市场的机会就越大。因此，您可以通过实现机器学习来增加机会。

有几家知名公司，如 Renaissance Technologies 和 Citadel，正在使用机器学习进行投资决策。

作为机器学习的一个应用，XGBoost 就是最好的例子。XGBoost 模型实际上是梯度模型的助推器。因此，它在机器学习的帮助下增强了相同的性能。

让我们举个例子，建立一个由五家公司组成的投资组合。现在，在这个投资组合中，我们将应用 XGBoost 模型来创建一个交易策略。这五家公司是苹果、亚马逊、网飞、英伟达和微软。这是我们得到的。

太好了！我们已经到了这篇文章的结尾，并且已经涵盖了人工智能和人工智能在交易中的很多重要方面。

结论

得出结论，这篇文章包括从交易角度对人工智能和机器学习的详尽理解。首先，我们了解了人工智能的概念、类型以及人工智能和人工智能对交易的影响。我们还讨论了它的实现和应用方面。因此，在这篇文章结束时，我们对这个话题及其在交易中的应用有了一个相当好的理解。

人工智能和股市，这里有你没想到的！

原文：https://blog.quantinsti.com/artificial-intelligence-trading-future/

T2】

Sushant Ratnaparkhi

这取决于我们，这个世界将会发生根本性的变化，重新定义事物的运作方式。我们将创造出一个更高级的物种，它不仅有意识，而且比人类聪明得多。雷·库兹韦尔说，这将在不到 30 年的时间内实现。但是结果如何呢？会对人类(低等物种)不利吗？没人真正知道。深不可测。股票市场也不例外。事实上，人工智能(或 AI)已经在发挥作用，它正在许多方面改变市场。在这篇博文中，我将分享我对这一转变的影响的看法。我有我的保留意见，我越想越觉得可怕。

免责声明:这篇博文代表我的个人观点和预测。你应该用一撮盐(可以加入白朗姆酒，薄荷叶，糖和柠檬，只是说)。

人工智能迄今为止...

在股票市场，算法交易或自动交易已经被许多机构和散户投资者使用了近十年。但目前正在发生的大多数算法交易都不是真正的人工智能，它只是一种具有一套详细规则和行动工作流程的算法。如果算法适应市场条件，从过去的经验中学习，推理并据此做出交易决策，那么它就是真正的人工智能。我们还没到那一步，但也不远了。一些较大的交易公司，如贝莱德、两个适马、复兴科技和其他公司，正在使用人工智能来挑选 T2 股票，结果解雇了选股人。像 JP 摩根和 IBM 这样的公司正试图将人工智能引入金融监管和合规，以使事情变得更容易。我一会儿会回到股票市场，让我先告诉你...

我为什么害怕？

有一种非常复杂的策略游戏叫做 DOTA 2，在两支各有五名玩家的队伍之间进行。要赢得胜利，一个团队必须击败对方的据点，这是通过赢得多组战斗和采用许多精明的策略。游戏拥有 100+英雄(团队中每个玩家扮演 1 个英雄)，1000+英雄力量，甚至更大的物品和武器库存。更不用说在仓促的团队战斗中所需要的技巧、直觉和时机了。所有这些创造了巨大的复杂性和可能性。运动员通常要训练数年才能有资格参加像样的比赛。

T2】

现在， Open AI ，埃隆·马斯克的初创公司，致力于以开源的方式推进人工智能。他们开发了一个机器人，在几天内自学了游戏，并能够在 1-v-1 的比赛中击败世界上最好的球员“Dendi”。这个机器人以类似人类的方式比赛(没有人类玩家无法复制的动作)，并提出了比世界顶级玩家更好的战术。开放人工智能团队在接受采访时表示，有时他们不理解机器人为什么要做它所做的事情。这种新的、改进的在复杂环境中进化的能力，不需要人类太多的训练，只是打开了许多可能性。这就是我害怕的。这同样适用于股票市场，随着人工智能发展到新的能力，参与、影响和影响市场的能力将大幅增加。从选股到分析每一个可能影响股票价格的因素，并据此实时做出决策，都将成为可能。当人工智能开始在我们的金融世界中发挥主导作用时，这提出了许多问题。

市场能满足他们的主要目的吗？

市场在社会中有一个非常重要和基本的目的，就是为资产、股票或商品提供正确的估值和流动性。通常情况下，股价要么被低估，要么被高估，投资者试图利用这一点赚钱。可以很有把握地假设，股票回到正确价值所需的时间就是投资者持有股票的理想时间。在过去的几十年里，价格达到正确估值所需的时间一直在下降。根据标记取暖器，

“在 60 年代，人们持有股票的平均时间是 8 年。现在，平均时间是四个月。"

随着人工智能的出现，股票达到正确估值的时间将下降到几分之一秒。人工智能将能够通过考虑所有技术、基本面和外部因素来进行评估并预测正确的估值。所有这一切都将在瞬间发生。市场甚至可能达到尤金·法玛在 20 世纪 70 年代提出的有效市场假说(EMH)中提到的情形。该假设指出，在证券交易所，每只股票都以公平价格交易，如果对估值错误的股票来说，公平价格的实现只需几分之一秒，这就可能成为现实。这可能会改变传统的投资模式，认可机构可能不得不依赖风险更高的投资来赚钱。如果这个假设成为现实，我们将会让所有的股票以公允价值交易。这是否意味着我们的流动性会减少或根本没有？让我解释一下。考虑一下这个乒乓游戏，以我们目前人类的智力水平，我们可以用物理定律来预测这个游戏。我们可以非常确定地提前几帧预测球的位置。即使系统中的玩家决定在游戏中变得不理性。这是可能的，因为我们知道系统中所有有效的可变力。对于智力较低的物种来说，这个游戏可能看起来非常随机甚至神奇，但对我们来说肯定不是。我们就像上帝。

同样，我们的金融市场是一个封闭的系统，其中有大量但数量有限的力量在起作用。未来的人工智能将有足够的智能来预测所有的力量和它们的组合效果将会如何。对人工智能来说，将没有随机性，他们将有一个为什么事情会发生以及接下来会发生什么的答案。 人工智能简直会像上帝一样。这也意味着人工智能将能够预测任何股票的当前和未来公允价值。而这种能力不会是任何个人或机构的专属。市场上所有的人工智能都将拥有这种巨大的能力，就像我们所有的智能手机都比驱动登月的电脑更强大一样。因此，当评估任何股票时，市场上所有的人工智能都会考虑所有因素，并得出相同的结论。没有投机就意味着没有流动性。我很想听听你对此的看法？请评论。

会有崩溃吗？

这个很难回答。但我认为，随着人工智能的不断进步，这将主要取决于我们实施什么样的法规。还记得 2010 年的闪电崩盘吗？虽然你可以阅读这个详细报告来了解为什么会发生这种情况。我可以用一句话告诉你，正是算法的不可预测行为，被设计来预测和跟随其他算法的运动，导致了螺旋反应，大量订单涌入市场，导致了这次短暂的崩盘。是什么阻止了这一切？一个可以预见这种情况并建议制定一项法规作为预防措施的系统。一个同样聪明的人工智能可能最适合这项工作。随着我们深入复杂的人工智能系统，人类几乎不可能预测人工智能可以采取的行动。如果我们真的希望有一个公平的市场环境，我们将需要另一个同等或更有能力的人工智能来实施限制。

会出现金融奇点吗？

金融奇点指的是所有交易决策都由人工智能做出的市场情况。人类根本不会交易。这在未来的某个时候会发生吗？当然可以！未来的人工智能会意识到，远比人类更聪明，更不用说比人类更快。这就像 19 世纪初的马车和汽车，只是在这种情况下，不是汽车，而是直接的火箭。问题是金融奇点什么时候会发生？鉴于我们今天的进展速度，我认为雷·库兹韦尔的预测似乎很有道理，如果奇点在那之前很久就发生了，这并不奇怪。

接下来的步骤

人工智能的未来是不可避免的，在你的交易中适应和获得机器学习优势要容易得多。我强烈推荐注册我们的“交易机器学习”在线课程包。正在打 30%的折扣。点击查看。

免责声明:本文中提供的所有数据和信息都是的，仅供参考。QuantInsti 对本文中任何信息的准确性、完整性、现时性、适用性或有效性不做任何陈述，也不对这些信息中的任何错误、遗漏或延迟或因其显示或使用而导致的任何损失、伤害或损害负责。所有信息均按原样提供。

Asad Farooqi |执业会计师|量化交易员

原文：https://blog.quantinsti.com/asad-farooqi-practising-accountant-quant-trader/

关于技术对生活各个方面的影响，已经有很多文章和对话。我们不能否认，技术已经帮助我们的日常生活变得更加简单和高效，从订购食物到从 Alexa 获得帮助。

为什么你的交易不一样呢？让机器做复杂的计算，以确定趋势，并提出更好的交易信号。不懂 Python 或编码对交易者来说不再是挑战！在 Quantra，您可以使用交互式编码练习和笔记本以简单直观的方式进行学习

和我们一起阅读 Asad 分享的关于他在 Quantra portal 的旅程。

大家好，

我是来自英国的 Asad。我在伦敦大学接受计算机科学培训，后来成为一名合格的会计师。我已经在金融行业工作了 10 多年，在多家银行担任会计，最近在工程咨询公司工作。我对交易的兴趣可以追溯到大学时代，那时我创建了一个交易平台，作为我最后一年项目工作的一部分。从那以后，我一直为自己交易。

在管理一份要求很高的全职工作时，找到时间研究新策略是一个挑战，尤其是作为一名手工/全权交易者。然而，算法交易允许有效地评估/测试和执行多种策略，同时平衡我的职业。因此，我真的很高兴接受学习算法交易的挑战，并计划在一个月内完成 Quantra 的一门课程。

我参加了多个量化交易课程，包括欧内斯特·陈博士的均值回归策略和劳伦特·伯努特的交易中的卖空。

我推荐 Quantra 课程，因为所涵盖的内容是可实施的。它们涵盖了交易的所有方面，从学习新的策略构思到回溯测试，然后使用交互式经纪人实施。我期待着尽快在我的个人交易中实施我的策略！

感谢和问候，阿萨德·法鲁奇

以下是 Asad 学习之旅的分手历程:

Python for Trading:基础知识->Python For Trading->统计套利交易->Python 中的均值回复策略 - > 量化交易策略与模型 - > 交易中的做空

Quantra 课程使积极的学习者获得在算法交易领域取得成功所需的完美技能。Quantra 课程是自定进度的小型课程，是获得使用 Python 或 excel 创建自己的交易策略所需技能的快速方法。所以你可以在几个小时内获得有用的技能。

免责声明:为了帮助那些正在考虑从事算法和量化交易的人，这个案例研究是根据 QuantInsti 学习者的个人经历整理的。案例研究仅用于说明目的，并不意味着用于投资目的。完成任何 QuantInsti 课程后获得的结果对所有人来说都不尽相同。

阿什拉夫是一名数学毕业生，他正准备在 HFT 设立一个办事处

原文：https://blog.quantinsti.com/ashraf-math-graduate-hft-desk/

80 年代:谁都可以投资。九十年代:任何人都可以交易。2010 年:任何人都可以交易。你所需要的只是良好的教育、努力、决心和毅力。

你能做的最好的投资是对自己的投资。你学得越多，赚得越多”——沃伦·巴菲特

从 Ashraf 的故事中得到启发，他在瑞士伯尔尼大学攻读统计学硕士学位的第一年就开始建立自己的高频交易公司。用他自己的话说，他分享了他在这个领域的旅程和抱负。

嗨，Ashraf，给我们介绍一下你自己。

大家好，我是来自瑞士的全职交易员和策略研究员阿什拉夫·穆罕默德。我已经在金融行业工作了 4 年。我完成了我的经济学和时间序列计量经济学学士学位，然后进入瑞士伯尔尼大学的统计学硕士课程，转向更定量的研究，主要是数学和统计学。

你在这个行业的大计划是什么？

我目前正参与在一个更普遍的系统类型的交易基金中建立一个高频交易台的过程，使用算法和量化技术，特别是在亚洲市场和欧洲市场，利用 M.L .的技术，时间序列，应用统计学等等。

是什么让你选择了量化交易领域？

我选择在量化交易领域工作有很多原因，其中最重要的是，当我现在的经理找到我时，我们开始以更有条理的方式讨论这样一个想法的优点，即从纯粹的企业家角度出发，建立这样一个 HFT 交易台，以及更一般的系统化交易支持公司，持有期非常短。其次，我刚刚进入理学硕士课程的第二个学期，在阅读了一段时间并询问了一些在该领域有一些经验的金融专业人士后，我发现，如果选择了正确的资源，并且有足够的纪律和决心，那么继续努力仍然是有利可图的。鉴于市场仍在扩张，许多更老练的投资者将他们的一些资本投入新兴金融市场，再加上技术和科学的进步，我同意我的经理开始规划。

您是如何听说 Quantra 的？

当我攻读硕士学位时，我的项目经理推荐了 Quantra 课程。我参加了多门量化交易课程，包括均值回归策略和陈恩思博士的交易神经网络。

Quantra 课程对你有什么帮助？

这些课程真的很有趣，特别有趣的是所用方法处理的应用范围，这些方法主要来自人工智能和机器学习以及时间序列分析模型，特别是在波动性建模和预测领域，有时低至日内频率，因此，看到这些方法是如何被应用的真的很有帮助，因为它提供了一种非常系统的思维方式，对创建和发展战略的整个过程进行了非常仔细的量化，使用了欧内斯特·陈博士和其他教职员工的有益和开放的方法，你在参考所涵盖的材料时得到了认真的照顾。

无论是从手工交易向自动化交易转变，还是开始自己的高频交易，QuantInsti 课程都将为您提供便利。Quantra 课程是自定进度的小型课程，是获得使用 Python 或 excel 创建自己的交易策略所需技能的快速方法。所以你可以在几个小时内获得有用的技能。

寻找课堂辅导和与教员一对一互动？点击了解更多[。

免责声明:为了帮助正在考虑从事算法和量化交易的个人，本案例研究是根据 QuantInsti 的学习者的个人经历整理的。案例研究仅用于说明目的，并不意味着用于投资目的。完成任何 QuantInsti 课程后获得的结果对所有人来说都不尽相同。T15】](https://www.quantinsti.com/epat)

将愿望转化为成就——莱斯特的算法交易之旅

原文：https://blog.quantinsti.com/aspirations-achievements-lester-journey-algorithmic-trading/

交易就是在准确的时刻抓住正确的机会。保持对机遇的开放态度，你会在其中找到你真正的使命。但是随着交易方式的改变，交易者不得不适应和提高他们的技能。

有些人从书本中寻求知识，有些人也从别人的经验中汲取知识。你到处发现一些宝石，在你的生活中使用它们。迟早你会得到生活中想要的东西。

如果你相信这一点，你可能会在个人层面上与莱斯特产生共鸣，并见证他辉煌的学习冒险。我们采访了 Lester Leong，下面是讨论的过程。

以下是我们与莱斯特的对话:

你好，莱斯特！给我们介绍一下你自己。

我是 Lester Leong ，我是一名数据科学家，也是 EPAT 大学的校友。就职业而言，我从事金融领域的数据科学。教育方面，我很好奇，喜欢学习很多东西。我就像任何普通人一样，只是试图利用我们所拥有的所有资源来解决问题。

你在世界上最大的银行之一工作。你能分享一下你现在的角色吗？

是的，我是富国银行(Wells Fargo)数据科学和战略规划副总裁，是的，按市值计算，它也是美国第四大银行。我在上市公司和私营公司的财务部门工作，大部分是中型银行，所以他们的收入必须在 1 亿美元以上。

我以我的身份处理的大多数公司都涉及信用违约或优化公司内部的效率。我使用的另一个模型是时间序列分析，这在 QuantInsti 中有所介绍，因此很明显，用金融数据预测未来肯定有助于金融数据分析。

你一直渴望进入算法交易领域吗？

嗯，有点意思。我是通过读书和跟随迈克尔·科维尔发现交易的——他让我进入了交易，但我只是手动交易，我知道大型 CTA 公司是以自动化的方式进行交易的，这也是帮助我学习定量交易的关键驱动因素之一。显然，量化交易很酷，所以我想成为其中一员。

本科最后一年，我是哲学专业的。但我读了《富爸爸穷爸爸》这本书，它让我了解了金融世界，让我从不同的角度思考金融。我一直以为金融只是帮你报税，但其实远不止如此。由于这些新发现的知识，我获得了金融硕士学位。这教会了我如何理解金融市场是如何运作的。

当我第一次了解宽客时——他们就像是物理学和计算机科学的前博士——基本上是“去华尔街的火箭科学家”。起初，我认为由于我的背景，算法交易不是我可以从事的事情。但是在我的职业生涯中，我遇到了一些人，改变了这一切。我遇到了 QuantInsti，它在某种程度上弥补了我的不足，让我能够稳定而缓慢地理解 Quant 是什么，因此，我现在基本上在做 Quant 的工作。

如果你认为数据科学是数据科学和金融的结合，对于一个定量分析师来说，那么是的，我实际上已经实现了一个目标，我认为如果没有 QuantInsti 的帮助，这个目标是不可能实现的。

在你职业生涯的某个阶段，你曾是一些财富 500 强公司的顾问——这是怎么发生的？

进入商界，从文学学士到金融硕士再到工商管理硕士，这真的是我试图进入金融业的一个功能。由于进入金融行业对我来说很难，所以从事咨询工作比较容易。

首先，我最初报名获得金融 MBA 学位，但我的第一位老师是一名会计师，她教我的东西有点有趣，我意识到，获得金融 MBA 学位通常需要 6 个多月才能获得会计硕士学位。所以，我说，“你知道吗？我们把它装上吧。”

沃伦·巴菲特说过，要理解财务报表，你必须非常了解会计。所以当时感觉这是一个显而易见的事情，然后有了这样的背景，就可以接触到更多的招聘人员和其他咨询工作的合同。

对我来说，这很有趣，因为我认为通过合同，你可以得到一份短期工作，然后为不同的公司工作，然后基本上可以尝试你想去的不同地方。但最终，我进入了富国银行，然后爬到了我现在的位置。

你有无数的证书，硕士和博士学位。根据你的说法，知识在交易中的重要性是什么？

目前我正在哈佛攻读硕士学位。当我是顾问的时候，我想在事业上往上爬。是我的商业教练引导我追求我对分析的兴趣，并激励我做我喜欢做的事情。她帮助我认识到自己的潜力，帮助我实现升职的目标，而不仅仅是做一名分析师或顾问。我应该做一些可能会增加我机会的事情，比如获得一个证书或者去一所名校。因为我已经有了 MBA 学位，我需要做一些不是 MBA 的事情。因此，我去了哈佛。

我个人不认为这些算法交易的学位是必要的，但对我来说，这是我努力改善职业生涯的一个功能。这也取决于我的同龄人，我周围都是对阅读和书籍有悟性的人。所以我有点被联想迷住了。

**最重要的是启动**

有些课程太粗糙，价格很高，而且不像你们那样解释编码。正如我所说，我喜欢学习很多东西，这也是我选择 QuantInsti 的原因。QuantInsti 的美妙之处在于，在我们所有的选择中，没有太多的选择是专门为算法交易定制的。性价比高。突出的是价格点，你得到的教育和你实际能做的实际应用。是最好的选择！

在学习算法交易的过程中，你遇到了哪些挑战？

我认为真正关键的一点，或者我可以说我职业生涯中最大的风险是当我从哲学学士转向金融时。我实际上可以在商业和金融领域工作，这是为了表明我是一名商科学生。

但是抽象地拿出来，这样它可以帮助其他人，这实际上归结到你真正试图隔离的任何问题，试图简化它，把它带到它的核心问题。

所以这实际上可以归结为:

1 你弄清楚你真正成功的条件是什么。

2 尽你所能，排队并执行。

一旦你执行了，你当然会失败，但那次失败是你迭代和建立更大成功的机会。

在加入 EPAT 之前，我对如何编写自己的战略和系统代码并不太了解。QuantInsti 实际上展示给以前做过的人看。显然，还有像厄尼·陈博士这样的人，这也使事情变得更有趣了。绝对的。但是，是的，最大的事情是课程项目。它不仅把所有的事情都联系在一起，而且绝对是一个很好的动力，让我有所发展。

总而言之，长话短说，在量化交易中，最重要的是从 QuantInsti 的实际案例开始。投入课程项目实际上是我开发自己的盈利系统的跳板，我实际上想为自己所用。

大多数时候你都是对的，当你错了的时候，你会从中吸取教训，然后你会重新调整并再次执行，这就是让这个角色令人满意的原因。

关于交易，你对以下几点有什么看法？

数据科学:一切都在随着数据科学而改变。据我所知，大多数公司现在都开始涉足这一领域。很少有真正站在前沿的大型科技公司。

分析 : 显然，更多的自动化正在相对快速地改进数据分析。所以，我想有更大的事情正在进行中。

自动化 : 我想对于这个行业本身来说，它无疑为任何人提供了一个发现它的好机会。我认为就像一个顾问一样，你接近人们的需求，然后你利用机器学习和自动化如何帮助他们。

创新 : 创新肯定会带来创造性的优势，但我还没有一个神奇的公式来持续产生创新。

你希望继续学习更多吗？

哦耶！绝对的。在金融市场上，你知道的大多数盈利策略都不会持续很久，所以你必须发明一种策略来保持领先。基本上，每个人都在向有利可图的交易策略靠拢，这迫使迭代过程。所以永远不会有正面的结局。

我认为交易是一种有趣且有益的经历，不像学术那样，你可以做点什么，写篇论文，然后继续下一件事。在金融市场上，你得到利润回报，你可以用它做更多的事情。

你既学 Python 又学 R？你对此有什么看法？

我开始学习 Python 和 R 的时候，它们显然是新的，显然是为了统治世界而互相争斗。在开始的时候，当我开始的时候，R 在学术和其他方面更受欢迎，然后 Python 慢慢地稳步发展。Python 有更清晰的语法，所以它赢得了一段时间。最终，今天有很多 Python 在流传。

你认为今天的成功归功于谁？

除了标准的朋友和家人之外，我也钦佩那些人，我从他们身上学到了一些好的品质，并把它们融入到我自己身上。我喜欢沃伦·巴菲特的交易方式——他是一个非常谦逊、非常直率的人，我喜欢他管理财务的方式。我也喜欢复兴科技公司的创始人吉姆·西蒙斯，令我钦佩的是在他职业生涯的后期，大约 60 多岁的时候，他创立了自己的量化对冲基金，成为了亿万富翁。所以，这些是我从不同的人身上挑选的小元素，我只是试着把它们融入我的生活。

谢谢你抽出时间，莱斯特。和你谈论各种话题真是太棒了。我们祝愿你在职业生涯中不断取得成功，学到更多东西。万事如意！

学习是你前进的基础。它以你的技能为基础，帮助你实现你渴望并努力实现的目标。提升自己才是最重要的。算法交易(EPAT)的执行程序确保你具备必要的知识，并提高你的算法交易技能。EPAT 是一门综合课程，涵盖的主题从统计学和计量经济学到金融计算和技术，包括机器学习等等。开始你的探索，与 EPAT 一起提升你的算法交易知识。查看这里。

Python 中的资产测试和市场测试

原文：https://blog.quantinsti.com/asset-beta-market-beta-python/

由杰伊·马尼尔

在这篇博客中，我们将强调理解股票市场中的“贝塔”的重要性，以及我们如何有效地利用贝塔来对冲市场风险。我们甚至会看到如何在 python 中计算任何股票的 beta。因此，让我们从理解一些在我们开始用 python 编码之前应该想到的基本问题开始。

什么是‘beta’？

基准投资组合(标准普尔 500 指数)或市场投资组合表现出的波动性被称为系统风险。贝塔系数是任何单个股票或投资组合的风险相对于市场投资组合风险的历史度量。换句话说，它衡量任何证券相对于整体市场波动的波动性。让我们考虑下面的例子来直观地理解β。

考虑一下谷歌公司的每日收益，如果说谷歌股票的贝塔系数是 1.5，那么这意味着谷歌的波动性比市场高 50%。因此，如果市场的日内回报率为正 10%，那么谷歌股票的日内回报率将为 15%。换句话说，谷歌股票的回报率将超过市场 50%，谷歌的阿尔法值将是 5%。现在，如果市场下跌 5%，那么谷歌将比市场下跌 7.5%或 50%。谷歌市值的变化乘以其贝塔系数，以估计其未来的走势。因此，谷歌是一只高贝塔股票。

同样，如果任何股票的贝塔系数是 0.75，那么它的波动性将小于市场。如果市场的日内收益是 10%，一只低贝塔股票的收益只有 7.5%。低贝塔股票对减轻市场风险非常有用。这是因为，如果市场下跌 5%，那么股票只会下跌 3.75%。这低于基准跌幅，而谷歌在市场下跌 5%时也出现了下跌。

首先，让我们用 python 导入数据，并绘制谷歌和标准普尔 500 指数的每日回报。

输出:

波动性较大的(蓝色)是谷歌的回报，波动性较小的(橙色)是标准普尔 500 指数的回报。

beta 是如何计算的？

计算 beta 的最常见方法之一是使用资本资产定价模型或 CAPM。

看看资本资产定价模型:

E(R_a)= R_f+B_a[E(R_m)-R_f

CAPM 模型表明，资产的预期收益' E (R _a )'等于市场的无风险收益加上市场的预期收益与无风险利率之差'[E(R_m-R_f'乘以资产的 beta 'B _a '。

如果我们有除资产的 beta 值之外的所有值，我们可以使用以下公式计算 beta 值:

b_a=[E(R_a)-R_f/[E(R_m)-R_f

我们甚至可以通过执行“回归分析”来找到β。当一个人试图通过散点图拟合直线、多项式或曲线来捕捉“x”和“y”变量之间的数学关系，从而可以在给定“x”的情况下对“y”做出相当好的预测时，那么推导 x 和 y 之间的这种方程的数学过程就称为回归分析。这个等式也可以通过使用基于机器学习的回归模型得到。

如果我们试图通过散点图拟合一条“线”,用“x”的观察值“最好地”解释“y”的观察值，我们得到一个简单的线性回归模型。

线性回归假设因变量和自变量之间存在线性关系。下面的回归方程描述了这种关系:

y_I= b₀+b₁X_I+e_I

我们称截距‘b₀和斜率‘b₁为回归系数，e _i 为随机误差。

现在，考虑这个等式:

R _资产 =资产的事后 alpha+beta * R_基准 + e _i

为了更直观地理解系数，如果我们考虑谷歌与标准普尔 500 指数的回报，那么回归线中的斜率系数被称为股票的β，，因为它衡量谷歌回报中系统风险或不可分散风险的相对数量。如果谷歌回报的斜率大于 1，其回报往往比市场回报增加或减少更多。斜率或贝塔值为 1 时，系统风险水平与市场平均水平相同，斜率或贝塔值小于 1 时，意味着回报的增减幅度小于市场回报的变化幅度。

截距术语是事后 alpha ，即衡量谷歌相对于市场指数回报的超额回报。如果截距项为负，这意味着谷歌在风险调整的基础上表现不如标准普尔&,而截距为正意味着它在风险调整的基础上有超额回报。

回归方程线上的所有点，预测对应“x”值的“y”值。然而，最佳回归线是回归方程/线预测的“y”值与实际“y”值之间的平方差之和(垂直距离)或平方误差之和或 SSE 最小的回归线。

因此，回归线使上证综指最小化。这就是为什么简单线性回归也被称为普通最小二乘或 OLS ，由回归方程即 y _预测的估计(预测)值被称为最小二乘估计的原因。

回归线的斜率‘B1’计算为 x 和 y 的协方差除以 x 的方差(cov_xy/σ²_x)，截距系数为 x = 0 时该线与 y 轴的交点。

考虑下面的代码来计算谷歌对标准普尔 500 的测试。

我们已经计算出谷歌的 beta 为 1.25。你可以试试其他股票。

下面是线性回归图。

我们将在这里结束这篇博客。我们甚至可以将谷歌的测试版与标准普尔 500 的测试版进行对冲。这就是所谓的贝塔对冲。我们将在博客的下一部分讨论这个问题。

下一步

了解 Python 中的看跌期权奇偶校验概念。这个概念描述了看涨期权、看跌期权和股票的价值是如何相互关联的。我们将在这篇博客中讨论这个问题以及更多内容。

更新

我们注意到一些用户在从雅虎和谷歌金融平台下载市场数据时面临挑战。如果你正在寻找市场数据的替代来源，你可以使用 Quandl 来获得同样的信息。

下载数据文件

Beta.py

配对交易策略的扩展 Dickey Fuller (ADF)检验

原文：https://blog.quantinsti.com/augmented-dickey-fuller-adf-test-for-a-pairs-trading-strategy/

由查尼卡·塔卡

增强的 Dickey Fuller 测试，用“ADF”表示，用于找出哪些股票可以在 pairs 交易策略中配对。为了使策略有效，重要的是找到一对共同整合的股票。

检验协整的统计计算是用扩展的 Dickey Fuller 检验完成的。在这篇博客中，我们将讨论配对交易策略的 ADF 测试。

本博客涵盖:

什么是配对交易策略？
扩展的 Dickey Fuller 测试中使用的基本术语
什么是 ADF 测试？
ADF 测试在 pairs 交易中检查什么？
DF 测试和 ADF 测试的区别
增强的迪基富勒测试的工作
ADF 测试公式
ADF 测试的计算
使用 Excel 进行 ADF 测试
使用 Python 进行 ADF 测试
ADF 测试的优势
ADF 测试的缺点

什么是配对交易策略？

结对交易策略的起源可以追溯到 20 世纪 80 年代初。该策略最初是由著名投资银行和金融公司摩根士丹利的股票市场技术分析师和研究人员制定的。

为了实施配对交易策略，你需要技术和统计分析技能。结对交易策略基本上要求两只股票或证券进行协整，这样它们就可以被视为一对进行交易。

因此，正相关是必要的。

在证券显示协整之后，从这一对股票中，你在一只股票中输入多头头寸，在另一只股票中输入空头头寸。头寸基于股票的当前市场价格及其标准差。

扩充的 Dickey Fuller 测试中使用的基本术语

平稳时间序列

平稳性是指时间序列的统计特性，即均值、方差和协方差不随时间变化，这意味着时间序列没有单位根。

在平稳性的情况下，交易信号是在假设两只股票的价格最终都将回到均值的情况下产生的。因此，我们可以利用价格在短时间内偏离均值的优势。

非平稳时间序列

具有单位根的时间序列是非平稳的，并且其均值、方差和协方差会随时间发生变化。由于时间序列的非平稳性，无法产生交易信号。

下面，您可以看到一个资产图，它是一个具有确定趋势的非平稳时间序列，由“蓝色”曲线表示，其去趋势平稳时间序列由“红色”曲线表示。

Stationary and non stationary

单位根

单位根是时间序列的一个特征，它使时间序列成为非平稳的。从技术上讲，单位根存在于下式中α= 1 的时间序列中。

\[Y_{t} =\alpha y_{t-1} + \beta X_{e} + \epsilon \]

其中，Yt 是时间序列在时间‘t’的值，Xe 是外生变量(单独的解释变量，也是时间序列)。

什么是 ADF 测试？

扩展的迪基-富勒检验(ADF)是对迪基-富勒 (DF)单位根的修改。

Dickey-Fuller 使用 T 统计和 F 统计的组合来检测时间序列中单位根的存在。

成对交易中的 ADF 检验用于检查两只股票之间的协整关系(单位根的存在)。

如果时间序列中存在单位根，则意味着时间序列是非平稳的，股票之间不存在协整关系。因此，股票不能一起交易。

或者，如果零假设被拒绝，股票显示协整；这意味着时间序列是平稳的，股票可以交易。

ADF 测试在 pairs 交易中检查什么？

在 pairs 交易策略中进行 ADF 测试的主要目的是确保策略中考虑的股票对是否是稳定的。

因此，对于在 pairs 交易策略中交易的股票对，要求时间序列是平稳的。平稳的时间序列可以做出有效而精确的预测。

此外，稳定的时间序列意味着这两只股票是协整的，可以通过生成交易信号一起交易。

DF 测试和 ADF 测试的区别

以下是迪基-富勒测验和扩展迪基-富勒测验(ADF 测验)的区别。

迪基-富勒试验

Dickey-Fuller 检验是一种统计检验，用于确定数据中是否存在单位根，即时间序列是平稳的还是非平稳的。这项测试是由罗伯特·迪基和托马斯·富勒在 1979 年发明的。

扩充迪基-富勒试验

扩展的 Dickey-Fuller 检验是标准 Dickey-Fuller 检验的扩展，它也检查时间序列中的平稳性和非平稳性。

与 Dickey Fuller 测试的主要区别在于，扩展的 Dickey Fuller 测试也可以应用于大量的时间序列模型。大型时间序列模型可能更复杂，因此，DF 检验被修改为 ADF 检验。此外，ADF 测试对有缺失值的数据进行测试。

要点

这两种测试的主要区别在于，ADF 用于更大规模的时间序列模型，这些模型可能更复杂。
ADF 测试是 DF 的替代方法，因为即使在数据中有缺失值时也可以使用。

扩展的迪基-富勒试验的工作原理

现在，让我们来看看一个扩展的迪基-富勒试验的工作原理。我们将从假设开始，并推进到计算及其在 Excel 和 Python 中的工作。

假设

扩充的 Dickey-Fuller 检验基于两个假设:

零假设表明时间序列中存在一个单位根，并且是非平稳的。
另一个假设是时间序列中不存在单位根，并且是平稳的或趋势平稳的。

ADF 检验公式

让我们先来看看迪基富勒测试的公式(这是扩大的迪基富勒测试的起源)，那就是:

\[y_{t} = c + \beta_{t} + \alpha Y_{t-1} + \phi\Delta Y_{t-1} + e_{t} \]

其中，
yt =时间 t 时时间序列中的值或 1 个时间序列的滞后
δyt=时间(t-1)时序列的第一个差值

现在，我们将看到增强的 Dickey Fuller 测试的公式，它如下:

\[y_{t} = c + \beta_{t} + \alpha Y_{t-1} + \phi\Delta Y_{t-1} + \phi_{2}\Delta Y_{t-2} .. + \phi_{p}\Delta Y_{t-p} \]

您可以看到 ADF 的公式与 DF 的公式相同，唯一的区别是增加了表示更大时间序列的差分项。

ADF 测试的计算

该测试最容易通过重写模型来执行:

\[Y_{t} - Y_{t-1} = (\phi1 - 1)Y_{t-1} + \phi2Y_{t-2} + \phi3Y_{t-3} + \varepsilon t$$ $$Y_{t} - Y_{t-1} = (\phi1 - 1)Y_{t-1} + (\phi2 + \phi3)Y_{t-2} + \phi3(Y_{t-3} - Y_{t-2}) + \varepsilon t$$ $$Y_{t} - Y_{t-1} = (\phi1 + \phi2 + \phi3-1) Y_{t-1} + (\phi2 + \phi3)(Y_{t-2} - Y_{t-1}) + \phi 3(Y_{t-3} - Y_{t-2}) + \varepsilon t$$ $$Y_{t} = \pi Y_{t-1} + c_{1} Y_{t-1} + c_{2} Y_{t-2} + \varepsilon t \]

在哪里，

\[\pi = \phi1 + \phi2 + \phi3 - 1 = -\phi(1)$$ $$c_{1} = -(\phi2 + \phi3)$$ $$c_{2} = - \phi3 \]

假设(1) = 0 再次对应于

H0 : π = 0 HA : π < 0

H0 的 t 检验被称为扩展的迪基-富勒(ADF)检验。

使用 Excel 进行 ADF 测试

让我们在 excel 表格中看到 ADF 测试的一步一步的工作。

第一步:获取想要对其执行 ADF 测试的两只股票的数据

在这个例子中，我选择了两只股票 Zymergen Inc(纳斯达克代码:ZY)和 Zynerba Pharmaceuticals Inc(纳斯达克代码:ZYNE ),这两只股票都属于制药行业，都在美国证券交易所“纳斯达克”上市。

另外，我在这里使用的观察值是 60。

请看下图，了解每只股票的收盘价数据是如何在 excel 表格中并排显示的。

Data for two stocks

第二步:使用一组观察值对两只股票进行线性回归

确保您还请求输出残差。

注意: 当在一个 pairs 交易策略中运行这个时，你必须每天运行 ADF 测试，以确保零假设被拒绝(零假设=有一个单位根)。

下面是如何在 excel 表格中完成的。

Linear regression on two stocks

我们将使用-3.98 的 X 可变系数作为套期保值比率。

第三步:计算“Delta”列中残差之间的差值

Difference between residual and delta

步骤 4:计算下一列的 t-1 残差

Calculation of t-1 residual

步骤 5:对 Delta 和 t-1 列执行线性回归

Linear regression

步骤 6:比较 t 检验统计量和临界值

为了拒绝存在单位根的零假设，在这种情况下，t 统计量必须小于临界值。ADF 测试的临界值有自己的分布，下面是一些临界值的快照:

Critical values (Source: Wikipedia)

t-stat

我们将使用临界值-2.89，因为我们只有不到 100 个观察值
t-stat 是-1.109。
因此，零假设被拒绝，我们可以说，对的数据是协整的。

使用 Python 进行 ADF 测试

现在，让我们看看如何使用 Python 对与上述相同的股票对进行 ADF 测试。

自相关和自协方差:计算、例子等等

原文：https://blog.quantinsti.com/autocorrelation-autocovariance/

何塞·卡洛斯·冈萨雷斯·田中

自相关和自协方差是金融时间序列计量经济学中最重要的指标之一。这两个函数都基于协方差和相关性度量。你会对他们了解更多。这本简单易学的基本指南将帮助你更好地了解 ARMA 模型。

什么是自协方差？
什么是自相关？
滞后零点的自协方差和自相关性是什么？
举例计算自协方差
举例计算自相关
Python 中自协方差和自相关的计算
用 Python 绘制自相关函数
计算 R 中的自协方差和自相关性
绘制 R 中的自相关函数
什么是偏自相关？
Python 和 R 中偏自相关的计算

你可能遇到过自己试图学习自回归移动平均(ARMA)模型。然后，你开始看到大量使用协方差和相关性，但奇怪的是，你看到这两个词带有前缀" auto" ，你会感到害怕！

别担心，这篇文章会帮助你了解他们的细节。只要把注意力集中在文章上，一切都会好的！

什么是自协方差？

首先，你需要明白什么是协方差和相关性。请记住，协方差应用于 2 项资产。自协方差与协方差相同。

唯一的区别是自协方差应用于相同的资产，也就是说，你用相同的资产价格收益 X 来计算资产价格收益 X 的协方差，但是是从以前的时期。

这怎么可能？简单，来看看:

\[\text{Cov(X,Y)} = \frac{\sum_{i=1}^{n}\left(X_{i}-\overline{X}\right)\left(Y_{i}-\overline{Y}\right)}{N-1} \]

其中 X 和 Y 可以分别是资产 X 和 Y 的收益。

现在，自协方差函数可以定义为:

\[\gamma_{s} = \frac{\sum_{t=1}^{T}\left(r_{t}-\overline{r}\right)\left(r_{t-s}-\overline{r}\right)}{N-1} \]

其中:

( \gamma_{s} \text{:滞后时间的自协方差" }s\text{"}。)* ( r_{t} \text{:资产价格在时间" }t\text{"}返回。)* (r _ { t-s } \ text {:Asset price returns at time " } t-s \ text { " }。)

什么是自相关？

简单来说，自相关与相关函数相同！具体来说，自相关作为自协方差应用于同一资产。

检查相关和自相关(也称为序列相关)之间的差异如下:

\[ \text{Corr(X，y)} = \frac{\sum_{i=1}^{n}\left(x_{i}-\overline{x}\right)\left(y_{i}-\overline{y}\right)} { \ sqrt { \left(\sum_{i=1}^{n} \左(x _ { I }-\ overline { x } \right)^2 \右) \left(\sum_{i=1}^{n} \左(y _ { I }-\ overline { y } \right)^2 \右) } } = \frac{\sum_{i=1}^{n}\left(x_{i}-\overline{x}\right)\left(y_{i}-\overline{y}\right)} { \ sqrt { \sum_{i=1}^{n} \左(x _ { I }-\ overline { x } \right)^2 其中: * $ \text{Cov(}X，Y \ text {:X \ text { and } Y . $之间的协方差* $ SD_{X} \text{:变量的标准偏差}\text{X}。$* $ SD_{Y} \text{:变量的标准偏差}\text{Y}。$ 现在让我们检查一下自相关性: $$ \rho_{s} = \frac{\text{Cov}\left(r_t,r_{t-s}\right)}{\text{Var}\left(r_t\right)}\]

其中:

( \rho_{s} \text{:滞后自相关" }s\text{"}。)* ( r_{t} \text{:资产价格在时间" }t\text{"}返回。)* (r _ { t-s } \ text {:Asset price returns at time " } t-s \ text { " }。)* (\ text { Var } \ left(r _ t \ right)\ text {:方差收益}。)

你可能会问我们:

为什么是方差而不是不同滞后期收益的标准差的乘积？

你必须记住，ARMA 模型适用于平稳的时间序列。本题目属于时间序列分析。因此，假设价格回报，如果是平稳的，对于任何滞后都具有相同的方差，即:

\[\text{Var}\left(r_t\right) = \text{Var}\left(r_{t-1}\right) = \text{Var}\left(r_{t-2}\right) = ... = \text{Var}\left(r_{0}\right) \]

滞后零点的自协方差和自相关性是什么？

有趣的问题和简单的答案！我们先来看前者:

\[\gamma_{0} = \frac{\sum_{t=1}^{T}\left(r_{t}-\overline{r}\right)\left(r_{t-0}-\overline{r}\right)}{N-1} = \gamma_{0} = \frac{\sum_{t=1}^{T}\left(r_{t}-\overline{r}\right)\left(r_{t}-\overline{r}\right)}{N-1} = \gamma_{0} = \frac{\sum_{t=1}^{T}\left(r_{t}-\overline{r}\right)^2}{N-1} \]

你能猜出最后一部分像什么吗？
它是价格收益的方差！

因此，滞后 0 时收益的自协方差就是收益的方差。

你现在能猜出在滞后 0 时收益的自相关性是多少吗？让我们用公式来找出:

\[\rho_{0} = \frac{\text{Cov}\left(r_t,r_{t-0}\right)}{\text{Var}\left(r_t\right)} = \frac{\text{Cov}\left(r_t,r_{t-0}\right)}{\text{Var}\left(r_t\right)} = \frac{\text{Cov}\left(r_t,r_{t}\right)}{\text{Var}\left(r_t\right)} \]

从上面的代数计算中，我们知道同一个变量的协方差就是它的方差，因此我们得到:

\[\rho_{0} = \frac{\text{Cov}\left(r_t,r_{t}\right)}{\text{Var}\left(r_t\right)} = \frac{ \text{Var}\left(r_t\right)} {\text{Var}\left(r_t\right)}$$ $$ \rho_{0} = 1 \]

因此，滞后 0 的任何资产价格回报的自相关函数总是 1。

用实例计算自协方差

到目前为止你可能一直在想:
为什么用“s”下标定义自协方差和自相关？
伟大的问题！

让我们解释一下:实际上，上面定义的自协方差公式是一个允许计算不同滞后的自协方差的函数。自相关函数也是如此。

迷茫？放心吧！我们掩护你！

让我们来看一个例子，让你的思想清楚这个概念！我们将举例说明如何计算微软价格收益在滞后 1 时的自协方差。我们将使用上面显示的自协方差函数。

假设我们对微软的价格有以下回报:

| 第一天 | 第二天 | 第三天 | 第四天 | 第五天 | 第六天 | 第七天 | 第八天 | 第九天 | 第 10 天 |
| 5% | 1% | -2% | 3% | -4% | 6% | 2% | -1% | -3% | 4% |

假设我们想计算滞后 1 时的自协方差。你需要到第 10 天的收益，以及到第 9 天的 1 期滞后收益。

因此，第 10 天和第 9 天的退货数据结构如下:

| 可变的 | 第一天 | 第二天 | 第三天 | 第四天 | 第五天 | 第六天 | 第七天 | 第八天 | 第九天 | 第 10 天 |
| ( r_{t} ) | 5% | 1% | -2% | 3% | -4% | 6% | 2% | -1% | -3% | 4% |
| ( r_{t-1} ) | | 5% | 1% | -2% | 3% | -4% | 6% | 2% | -1% | -3% |

你能看出这两个变量之间的区别吗？
第二个是第一个滞后的 Xt。

现在，由于两个变量有不同的维度(第一个变量有 10 个观察值，而第二个变量有 9 个)，我们将使用第二天以后的数据。

因此，我们的数据如下:

| 可变的 | 第二天 | 第三天 | 第四天 | 第五天 | 第六天 | 第七天 | 第八天 | 第九天 | 第 10 天 |
| ( r_{t} ) | 1% | -2% | 3% | -4% | 6% | 2% | -1% | -3% | 4% |
| ( r_{t-1} ) | 5% | 1% | -2% | 3% | -4% | 6% | 2% | -1% | -3% |

这两个变量之间的协方差将是滞后 1 时收益的自协方差。

你能做到，对吗？
查一下我们上一篇文章中给出的例子。

在你准备用铅笔和纸之前，让我们告诉你一些重要的事情。

记住自协方差公式:

\[\gamma_{s} = \frac{\sum_{t=1}^{T}\left(r_{t}-\overline{r}\right)\left(r_{t-s}-\overline{r}\right)}{N-1} \]

如果你注意细节，你会发现两个收益的平均收益是一样的，在我们的例子中，第 10 天和第 9 天的收益是一样的。正如我们之前解释的，自协方差和自相关函数只适用于平稳的时间序列。

因此，不仅方差而且平均值对于整个跨度都是唯一的值。这就是为什么任何价格回报滞后的均值都是一样的。

微软价格回报的平均值是 1.1%。让我们按照程序来计算自协方差:

| 可变的 | ( r_{t} ) | ( r_{t-1} ) | (\ left(r _ { t }-\ overline { r } \ right)) | (\ left(r _ { t-1 }-\ overline { r } \ right)) | (\ left(r _ { t }-\ overline { r } \ right))(\ left(r _ { t-1 }-\ overline { r } \ right)) |
| 第二天 | 1% | 5% | -0.100% | 3.900% | -0.004% |
| 第三天 | -2% | 1% | -3.100% | -0.100% | 0.003% |
| 第四天 | 3% | -2% | 1.900% | -3.100% | -0.059% |
| 第五天 | -4% | 3% | -5.100% | 1.900% | -0.097% |
| 第六天 | 6% | -4% | 4.900% | -5.100% | -0.250% |
| 第七天 | 2% | 6% | 0.900% | 4.900% | 0.044% |
| 第八天 | -1% | 2% | -2.100% | 0.900% | -0.019% |
| 第九天 | -3% | -1% | -4.100% | -2.100% | 0.086% |
| 第 10 天 | 4% | -3% | 2.900% | -4.100% | -0.119% |

自协方差只是最后一列值的总和除以(N-1，等于 8)，结果为-0.046%。

举例计算自相关性

让我们进行同样的练习，计算第 10 天微软价格收益在滞后 1 时的自相关性。自相关是自协方差除以方差。我们给出了您需要的确切提示:到第 10 天为止，微软价格回报的方差为 0.121%。

让我们按照代数公式并使用数字来计算自相关:

\[\rho_{s} = \frac{\text{Cov}\left(r_t,r_{t-s}\right)}{\text{Var}\left(r_t\right)}=\frac{-0.046%}{0.121%}$$ $$ \rho_{s} = -0.38 \]

Python 中自协方差和自相关的计算

在我们开始这一部分之前，让我们告诉你一些事情。我们已经计算了滞后 1 时微软价格回报的自协方差和自相关性。我们不可能在滞后 2、滞后 3 等时进行计算。我们留给你的是一个练习！

在 Python 或任何其他编程语言中，当你需要计算这两个重要的指标时，你将需要在许多滞后时间计算它们，而不仅仅是 1，就像我们之前所做的那样。

因此，请记住，我们将使用 Python 来计算自协方差和自相关函数，即不同滞后的自协方差和自相关函数。

首先，让我们导入必要的库来使用:

如何实现交易策略的自动化[网络研讨会]

原文：https://blog.quantinsti.com/automate-trading-strategy-webinar-9-september-2021/

完整的网上研讨会记录

https://www.youtube.com/embed/Ot-O9El4B88?rel=0

演示幻灯片

//www.slideshare.net/slideshow/embed_code/key/iAFcFbanbJFW26

How to automate a trading strategy from QuantInsti

战略

您可以点击下面的链接访问网上研讨会中使用的策略:

蓝移

你可以在这里查看蓝移:https://blueshift.quantinsti.com/

关于会议

这个网上研讨会主要讨论如何将你的系统交易策略付诸实践。演讲者将从自动化您的策略所需的先决条件开始。

然后，他将讨论自动化交易所需的事件驱动方法，并讨论与经纪人连接、获取实时数据、根据数据生成信号以及最终向经纪人下单的过程。

演讲者将带你在 Blueshift 的市场中建立一个纸上交易的演示策略，从而结束本次会议。

会话大纲

自动交易简介
自动化交易的先决条件
连接到代理
如何获取实时数据？
生成交易信号
下订单
互动问答

关于演讲者

里沙布·米塔尔
(Quantra by QuantInsti 的量化分析师)

Rishabh 在 Quantra 的内容团队中担任定量分析师。他目前正致力于将 K-Means 的无监督学习技术应用于生成可交易信号。

他还利用各种技术，如固定比例投资组合保险(CPPI)等，为市场中的头寸规模创建了算法。在此之前，他在 TradingView 中为客户开发系统化的交易策略。

本次活动于:
2021 年 9 月 9 日星期四
东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

自动化外汇交易:介绍、策略和平台

原文：https://blog.quantinsti.com/automated-forex-trading/

阿努普里亚·古普塔

外汇交易的历史

在使用自动交易的散户交易者中，外汇交易是最受欢迎的一种。在过去的十年中，由于电子和基于网络的外汇交易应用程序和经纪服务的可用性，外汇交易已经广泛普及。在过去十年中，向散户交易者提供外汇交易的在线外汇经纪商数量激增。

什么是外汇交易？

在外汇交易起点中，货币交易基于对各种货币对的汇率投机。例如，基于投机，交易员买卖货币衍生品，如美元/印度卢比期货。投资者也对冲外汇风险。比方说，一家印度制造公司预计在 3 个月后收到 100 万美元的付款，但不确定当时的汇率。为了对冲汇率波动的风险，他们将购买期货合约，允许他们以今天的汇率将 100 万美元兑换成印度卢比，即使当时的汇率要低得多。为了做到这一点，通常会根据远期曲线对合约收取溢价。

为什么外汇交易在散户中受欢迎？

虽然外汇交易开始从根本上不同于股票交易，但它涉及类似的交易概念。然而，由于下列原因，它通常在许多零售商中是有利的:

这是一个波动性较小的市场:每日汇率波动非常小
高杠杆市场:你的投资可能会有高达 250:1 的杠杆比率。这意味着如果你投资了 100 美元，你可以期待高达 25，000 美元的回报。然而，这也使得市场风险很大。
极端流动性:这个市场全天交易，流动性很高。

外汇交易策略的类型

外汇交易策略可以从低位到中位到高位——基于一个人所拥有的成交量、资金和基础设施的频率交易策略。在高频交易策略中，一种非常流行的外汇工具策略使用统计套利来识别基于市场低效的交易机会。这种机会不会持续超过几分之一秒，但高速系统通常可以大量利用它们来赚取利润。

对于散户，中或低频的交易策略更受欢迎，也更可取。有很多技术指标用来识别交易机会。这些指标中有一些是均线(均线和 SMA)，相对强弱指标(RSI)，布林线。这些是最受欢迎和谈论的策略。

还有其他的市场中立和趋势跟踪策略，比如对子交易和海龟交易模型，中频交易者可以使用。基于希腊人的货币期货和衍生品定价模型可用于评估风险，并参与外汇期权交易。

自动化外汇交易平台

用于外汇交易的最广泛使用的算法交易平台是 MetaTrader4，也称为 MT4。它为自己的算法交易平台提供专有脚本语言 MQL4/MQL5，这是一种面向对象的语言，如 C++。MT4 也有内置的机器人和策略，可以直接用于交易。使用任何交易或回测平台开始外汇自动交易需要一定的知识和技能。

了解外汇交易策略

尽管散户投资者可以利用算法交易平台上的内置技术指标和机器人获利，但理解交易策略背后的科学是明智的，以便能够理解高风险外汇市场中涉及的风险。这些策略应该根据充分的历史数据进行回溯测试，并根据各种市场条件进行临时调整。理解这些策略背后的基本统计和随机模型非常重要，以便能够调整它们，实现更好的风险控制和更高的利润。

您可以报名参加 Quantra 上的在线外汇交易课程，使用 Python 中的真实外汇市场数据以及内置平台上的回溯测试创建动量交易策略，并分析结果

您可以报名参加 Quantra 上的外汇交易策略课程，学习根据实际有效汇率(REER)等基本面创建价值策略。

下一步

如果你是个人交易者或技术专业人士，希望开始自己的自动化交易平台，今天就开始学习算法交易！从基本概念开始，如自动交易架构、市场微观结构、策略回溯测试系统和订单管理系统。

Ryan 正在学习创建策略、回溯测试等等

原文：https://blog.quantinsti.com/automated-trading-backtesting-quantra-success-story-ryan-soriano/

Ryan 在一家金融行业的公司工作，一直在寻求探索自动化交易的新技能。在学习新技能的路上，他偶然发现了 Quantra。

他与我们分享了他在 Quantra 课程中的经历，为什么他参加了这么多课程，还谈到了他的未来。

大家好，我是 Ryan Soriano，来自英国英格兰。我目前在英国的金融部门工作。我在 Quantra 上买了几门课程，它们非常好，对我帮助很大。

我对这门课程的期望较低，但我很惊讶它很实用。我喜欢它！。我接触到了很多新事物，这个课程帮助我理解并稳步学习。我真的很喜欢官网上的内容和视频。

它们短小精悍，直奔主题，这种类型当然应该如此！我真的很喜欢“使用交互式经纪人平台使用 IBridgePy 进行自动化交易”课程中的所有主题，尤其是关于连接 IB 进行纸上交易和现场交易的部分。

我接下来几周的目标是学习如何制定策略，进行回溯测试、纸上交易和现场交易，目标是不包括交易成本，夏普比率至少达到 3.0-4.0。对于三月份，我必须将深度学习纳入我的策略。

这个月底，我将参加一些算法交易锦标赛，我想成为冠军！

谢谢你瑞安。很高兴听到你的经历和即将到来的项目。非常感谢你对交易创新的承诺和不懈追求。我们很高兴成为你进步的一部分。

Quantra 是多个自动化交易课程的所在地，这些课程深入研究如何在交易中利用不同的自动化策略。使用交互式经纪人平台使用 IBridgePy 进行自动化交易面向所有希望迈出自动化和执行 Python 交易策略的第一步的初学者。它涵盖了从获取数据到使用交互式经纪人交易平台上的免费模拟账户发送订单的所有基本步骤。立即报名！

Yves Hilpisch 博士在 Oanda 平台上的自动交易

原文：https://blog.quantinsti.com/automated-trading-oanda-yves-hilpisch/

伊夫·希尔皮施博士

Python 已经成为算法交易中最受欢迎的编程语言之一，因为它易于安装，免费使用，结构简单，并且有多种模块可用。在全球范围内，Quant 的 Algo 交易员和研究人员正在广泛使用 Python 进行原型开发、回溯测试、构建其专有的风险和订单管理系统，以及优化测试模块。

这篇博客文章强调了使用 Python 作为编程语言的算法交易的一些关键步骤。截图摘自 Yves Hilpisch 博士与 QuantInsti 合作举办的网络研讨会。Hilpisch 博士是 Python 领域世界知名的权威，也是 Python Quants GmbH 的创始人，他有几本关于这个主题的书。他还在 QuantInsti 任教，quantin STI 是亚洲算法交易的先驱教育培训公司之一。

所有显示的例子都是基于 Oanda 的平台和 API。关于 Python 和使用的库的背景信息可以在 O'Reilly 的书 Hilpisch，Yves(2014):《Python for Finance——分析大金融数据》中找到。本帖分为两部分。这篇文章强调了使用 python 连接 Oanda 平台和回溯测试交易策略的基础知识。下一篇文章将讨论如何处理流数据以及实时自动交易。

主题

连接到 Oanda 平台
数据检索
对交易策略进行编码和回溯测试

连接到 Oanda 平台

没有数据，就没有回溯测试，也就没有明智的交易策略。对于有 python 经验的人来说，第一步是导入像 numpy 和 pandas 这样的库。但是，由于 Oanda 使用的是这个平台，我们还会导入一些特殊的平台，比如 oandapy。

自然，需要导入 Oanda 凭证。如果文件存储在磁盘上，则导入凭证的简单 python 程序如下所示。它将打入你的帐户 id 和令牌。一旦凭证准备就绪，就用一个 API 对象连接到 oanda。

由于 Oanda 有免费的和全功能的练习账户，所以有很多用途，也很受欢迎。

有多种工具可以使用 Oanda 中创建的 API 对象进行检索，就像平台上交易的所有工具一样，例如 SPX 500、S & P 500 以及商品和货币对。

数据检索

可以通过检索数据

定义开始和结束日期(范围)和
固定粒度(时间间隙)。
选择需要获取历史数据的仪器。

在下面的示例中，开始日期为 2016 年 2 月 3 日日日，结束日期为 2016 年 2 月 4 日日。粒度设置为“D ”,表示全天的数据。DE30_EUR 表示德国 DAX 交易所。

运行这段代码会抛出一个 json 对象，如下所示

然而，对于回溯测试，我们需要更多这样的数据。因此，粒度被更改为一分钟，这给了我们更多的清晰度。需要创建一个日期时间索引对象。

为了存储这些数据，我们打开了 HDFStore，它提供了简单、方便的数据存储。

一般来说，数据被保存在磁盘上以便于检索。需要注意的重要一点是，数据是分块检索的，因此必须追加到数据框对象中。请注意，granuality 设置为 M1，这意味着每一分钟。还可以设置数据的时区。如屏幕截图的最后一行所示，代码在 1.89 秒内执行。

突出显示的部分是将我们从 Oanda API 检索到的数据写入 database object 和 HDFStore 并保存在磁盘上的重要步骤。这是一种二进制存储格式。

编码和回测交易策略

或许测试一项策略的最佳方式是看看它的回报。在下面的代码中，我们计算了一个策略的对数回报，以便以后进行性能判断。

这是使用 numpy 函数以完全矢量化的方式完成的。

用于回溯测试的策略多年来一直非常流行，也是研究论文的一部分，它基于两种不同的趋势生成信号:一种是 5 次观察(读取分钟)的较短简单滚动平均值，另一种是 15 次观察的较长趋势。这个策略背后的想法很简单:如果短期趋势从下面穿过长期趋势，市场有上升趋势，如果反过来，市场在走下坡路，有更长的趋势。

在可视化数据时，我们遇到了以下模式。

蓝线是我们从上述市场收集的基本数据，绿色曲线是短期趋势，红色曲线代表长期趋势。由于重叠，这种可视化没有给出趋势的完整图像，我们集中于 100 个观察点的样本。

这里我们可以清楚地看到，当短期趋势从下方突破长期趋势时，现货价格(蓝色曲线)显示出上升趋势，而当绿色曲线从上方穿过红色曲线时，则显示出下降趋势。

一旦我们的策略是模仿市场，我们就可以产生信号，在满足某些条件时发布给市场。

在这种特殊情况下，我们将采取只做多策略。

使用上面的代码，我们生成一个信号，表示当存储在 dataframe 对象中的矢量化 t5 > t15 被满足时，我们做多，否则不做多。

下一步，我们利用上面计算的“回报”来评估我们交易策略的表现。

绿色曲线代表我们的交易策略，而蓝色曲线代表市场回报。从图表中可以清楚地看出，我们在最左边(下降趋势)和最右边都在亏损。

计算“交易次数”是为了了解我们在实际交易中的实施成本。

在相当短的时间内，有 182 笔交易发生在这个策略中。所以，虽然交易不算高频，但同时也很活跃。

另一个有趣的统计数据可能是回报率的标准差(SD ),它让我们了解了分钟线回报率的波动性。我们在这里看到，市场交易策略的标准差比我们基于趋势的投资所设计的策略要高得多。这也是事实，因为我们没有投资更长的时间。

这样，我们可以看到我们的策略在从去年数据中选择的随机时间间隔内表现良好。因此，我们的下一步将是处理流数据和实时自动化。这些话题将是我们下一篇博文的一部分。

后续步骤

如果你想用 Python 构思和实现量化策略，这篇博客文章将帮助你实现。你认为在自动化交易中 python 比其他语言更受青睐吗？见为什么。

如果你是一名程序员或科技专业人士，想开始自己的自动化交易平台。从日常从业者的实时互动讲座中学习自动交易。算法交易高管课程涵盖统计学&计量经济学、金融计算&技术和算法&量化交易等培训模块。现在报名！

自动交易:订单管理系统

原文：https://blog.quantinsti.com/automated-trading-order-management-system/

雅克·儒贝尔

毕业后，我搬进了城市里的一间小而空的公寓。我的祖母，我永远不会忘记，告诉我，搬进一所新房子就像第一次见一个人，你需要选择一个房间，让它成为你的，慢慢地穿过房子，礼貌地介绍自己，这样它才能向你介绍自己。

我喜欢用同样的逻辑来看待自动交易系统的不同组成部分。有几个“房间”,如数据处理器、信号发生器和订单管理系统，我们需要通过它们来更好地理解整体结构。

本文将关注订单管理系统，因为订单是任何策略的基础，它们需要被输入并发送到正确的目的地。

订单输入

订单需要包含的主要信息如下:

安全标识符(例如:共享代码)
订单方向(多头或空头)
订单规模(交易的数量)
限价(例如限价单)
订单类型(限额、市场、追溯、其他)
订单条件(天、GTC、GTC、OPG、国际奥委会、FOK、其他)
使用的算法类型(VWAP、视点、动量、统计 Arb)
订单传输(经纪人、交易所、ECN、ATS。使用 API 或 FIX 网关)

该信息通常由最终用户通过 winform 输入，但对于全自动系统，不需要 winform，然而，在这两种情况下，建议将每个订单对象存储在关系数据库中以备记录。

聪明的开发人员还会在这一步建立验证，您需要确保检查是否有重大失误、违反法规/命令的情况，以及用户希望下订单的第二次确认和交易细节。

如果您正在构建一个用户提供输入的系统，您可能还希望构建一些交易前分析或交易成本分析。

订单路由

一旦系统捕获了一个订单，它就需要将其路由到所需的目的地，您会发现大多数场所都有自己的专有协议来处理订单，因此您的订单路由组件需要将每个订单编码成正确的格式。

订单编码

订单编码只是指订单对象需要的正确格式，以便另一方处理交易。一些场所将利用定制的应用程序编程接口(API)，但是发送与证券交易相关的信息的新的事实上的标准是金融信息交换(FIX)协议。(我不打算在这里展开 FIX 这本身就是一个完整的话题。)

订单传输

一旦订单被编码，它们需要被发送到要求的目的地。订单相关信息需要发送到场地，然后需要从场地发回关于交易的信息。

有几个适当的检查来确保订单信息被正确地发送和接收。场馆将运行各种校验和订单长度，以便 FIX 引擎可以确认收到的订单与传输的预期订单相匹配。

当修复引擎建立连接时，它会建立一个新的会话。在此会话期间发送的所有消息都由唯一的序列号标识。消息应该按顺序传递，这样，如果引擎收到标识符失序的消息，它可以发出重新发送请求。”(巴里·约翰逊，算法交易和 DMA)

交易执行后，场馆将向 OMS 提交一个包含已完成交易详细信息的填充事件。

来自 EPAT 的课堂讲稿

除此之外，我更进了一步，加入了我在昆汀斯提 EPAT 项目中关于 OMS 的课堂笔记。以下内容直接摘自笔记，可能有助于描述这一过程:

订单经理

订单管理器生成并管理从系统发送到多个目的地的订单；此外，它还在发送订单前实时执行 rms。

订单管理器(OM)的输入是来自信号发生器(你的 alpha 或风险模型)的信号

OM 的输出是需要发送到交易所或其他目的地的订单

它还需要将通知发送回应用程序

以及将订单信息写入数据库

触发器由维护订单整体状态的 OM 实现者处理

它执行预购 RMS(最大订单规模、净投资组合头寸、最大交易价值等)

然后检查每个目的地的 OM 队列

如果队列是空闲的，那么它命令 OM 引擎准备一个包

这些信息被传送到应用程序，并记录到数据库中

对于固定协议目的地，订单以固定格式生成

接下来，订单路由器确定订单的目的地，并将消息转发到正确的线路

我希望这些笔记能帮助其他同学，我写这些文章的一个主要原因是，它们是我记忆所有材料的一种学习技巧。我要感谢算法交易和 DMA 的 Barry Johnson，以及提供 EPAT 程序的 QuantInsti 团队。

如果你有其他好的博文或文章推荐我们阅读，请添加到下面的评论区。

下一步

如果你是一名散户交易者或专业技术人员，想要建立自己的自动化交易平台，今天就开始学习算法交易吧！从基本概念开始，如自动化交易架构、市场微观结构、策略回溯测试系统和自动化交易中的风险管理。

在实时市场中实施算法交易策略

原文：https://blog.quantinsti.com/automated-trading-python-webinar-sep-2016/

https://www.youtube.com/embed/Cg3gejGX3Xk

下载网络研讨会演示文稿

网上研讨会日期和时间

2016 年 9 月 28 日星期三

下午 7:30 是|上午 7:00

如今，许多量化交易者和研究人员更喜欢 Python 算法交易，而不是其他编程语言，因为 Python 可以帮助他们建立自己的数据连接器、执行机制、回溯测试引擎、风险和订单管理系统、Walkforward 和优化测试模块。

对于刚接触算法交易的人来说，Python 代码易于阅读和理解。Python 更容易编写和评估 Algo 交易结构，因为它采用了函数式编程方法。

演讲嘉宾

刘辉博士

作者 IBridgePy，一款与交互式经纪人进行交易的开源软件

Running River 投资有限责任公司创始人

会话详情

本课程非常适合使用 Python 进行自动交易的初学者和专业人士。演讲者将首先简要概述流行的和现有的基于网络的算法交易平台。

会议的重点将是 IBridgePy 的适用性，这是一个开源软件，用于连接到交互式经纪人 C++ API，以便在实际市场中执行 python 代码。

这个流行软件的作者惠博士将展示如何使用这个免费平台来交易您的策略，并讨论 IBridgePy 的三个基石:获取实时报价、获取历史数据和下单。

谁应该参加？

自动化交易爱好者
对金融市场感兴趣的 Python 程序员
交互式经纪人用户
寻求自动化执行解决方案的人
那些对使用 Python 进行交易感到好奇的人

关于 IBridgePy 的更多信息

它可以交易交互式经纪人提供的任何证券，例如期货、期权、外汇等。
它可以同时管理多个帐户。
它可以同时执行多种交易策略。

高效的自动交易系统覆盖:一种不干涉的方法

原文：https://blog.quantinsti.com/automated-trading-system-overrides/

扎克·奥克斯

在过去的十年里，交易有了很大的发展，我一直活跃在市场上。随着信息技术的发展，市场交易、进场交易和系统实施都取得了令人难以置信的进步。但是伴随着巨大的权力而来的是巨大的责任，在这个过程中有一些你必须克服/避免的技术障碍。

提供一点背景——我犹豫地说——我是一名全栈开发人员，但在我专注于编程之前，我是一名全权期货交易者，在此之前，我是现在 ICE 的场内做市商。我既有高科技背景，也有低科技背景，但我 95%的交易都是自动化的。

上线

我将从一个故事开始…最近我推出了一个新的投资组合，对我来说，这意味着在几周内特别密切地监控系统，并准备好修复任何错误。我注意到，与过去不同的是，我发现这个任务很难用放手式的方式来管理。我想我对这个投资组合抱有期望，并对它进行了大量的研究和测试，所以我知道该期待什么，我想从中看到什么，这自然会导致交易情绪的同意/恐惧混合。

第一天，我注意到条目中有一些错误，但很快就被解决了——一切正常，除了我认为我知道得更好。

随着前几周所有标题风险和美联储会议纪要的出炉，我认为我应该“确认”我的系统没有陷入任何情绪波动。一般来说，我认为这是一种更合理、更负责任的覆盖系统的方法，就像在公布收益前调整或暂停系统一样。我现在有了新规则来定义什么是“好的”覆盖，但这并不那么简单。

也许我可以做得更好？

我看到了一个看起来只是典型的计算机逻辑错误的交易；它是黄金(GCQ19)，在一个大缺口似乎触及支撑后，它即将进入一个坚实的空头头寸。我可自由支配的日子让我尖叫着避免这种交易，但我决定:

如果有的话，如果它对我不利，我会迅速退出。T3】

总的来说，我不喜欢改变交易，但是如果系统持有时间很长，我会偶尔提前退出/止损。这个系统有一个持有期<1hr, so I was completely lying to myself, either way, I looked at it here.

的交易被填满，我很快就下跌了大约 100 美元/合约。我在寻找我的出口，确信我需要定期覆盖系统，因为这不能再清楚了。我等待着系统(希望)回到接近平衡的状态...交易中通常应避免的陈述。
不到 10 分钟，它就到了我的止损下限+250；它继续关闭(在 sim)大约 370，我为我的不耐烦踢我自己。

…我不能

我们建立这些系统是为了比自己更好地交易，避免这些启发式的错误和偏见。然而，如果我们总是忽略我们的工作，我们就否定了自动交易的主要好处——消除人为错误。

我决定关于这个话题真的没有太多的研究，在不打开大量数据窥探或事后诸葛亮偏见的闸门的情况下，唯一的方法就是直播，金钱和机会就在眼前。我决定用一周的时间做 10 笔交易，以获取一个小而公平的微型样本，来研究超驰系统是如何影响我的表现的。

我有一个例子，我还有 9 个例子要做——我知道统计显著性的标准是> 30 个观察周期或> 100 个观察，但是如果我用当前的合计期望值-34，000 做 100 次，我就没有交易了。

结果

附件是我这一周的交易报告，以及我的实际表现与被覆盖的结果的比较。这不是公平曲线，只是我有限干预和不干预的结果的可视化。

如您所见，干扰在很大程度上对帐户性能有害。当我认为我知道得更多的时候，似乎在大多数情况下我根本不知道；我最好让我努力开发的系统在没有干扰或干预的情况下运行。

改善监控习惯

如果你需要更多的说服力，这里有一些我在这个过程中注意到的事情:

首先- 当你覆盖你的系统时，你几乎毁了你的性能数据。我一周的表现并不反映我的系统表现，更多的是反映了我奇怪的混合交易系统的表现。

在验证新的投资组合方面，这几周的数据对我来说是有用的参考，但在业绩衡量方面毫无用处。

我也有过几次干预，结果造成的问题比我修复的多得多——例如，在 RB & NG 交易中，我平仓获利，然后系统触及跟踪止损下限并执行跟踪止损——让我反向进场，两次都令人沮丧地损失了 1 个基点。

我还注意到，干预往往会导致更多的干预**当你寻找更多的机会时，试着优化每一单交易，或者试着弥补过去犯下的愚蠢错误。这似乎也造成了更多的压力，因为我不再认为这是我所不能控制的，而是觉得我需要在为时已晚之前找到我系统中的错误。

最重要的是，干扰我的系统让我损失了金钱！没有理由进一步寻找理由，对我来说，这是一个效率更低，成本更高的交易方法。在相当沮丧的一周之后，我想出了一些帮助我正确监控和区分潜在的好的干预和坏的干预的建议。让我们从定义我认为的实用覆盖开始。我认为，如果出现罕见和不寻常的超额总体风险或无形风险，可以通过在交易日之前修改参数进行干预，或者只是暂时关闭系统。

我觉得这个不应该经常做；一个例子是，当利率决定即将到来时，在股票交易或美联储会议中发布收益。

给你一个我认为构成超额风险的概念，我认为每年这样做不应该超过 4-6 次。**

不要在每次有总统推特的时候停止你的系统——你永远不会完成任何交易。

帮助监控的一些技巧

在移动或其他有限的平台上进行监控(在这些平台上，如果您想进行更改而不引起问题，则无法进行更改)。
****远离它；每隔 2-6x 回来一次(如果交易 15M，每隔 1.5 小时回来回顾交易；60M，每 2-3 小时一次)。
****保持忙碌开发新系统，研究新项目或 alpha 模型。
平台静音对我来说很有帮助，每当我听到交易开始时，几乎不可能不看它。
多目标 & /或跟踪止损/交替出场——它们有助于确保你在结束交易时有一定的判断力，例如，在第一根棒线内+250 的交易，或在均线下交叉的交易，作为移动授权进场信号。此外，使用不相关但交替的停顿也是有帮助的，比如 LL/HH 停顿等等。
建立适合你风格的系统——这很重要，如果它不适合你的交易风格，那就不容易监控。
我曾经用 massive MFE 的(会变成输家的大额盈利交易)交易了一个摇摆交易系统。对我(黄牛)来说，监控是无法忍受的。我缩短了区间，增加了跟踪止损和目标来消除大的 MFE。
****内置故障保护，自动执行良好的覆盖——并坚持下去！

故障保护

Failsafe: 我使用一个基于 int 的 boolean，级别 0、1 或 2 表示警报级别(0 表示关闭，1 表示打印警报，2 表示暂停(数量= 0))。
****最大下降:我留下 1 - 2 个标准偏差，超过迄今为止最大值或蒙特卡洛模拟的最大 DD。
****胜率:我将这个设定为比我的实际胜率低 2.5 - 5%(如果胜率为 73%，则为< 70%)。(在开始时要小心，直到样本量很大——否则，1 或 2 笔亏损交易就会触发这种情况)
****最大损失:我为滑点/缺口额外定价 1 - 2 个最大损失(或固定止损)。
****连续亏损的交易:我添加了 1 或 2 笔比迄今为止最长的交易更长的交易。
平均交易: $5 - $10 <测试平均交易；(同样，要小心，直到样本量足够大)

结果汇总

**
*Totals Sys. Off = -34.2
*If you must, simply turn off temporarily

我的覆盖(相对于系统退出)的累计表现差是-850 美元/合约，所以我平均每笔交易比我的系统少 85 美元**。

除了欧元之外，我试图改进的所有工具总体上都是负面的(我确信没有人擅长交易欧元，这纯粹是小样本的运气)。

我进一步对否决进行了分类，在通过 停止或省略一笔交易否决的情况下，总的业绩差异为-34 美元/合约。

所以，如果你觉得必须覆盖，根据这个小样本，最好是简单地省略一个交易，而不是在交易进入后介入。总之，如果系统开始交易，你最好让系统结束交易——至少我是这样。对我有帮助的心态是对我的代码有信心，相信让这个变成现在这个样子的能力和努力——我相信我自己的尽职调查。**

我知道独自平仓是多么诱人，但是让你的系统赢得胜利吧！

**交易愉快！

免责声明:本客座博文中提供的观点、意见和信息仅属作者个人观点，不代表 QuantInsti 的观点、意见和信息。本文中所做的任何陈述或共享的链接的准确性、完整性和有效性都不能得到保证。我们对任何错误、遗漏或陈述不承担任何责任。与侵犯知识产权相关的任何责任由他们承担。****

自动交易系统:架构、协议、延迟类型

原文：https://blog.quantinsti.com/automated-trading-system/

由 Rekhit Pachanekar 编译

十多年来，自动交易系统或算法交易一直处于交易世界的中心。一个“交易系统”，更通常的说法是“交易策略，不过是一套规则，应用于给定的输入数据，生成进场和出场信号(买入/卖出)。

虽然制定交易策略看起来是一件容易的事情，但实际上并不是！创建一个成功的交易策略需要详尽的量化研究，量化交易策略背后的大脑在算法交易界被称为“Quants”。我们可以将量化分析师定义为受雇于量化交易公司的专业人士，他们应用先进的数学和统计模型，唯一的目标是创建一个阿尔法寻找策略，即一个可以持续产生回报的盈利交易策略，独立于整体市场的方向。

过去 10 年，算法交易的交易量比例大幅上升。在美国和其他发达市场，高频交易和算法交易约占股票市场份额的 70%。在印度，占总营业额的百分比已经上升到 49.8%。

在过去的十年中，自动化交易的发展已经导致自动化交易系统的基本架构发生了显著的变化，并且这种变化将继续下去。对于公司来说，特别是那些使用高频交易系统的公司，为了在算法交易的世界中竞争，技术创新已经成为必要，因此，算法交易领域成为计算机和网络技术进步的温床。

在本帖中，我们将为读者揭开自动交易系统背后的架构。我们将自动交易系统的新架构与传统的交易架构进行比较，并了解这些系统背后的一些主要组件。

我们将在这篇博客中讨论以下几点:

传统建筑
传统架构的局限性
自动交易系统的新系统架构
自动交易系统协议的出现
低延迟架构的出现
复杂程度
建立自己的自动交易系统

传统建筑

从概念上讲，任何交易系统都只不过是一个计算模块，在两个不同的数据流上与交易所进行交互。

接收市场数据
发送订单请求并从交易所接收回复。

在其基本形式中，我们可以将来自交易所和自动交易系统的数据交换描述如下:

接收到的市场数据通常通知自动交易系统最新的订单簿。它可能包含一些额外的信息，比如到目前为止的交易量，最后一次交易的价格和数量。然而，为了对数据做出决定，交易者可能需要查看旧值或从历史中获得某些参数。为了迎合这一点，传统的系统会有一个历史数据库来存储市场数据和使用该数据库的工具。该分析还包括对交易员过去交易的研究。因此，另一个数据库也用于存储交易决策。最后，但同样重要的是，交易者可以通过 GUI 界面在屏幕上查看所有这些信息。

考虑到以上各点，整个自动交易系统的传统架构现在可以分解为

交换–外部世界
服务器
市场数据接收器
存储市场数据
存储用户生成的订单
应用
听取用户的意见，包括交易决策
查看包括数据和订单在内的信息的界面
订单管理器向交易所发送订单

传统建筑的局限性

然而，人们发现传统的体系结构无法满足 DMA 自动交易的需求。从事件发生到订单生成之间的延迟超出了人类控制的范围，进入了毫秒和微秒的领域。订单管理也需要更加强大，能够每秒处理更多的订单。由于时间框架与人类的反应时间相比微不足道，风险管理还需要以完全自动化的方式实时处理订单。

例如，即使订单的反应时间是 1 毫秒(与我们今天看到的延迟相比，这是一个很大的延迟)，系统仍然能够在一秒钟内做出 1000 个交易决定。因此，这 1000 个交易决定中的每一个都需要在同一秒内通过风险管理才能到达交易所。你可以说，谈到自动交易系统，这只是一个复杂性的问题。

出现的另一点是，由于架构现在涉及自动化逻辑，100 名交易员现在可以被一个单一的自动化交易系统取代。这增加了问题的规模。因此，每个逻辑单元生成 1000 个订单，100 个这样的单元意味着每秒 100，000 个订单。这意味着决策和订单发送部分需要比市场数据接收器快得多，以便与数据速率相匹配。

自动交易系统的新体系结构

为了克服传统系统架构的限制，运行决策逻辑的引擎，也称为“复杂事件处理”引擎，或 CEP，从应用程序内部转移到服务器。应用层现在不仅仅是一个用于查看和向 CEP 提供参数的用户界面。

自动交易系统中的缩放问题也导致了一个有趣的情况。假设在一个市场数据事件上运行着 100 种不同的逻辑(如前面的例子中所讨论的)。然而，对于 100 个逻辑单元中的大多数来说，可能需要运行复杂计算的公共部分，比如说，希腊期权的计算。如果每个逻辑独立运行，每个单元将进行相同的希腊计算，这将不必要地耗尽处理器资源。为了优化计算的冗余性，复杂的冗余计算通常被分离到单独的计算引擎中，该引擎将 greeks 作为输入提供给自动交易系统中的 CEP。

虽然应用层主要是一个视图，但是一些风险检查(由于规模问题，现在已经成为资源密集型操作)可以卸载到应用层，特别是那些与用户输入的健全性有关的检查，如粗手指错误。

自动交易系统中的其余风险检查现在由订单管理器(OM)内的单独的风险管理系统 (RMS)在发布订单之前执行。规模问题还意味着，以前有 100 个不同的交易员管理他们的风险，现在只有一个 RMS 系统来管理所有逻辑单元/策略的风险。但是，有些风险检查可能是特定于某些策略的，有些可能需要在所有策略中进行。因此，RMS 本身涉及战略级 RMS(slrm)和全球 RMS (GRMS)。它还可能涉及到查看 SLRMS 和 GRMS 的 UI。

现在让我们更详细地了解服务器组件。

市场适配器

交易所或任何市场数据供应商以他们自己的格式发送数据。你的算法交易系统可能理解也可能不理解这种语言。Exchange 为您提供了一个 API 或应用程序接口，允许您编程并创建自己的适配器，将数据格式转换为您的系统可以理解的格式。

复杂事件处理引擎

这部分是你策略的大脑。一旦你有了数据，你就需要按照你的战略来处理它，这包括做各种统计计算，与历史数据进行比较，以及为订单生成做出决策。订单的类型、订单数量在此块中准备。

你所说的交易系统实际上是 CEP 系统

复杂事件只不过是一组到来的事件。这些包括股票趋势、市场动向、新闻等。复杂事件处理是在短时间内对复杂事件执行计算操作。在自动交易系统中，操作可以包括检测复杂的模式，建立相关性和关系，例如任何到来的事件之间的因果关系和时间安排。

CEP 系统实时处理事件，因此事件处理越快，CEP 系统就越好。例如，如果一个自动交易系统被设计为检测下一个 1 秒的盈利机会，但 CEP 系统所用的时间超过了这个阈值，那么该交易系统将无法盈利。

文化教育系统由四部分组成:

CEP 引擎
文化教育规则
CEP WS
CEP 结果界面

任何 CEP 系统的两个主要组件是 CEP 引擎和 CEP 规则集。CEP 引擎根据 CEP 规则处理传入事件。这些规则和作为 CEP 引擎输入的事件是由应用的交易系统(交易策略)决定的。

对于一个定量分析师来说，他的大部分工作都集中在这个 CEP 系统模块。一个量化分析师会把大部分时间花在制定交易策略上；执行严格的回溯测试、优化和定位等工作。这样做是为了确保交易策略在真实市场中的可行性。没有一种策略能保证永远的利润。因此，定量分析师需要定期想出新的策略来保持市场优势。

目前市场上广泛使用的自动交易系统有很多。这些策略包括动量策略、统计套利、做市等。查看我们关于算法交易策略、范例和建模思想的非常有见地的博客，以了解更多关于这些交易系统的信息。

订单路由系统

使用交易所提供的 API，以交易所能够理解的语言对订单进行加密。exchange 提供了两种 API:本地 API 和修复 API。本地 API 是那些特定于特定交换的 API。FIX(金融信息交换)协议是一套用于不同交易所的规则，旨在使证券市场中的数据流动更容易、更有效。我们将在下一节进一步讨论 FIX。

在开放经济的情况下，人们可以通过自动交易系统向交易所或非交易所发送订单，ORP 应该能够处理发往不同目的地的订单。

这里，我们要指出的是，订单信号既可以由个人手动执行，也可以自动执行。后一部分就是我们所说的“自动化交易系统”。订单管理器模块由不同的执行策略组成，这些执行策略根据预定义的逻辑执行买入/卖出订单。一些流行的执行策略包括 VWAP，TWAP 等。有不同的流程，如订单路由、订单编码、传输等。构成这个模块的一部分。查看我们关于订单管理系统 (OMS)的博客，了解更多关于这些流程的信息。

自动交易系统中的风险管理

由于自动交易系统在没有任何人工干预的情况下工作，因此有必要进行彻底的风险检查，以确保交易系统按照设计运行。缺乏风险检查或错误的风险管理会给量化公司带来无法挽回的巨大损失。因此，风险管理系统(RMS)是任何自动化交易系统的一个非常重要的组成部分。

在自动交易系统中有两个处理风险管理的地方:

在应用程序中，我们需要确保这些错误的参数不是由交易者设置的。它不应该允许交易者设定非常不正确的价值，也不应该允许任何重大错误。

在 OMS 生成订单之前——在订单流出系统之前，我们需要确保它通过一些风险管理系统。这是最关键的风险管理检查发生的地方。查看我们的博客“交易风险管理的变化趋势”以了解自动化交易系统中风险管理方面和风险处理的更多信息。

要了解更多关于订单管理器的信息，你可以查看我们在“自动化交易系统中的订单管理系统”上的帖子

要了解更多关于风险管理的信息，你可以看我们的帖子“自动化交易系统中交易风险管理的变化趋势”

自动交易系统协议的出现

正如我们在前面的自动交易系统教程中所看到的，由于新的架构能够扩展到每台服务器上的多种策略，因此需要从一台服务器连接到多个目的地。因此，订单管理器托管了几个适配器，将订单发送到多个目的地，并从多个交易所接收数据。

每个适配器充当交换所理解的协议和系统内通信协议之间的解释器。因此，多个交换将需要多个适配器。

然而，为了向自动交易系统添加新的交易所，必须设计新的适配器并将其插入到架构中，因为每个交易所遵循其针对交易所提供的特征而优化的协议。为了避免添加适配器的麻烦，已经设计了标准协议。其中最突出的是修复协议。这不仅使连接到不同目的地变得易于管理，而且在连接到新目的地时，还大大缩短了上市时间。

标准协议的存在使得自动交易系统可以很容易地与第三方供应商集成，以获得分析或市场数据。因此，市场变得非常高效，因为与新的目的地/供应商整合不再是一个限制。

此外，模拟变得非常容易，因为从真实市场接收数据并向模拟器发送订单只是使用 FIX 协议连接到模拟器的问题。模拟器本身可以内部构建，也可以从第三方供应商处购买。类似地，记录的数据可以被重放，其中适配器不知道数据是从实时市场还是从记录的数据集接收的。

低延迟架构的出现

随着自动化交易系统的构建，这些策略现在有能力实时处理大量数据，并快速做出交易决策。今天，随着像 FIX 这样的标准通信协议的出现，建立算法交易台或自动交易系统的技术进入壁垒已经变得更低，因此，算法交易的世界变得更加竞争激烈。随着服务器获得更多的内存和更高的时钟频率，重点转向减少决策的延迟。随着时间的推移，减少延迟已经成为一种必要，原因有很多，例如:

该策略只有在低延迟环境中才有意义
适者生存——如果你不够快，竞争对手就会把你干掉

然而，问题是延迟实际上是一个总括性的术语，包含了几种不同的延迟。虽然非常容易理解，但量化起来相当困难。因此，如何解决减少等待时间的问题变得越来越重要。

如果我们看看自动交易系统的基本生命周期，

交易所发布市场数据包
数据包通过网络传输
数据包到达服务器端的路由器。
路由器在服务器端通过网络转发数据包。
数据包到达服务器的以太网端口。
根据这是否是 UDP/TCP，进行处理，并且去除了报头和报尾的分组到达适配器的存储器。
然后，适配器解析数据包，并将其转换为算法交易平台内部的格式
这个数据包现在通过系统的几个模块——CEP、tick store 等。
CEP 分析并发送订单请求
订单请求再次经历与市场数据包相反的循环。

在自动交易系统中，任何一个步骤的高延迟都会导致整个周期的高延迟。因此，延迟优化通常从我们控制的这个周期的第一步开始，即“数据包在线路上传输”。这里最简单的做法是尽可能缩短到目的地的距离。

主机托管是交易所提供的在交易所附近托管交易服务器的设施。下图说明了通过缩短距离可以获得的收益。

在自动化交易系统中，对于任何一种涉及单一目的地的高频策略来说，托管已经成为事实上的必须。然而，涉及多个目的地的战略需要一些仔细的规划。在做出这样的决定之前，必须考虑诸如目的地回复订单请求所花费的时间及其与两个目的地之间的 ping 时间的比较等因素。这个决定也可能取决于策略的性质。

网络延迟通常是减少自动交易系统整体延迟的第一步。然而，还有很多其他地方可以优化架构。

传播潜伏期

在自动交易系统中，传播延迟表示沿着线路传送位元所花的时间，当然会受到光速的限制。

除了减少物理距离之外，还引入了一些优化来减少传播延迟。例如，芝加哥和纽约之间普通电缆的往返时间估计为 13.1 毫秒。Spread Networks 在 2012 年 10 月宣布了延迟改进，将预计往返时间降至 12.98 毫秒。微波通信被 Tradeworx 等公司进一步采用，使往返时间估计达到 8.5 毫秒。注意，理论上的最小值约为 7.5 毫秒。持续的创新正在推动科学的边界，并迅速达到光速的理论极限。早先用于国防技术的激光通信的最新发展，进一步将短距离内已经变薄的延迟缩短了纳秒。

网络处理延迟

网络处理延迟表示由路由器、交换机等引入的延迟。

自动化交易系统架构的下一个优化级别是数据包从 A 点到 b 点的跳数。跳是指数据包不通过路由器或交换机等物理设备的源和目的地之间的一段路径。例如，数据包可以通过两条不同的路径传输相同的距离。但是它可能在第一条路径上有两跳，而在第二条路径上有三跳。假设传播延迟相同，路由器和交换机都会引入各自的延迟，通常根据经验，跳数越多，增加的延迟就越多。

网络处理延迟也可能受到我们所说的微突发的影响。微突发被定义为数据传输速率的突然增加，其不一定影响数据传输的平均速率。由于自动交易系统是基于规则的，所有这样的系统将以同样的方式对同一事件做出反应。因此，许多参与系统可能会发送命令，导致参与者和目的地之间突然发生一连串数据传输，从而导致微突发事件。下图说明了什么是微下击暴流。

第一张图显示了数据传输速率的 1 秒视图。我们可以看到，平均速率远低于 1Gbps 的可用带宽。但是，如果我们更深入地观察第二张图片(5 毫秒视图)，我们会发现传输速率每秒钟几次超过可用带宽。因此，网络端点以及路由器和交换机中的网络堆栈上的数据包缓冲区可能会溢出。为了避免这种情况，通常为自动交易系统分配比观察到的平均速率高得多的带宽。

序列化延迟

自动化交易系统的序列化延迟表示将位从网络上取出所花费的时间。

在 T1 线路上传输的 1500 字节的数据包(1，544，000 bps)将产生大约 8 毫秒的串行化延迟。然而，使用 56K 调制解调器(57344bps)传输同样的 1500 字节数据包需要 200 毫秒。一条 1G 的以太网线路会将这一延迟降低到 11 微秒左右。

中断等待

自动交易系统中的中断等待时间表示在服务器上接收数据包时由中断引入的等待时间。

中断延迟定义为从产生中断到处理中断源之间所经过的时间。什么时候产生中断？中断是由硬件或软件向处理器发出的信号，表示某个事件需要立即处理。反过来，处理器通过暂停其当前活动、保存其状态和处理中断来做出响应。每当网卡收到数据包时，就会发送一个中断来处理已经加载到网卡接收缓冲区的位。响应此中断所花费的时间不仅会影响新到达的有效载荷的处理，还会影响处理器上现有进程的延迟。

Solarflare 在 2011 年推出了“OpenOnload”，它实现了一种称为内核旁路的技术，其中数据包的处理不是留给操作系统内核，而是留给用户空间本身。NIC 将整个数据包直接映射到用户空间，并在那里进行处理。因此，完全避免了中断。

因此，加快了处理每个包的速度。下图清楚地展示了内核旁路的优势。

应用延迟

自动交易系统的应用程序延迟表示应用程序处理所需的时间。

这取决于几个分组、分配给应用逻辑的处理、所涉及的计算的复杂性、编程效率等。一般来说，增加系统中处理器的数量会减少应用程序的延迟。时钟频率增加的情况也是如此。许多自动交易系统利用将处理器内核专用于应用程序的基本元素，例如策略逻辑。这避免了内核之间的进程切换带来的延迟。

类似地，如果在自动交易系统中的策略编程已经记住了高速缓存大小和存储器访问的局部性，那么将会有大量的存储器高速缓存命中，从而导致等待时间的进一步减少。为了促进这一点，许多系统使用非常低级的编程语言来针对处理器的特定架构优化代码。一些公司甚至使用完全可编程门阵列(FPGA)将复杂的计算烧到硬件上。随着复杂性的增加，成本也在增加，下图很好地说明了这一点。

复杂程度

高频算法交易的世界已经进入了一个激烈竞争的时代。随着每个参与者采用新的方法来淘汰竞争对手，技术已经突飞猛进。与早期的算法交易架构相比，现代的算法交易架构非常复杂。因此，高级自动化交易系统在时间和金钱方面的构建更加昂贵。

建立一个完整的自动交易系统可能超出了个人散户的能力范围。对于想探索算法交易方式的交易者来说，可以选择市场上基于订阅的自动交易系统。交易者可以订阅这些自动化系统，并使用这些系统上的用户可用的算法交易策略。我们在博客“印度顶级算法交易平台”中重点介绍了一些流行的自动交易系统。懂编程的交易者可以在 Python 和 r 这样的编程平台中制定和回测自己的策略。

建立你自己的自动交易系统

初级交易者可以学习建立自己的算法交易策略，并在市场中获利。以下步骤可以作为建立算法交易策略的粗略指南:

想法或策略假设——想出一个你认为在现实市场中会有利可图的交易想法。这个想法可以基于你的市场观察，也可以从交易书籍、研究论文、交易博客、交易论坛或任何其他来源借用。
获取必要的数据——为了测试你的想法，你需要历史数据。你可以从谷歌财经、雅虎财经或付费数据供应商那里获得这些数据
策略写作——一旦你有了数据，你就可以开始用 Excel、Python 或 R 编程等工具编写你的策略了。
回溯测试你的策略——一旦编码，你需要测试你的交易想法是否能从历史数据中获得好的回报。回溯测试包括优化投入、设定利润目标和止损、头寸规模等。
纸上交易你的策略——在回溯测试步骤之后，你需要先纸上交易你的策略。这意味着在模拟市场条件的模拟器上测试你的策略。有券商提供算法交易平台用于纸面交易你的策略。
实施你的策略——如果纸上交易后策略是盈利的，你可以实施。你可以在一个提供算法交易工具的合适的经纪人那里开一个账户。

允许专业人士和散户交易者进行算法交易的交易所数量逐年增加，越来越多的交易者转向算法交易。

结论

这是一篇关于自动化交易系统架构的详细文章，我们确信这篇文章对相关组件以及架构开发人员为了构建一个健壮的自动化交易系统而需要处理/克服的各种挑战提供了非常深刻的知识。你还在等什么？加油 Algo！！

动手操作的算法交易:从构思到实际市场实施

原文：https://blog.quantinsti.com/automated-trading-webinar-hui-liu-1-october-2020/

https://www.youtube.com/embed/VFhSKz4hyTA?rel=0

2020 年 10 月 1 日星期四

东部时间上午 10:00 | IST 时间晚上 7:30 |新加坡时间晚上 10:00

【10 年多机构】

一场回合赛

这是我们#10YearsOfQuantInsti 系列的第三场网络研讨会。

在这个实践大师课上，创建一个算法交易策略，并在实际市场中实施。探索交易策略的宇宙，创建一个样本策略，回测它，并分析结果。

学习使用 API 和包装器，如 IBridgePy 来连接经纪人，如 Interactive Brokers、TD Ameritrade 和 Robinhood，以进行纸上交易和现场交易。参与者应该对编程语言有所了解，并了解金融市场的基础知识。

成功完成课程后，您将获得参与证书。

扬声器

刘辉博士

(Running River Investments LLC 创始人，《IBridgePy》作者)

刘博士是 Running River Investments LLC 的创始人，这是一家私人对冲基金，专门从事各种自动化交易策略的开发和实施。他还是 IBridgePy 的作者，IBridgePy 是一个灵活易用的 Python 包，可以与交互式代理 C++ API 对话。IBridgePy 并没有重新实现 IB 的 API。它只是对 IB 的 C++ API 做了一个包装，让 Python 可以直接调用 C++ API。

阿迪蒂亚·古普塔

(量化研究员，QuantInsti)

Aditya 正在 QuantInsti 与产品和内容团队合作，在那里他专注于开发增长途径以实现所需的可扩展性。此前，他曾在另类投资领域工作，并在世界各地的交易所为一个自营交易台交易各种固定收益和商品衍生品。他还是一家上市金融公司定量研究团队的成员。

使用 Python 进行自动化交易

原文：https://blog.quantinsti.com/automated-trading-with-python-webinar/

关于网上研讨会

Python 非常适合自动化金融交易——尤其是低频和中频策略。本次网络研讨会展示了实施自动化交易方法的典型步骤是多么简单:

历史数据搜集
交易策略的回溯测试
使用流数据
实时自动交易

所有展示的例子都是基于http://oanda.com的平台和 API。关于 Python 和使用的库的背景信息可以在 O'Reilly 的书 Hilpisch，Yves(2014):《Python for Finance——分析大金融数据》中找到。

日期和时间

二月十日，星期三

13:30 中欧时间 18:00 印度标准时间 20:30 新加坡时间

伊夫·j·希尔皮施博士

Yves J. Hilpisch 是德国 Python Quants GmbH 的创始人和管理合伙人，也是 Python Quants LLC 的联合创始人。，纽约市。该集团提供基于 Python 的金融和衍生品分析软件，以及与 Python、开源和金融相关的咨询、开发和培训服务。Yves 还是《用 Python 进行衍生品分析》(Wiley Finance，2015)一书的作者。作为一名拥有数理金融博士学位的工商管理毕业生，他在 CQF 项目上讲授计算金融。

网络研讨会视频

https://www.youtube.com/embed/blnJn1aCfDw?rel=0

下一步

您也可以查看我们的互动课程“Python for Trading ”，您将获得 Python 编码的实践经验。你可以编写自己的策略，并对其进行回溯测试，还可以获得 QuantInsti 和 MCX 的联合认证。

什么是自动交易？

原文：https://blog.quantinsti.com/automated-trading/

由查尼卡·塔卡

由于使用自动化系统执行交易指令，自动化交易是一种速度更快的方法。凭借您在交易领域的专业知识，您可以自动化您的交易方法，而不是手动执行交易。在这篇博客中，你将学到所有关于了解和开始使用自动交易方法的知识。

博客内容包括:

什么是自动化交易？
自动交易的历史
自动交易工作
自动交易和算法交易的区别
新旧经纪模式的区别
自动交易和算法交易的例子
实行自动交易的先决条件
学习自动交易的资源
建立自动交易系统的步骤
自动化交易的好处
自动化交易的弊端

什么是自动交易？

自动化交易使用计算机生成交易信号，发送订单，并在有或没有人工干预的情况下使用算法管理投资组合。算法使用复杂的电子市场/平台，以类似于电子交易的方式进行交易。

自动化交易的历史

谈到自动化交易是如何开始的，以及它是如何变得对交易者如此有用的，让我们从一开始就一个一个地看看“自动化交易”的旅程:

1949 年，Richard Donchain 首次提出了自动交易系统的概念。他利用一套规则来买卖金融市场的资产。
然后，在 20 世纪 80 年代，基于规则的交易在交易者中流行起来，著名的交易者如约翰·亨利等开始使用基于规则的交易策略。
在 20 世纪 90 年代中期，自动股票交易模型的简易版本开始可供购买。这些交易模式也提高了散户投资者进入金融市场交易领域的机会。然而，在今天的时代，自动交易系统正在全球范围内管理资产。

自动交易的运作

自动交易以简单而系统的方式工作，完全基于交易者设置的命令/指令/参数。让我们来看看自动交易系统是如何逐步运作的:

为了让自动交易系统工作，首先，交易者需要一个平台，在这里你可以设置你的交易策略的参数。
然后，在交易经验的基础上，交易者将通过指令输入创建进/出头寸。
这些规则和条件将基于交易的时间、进场和出场的价格以及交易的数量。
每当条件满足时，这些算法将代表交易者进行交易。
例如，自动股票交易系统可以在算法的帮助下，当其 100 天移动平均线高于 250 天平均线时，购买 200 股苹果股票。
自动交易系统将持续监控金融市场价格、交易等。并且每当满足预定的指令/参数时将执行交易。

下图解释了自动交易系统的整个流程:

Automated trading

自动交易和算法交易的区别

让我们用这张表来找出自动交易和算法交易的不同之处:

建议内容如下:

算法交易书

自动交易和算法交易的例子

在自动交易中，订单根据设定的参数和指令以电子方式执行，如上图所示。例如，自动交易不能处理关于价格、交易量等的详细指令。你的喜好。自动交易系统可以被指示在下午 2 点进入交易，在下午 3 点退出。就是这样！

然而，在算法交易的情况下，你可以通过算法创建一套规则和条件。例如，您可以创建算法，以便在价格低于 50 美元时进入交易，否则退出交易。因此，可以通过考虑价格、头寸大小等细节来做出决策。

实行自动交易的先决条件

你可以找到学习算法交易的步骤，一步一步学习这个当代的流程。学习自动交易没有那么多先决条件，因为学习可能很难，但却是可行的。但是，在你开始练习自动交易之前，这些是先决条件:

市场知识
战略创造
编码经验

市场知识

对市场有很好的了解或者是手工交易者已经帮助你成为自动化交易者。手动交易体验很有帮助，因为自动交易要求交易者在了解市场的基础上自动执行交易订单。

例如，如果你有手工交易的经验，你将能够分析以特定价格购买特定股票是否会带来预期的回报。做出决定后，您将能够相应地自动化系统。

如果你能掌握基本知识，学习股票市场对你来说会容易得多。这个关于股票市场基础知识的免费课程旨在帮助你理解核心概念。

战略创造

开始自动交易的另一个先决条件是很好地了解策略创建过程。所有交易都必须以正确的策略执行(基于市场情况和股票、商品等的表现)。)以获得最佳结果。

有几个量化交易策略和模型你可以学习，以便能够为你的投资组合使用最有效的策略。

编码经验

良好的编码体验是自动交易的必要条件，因为这样你就可以选择通过算法自动执行所有策略。 Python 编程被认为是当今最流行的编程语言。

通过学习 Python 编程的基础知识，你可以为你的交易之旅练习编码。此外，练习得好可以帮助你更好地规划你的自动交易策略。

学习自动交易的资源

通过我们的博客学习算法交易的免费资源——编辑列表找出你可以免费获得的独家资源！

然而，为了通过付费资源学习，你必须访问我们的博客什么是算法交易。在博客中的“如何学习算法交易”的副标题下，你将能够找到一些有用的课程和书籍(付费)。

建立自动交易系统的步骤

建立自己的自动交易系统确实需要在硬件、软件、自动化知识等方面进行适当的规划和执行。通过我们关于建立算法交易平台的有趣而全面的博客，你将找到建立自动化交易系统的所有必要步骤并开始行动！

自动化交易的好处

自动化交易是一种比人工交易更快更有效的方法。让我们来详细看看这些优势，它们是:

回溯测试

允许回测，这是成功交易策略的一个重要组成部分，可带来良好的结果。当你进行回溯测试时，你会发现这个策略是否符合历史数据。在过去数据结果的帮助下，您建立的策略将针对当前数据进行验证。因此，更好的结果。

情感

交易时，次要情绪起很大作用。恐惧、贪婪等情绪。用手动交易的方式来推动你的交易决策。然而，在自动交易的情况下，情绪会被抑制，因为计算机系统会根据你设定的偏好来处理交易。

方法

在自动交易中可以看到更有纪律的方法，因为在人工交易中，由于市场波动等情况，人类并不总是可能遵循有纪律的模式。

在波动期间，手工交易者可能会基于对未来市场下跌或上涨的不正确预期做出决策。但是，有了给自动系统的交易计划或交易指令，你就可以维持一个有纪律的方法。

这种训练有素的方法可以让你用回溯测试和正确的交易策略来执行交易。

时间

此外，自动化交易通过快速监控市场(比任何人都可能做到的更快)为交易者节省了大量时间。这有助于在不浪费太多时间的情况下找到最佳机会。

自动化交易的缺点

自动交易的所有缺点如下:

固定

一个机械系统，有时候，肯定会卡住，不像人类。万一系统卡住了，同样的问题也需要解决。例如，一个机械系统可能会慢一点，导致行动延迟(没有按照指示在下午 2 点进入市场)。

监视

监控功能是自动化系统的另一个缺点，因为没有对系统的持续跟踪，您可能无法发现是否有什么需要改变。

例如，在没有监控的情况下，系统可能会继续将进入时间视为下午 2 点(根据您的指示)或任何此类特定时间。但是，您可能需要根据市场情况(您的分析/监控)更改时间

结论

自动化交易是一种当代实践，与传统交易相比，它让你的交易更实际。此外，与人工交易相比，自动化交易更快、更准确。

在博客中，我们讨论了一些主要概念，比如工作，以及自动化交易和算法交易之间的细微差别。

在这个 Quantra 课程中，你也可以从什么、如何、为什么、算法交易策略和建立算法交易业务的规则等基础知识开始学习算法交易。立即注册。

使用趋势跟踪指标的自动化

原文：https://blog.quantinsti.com/automation-trend-following-indicators-project-rajesh/

在这篇文章中，我们学习如何创建一个系统，该系统可以根据基于 200 均线和 50 均线的日内交易策略生成的信号生成买入、卖出和自动化订单。

本文是作者提交的最后一个项目，作为他们在 QuantInsti 的算法交易(EPAT ) 的管理课程的一部分。请务必查看我们的项目页面，看看我们的学生正在构建什么。

这个博客还以可下载的格式提供了与本文相关的完整数据文件。

关于作者

拉杰什·库马尔是 EPAT 大学的校友。他在 IT 领域有大约 20 年的经验，并且拥有很好的编程技能。目前，Rajesh 在一家 IT 公司工作，他加入 EPAT 是因为他对股票市场感兴趣，并且对算法交易非常感兴趣，以避免情绪部分，这是任何交易者在交易中的障碍。

创建一个系统，该系统可以根据下面详述的策略生成的信号生成购买、销售和自动化订单。我们将使用 Zerodha 进行实时数据和下单。

这是基于 200 均线和 50 均线的日内交易策略。我们将利用 5 分钟的数据。以下是该战略的详细内容:

检索 Nifty 的 5 分钟数据。
计算 200 均线和 50 均线。
我们将采取一个长期和短期的立场。当多头头寸开始时，我们买入看涨期权，当空头头寸开始时，我们买入看跌期权。在执行回测之后，我增加了额外的 7 个点来最小化拉锯
同样，当 Nifty 收盘价低于 200 均线和 50 均线时开始卖出
如果 Nifty close 在 200 SMA 和 50 EMA 之间，那么就没有仓位。
部分利润预定为 20 个点

注意:还将创建用于衡量该策略绩效的模块

实时漂亮的 5 分钟数据

我一直手动交易这个策略，知道它有效。有时，由于情绪的原因，我错过了一些交易或者减少了我的利润。我想自动化这一战略，以便这可以被我用作 LFT。

创建一个交易系统，该系统可以产生买入、卖出信号，并根据下面详述的策略产生的信号自动下单。

我们将使用 Zerodha 进行实时数据和下单。

作为该项目的一部分，创建了以下模块

用于回测

SMA-200 EMA 50 v2.0

模板程序，可用于使用日常数据对任何策略进行回溯测试

-回溯测试库

生成买入/卖出信号时，创建可在模板程序中用于计算的通用模块

-检查性能

创建了通用模块，可在模板程序中用于计算以下 KPI

年回报率
过去 12 个月的回报
波动性
夏普比率
最大水位下降
卡尔马尔比率(年化回报/最大提取额)
波动性/最大提款
最佳月度表现
最差月份表现
盈利月百分比和非盈利月百分比
盈利月数/非盈利月数
平均月利润
平均月损失
平均月利润/平均月亏损

实时交易程序

Strategy 200 SMA v3.0

一个包含我的实时自动交易策略的程序

我的策略的回溯测试程序

SMA-200 EMA 50 v1.0

这个程序是用 5 分钟的数据来测试我的策略的

6 月 27 日的 5 分钟 csv 数据

Nifty_5m -完整数据

我的回溯测试程序 SMA-200 EMA 50 v1.0 使用了这些数据

我为回溯测试创建了 3 个通用模块。这使用每日数据并生成各种报告和 KPI。下面是我的策略使用 5 年每日数据生成的样本

这是基于 200 均线和 50 均线的日内交易策略。我们将利用 5 分钟的数据。下面是策略的细节:

检索 Nifty 的 5 分钟数据。
计算 200 均线和 50 均线。
我们将采取一个长期和短期的立场。当多头头寸开始时，我们买入看涨期权，当空头头寸开始时，我们买入看跌期权。在执行回测之后，我增加了额外的 7 个点来最小化拉锯
同样，当 Nifty 收盘价低于 200 均线和 50 均线时开始卖出
如果 Nifty close 在 200 SMA 和 50 EMA 之间，那么就没有仓位。
部分利润预定为 20 个点

用于测试的 2017 年 6 月 27 日的 5 分钟数据。

以 30，000 卢比的初始资本对此进行了测试。
买入/卖出 2 手漂亮的买入/卖出期权。
以下是性能结果

下面是漂亮回报和策略回报的图表

你可以阅读更多关于建立趋势跟踪策略的五个指标。

结论

在这个策略中，使用了 NIFTY 的 5 分钟数据，从 2017 年 6 月到 2017 年底，这给出了大约 8%的回报，但使用这个策略提供了 12%的回报。做这个项目背后的整个想法是有足够的信心，可以创建一个通用模型，任何人都可以使用它来执行回溯测试，以检查他们的策略(任何策略)的性能。任何对交易和 python 有实时了解的人(如果他们有自己现有的策略)都可以使用这个模型，添加他们的数据，建立自己的交易系统。他们可以进行回溯测试，检查业绩，还可以进行实时交易。

你也可以通过算法交易(EPAT) 的执行程序学习算法交易的各个方面。课程涵盖统计学&计量经济学、金融计算&技术和算法&定量交易等培训模块。EPAT 教你在算法交易中建立一个有前途的职业所需的技能。

免责声明:就我们学生所知，本项目中的信息是真实和完整的。所有推荐均由学生或 QuantInsti提供，不做任何保证。学生和 quantin STI否认对这些信息的使用负有任何责任。本项目中提供的所有内容仅供参考，我们不保证通过使用该指南您将获得一定的利润。T15】**

下载中的文件:

数据文件
Python 代码

自回归:模型、自相关和 Python 实现

原文：https://blog.quantinsti.com/autoregression/

由萨特雅普里雅·乔德里

时间序列建模是预测基于时间的数据的未来值的一个非常强大的工具。基于时间的数据是在不同时间戳(时间间隔)观察到的数据，称为时间序列。这些时间间隔可以是规则的，也可以是不规则的。基于模式、趋势等。在过去的数据中观察到，时间序列模型预测下一个时间段的值。

时间序列模型根据过去的数据分析和训练模型，以做出未来的预测。有许多时间序列模型可用于进行这些预测。在本文中，您将了解一个这样的模型，自回归模型或 AR 模型。

涵盖了以下主题:

自回归模型
2 阶自回归模型和推广到 p 阶的模型
自相关&偏自相关
自相关函数(ACF)图&偏自相关函数(PACF)图
用 Python 可视化 ACF 图和 PACF 图
自回归模型的局限性
自回归模型的 Python 实现

自回归模型

在学习什么是自回归之前，我们先回忆一下什么是回归模型。

回归模型是一种统计技术，用于估计因变量(y)和自变量(X)之间的关系。因此，在使用回归模型时，您需要处理两个变量。

例如，你有美洲银行(简称 BAC)的股价和摩根大通(简称 JPM)的股价。

现在你想根据 BAC 的股票价格来预测 JPM 的股票价格。
这里，JPM 的股票价格将成为因变量，y 和 BAC 的股票价格将成为自变量 x
假设 X 和 Y 之间存在线性关系，估计 X 和 Y 之间关系的回归模型具有以下形式

\[y = mX + c \]

其中 m 是方程的斜率，c 是常数。

现在，让我们假设你只有一系列数据，比如说，JPM 的股票价格。代替使用第二个时间序列(BAC 的股票价格)，JPM 的股票价格的当前值将基于 JPM 的过去股票价格来估计。设任意时间点 t 的观测值记为 y _t 。你可以用下面的回归模型估计任意点 t，y _t 的值和任意点(t-1)，y _t-1 的值之间的关系。

\[AR (1) = y_t = 𝚽_1y_{t-1}+c \]

其中𝚽 ₁ 是模型的参数，c 是常数。这是一阶自回归模型。术语“自回归”是指一个变量对其过去值的回归。

和线性回归模型一样，自回归模型假设 y _t 和 y _t-1 之间存在线性关系。这被称为自相关。稍后，您将会了解到更多这方面的内容。

让我们看看自回归模型的其他阶。

p 阶自回归模型

在上面的例子中，您看到了 y _t 的值是如何使用一个过去的值(滞后项)y _t-1 来估计的。您可以使用多个过去的项来预测时间 t 的值。让我们看看当模型中使用两个滞后值时模型的形式。

$ $ ar(2)= y _ t = 𝚽_1y_{t-1}+ 𝚽_2y_{t-2}+c$$

其中𝚽 ₁ 和𝚽 ₂ 是模型的参数，c 是常数。这是二阶自回归模型。这里，假设 y _t 与其过去的两个值相关，并预测为过去两个值的线性组合。

这个模型可以推广到如下的 p 阶。

$ $ ar(p)= y _ t = 𝚽_1y_{t-1}+ 𝚽_2y_{t-2}+...+ 𝚽_py_{t-p+c}$$

𝚽在哪里；(p = 1，2，...，p)是模型的参数，c 是常数。这是 p 阶的自回归模型。这里，y _t 被假设为与其过去的 p 值相关，并被预测为过去 p 值的线性组合。

有许多方法可以用来计算参数𝚽_p

一些常用的技术是普通最小二乘法和尤尔-沃克方程。从数学上确定这些系数并不复杂，超出了本文的范围。稍后，您将学习如何使用 Python 中的**statsmodel**库来估计这些参数。

你一定在想，如何确定自回归模型的阶 p？

请记住，在学习 AR (1)模型时，您已经遇到了一个术语- 自相关。这是自回归模型中一个非常重要的概念，也用于确定自回归模型的阶 p。让我们看看怎么做。

自相关和部分自相关

正如您已经看到的，自回归模型根据过去的值预测当前值。这意味着模型假设时间序列的过去值正在影响其当前值。这被称为自相关。

换句话说，自相关只不过是一个相关系数。但是这里的相关性不是用两个变量来衡量的。它是在连续的时间间隔内用其自身的滞后值在时间序列之间测量的。

顾名思义，自相关就是与自身相关。有时，自相关也被称为序列相关或滞后相关。

就像相关系数一样，自相关也衡量变量的当前值与其过去值之间的关联程度。自相关的值介于-1 和+1 之间。

-1 表示完全负自相关，
+1 表示完美的正自相关，并且
0 表示没有自相关。

因为自相关测量数据的当前值和过去值之间的关系，所以它在测量数据的随机性方面非常有用。可以使用自相关函数(ACF) 图检测数据的随机性。

在研究偏相关之前，你可以看看下面关于自相关的视频。

https://www.youtube.com/embed/oGS7YitoZDA

让我们了解一下什么是偏自相关。

偏相关是变量与其滞后值之间的条件相关性。这意味着，时间序列的当前值 y _t 与其滞后值 y _t-h 之间的偏相关将是 y _t 和 y _t-h 之间的条件相关，取决于 t 和 t-h 之间的所有滞后项，即 y _t-1 ，y _t-2 ，...，y _t-h+1 。这意味着，与自相关值不同，部分自相关值控制其他滞后阶数并忽略它们的影响。

使用偏自相关函数(PACF) 图来识别自回归模型的阶。

现在让我们继续前进，探索 ACF 图和 PACF 图。

自相关函数(ACF)图和偏自相关函数(PACF)图

自相关函数图是不同滞后值的自相关图。r ₁ 衡量变量与其第一滞后值的相关性，即 y _t 和 y _t-1 。同样，r ₂ 测量变量与其第二滞后值之间的相关性，即 y _t 和 y _t-2 。诸如此类。

ACF 图将绘制 r ₀ ，r ₁ ，r ₂ 的值，...对应于相应的滞后阶数 0、1、2…这些值用置信带绘制，有助于我们确定某个值是否具有统计显著性。在 Python 中可视化 ACF 图时，也说明了这一点。

请注意，r ₀ 是变量与其自身之间的相关性，因此将始终等于 1。

ACF 图是数据随机性的良好指标。对于非随机数据，至少一个滞后项的自相关值在统计上是显著的(显著非零)。然而，这不是随机性的唯一度量。所有滞后项的零自相关不一定意味着随机数据，反之亦然。

就像自相关函数图一样，偏自相关函数图是不同滞后项的偏自相关图。它们还标有一个置信带，帮助我们识别显著的滞后项，然后成为自回归模型的阶。你可以阅读更多关于自相关和自协方差

接下来你将学习如何在 Python 中可视化 ACF 和 PACF 图。

用 Python 可视化 ACF 图和 PACF 图

为了可视化这些图，我们将使用 yfinance 库下载摩根大通 2019 年 1 月至 2020 年 4 月的股价数据。

您可以分别使用 statsmodels 库中的 plot_acf 和 plot_pacf 方法绘制 ACF 和 PACF 图。

Fig. 1. ACF plot of J.P. Morgan stock price

从上面的图中，您可以看到滞后 0 处的自相关值为 1(因为它是变量与其自身的相关性)。您看到的蓝色区域是置信带，滞后 20 之前的自相关位于该蓝色区域之外。

这意味着直到滞后 20 的值在统计上是显著的，也就是说，它们影响当前价格。此外，随着滞后项的增加，自相关逐渐接近零。这意味着我们走得越远，相关性就越小。

Fig. 2. PACF plot of J.P. Morgan stock price

从上图可以看出，滞后 1、2、3、4 等在置信带(蓝色区域)之外，因此具有统计学意义。

最后，你将学习估计自回归模型的参数。但在此之前，我们先看看有没有挑战。

自回归模型的局限性

需要注意的非常重要的一点是，自回归模型假设基础数据来自平稳过程。平稳时间序列是这样一种时间序列，其统计特性(如均值和方差)与观察到的时间点无关。你可以在这里阅读更多关于平稳性的内容。

由于现实生活中的大部分时间序列是非平稳的，如果不对数据进行变换，AR 模型就不能用于这些时间序列。

自回归模型的 Python 实现

因为 AR 模型只能用于平稳数据，所以让我们首先检查 JPM 股票价格是否平稳。您可以使用 statsmodels 库中的 adfuller 方法 来检查这一点。

下面代码的输出是

p-value: 0.21

由于 p 值大于 0.05，时间序列不是平稳的。让我们计算级数的一阶差分，再次测试平稳性。

下面代码的输出是

p-value: 0.00

由于 p 值小于 0.05，时间序列是平稳的。现在，您可以对转换后的序列应用自回归模型。但在此之前，让我们使用变换序列上的 PACF 图来找到 AR 模型的阶数。

Fig. 3. PACF plot of first ordered differenced series

从上面的图可以看出，滞后 1，2，3，4 等。在置信带(蓝色区域)之外，因此具有统计学意义。此外，该图表明，我们可以拟合差分序列的一阶自回归模型。

您可以使用 statsmodel 库中的 ARIMA 方法来拟合模型。

下面代码的输出是

从上面的输出中，您可以看到拟合的模型是

$ $ AR(1)= y _ t = 113.42+0.99 * y _ { t-1 } $ $

类似地，您可以替换上面代码中的 p 值，并拟合不同阶的 AR 模型。

结论

自回归是时间序列分析中最常用的工具之一。自回归模型的工作原理是，任何时间序列在任何给定时间点的值都与其过去的值相关。

在这篇博客中，你已经了解了自回归模型的结构、顺序和局限性。Python 中的 statsmodel 库有一个叫做 ARIMA 的方法。ARIMA 方法可用于拟合具有适当参数的 AR 模型。

时间序列分析中另一个非常常用的模型是移动平均模型。自回归模型与移动平均模型一起构成了自回归移动平均(ARMA)模型。

不仅是 ARMA 模型，自回归也是许多其他时间序列模型的基础。要了解更多关于时间序列分析和各种时间序列模型的信息，请查看我们的课程交易的金融时间序列分析。

算法交易-西达尔特之旅

原文：https://blog.quantinsti.com/ba-algorithmic-trading-epat-success-story-siddharth-bhatia/

西达尔特是一名文科毕业生，他已经完成了昆汀斯提大学的 EPAT 认证。他是第三集团的执行董事，也是迪拜 deVere 集团的投资总监。

西达尔特期待着与他的 EPAT 同事和世界各地的量化交易者一起学习、工作和成长。这是他的故事。

嗨，西达尔特，给我们介绍一下你自己吧！

你好！我的名字是西达尔特·巴蒂亚。我来自印度孟买，目前定居迪拜。大约 11 年前，我搬到了迪拜，在这里我有自己的小贸易公司。

我在阿联酋的几乎所有时间都在从事贸易行业和投资。

我没有特别的兴趣和爱好，但我一直对市场感兴趣，并一直在学习它们是如何运作的。我喜欢根据不同类型的投资策略来解决问题。

获得整个投资领域的知识是真正令我兴奋和具有挑战性的事情。

你是如何从 BA 过渡到算法交易的？

我完成了我的学士学位，因为这是在阿联酋找工作所必需的。在这之后，我在 2012 年做了 CFA。我真的对它很感兴趣，因为我想扩大我的就业能力和知识。

我在这个行业呆了一段时间，实际上看到了算法交易是如何工作的，算法和编码在交易行业的引入和参与。我看到了它如何提供工作和创造就业机会。它面向编码和电子交易，老实说，我不知道。

这就是我决定去 EPAT 的原因，因为我需要更新我的技能。我需要与众不同，不想成为一只恐龙。由于我没有任何先验知识，或者说我不知道如何编码，这对我来说是一个新的挑战。

没有算法交易或编程的知识，学习算法交易对你来说很难吗？

CFA 教会了我金融方面的东西。这就是我的工作，我一直在金融行业工作。幸运的是，我有金融行业运作的经验，我也看到过几次市场崩盘。

我进入算法交易，因为我认为这是一种需要。我必须跟上这个行业的发展趋势。这就是我决定去 EPAT 的原因。

有很多编码。我们学习 Python 和其他编码材料。事实上，我对交易的这个方面一无所知，老实说，这对我来说是新的。但是我已经准备好深入学习了，因为我已经准备好学习了。所以我把这当成一个挑战。

我没有去 EPAT 找工作。对我来说，我想更新我的技能，并将它们应用到我自己的交易业务中。我想开发一些算法并加以应用。

因为 EPAT，我清楚地知道我想要什么，我能做什么。在 EPAT 之前，我甚至不知道这些技术是可能的。更重要的是，我不知道如何使用它们。

比如，在 EPAT 之前，我认为算法交易和开发自己的软件非常昂贵，像我这样的小交易者不可能做到。但是 EPAT 向我展示了这是可能的，并且有这些编程语言可以使用。

你必须付出时间，这是你学会良好实践的唯一途径。你已经把你的时间花在学习和实现目标上了。这不容易，但值得努力。

关键的一点是，现在几乎每个人都可以使用算法交易。

对于业内了解金融的人来说，这很棒，因为它能让你对这个行业的运作有一个几乎完整的了解。一旦你理解了它的编码方面，这是一个简单的游戏。

如果你想应用一些你自己的策略，你会知道这是否可行，以及为此部署的成本。

你最喜欢 EPAT 的哪个特色？

我之前对编码甚至 Python 都没有任何了解。EPAT 在一周的中间有这些额外的辅导课，只是为了帮助讲课的编码方面，这对我帮助很大，非常有用。

这是一次很棒的经历。EPAT 向你介绍了新的话题，涵盖了算法交易的许多方面。

位置肯定非常有趣。是给真正在找工作的人的。在过去的几个月里，我可以看到大约 15 封电子邮件，都是合法的。

如果我在找工作，我肯定会把它打包，所以我很感激这些邮件。实际上，我将在未来几个月内联系安置团队，一旦我的机器人上线，我将扩展业务。

我很感激这里的老师，他们太棒了。你可以看出这些人知道他们在教什么，他们是专业的交易者，知道他们的东西。我很感激他们的专业性和支持。

周末的讲座很好，讲座也很容易安排。对于像我这样的人来说，布置的作业很难完成，我经常会把大部分作业都做错。

我是一直给支持团队发邮件的人之一。但是我从来没有收到过投诉，感谢支持我的团队。他们总是确保我所有的疑问和疑问都能被专家和老师以快速有效的方式解决。

你对有抱负的量化分析师有什么建议？

拥有量化知识是很棒的。你必须获得市场知识。你从市场中获得了丰富的经验。

在几乎任何一个经纪人那里建立一个模拟账户或者纸上交易账户。你马上就会有 5-6 个交易想法。然后把它编码并放进去，即使它不完整也要日复一日地观看，因为你需要日复一日地体验 P&L。

你需要看到下降。你可以上世界上所有的课程，学习所有的编码，或者拥有 100 个 CFAs 认证。但你需要知道如何处理 10%的下降，这只能靠经验。

我觉得做一个 Quant 就是超能力！

现在的市场非常有趣。这是一个学习的好时机。所以，如果你有一些通用策略，应用它们，做一些交易。如果你的账户较小，就参与市场，因为你需要与 P&L 打交道的经验，而这是没人能教你的。你越早开始越好。

非常感谢你，西达尔特，分享你非凡的算法交易之旅。我们希望你在完成你的目标和你的贸易公司最好的。祝贺您获得 EPAT 认证，我们希望您在生活和事业中实现所有的愿望！

如果你也想用终生的技能来武装自己，这将永远帮助你提升你的交易策略。这门 algo 交易课程的主题包括统计学和计量经济学、金融计算和技术、机器学习，确保你精通在交易领域取得成功所需的每一项技能。现在就来看看 EPAT 吧！

免责声明:为了帮助那些正在考虑从事算法和量化交易的人，这个成功的故事是根据 QuantInsti EPAT 项目的学生或校友的个人经历整理的。成功案例仅用于说明目的，不用于投资目的。EPAT 方案完成后取得的成果对所有人来说可能不尽相同。T3】

理解反向传播

原文：https://blog.quantinsti.com/backpropagation/

由瓦伦·迪瓦卡

在之前的博客中，我们已经学习了如何执行正向传播。在这篇博客中，我们将继续同样的例子，并使用反向传播技术纠正预测中的错误。

什么是反向传播？

回想一下，我们创建了一个 3 层(2 个训练、2 个隐藏和 2 个输出)网络。但是一旦我们在网络中加入了偏向项，我们的网络就有了以下的形状。

在完成正向传播之后，我们发现我们的模型是不正确的，因为它给类 0 分配了比类 1 更大的概率。现在，我们将使用反向传播来纠正这个问题。

为什么要反向传播？

在前向传播期间，我们随机初始化权重。这就是我们模型的问题所在。假设我们随机初始化我们的权重，我们作为输出得到的概率也是随机的。因此，我们必须有一些方法使我们的重量更准确，这样我们的输出将更准确。我们使用反向传播来调整这些随机权重。

损失函数

在进行反向传播时，我们需要计算我们的预测有多好。为此，我们使用损失/成本函数的概念。损失函数是我们的预测值和实际值之差。我们创建一个损失函数来寻找该函数的最小值，以优化我们的模型并提高我们预测的准确性。在本文中，我们将讨论一种称为梯度下降的技术，用于减少这种损失。根据问题，我们选择某种类型的损失函数。在本例中，我们将使用均方误差或 MSE 方法来计算损失。在 MSE 方法中，损失计算为实际值和预测值之差的平方和。

损失=总和(预测-实际)

让我们说，我们在预测中的损失或错误看起来像这样:

我们的目标是通过改变权重来减少损失，使得损失收敛到尽可能低的值。我们试图以可控的方式减少损失，通过一小步一小步地减少损失。这个过程被称为梯度下降(GD)。在执行 GD 时，我们需要知道重量应该移动的方向。换句话说，我们需要决定是否增加或减少权重。为了知道这个方向，我们必须对损失函数求导。这给了我们功能变化的方向。下面是一个显示如何使用梯度下降更新权重的等式。

这里，α项被称为学习率，并乘以我们的损失函数(J)的导数(请记住，我们已经在导数的链式法则文档中讨论了如何计算函数的导数)。我们从初始重量中减去这个乘积来更新它。还需要注意的是，这种形式的导数称为偏导数。在求偏导数时，其余项被视为常数。

如果您将上图中的曲线视为我们关于某个特征的损失函数，那么我们可以说，导数是我们损失函数的斜率，代表 y 相对于 x 的瞬时变化率。在执行反向传播时，我们要找到损失函数相对于权重的导数。换句话说，我们在问“当我们改变一个单位的权重时，我们的损失函数是如何变化的？”。然后我们将它乘以学习率α。学习率控制向最小值移动的步长。直觉上，如果我们有一个大的学习率，我们就会迈出大的步伐。相比之下，如果我们的学习率很低，我们就会小步前进。因此，学习率乘以导数可以被认为是在损失函数的域上采取的步骤。一旦我们完成了这一步，我们就更新我们的权重。并且对每个特征重复该过程。

在下面的例子中，我们将逐步演示反向传播的过程。

逐步反向传播

让我们将反向传播的过程分解成可操作的步骤。

计算损失函数；(即神经网络的总误差)
计算总误差/损失函数相对于每个权重的偏导数
执行梯度下降并更新我们的权重

我们需要做的第一件事是计算我们的误差。我们使用 MSE 公式定义误差如下:

误差=(目标-输出)

这是单个类的错误。如果我们想计算一个例子中两类预测概率的误差。然后我们将误差组合如下。

Total Error = Error₁ + Error₂

其中 Error₁和 Error₂代表两类预测的误差。回想一下，我们的输出是 a3，计算结果为:

表示对类别 1 的预测小于类别 0。在我们的例子中，我们声明类 1 应该有更大的概率，因此是我们预测的类标签。为了进一步说明这一点，为了便于理解，我们为类 0 和类 1 创建一些假设的目标概率值。

让我们为输出层概率指定以下目标值(t ):

现在，让我们来计算误差。

因此，预测的总误差为 0.009895 。

每个误差包含预测值，每个预测值是前一层的权重和输入的函数。延伸这一逻辑，可以说我们的总误差是不同权重的函数，或者换句话说是多元的。因为我们有多个重量，我们必须使用偏导数，或者找出一个特定重量的变化如何改变我们的总误差方程。这意味着我们必须使用链式法则来分解错误。

一旦我们计算出误差函数相对于权重的偏导数，我们就可以应用梯度下降方程来更新权重。我们对训练数据中的每个权重和所有示例重复这一过程。这个过程重复许多次，所有例子的每一次这样的经过被称为一个时期。我们执行这些过程，直到损失收敛，或者损失函数停止改善。

现在我们已经理解了反向传播的过程，让我们来实现它。为了进行反向传播，我们需要找到误差函数相对于每个权重的偏导数。回想一下，我们总共有八个权重(即在添加偏差项之前)。我们有两个从第一次输入到隐藏层的权重和两个从第二次输入到隐藏层的权重。从隐藏层到输出层，我们还有四个权重。让我们将这些重量标记如下。

我们将第一个输入神经元的权重称为 w1 和 w3，将第二个输入神经元的权重称为 w2 和 w4。隐藏层的第一个神经元的权重是 w5 和 w7，隐藏层的第二个神经元的权重是 w6 和 w8。在这个例子中，我们将演示权重 w5 的反向传播。请注意，我们可以使用相同的过程来更新网络中的所有其他权重。

让我们看看如何使用链式法则来表示损失相对于重量 w5 的偏导数。

其中下标中的“I”表示输出层中的第一个神经元。为了计算链的一阶导数，我们将总误差方程表示为:

这里下标中的 j 表示输出层中的第二个神经元。我们的误差方程对输出的偏导数为:

代入相应的值，我们将得到:

接下来，我们找到等式中的第二项。回想一下，在前向传播步骤中，我们使用 sigmoid 或逻辑函数作为激活函数。因此，为了计算链中的第二个元素，我们必须对其输入取 sigmoid 的偏导数。

现在，回想一下 sigmoid 函数如下:

这个激活函数的导数也可以写成如下:

导数可应用于链式法则中的第二项，如下所示:

将输出值代入上式，我们得到:

0.7333(1 - 0.733) = 0.1958

接下来，我们计算链式方程中的最后一项。我们的第三项包含了我们用来传递给 sigmoid 激活函数的输入。回想一下，在前向传播期间，隐藏层的输出乘以权重。这些线性组合然后被传递到激活函数和最终输出层。

记住，这些权重由θ2 给出。

假设隐藏层的输出如下所示。

要直观显示下面的矩阵乘法，请参见下图:

这里，H1 和 H2 表示隐含层神经元。

我们的第三项方程涉及节点输入相对于第五个权重的偏导数。如上所示，我们的第五个权重与隐藏层中的第二个神经元相关。因此，当我们对 w5 进行偏微分时，所有其他重量都被视为常数，其导数为零。

因此，当输入是我们从θ2 和隐藏层的输出的组合中得到的值时，结果看起来像是:

其中输出是隐藏神经元 H1 的输出。

现在，我们已经找到了方程中最后一项的值，我们可以计算所有三项的乘积，以导出误差函数 w5 的偏导数。

我们现在可以在所示的梯度下降方程中使用该偏导数来调整权重 w5。

因此，更新后的权重 w5 为 0.3995。如你所见，w5 的值变化很小，因为我们的学习率(0.1)很小。w5 值的这一微小变化可能不会对最终概率产生太大影响。但是，如果对两个示例多次执行相同的过程，并且针对每次运行(时期)调整权重，那么我们将得到具有预期预测的最终神经网络。

更新我们的模型

在完成反向传播并多次更新所有层上的权重矩阵之后，我们得到对应于最小值的以下权重矩阵。

我们现在可以使用这些权重并完成正向传播，以达到最佳可能输出。回想一下，该过程的第一步是将权重与输入相乘，如下所示。

回想一下，我们对 X 矩阵进行转置，以确保权重对齐。这里，我们对θ1 使用新的更新权重，我们的矩阵乘法将如下所示:

这是我们新的 z 矩阵，或者说第一层的输出。

回想一下，我们向前传播的下一步是将 sigmoid 函数元素应用于我们的矩阵。这将产生以下结果:

这里， a 是隐藏层的输出。同样，这是我们的激活层，并将作为最终层的新输入。我们再次添加回我们的偏差项，因此我们的新 a 如下所示:

现在，我们将使用θ2 权重矩阵的新值来创建输出层的输入。我们现在执行下面的计算来得到我们的 z 3 的新值，或者输出矩阵。

在该矩阵乘法之后，我们逐元素地应用 sigmoid 函数，并得出最终输出矩阵如下。

我们在这里可以看到，在执行反向传播并使用梯度下降来更新我们在每一层的权重之后，我们得到了与我们的初始假设一致的类别 1 的预测。

如果你想学习如何在交易中应用神经网络，那么请查看我们关于交易中的神经网络的新课程。

回溯测试:如何回溯测试、分析、策略等等

原文：https://blog.quantinsti.com/backtesting/

由维布·辛格

回溯测试被认为是交易者工具箱中的一个重要工具。如果没有回溯测试，交易者甚至不会想到将资金投入金融市场。

想一想，在你买任何东西之前，不管是手机还是汽车，你都会想了解这个品牌的历史，它的特点等等。你检查它是否值得你的钱。同样的原则也适用于交易，回溯测试可以帮助你。

我们将在本文中讨论以下主题。

为什么回溯测试很重要？
什么是回溯测试？
回测的前提条件
如何用 Python 做回测？
分析交易策略的表现
解释和分析回测结果
回溯测试与远期交易测试
纸上交易&现场交易
回溯测试中的常见错误
回测软件

为什么回溯测试很重要？

你知道市场上大多数交易者都赔钱吗？

他们亏损不是因为他们缺乏对市场的了解。而是因为他们的交易决策不是基于可靠的研究和经过测试的交易方法。

他们根据情绪和朋友的建议做出决定，并为了快速致富而过度冒险。如果他们从交易中去除情绪和本能，并在交易前对想法进行回溯测试，那么在市场中交易获利的机会就会增加。

什么是回溯测试？

回测交易策略是根据历史数据测试交易假设/策略的过程。

假设你形成了一个假设。这一假设表明，在过去一年中有正回报的证券很可能在未来一个月中有正回报。

你会如何检验这个假设？
你如何知道这个策略在市场上是否行得通？

通过使用历史数据，你可以进行回溯测试，看看你的假设是否正确。它通过发现交易策略在历史数据上的表现来帮助评估交易策略的可行性。

如果你根据历史数据对你的策略进行回溯测试，并且回报不错，你就有信心用它来交易。如果策略在历史数据上表现不佳，您将放弃或重新评估假设。

回溯测试的先决条件

在你开始回测交易策略之前，你需要考虑一些因素:

交易逻辑
细分市场
数据
程序设计语言

让我们详细看看这些因素。

回溯测试的交易逻辑/假设

你决定回测一个交易策略，但是在回测之前，你需要对你要回测的东西有一个清晰的概念。这就是这个回溯测试的交易逻辑或假设。

在上面的例子中，您计算了过去一年的证券回报，并检查回报是正还是负。

如果是正数，那么你检查股票未来 1 个月的收益。
如果是否定的，你什么都不会做。

如果你清楚交易逻辑，那么只有你能回溯测试交易策略，因此这是回溯测试中最关键的一步。

为回溯测试选择正确的市场或资产类别

有各种各样的因素，你可以看看，以决定哪一个市场或资产将是最好的交易类型。

这些因素可以是你愿意承担的风险、你期望获得的利润以及你投资的时间，无论是长期还是短期。

例如，交易加密货币可能比其他资产类别风险更高，但可以带来更高的回报，反之亦然。因此，选择正确的市场和资产类别进行折价交易是一个至关重要的决定。

回溯测试的数据

一旦你列出了资产的候选名单，你会想要回测你的交易策略。下一步是选择资产的历史数据。您可以从数据供应商或您的经纪人那里获得数据。

重要的是选择高质量的数据，即没有任何错误的数据。如果您选择质量差的数据，那么回溯测试的输出分析将是不正确的和误导的。

你可以在 Quantra 上查看这个免费课程，获取不同资产类别的市场数据。

为回溯测试选择编程语言

你清楚交易逻辑，为交易选择正确的资产，并获得所需的资产数据。

最后一步是决定你将用来回溯测试交易策略的编程语言。实际上，这是个人选择的问题，也是你所熟悉的语言的问题。每种编程语言都有其优点和缺点。

Python-Python是一种免费的开源跨平台语言。它有一个丰富的图书馆，几乎可以完成所有可以想象的任务，还有一个专业的研究环境。它更适合中低频交易，即以分钟及以上的时间尺度进行交易。但是 Python 不适合高频交易。

C++ - C++则适合高频交易。它有终极的执行速度。它为管理内存和优化执行速度提供了最大的灵活性，但可能会导致微妙的错误，并且很难学习。

MATLAB - MATLAB 是另一种编程语言，拥有多个用于科学计算的数值库。它拥有很高的执行速度，但对零售行业的吸引力仍然较低，因为它相当昂贵。

R 是一个专用的统计脚本环境，它是免费的、开源的、跨平台的，并且包含大量可免费获得的统计包，用于非常高级的分析，但是缺乏执行速度，除非操作被矢量化。

注意:重要的是要注意，如果你对任何用于回溯测试的编程语言都不熟悉，那不是问题。不妨碍你回测自己的交易策略。也可以从微软 Excel 开始。

举例来说，在本文的下一部分，我们将演示如何用 Python 对交易策略进行回溯测试。

如何用 Python 做回测？

要了解如何使用 Python 对交易策略进行回溯测试，请观看这段强烈推荐的视频，视频内容是关于如何使用 Python 进行交易和投资。它从金融市场的角度向你介绍 Python 编程的基础。

回溯测试交易策略示例

我们将要进行回溯测试的策略是基于移动平均线的概念。移动平均值是指定数据字段的平均值，例如给定的一组连续周期的价格。

当新数据可用时，通过丢弃最旧的值并添加最新的值来计算数据的平均值。
交易逻辑很简单。

当短期移动平均线(50 天移动平均线)在长期移动平均线(200 天交叉线)上方交叉时，我们买入该证券。这也被称为黄金交叉。
当短期均线穿越长期均线下方时，我们卖出。这被称为死亡交叉。

我们将按照以下步骤对上述交易策略进行回溯测试。

Moving Average Backtesting Flow**

为回溯测试获取价格数据

我们将对微软股票进行回溯测试。为此，您需要获得微软股票的价格数据。我们将使用雅虎！财务获取数据。

反向交易者:它是什么，如何安装，策略，交易和更多

原文：https://blog.quantinsti.com/backtrader/

苏莱曼·埃姆雷·耶希尔

Python 使交易者和投资者能够对他们的策略进行回溯测试，以便他们可以通过观察策略的过去表现来评估策略是否良好。然而，并不是每个人都有高水平的编码技能，能够以最准确和有效的方式实现他们的回溯测试。多亏了 Backtrader 库，每个人都可以高效准确地回溯测试他们的策略。

在本博客中了解如何使用 Backtrader 库进行回溯测试，包括:

什么是反向交易者？
如何安装 Backtrader 库？
用 Backtrader 创建你的第一个代码
如何用 Backtrader 对策略进行回溯测试？
如何用 Backtrader 做现场交易？
反向交易者的优势
反向交易者的限制

什么是反向交易者？

Backtrader 是一个开源的 Python 库，可以用于回溯测试、策略可视化和实时交易。

虽然不使用任何特殊的库，用 Python 回测你的算法交易策略是完全可能的，但是 Backtrader 提供了许多特性来促进这个过程。一般来说，普通回溯测试的每个复杂组件都可以通过调用特殊函数用一行代码创建。

如何安装 Backtrader 库？

安装 Backtrader 库没有特殊要求。它也没有任何依赖关系。您可以使用软件包管理器“pip”来安装这个库。

要使用“pip”软件包管理器安装 Backtrader 库，请打开命令提示符(或 Mac 用户的终端),然后键入以下代码:

pip install backtrader

您可以通过尝试以下代码来检查它是否安装成功:

词汇袋:方法、Python 代码、局限性

原文：https://blog.quantinsti.com/bag-of-words/

由纳曼·斯旺卡

在这个博客中，我们将学习单词袋方法来创建文本数据的矢量化表示。然后，这些表示可以用于执行自然语言处理任务，如 T2 情感分析。我们将理解相关的术语、限制，并进一步强调该方法的优点。涵盖的主题有:

一袋文字走近
文字袋的局限性
单词袋 vs Word2Vec
单词袋的优点

单词包是一种简化的文本数据特征提取方法，易于实现。它包括维护一个词汇表和计算单词的频率，忽略了自然语言的各种抽象，如语法和词序。

单词包方法将文档作为输入，并将其分解成单词。这些词也被称为标记，这个过程被称为标记化。

然后，从所有处理过的文档中收集的唯一标记构成有序词汇表。最后，为每个文档创建一个长度等于词汇表大小的向量，该向量的值代表单词在相应文档中出现的频率。

注意，我们忽略了这些单词在文档中出现的顺序。因此,“单词袋”这个名字意味着一个袋子中无序的物品集合。我们可以很容易地用 python 实现这种方法。下面是一个演示相同情况的示例。

15 年银行业生涯至今 Algo Trading | Ritwik 的旅程

原文：https://blog.quantinsti.com/banking-algorithmic-trading-epat-success-story-ritwik-guha/

Ritwik 在银行业拥有 15 年以上的经验，擅长银行、外汇(FX)、衍生品、资金、股权和债务融资。

他拥有 IT BTech 学位，是德克萨斯大学人工智能(AI)和机器学习(ML)的研究生。他是印度银行和金融研究所(IIBF)的专业财务专家(注册财务专家),拥有 CAIIB 证书。

作为一名自豪的 EPAT 校友，我们联系了他，了解他进入算法交易和量化交易的历程。

嗨，Ritwik，告诉我们你的情况吧！

嗨，我是 Ritwik Guha Thakurta 。我在尼泊尔 SBI 银行(印度和尼泊尔政府的合资企业)担任财务主管。它是 SBI(印度国家银行)在印度以外最大的(就经营而言)也是唯一的上市子公司。

足球是我的爱好。小时候，我花了很多时间在球场上。我也喜欢阅读各种主题的书籍。我特别阅读了很多关于即将到来的技术，因为我喜欢在那里保持自己的更新。

2006 年，我从 BTech 信息技术专业毕业后，在 Mphasis 做了三年的软件工程师。正是在那里，我发现了自己对金融领域的浓厚兴趣，这得益于我花在金融产品和客户上的时间，因此我在 2009 年转行加入 SBI，成为一名见习官员。

接触到金融和技术，我相信金融的未来将受到技术的推动，这也是我在人工智能和人工智能领域攻读 PG 的原因。

你进入算法交易世界的旅程是怎样的？

我通过校园被安排在 Mphasis。由于当时的科技繁荣，进入科技公司是一个梦想。我在 BFSI 垂直银行工作，负责日本一家跨国银行的信用卡业务。

这让我对金融领域产生了兴趣，并通过加入 SBI 公司进入了金融领域。我的目标一直是在财政部，因为我想成为一名交易员。

我在 2013 年得到了我的第一份财政部前台任务。我很兴奋地走进交易室，但我一个字也听不懂。这些年来，我潜心钻研，学到了很多东西，一步步向上爬。

我第一次听说算法交易是在 2015 年，从那以后，我对它很好奇。

完成研究生课程后，我想进一步提高我在算法交易方面的知识和技能。我还需要一些特定领域的技能和指导；因此，我报名参加了 EPAT 大学。

仅仅对金融、统计和编程有初步的了解，进入算法交易对你来说有挑战吗？

是的。算法交易具有挑战性。然而，从我的 PG 和以前的经验中获得的知识和技能帮助了我。

如果一个人没有编程、金融或统计方面的经验，可能需要一些时间来积累专业知识，但你将能够实现你的目标。

这段旅程最精彩的部分:

我遇到了非常棒的老师
在 EPAT 大学的学习给了我极大的满足感
从概念上讲，一切都非常清楚
明智的实施——相信我，从我的经验来看，当我说一个学者教书和一个实践者教书有很大的不同。
这是在 EPAT 的一次有益的经历

在加入 EPAT 之前，我根本不知道如何进行算法交易。

我想知道:
我能学习算法交易吗？
做了 EPAT 之后，我还能说服自己开始我的交易台吗？

但在完成这个项目后，我有足够的信心在 QuantInsti 的支持下开始我的创业。这可能需要一些时间，但最终，我会做到这一点。

你对 EPAT 有什么看法？

EPAT 的一切，从理论部分，到现场讲座，视频等。亲自动手。

我对 EPAT 的想法如下:

反馈很有价值- 首席执行官在课程期间打电话给我，征求我的反馈，我体验了变革的实施过程。
认真对待 Algo 交易- QuantInsti 的工作非常认真，这一点是显而易见的，我通过这个项目体验到了这一点。因此，我总是推荐 EPAT，而不是其他任何课程
乐于助人的教员- 教员们棒极了。他们消除了我的疑虑，引导了我。
与 EPAT 的长期合作- 我将与 EPAT 一起经历漫长的旅程，在建立我的交易平台方面获得指导和支持。
EPAT 提供端到端的知识和指导- 从解释如何连接到经纪人、PnL、检查、先决条件、要求，到交易如何流动-这是一种实践经验。
终身内容访问- 由于您的内容终身可用，这将是一个巨大的奖励！我可以重温和更新概念。我还可以访问更新的课程讲座和课程表，这是一个很大的好处。
我确实和其他的埃帕提亚人有过联系，但不是面对面的。我经常和 EPAT 的校友联系。
详细解释- EPAT 甚至关注在算法交易中非常重要的小事。因为在这个领域，即使一个小小的错误也会造成巨大的损失。

你对有抱负的算法交易者有什么话要说？

虽然你的交易将是自动化的，但它将基于你的策略，不会掺杂任何情绪。你不必整天坐在屏幕前。这就是 algo 交易的优势。

明确基本面- 从我的经验来看，我的第一个建议是——基本面要非常强。然后只跳交易。你实施基本面、技术面或感性策略，所以要对它们有个公平的想法。算法交易将有助于你的战略的实施。

灵活性。学习。自动化。

如今，科技和金融并不分离——这就是为什么金融科技成为新的时髦词汇。

不像手工交易，算法交易给你在一个地方保存不同策略(基本面，数量或量化)的灵活性。这就是算法交易的力量。

说得好，Ritwik，说到底，你的愿望很重要，当你想做一些事情，当你想追随你的激情时，这就是所有这些都进入画面的地方。我们非常感谢你对 EPAT 的赞美，也感谢你与我们分享你的故事。

阅读交易条形图:时间，分笔成交点，成交量，美元，信息

原文：https://blog.quantinsti.com/bar-types-trading/

以重香重香

自从烛台出现以来，每个新手都努力去理解它们，并研究蜡烛的图案。但 OHLC 的数据是以固定的时间间隔绘制的吗？这是分析一家公司股价的唯一方法吗？OHLC 的数据是衡量公司业绩的唯一标准吗？

事实证明，当涉及到基于固定时间间隔的 OHLC 数据时，会遗漏某些特征。在这个世界上，你越早发现突破越好，基于时间的方法来研究股票图表会妨碍你的表现。但是有什么解决方案，或者更好的替代方案呢？

今天我们将试着找到这些问题的答案。我们将讨论以下主题:

交易中的金条是什么？
时间和刻度条
音量条
美元条
奖励内容:信息和不平衡条

在我们开始进入酒吧的世界之前，让我们重温一下对它们的了解。

交易中的金条是什么？

以下是它们的样子:

为什么会有两种类型？很简单！如果开盘价高于收盘价(红色烛台)，那么它将是左边的图表。相反，如果收盘价高于开盘价(绿色烛台)，那么它将在第二个图表的形状。

在这里，由于我们知道开盘价总是在左边，所以阅读起来有些容易。虽然只有黑色，但现代制图软件也融合了红色和绿色。

好吧，让我们从第一小节开始！

时间和刻度条

好吧，时间线是你最常听说的，从远古时代开始，或者从你开始阅读股票图表开始。简单地说，在每个时间间隔后，比如说 5 分钟，我们得到所有的 OHLC，即开盘价、最高价、最低价和收盘价，并把它们绘制成条形。这些被称为时间条。

这是一个基于时间条的图表示例，显示了特斯拉在 12 月 13 日至 1 月 12 日期间的情况。

Image courtesy: StockCharts

但是事情是这样的，就像我们之前说的，时间条并不能给我们完整的画面。考虑一个典型的交易日，开始于上午 9:30，结束于下午 4:00。正如我们所知，每天的开始和结束都有大量的交易活动。此外，交易活动在午餐时间逐渐降低。

因此，如果我们有时间条，它将根本无法捕捉这些信息。只要有交易发生，就会按照指定的时间间隔创建时间条。这意味着，如果在 5 分钟的间隔有一个时间条，并且如果在一天的前 5 分钟有 1000 个交易发生，表示高市场活动，则只创建一个时间条。如果在 1:30 - 1:35 期间，只有 5 笔交易发生，这里也将创建一个时间栏。

但是为什么这很重要呢？

市场活动告诉我们市场参与者买卖股票的活跃程度。由于一些策略对价格变动起作用，如果我们在价格变动发生时就知道它，而不是在条形图指定的时间间隔之后，那就太好了。

这就是分笔成交图的用武之地。我们不是指定时间间隔，而是指定在多少次交易之后应该创建一个条。众所周知，特斯拉公司是近期波动最大的股票之一。你知道它在 1 月 13 日超过了 500 美元吗！现在，如果我们知道事务的数量正在以指数方式增长，这将有助于我们更快地采取行动。从这个意义上来说，滚动条会比时间条更快地填满我们的屏幕，从而给我们带来我们需要的优势。

分笔成交图比时间条有更好的统计特性。这有助于我们制定交易策略。

tick bar 是创建条形的最佳方式吗？不完全是。考虑这样一种情况，我们说一个分笔成交点代表 100 笔交易。现在，在第一个分笔成交点中，有 100 笔交易，但总交易量是 1000 笔。但是在第二个分笔成交点，出现了一些大的波动，在 100 笔交易中，成交量达到了 100000 笔。这是第一个刻度条的 100 倍。

| 刻度条 1 | 刻度条 2 |
| 卷 | 价格 | 卷 | 价格 |
| Fifty | $500 | Five thousand | $500 |
| Twenty-five | $501 | Two thousand five hundred | $502 |
| Twenty-five | $500 | Two thousand five hundred | $504 |

体积的巨大变化可能意味着什么。这是不会被捕获的，因为分笔成交点捕获固定数量的交易。

那么我们该怎么办呢？我们有其他类型的酒吧吗？

音量条

正如你之前看到的，分笔成交点的限制是它给交易相同的权重，无论是 1000 还是 10。从这个意义上说，虽然它确实比时间棒给了我们一个更好的市场活动的画面，但如果我们想知道订单的大小，它对我们没有帮助。

想想看，作为一个交易者，你会想知道股票换手有多快。因此，我们所做的是获取体积数据并创建一个体积条，该体积条是在一个固定的数字之后创建的。

不要担心，这里有一个例子显示了它相对于时间条的优势。

假设我们在交易了 1000 股后创建了一个交易量。现在，让我们以特斯拉为例。从 1 月 7 日起，特斯拉开始向中国客户交付其 Model 3 汽车。此外，由于中国政府宣布的补贴，特斯拉宣布下调 Model 3 的价格。这导致了积极的情绪，交易商在 1 月 14 日将特斯拉的股价推高至 500 美元以上。

但是这和音量条有什么关系呢？

考虑一下，如果你知道对某支股票有积极的情绪，并且知道价格可能会上涨，难道你不想顺应趋势吗？但是你能用什么来证明呢？简单，看股票交易量。但问题是，如果你在寻找基于 5 分钟时间间隔的时间棒，而你在第二分钟收到了积极的消息，这意味着你会等到第五分钟来确认你的想法。与此同时，如果你使用了成交量棒线，如果我们有 3000 股交易，它会在第五分钟产生 3 根棒线。这是交易者可以利用的优势。

听起来很简单，不是吗？

现在让我们来看看，时间棒是最简单的，但是它不能给我们与市场活动相关的信息。另一方面，分笔成交点帮助我们进行市场活动。但是，分笔成交点不能让我们了解交易量，交易量可以通过分笔成交点来显示。

音量条其实很牛逼，除了一件小事。再考虑一下特斯拉的股票。2017 年 1 月 2 日，特斯拉的股价为 320 美元。如果你买了 1000 股，那就是 320，000 美元。现在，在 2020 年 1 月 13 日，如果我们购买 1000 股股票，其金额将为 524 * 1000 美元= 524，000 美元。这是很大的区别。因此，如果你在考虑历史分析，让所有东西都保持同样的价值不是很有意义吗？

您可能已经猜到，表示交易的有效方法是使用交易的美元值。

美元金条

我们在固定价值的股票交易后创建一个数据条，而不是固定的交易量。因此，我们对市场有了更好的了解。

事实上，当谈到统计分析时，美元棒线是最好的，因为与其他棒线相比，它们的回报是最正态分布的。

正如你可能已经猜到的那样，在股票价格改变之前，美元柱和成交量柱将保持不变。

但是这些是显示价格信息的唯一方式吗？嗯，还有几个。

信息与不平衡

你一定在想，我如何在条形图上绘制信息？一种方法是利用市场的不平衡。最简单的方法是找出买卖订单之间的差异。如果这种差异超过某个预定义的阈值，我们将创建更多的条形来捕获该信息。在这里，棒线可以是美元、成交量或分笔成交点。

这样做的目的是为了在买卖订单有差异时获取更多信息。想想看，当我们发现更多的购买订单时，价格可能会上涨，反之亦然。从长远来看，这将有助于我们进行更明智的交易。

这里还有一个有趣的例子。有时候，机构投资者，实际上大多数时候，会把一个大订单，比如 10000 股，分成 10 个小订单，这样订单量就不会受到很大影响。但是我们可以创建一个条件，在这个条件下我们可以识别这些类型的订单，从而在这个条件出现时创建更多的柱线。

当然，也可以有其他的例子，你可以创建更多的酒吧来利用市场的不平衡。你能想到什么吗？

结论

太好了！我们不仅理解了棒线的工作原理，还理解了我们如何利用某些市场失衡来提高我们的预测能力。当然，如果你想深入了解它的本质，你可以看看关于金融数据科学和特征工程的课程。当涉及到数据清理和工程时，该课程有代码和更多内容。

使用 Python 对股票数据进行基本操作

原文：https://blog.quantinsti.com/basic-operations-stock-data-using-python/

由米林德·帕拉德卡

本文展示了可以使用 Python 对股票数据执行的基本操作，以分析和构建算法交易策略。我们使用 Python 运行一些可以在股票数据上执行的基本操作，并从从 CSV 文件中读取股票数据开始。

Python 已经成为发展最快的编程语言，这源于多种因素，如易学、可读性、简洁性、强大的开发者社区、跨领域应用等。
T3T5】

Python 在交易中也得到了广泛的接受，这导致了基于 Python 的分析平台、Python APIs 和使用 Python 构建的交易策略。

鉴于算法交易 (EPAT)的高管课程越来越受欢迎且易于学习，它提供了一个专门的模块，涵盖了使用 Python 教授的量化交易策略。

这篇文章的目的是说明学习 Python 并应用它来制定和分析交易策略是多么容易。如果你是编程新手，这个博客可能会帮助你克服对编程的恐惧。此外，不要忘记查看一些在本博客末尾提供的链接，学习一些已经发布在我们博客上的令人兴奋的交易策略。

让我们来看一下可以使用 Python 对股票数据执行的一些基本操作。我们首先从 CSV 文件中读取股票数据。CSV 文件包含股票的开盘价-最高价-最低价-收盘价(OHLC)和成交量。

import pandas as pd
# Load data from csv file
data = pd.read_csv('Basic Operations on Stock Data using Python_UBL.csv')
print(data.head())

这里看到的“时间”列指定了当天交易时段的结束时间。要删除该列，我们只需使用“del”命令。

# Deleting the "TIME" column
del data['TIME']

现在，让我们使用 type 函数来检查对象是否是熊猫日期时间索引。

type(data.index)

我想知道给定数据集中的交易天数(行数)。可以使用 count 方法来完成。

# Number of rows in the data set
print(data['CLOSE'].count())

如果我想知道给定时间段内达到的最高收盘价，该怎么办？这可以通过使用 max 方法来实现。

max_price = data['CLOSE'].max()
print(max_price)

还有可能知道达到这个最高价格的日期吗？为了找到相应的日期，我们应用如下所示的 index 属性。

data.CLOSE[data.CLOSE == max_price].index

让我们计算收盘价的每日百分比变化。我们在现有的数据集中添加了一个新的“百分比变化”列。在下一行代码中，我们筛选了百分比变化列中所有大于 1.0 的值。结果如下所示。

# Compute the percentage change
data['Percent_Change'] = data['CLOSE'].pct_change()*100
# Filter the percent change column for all values greater than 1.0
dt = (data[data.Percent_Change > 1.0])

print(data.head())
print(dt.head())

最后，让我们补充几个指标。我们计算 20 天简单移动平均线和 5 天平均成交量。我们可以在我们的数据框架中添加更多的指标，然后分析股票趋势，看它是看涨还是看跌。你可以在这里了解更多关于如何用 Python 创建各种技术指标。

# Closing near the 20-day SMA
ndays = 20
SMA = pd.Series((data['CLOSE']).rolling(window=ndays).mean(),name = 'SMA')
data = data.join(SMA)

# Higher trade Quantity
Avg_vol = pd.Series((data['VOLUME']).rolling(window=5).mean(),name = '5day_AvgVol')
data = data.join(Avg_vol)

print(data.tail(7))

在他的短文中，我们介绍了一些简单的方法来分析数据集，并对股票数据建立更多的理解。

你能想到用类似的基本操作和简单的指标来构建交易策略吗？

简单的交易策略可以盈利，许多成功的交易者会证明这一点。正如博客开头提到的，这里有一些 Python 中的交易策略的链接，你可以根据自己的交易需求来探索。

新手外汇交易基础

原文：https://blog.quantinsti.com/basics-forex-trading-beginners/

作者:沙古塔·塔西尔达

我们都听过“外汇这个术语，大多是在去不同国家旅行时听到的。那么为什么这个术语如此重要呢？外汇缩写为“外汇”，已被广泛使用，正是为了这个词所包含的目的-交换，货币的交换。

在谈论外汇时，外汇可以作为单词'转换的同义词使用。例如，如果你从印度旅行到美国，你将通过外汇市场将印度卢比兑换成美元，因为印度卢比在美国不是有效货币。

由于不同的国家有不同的货币，所以需要和使用外汇。但是它总是一样的吗？让我们深入研究一下外汇的历史，看看它是如何产生的。

外汇历史

从以前实行的易货贸易制度到现代的货币交易制度，我们已经走过了漫长的道路。以下是对货币的演变以及它如何导致外汇交易的简要总结。可以举例如下:

简单解释一下，

古老的交易系统——用黄金交易
银行券起源-黄金存入银行，以换取银行券
地理位置的作用——不同地区的不同银行印制不同的货币
金本位——与黄金挂钩的货币
布雷顿森林体系-货币与美元挂钩
浮动货币的诞生-不与任何资产或其他货币挂钩的货币被称为'浮动货币。

你可以在这里阅读更多关于交易的演变:交易的演变

为什么需要不同的货币？

从上图中，我们看到了货币向浮动货币的演变。

但是我们为什么需要不同的货币呢？T3】

为什么全球不能只有一种货币？T3】

让我给你解释一下货币多样性的几个原因。第一个问题将会出现，因为需要一个单一的组织来监管、管理和印刷货币，这也将意味着所有国家将只有一个单一的货币政策，从而限制各国为了本国的经济增长而对其进行任何改变。另一个问题是，一个国家的任何不利经济事件都会产生全球性影响，因为它会影响世界通用货币。

什么是外汇市场？

全球货币的差异催生了外汇市场，外汇市场是全球货币交易的平台。阿姆斯特丹建立了第一个外汇市场。买卖和兑换货币可以通过外汇市场进行。它还显示不同货币的汇率。外汇市场是最具流动性的市场，因为其交易量巨大，每天超过 1 万亿美元，而且除了周末之外，它每天 24 小时运营，从而简化了世界各地的交易过程。

什么是外汇交易或 FX 交易？

外汇不仅仅局限于为旅行或其他目的兑换货币，它还为交易世界铺平了道路，以这种方式，今天，外汇市场是世界上交易量最大的金融市场，美元是外汇市场上交易量最大的货币。外汇交易是指买卖货币对的过程，目的是从因各种经济和政治事件引起的货币价格波动中获利。诸如利率的调整、财务报告的发布、一个国家的通货膨胀率等因素。影响货币的汇率。例如，如果利率提高，货币可能升值或增值，反之亦然。

在外汇交易中，货币的价值成对报价，也称为货币对，表示一种货币对另一种货币的价值，例如，欧元/美元= 1.1546 是以美元表示的欧元价值。一些交易最广泛的货币对如下:

欧元/美元
英镑/美元
USD/JPY
澳元/美元
美元/瑞士法郎
新西兰元/美元
美元/CAD

这些货币可以以不同的合约规模或手数进行交易。根据您交易的交易所或您交易的货币，每手交易量可能会有所不同。例如，1 个批次可能等于 100，000 个单位。这里，单位将取决于基础货币，即货币对中的第一种货币。例如，如果 1 手相当于 100，000 单位，您希望交易欧元/美元对，那么欧元将是基础货币，这意味着如果您希望购买 100，000 欧元，您实际上是购买一手。同样，50 万欧元将相当于 5 个拍品。70 万欧元将相当于 7 件拍品等等。

外汇交易中使用的术语:

让我们通过使用来自外汇市场的外汇报价来理解外汇交易策略中使用的术语。让我们以欧元/美元为例来理解这些术语。

欧元/美元= 1.1532/1.1539 基础货币=欧元报价货币=美元买入价= 1.1532 卖出价= 1.1539

你遇到的买卖报价是从外汇经纪人的角度，而不是你自己的角度。你会发现银行和金融机构(如汇丰银行、花旗集团、ICICI 银行等。)充当外汇交易的经纪人。

外汇交易中的买入价是多少？

买入价是外汇经纪人愿意(或“出价”)买入欧元的价格。因此，如果你打算卖出欧元，你可以以 1 欧元兑 1.1532 美元的价格卖出。

什么是外汇交易中的要价？

要价是外汇经纪人愿意出售欧元的价格(经纪人在出售时“要求”上述价格)。你可以选择以 1 欧元兑 1.1539 美元的价格从经纪商手中买入欧元。

什么是外汇交易中的买卖价差？

买卖价格之间的差额被称为买卖价差。

买卖价差=要价-买价

报价也可以用外汇市场中的单一值来表示，例如，欧元/美元= 1.1536，在这种情况下，“1.1536”表示该货币对最后交易的价格。

上面的报价可以解释为，“1 欧元相当于 1.1536 美元”，也就是说你要付出 1.1536 美元才能买到 1 欧元。

什么是外汇交易中的 Pip？

Pip 代表数值的最小变化。通常，值被引用到小数点后第四位。小数点后的第四位数字称为 Pip。让我们用前面的例子来理解 pip 的概念:

欧元/美元= 1.1536

这里，“6”表示点值。现在，如果欧元/美元对的价值上升到 1.1539，我们可以说价值改变了 3 个点。

点的变化= 1.1539–1.1536 = 0.0003

同样，如果价格进一步上涨到 1.1550，那么我们可以说价格上涨了 11 个点。

点的变化= 1.1550–1.1539 = 0.0011

在外汇市场的大多数情况下都是如此；然而，在交易日元时，这一概念有一个例外，在这种情况下，小数点后的第二位数字被视为点，因为在外汇市场中，报价一直到小数点后第二位。例如，美元/日元= 110.92，这里 2 将是点子值，如果价格上涨到 110.97，那么将有 5 个点子的变化。

什么是外汇交易中的杠杆？

杠杆被广泛用于外汇交易策略和外汇市场，以最大化利润，即使货币对价值变化很小。正如我们所知，外汇价值不会经历剧烈的价值变化，这反过来要求我们投资更高的金额，以便从我们的交易中获得最大利润。但是，在外汇市场投入如此大的资金并不总是可行的，这就是杠杆作用的由来。杠杆允许你以较小的金额进行大量交易，它们通常被称为比率。例如，一个 20:1 的杠杆比率将让你只投资 1000 美元就能进行 20000 美元的交易。

外汇交易是如何运作的？

现在你已经知道了外汇交易中使用的术语，让我们了解一下外汇交易策略在外汇市场中实际上是如何运作的。

外汇交易中如何计算盈亏？

外汇交易的利润/损失=点数的变化 x 手数 x 每手点数的价值

这里，每手点的价值通常是每手 10 点，但可能会根据交易的货币而有所不同。

外汇交易示例

让我们考虑一个例子来理解外汇市场中的交易是如何发生的。

假设，您认为欧元将对美元升值，因此想要购买 1 手欧元/美元对(100，000 美元)，其在外汇市场的当前价值为:欧元/美元= 1.1533

现在，你决定使用 100:1 的杠杆，也就是说，交易 1 个标准手，你只需要投资 1000 美元。

让我们假设你的预测成真，欧元对美元走强，欧元对美元的价值从 1.1533 升至 1.1583。现在，让我们根据前面讨论的公式来计算您在这种情况下的利润:

利润=点数变化 x 手数 x 每手点数价值

在这种情况下，点数变化= 1.1583–1.1533 = 0.0050，这意味着变化了 50 个点数。由于我们使用了 1 个标准批次(100，000 美元= 1 个标准批次),因此批次数量= 1。对于标准批次，每批次的点价值= 10 美元

因此，我们的公式可以如下使用:利润= 50×1×10 = 500 美元

这意味着你只需投资 1000 美元，但使用 100:1 的杠杆，就能获得 500 美元的利润。这就是为什么杠杆可以帮助你在外汇市场上只投入少量资金就能获得巨大利润。但是，正如它可以放大利润一样，它也可以导致放大损失。因此，在外汇交易中使用较高的杠杆比率时，风险系数极高。假设欧元/美元的价值向相反的方向走，也就是说，假设它下跌了 50 点。那么你将会遭受 500 美元的损失，而不是 500 美元的利润！

在这种情况下，较低比率的杠杆会帮助你最大限度地减少外汇交易中的损失。因此，在外汇市场进行外汇交易时，选择一个合适且平衡的杠杆比率至关重要。

结论

由于其优势，包括 24 小时/天市场、外汇市场的流动性和交易时使用杠杆的能力，外汇交易在全球范围内大规模进行，从而使我们能够以较低的资本交易较高的金额。但是，这些优势伴随着更大的外汇交易风险，这就是外汇交易风险管理的重要性。

您可以报名参加 Quantra 上的在线外汇交易策略课程，使用 Python 中的真实外汇市场数据以及内置平台上的回溯测试创建动量交易策略，并分析结果

下一步

现在我们知道了外汇交易的基础，是时候更详细地学习它，并理解它如何在算法交易中实现了。在本课程中，您可以学习使用 Python 来回溯测试他们的策略，使用影响外汇市场的动量和基本因素来创建新的交易策略。

期权交易基础讲解

原文：https://blog.quantinsti.com/basics-options-trading/

由 Rekhit Pachanekar

编译在我们深入钻研学习期权交易的基础知识之前，我们先花点时间了解一下什么是期权交易，以及我们到底为什么需要期权。如果你认为这只是另一种赚钱的方式，是由华尔街一些西装革履的家伙创造的，那么，你错了。期权世界远远早于现代证券交易所。虽然有些人认为武士给了我们期权合约的基础，但有些人实际上承认希腊人给了我们如何投机一种商品的想法，在这种情况下，就是橄榄的收获。在这两种情况下，在现代世界制定各种规则和建立交易所之前，人类都试图猜测一种食物的价格并据此进行交易(对于 samurais 来说是大米)。

我们将确保在本文结束时，你已经精通期权交易，并尝试了一些期权交易策略。

我们将在本文中讨论以下几点。(如果你觉得你想跳过期权交易基础，那么直接进入期权交易策略。)

什么是期权交易？
选项定义
期权交易与股票交易
选项术语
选项类型
期权交易报价包括什么？
期权交易示例
Python 中什么是看跌期权奇偶性？
为什么期权交易有吸引力？
期权定价
- 期权的内在价值
- 期权的时间价值
希腊期权
如何开立期权交易账户？
期权交易策略
期权交易策略列表
期权交易的进一步解读

我们现在就开始，好吗？考虑到这一点，让我们试着回答你心中的第一个问题。

什么是期权交易？T3】

让我们举一个非常简单的例子来理解期权交易。

假设你买的是 Rs 的股票。3000.但是经纪人告诉你一个令人兴奋的报价，你现在可以用卢比购买。3000 或者你可以给象征性的卢比。30，并保留以卢比购买的权利。一个月后 3000，就算当时股票增值了。但是代币金额是不可退还的！你意识到股票很有可能越过卢比。这样，你至少可以收支平衡。因为你只需支付卢比。现在 30，剩余的量可以在别处用一个月。你等一个月再看股价。

现在，根据股票价格，你可以选择是否从经纪人那里购买股票。当然，这是一种过度简化，但这是期权交易的要旨。

在交易领域，期权是属于衍生品家族的工具，这意味着它的价格来自其他东西，主要是股票。期权的价格与标的股票的价格有着内在的联系。

选项的定义

期权的正式定义是:

T3】

期权交易与股票交易

你心里一定会有疑问，如果只是另一种交易方式，为什么我们还要有期权交易。嗯，这里有几点使它不同于股票交易

与股票不同，期权合约有到期日。到期时间可能从几周、几个月到几年不等，这取决于规则和你正在操作的期权类型。另一方面，股票没有到期日。
与股票不同，期权的价值来自其他东西，这就是为什么它们属于衍生品类别
期权不像股票那样由数字确定
与股票所有者不同，期权所有者在公司中没有权利(投票权或股息)

有些人经常发现期权的概念难以理解，尽管他们已经在其他交易中遵循了这一概念，例如汽车保险或抵押贷款。在文章的这一部分，在我们进入期权交易的世界之前，我们将带你了解一些最重要的高级期权交易。

选项术语

敲定价格

执行价格是根据合同可以买卖标的股票的价格。在期权交易中，买入期权的执行价格表示可以购买股票的价格(在其到期日或之前),而对于卖出期权交易，它是指卖方可以行使其权利出售相关股票的价格(在其到期日或之前)

溢价

因为期权本身没有潜在价值，期权费是你购买期权必须支付的价格。溢价由多种因素决定，包括基础股票价格、市场波动性和期权到期前的天数。在期权交易中，选择溢价是最重要的组成部分之一。

基础资产

在期权交易中，标的资产可以是股票、期货、指数、商品或货币。期权的价格来源于其标的资产。出于本文的目的，我们将把基础资产视为股票。股票期权赋予持有者以特定的价格和日期买卖股票的权利。因此，当谈到期权交易中的股票时，一切都与标的资产或股票有关。

有效期

在期权交易中，所有的股票期权都有到期日。到期日也是期权持有者可以行使权利购买或出售所持期权的最后日期。在期权交易中，期权的到期时间可能从几周到几个月到几年不等，这取决于市场和法规。

选项样式

在大多数期权交易市场中，有两种主要的期权。

在到期日之前可以随时行使的美式期权
只能在到期日行使的欧洲期权

金钱(ITM，OTM & ATM)

*这是非常重要的，以了解期权钱之前，你开始在股票期权交易。很多期权交易策略都是围绕着期权的钱来玩的。

它基本上定义了一个期权的执行价格与标的股票当前价格之间的关系。我们将在下面详细检查每个术语。*

期权何时是价内？**

看涨期权-当标的股票价格高于执行价格时
看跌期权-当标的股票价格低于执行价格时

一个选项什么时候是预算外的？**

看涨期权-当标的股票价格低于执行价格时
看跌期权-当标的股票价格高于执行价格时

期权何时兑现？**

当标的股票价格等于执行价格时。

在这里休息一下，思考一下不同的术语，因为我们会发现它非常有用，当我们稍后讨论期权的类型以及一些期权交易策略时。

型 s 型 O 型型

在真正意义上，只有两种期权，即看涨期权和看跌期权。我们将更详细地理解它们。

调用选项

*看涨期权是一种在到期日当天或之前购买标的股票的期权。在购买看涨期权时，你向卖方支付一定金额的溢价，卖方授予你以特定价格(执行价格)购买标的股票的权利(而非义务)。

购买看涨期权意味着你看好市场，希望标的股票价格可能上涨。为了让你获利，股票的价格应该高于执行价格加上你在到期前或到期时购买的看涨期权的溢价。*

看跌期权

相比之下，看跌期权是在到期日当天或之前卖出标的股票的期权。购买看跌期权意味着你看跌市场，希望标的股票价格下跌。

从买方的角度看看跌期权

*为了让你获利，股票的价格应该从执行价加上你在到期前或到期时购买的看跌期权的溢价开始下跌。

以这种方式，无论是看跌期权还是看涨期权，买方的损失都仅限于所支付的溢价，但利润是无限的。上述解释是从买方的角度出发的。*

从卖方的角度看看跌期权

我们现在将从卖方即期权作者的角度来理解看跌期权。作为收取溢价的回报，看跌期权卖方有义务以执行价格购买标的资产。类似地，作为收取溢价的回报，看涨期权卖方有义务以执行价格出售标的资产。

可视化期权盈亏

**有没有一种方法可以看到期权买方或卖方的潜在利润/损失？其实是有的。

期权支付图是期权买方和卖方的净利润/亏损的图形表示。在我们浏览图表之前，让我们先了解一下这四个术语的含义。正如我们所知，做空意味着卖出，做多意味着买入资产，同样的原则也适用于期权。记住这一点，我们将讨论四个术语。

空头看涨期权 -我们在这里打赌价格会下跌，因此，空头看涨期权意味着你要卖出看涨期权。
看跌期权(Short put)-这里的看跌期权是指我们正在出售看跌期权
看涨期权 -这意味着我们正在买入看涨期权，因为我们对标的资产的股价持乐观态度
多头看跌期权(Long put)-这里我们买的是看跌期权。

期权收益图

在哪里，

S =基础价格
X =执行价格

*盈亏平衡点是指你不盈利或不亏损的点。

如果期权是赚钱的，长期看涨期权持有者的利润等于到期时的股价减去执行价再减去溢价。如果期权到期时没有钱，看涨期权持有者将损失相当于期权费的金额，而期权的卖方将获得相当于期权费的固定利润。

同样，对于看跌期权的买方来说，当期权存在时获利，等于执行价减去到期时的股价再减去溢价。并且，看跌期权的卖出者获得了与期权费相等的利润。

好吧，到现在为止我们已经经历了很多理论。让我们换个话题，回到现实世界。期权是什么样子的？好吧，让我们来看看。*

期权交易报价包括什么？

如果你要寻找苹果股票的期权报价，它会是这样的:

*记录这段视频时，苹果公司的股价是 196 美元。现在让我们从列表中选取一行，并进一步细分。

如是*

在一个典型的期权链中，你会有一个看涨期权和看跌期权的清单，有不同的执行价格和相应的溢价。买入期权的细节在左边，卖出期权的细节在右边，执行价格在中间。

第一列是符号和选项号。
“最后”栏表示最后一次购买期权的金额。
变化表示该期权最近两次交易的差异
“投标栏表示对该期权提交的投标。
要价表示期权卖方寻求的要价。
成交量表示交易的期权数量。这里体积为 0。
"未平仓权益"表示以该执行价格可购买的期权数量。

看跌期权的列也是一样的。在某些情况下，数据提供者表明选择是有利可图、有利可图还是有利可图。当然，我们需要一个例子来真正帮助我们理解期权交易。因此，现在让我们来看一个。

期权交易示例

*我们将通过两个案例来更好地理解看涨和看跌期权。

为了简单起见，让我们假设如下:*

股票价格期权卖出时:100 美元
溢价:5 美元
到期日:买入期权后 1 个月

案例一:

股票的当前价格:110 美元。成交价格:120 美元

案例二:

股票的当前价格:120 美元。成交价格:110 美元

考虑到我们已经讨论了每个选项的详细场景，我们将几个选项组合在一起怎么样？让我们来理解许多专业人士在期权交易中使用的一个重要概念。

Python 中什么是看跌期权奇偶性？T3】

任何对期权交易感兴趣的人都需要理解看跌期权平价的概念。通过理解看涨期权和看跌期权的平价，你可以理解看涨期权、看跌期权和股票的价值是如何相互关联的。这使您能够使用各种期权和股票组合创建其他综合头寸。

看跌期权平价的原理

*卖权-买权平价原则定义了欧式卖权和欧式买权价格之间的关系，两者具有相同的基础资产、执行价格和到期日。如果存在与看涨看跌期权平价的偏差，那么就会产生套利机会。交易者会利用这个机会赚取无风险利润，直到买权和卖权平价再次建立。

看跌期权平价原理可以用来验证期权定价模型。如果模型计算出的期权价格违反了卖权-买权平价规则，这种模型可以被认为是不正确的。*

了解看跌期权的平价

为了理解看涨-看跌平价，考虑由看涨期权和现金组成的投资组合“A”。持有的现金数量等于看涨期权价格。考虑由看跌期权和标的资产组成的另一个投资组合“B”。

S0 是基础资产的初始价格，ST 是到期时的价格。
设“r”为无风险利率，“T”为到期时间。
在时间“T ”,给定“r”的无风险利率，零息债券将值 K(执行价格)。

投资组合 A =看涨期权+零息债券

投资组合 B =看跌期权+标的资产

*如果股价高于 X，看涨期权将被执行。否则，现金将被保留。因此，在“T”时，投资组合 A 的价值将由 max(ST，X)给出。

如果股价低于 X，将行使看跌期权。否则，基础资产将被保留。因此，在“T”时，投资组合 B 的价值将由 max (ST，X)给出。

如果两个投资组合在时刻“T”相等，那么它们在任意时刻都应该相等。这给了我们看跌期权平价等式。

看跌期权平价方程式:*

C + Xe-rT = P + S0

在这个等式中，

c 是欧式看涨期权的溢价
p 是欧式看跌期权的溢价
S0 是标的股票的现货价格
Xe-rT 是零息票债券(X)的现值(贴现值)

我们可以总结两个投资组合在不同条件下的收益，如下表所示。

从上表中，我们可以看到，在两种情况下，两个投资组合的收益是相等的。

买入返售平价所需条件

为了保持卖权-买权平价，应满足以下条件。然而，在现实世界中，它们几乎不成立，因此看涨-看跌平价方程可能需要相应的修改。出于这个博客的目的，我们假设这些条件都满足了。

在欧式期权的有效期内，标的股票不支付任何股息
没有交易成本
没有税
卖空是允许的，没有借款费用

因此，在基础股票不支付股息的无摩擦市场中，卖权-买权平价将成立。

套利机会

在期权交易中，当看跌期权平价原则被违反时，交易者会试图利用套利机会。套利交易者会做多被低估的投资组合，做空被高估的投资组合，以获得无风险利润。

如何利用套利机会

*现在让我们考虑一个有一些数字的例子，看看贸易如何利用套利机会。让我们假设一只股票的现货价格是 31 美元，无风险利率是每年 10%，三个月欧式看涨期权和看跌期权的溢价分别是 3 美元和 2.25 美元，行使价格是 30 美元。

在这种情况下，投资组合 A 的价值将为，*

c+xe-rt = 3+30e-0.1 * 3/12 = $ 32.26

投资组合 B 的价值是，

P+S0 = 2.25+31 = 33.25 美元

投资组合 B 被高估，因此套利者可以通过做多投资组合 A 和做空投资组合 B 来获利。

做空股票。这将产生 31 美元的现金流入。
卖空看跌期权。这将产生 2.25 美元的现金流入。
购买看涨期权。这将产生 3 美元的现金流出。
总现金流入为-3+2.25+31 = 30.25 美元。
投资30.25 美元于零息债券*，3 个月到期，年收益率 10%。*

*三个月后零息票债券的回报将为 30.25 e 0.1 * 3/12 = 31.02 美元。

如果到期时股价高于 30 美元，将行使看涨期权，如果股价低于 30 美元，将行使看跌期权。在这两种情况下，套利者都会以 30 美元的价格买入一只股票。这支股票将被用来弥补亏空。

套利的总利润= $31.02 - $30 = $1.02

好了，我们现在不应该看一些代码吗？*

用于绘制图表的 Python 代码

下面的代码可以用来绘制投资组合的收益。

到目前为止，我们已经学习了期权交易的基础知识，也学习了期权交易策略。在这个节骨眼上，让我们看看期权交易的世界，试着回答一个简单的问题。

期权交易为什么有吸引力？

*期权是有吸引力的交易工具，因为回报更高。期权赋予持有者做某事的权利，并带有不行使该权利的“选择权”。这样，持有者可以限制他的损失，增加他的回报。

虽然一份期权合同确实是 100 股，但支付期权费的风险更小，而且如果我们购买了股票，就不用承担必须使用的总金额的风险。因此，你的风险暴露大大减少。然而，在现实中，期权交易是非常复杂的，这是因为期权定价模型是非常数学和复杂的。

那么，你怎么评价期权是否真的值得买呢？让我们来了解一下。

成功的期权交易策略的关键要求包括理解和实施期权定价模型。在本节中，我们将简要了解希腊人的期权，这将有助于创建和理解定价模型。*

期权定价

期权定价基于两种价值

期权的内在价值

回想一下我们在几节之前讨论过的金钱概念。

当买入期权的股票价格高于执行价格或当卖出期权的股票价格低于执行价格时，期权被称为“价内(ITM)”，即它具有内在价值。

另一方面，“出资金(OTM)”期权没有内在价值。对于 OTM 看涨期权，股价低于执行价，对于 OTM 看跌期权；股票价格高于执行价格。

这些期权的价格完全由时间价值构成。

期权的时间价值

如果你从期权价格中减去内在价值，就剩下时间价值了。它基于到期时间。你可以在 Quantra 上注册这个免费的期权交易策略课程，了解期权交易的基础知识，这将有助于你进行期权交易。

我们知道期权的内在价值和时间价值。我们甚至考虑了期权的收益。但是我们如何知道一个选项比另一个更好，以及如何衡量期权定价的变化。好吧，那我们就接受希腊人的帮助吧。

选项希腊人

希腊是期权交易中与各种头寸相关的风险度量。常见的有 delta，gamma，theta，vega。随着标的股票价格或波动性的变化，你需要知道你的期权定价会受到怎样的影响。期权中的希腊人帮助我们理解各种因素如价格、到期时间、波动性如何影响期权定价。

三角洲

Delta 衡量期权价格对标的股票价格变化的敏感度。简而言之，delta 是期权的希腊语，它告诉你一个股票期权的价值会上升或下降多少钱，其基础股票会上升或下降 1 美元。Delta 取决于基础价格、到期时间和波动性。虽然计算 delta 的公式是基于 Black-Scholes 期权定价模型，但我们可以将其简单地写成:

Delta =【预期溢价变化】/【标的股票价格变化】

让我们以一个看涨期权为例来理解这一点:
我们将创建一个历史价格表，用作样本数据。让我们假设期权将于 3 月 5 日到期，约定的执行价格为 140 美元。

*因此，如果我们必须在 3 月 2 日计算期权的 delta，它将是$5/$10 = 0.5。

在这里，我们要补充的是，由于一个期权的价值来源于标的股票，因此 delta 期权的价值将介于 0 和 1 之间。通常，当期权走向“价内”时，delta 期权逐渐趋向于 1。

看涨期权的 delta 随着价格的上涨而增加，看跌期权则相反。想想看，当股票价格接近执行价格时，期权的价值会减少。因此，delta 看跌期权的范围总是在-0 和 1 之间。*

微克

Gamma 衡量期权 delta 对基础股票价格变动的风险敞口。就像 delta 是期权价格相对于标的股票价格的变化率；gamma 是 delta 相对于基础股票价格的变化率。因此，伽马被称为二阶导数。

Gamma =[期权增量的变化]/[标的资产价格的单位变化]

让我们看一个 delta 如何相对于 Gamma 变化的例子。考虑一个行权价为 300 美元、溢价为 15 美元的看涨期权。

成交价格:300 美元
初始股价:150 美元
差值:0.2
伽玛:0.005
溢价:15 美元
新股价:180 美元
股票价格的变化:180 美元-150 美元= 30 美元

现在，

*因此，溢价变化= Delta *股票价格变化= 0.2 * 30 = 6。
由此，新溢价= $ 15+$ 6 = $ 21

delta 的变化= Gamma *股价的变化= 0.005 * 30 = 0.15
由此，新 delta = 0.2 + 0.15 = 0.35。

让我们更进一步，假设股票价格再上涨 30 点，达到 210 美元。

现在，
新股价:$210
股价变动:$210 - $180 = $30

现在，*

*溢价的变化= Delta * 0.35 * 30 的变化= 10.5 美元
由此，新溢价= 21 美元+10.5 美元= 31.5 美元

Delta 的变化= Gamma *股价的变化= 0.005 * 30 = 0.15
由此，新 delta = 0.35 + 0.15 = 0.5。

这样，期权的 delta 和 gamma 随着股票价格的变化而变化。我们应该注意到，当期权的 delta 等于钱的时候，股票看涨期权的 Gamma 是最高的。因为基础股票的微小变化会导致 delta 的急剧增加。类似地，当股票的 delta 随着股票期权的变化而轻微变化时，价外或价内期权的 gamma 较低。

最高伽玛为 At-the-money (ATM)选项
三种工具中，at-the-money (ATM)、out-of-the-money (OTM)和 in-the-money(ITM)；自动取款机的伽马值最高。可以看这个视频更详细的了解一下。*

希腊字母的第八字

Theta 衡量期权价格对时间推移的暴露程度。它衡量期权价格，尤其是时间价值，随着到期时间的临近而变化或下降的速度。

低湿平原

Vega 衡量期权价格对标的波动率变化的敞口。一般来说，波动性越高，期权越贵。因此，如果波动率上升，期权的价格可能会上升，反之亦然。

织女星相对于到期时间的增减？

*你怎么想呢?你可以通过看这个视频来确认你的答案。

其中一个流行的期权定价模型是 Black Scholes，它有助于我们理解期权希腊人的一种期权。*

布莱克-斯科尔斯期权定价模型

布莱克-斯科尔斯期权定价模型的公式如下:

在哪里，

c 是看涨期权的价格
p 代表看跌期权的价格。
S0 是基础价格，
x 是执行价格，
σ代表波动性，
r 是连续复合的无风险利率，
t 是到期时间，而
q 是连续复合股息率。
N(x)是标准的正态累积分布函数。

d1 和 d2 的公式如下所示:

*为了计算希腊人的期权，我们使用了布莱克-斯科尔斯期权定价模型。

δ和γ的计算方法为:*

在下面的例子中，我们使用了 BS 模型的决定因素来计算希腊人的期权。

*在基础价格为 1615.45 时，看涨期权的价格为 21.6332 。

如果我们将底层的价格提高了 Rs。1，希腊人在期权中的看涨、看跌价格和价值的变化如下所示。*

正如可以观察到的，第一个表中看涨期权的 Delta 为 0.5579 。因此，根据 delta 的定义，当基础价格上涨 1 卢比时，我们可以预计看涨期权的价格大约会上涨该值。看涨期权的新价格为 22.1954，即

21.6332+0.5579 ~ 22.1954
22.1911 ~ 22.1954

*让我们转到伽玛，另一个希腊选项。

如果您观察两个表格中的 Gamma 值，它对于看涨和看跌期权合约是相同的，因为它对于两种期权类型具有相同的公式。如果你做多期权，那么你会选择高 gamma，如果你做空，那么你会选择低 gamma。*

*因此，如果期权交易者有净多头期权头寸，那么他的目标是最大化 gamma，而在净空头头寸的情况下，他将试图最小化 gamma 值。

第三个希腊文，Theta 对看涨期权和看跌期权都有不同的公式。这些内容如下:*

在 LHS 的第一张表上，期权合约还有 30 天到期。我们有一个负的θ值-0.4975，这意味着期权交易者正在与时间赛跑。为了从交易中获利，他必须确定自己的分析，因为时间的流逝会影响他的头寸。这种时间衰减的影响在 RHS 的表格中很明显，其中剩余的到期时间现在是 21 天，其他因素保持不变。

*结果，看涨期权的价值从 21.6332 跌至 16.9 行为 319。如果期权交易者想从时间衰减属性中获利，他可以卖出期权而不是做多，这将导致正的θ。我们刚刚讨论了期权中的一些希腊个体是如何影响期权定价的。然而，要想真正从你的期权头寸中获利，理解希腊人在期权头寸中的综合行为是非常重要的。如果你想在 Excel 中做期权希腊文，可以参考这个博客。

现在让我们来看一个用来实现 Black Scholes 模型的 Python 包。*

Python 库-米编

什么是米变？T3】

Mibian 是一个期权定价 Python 库，它实现了 Black-Scholes 以及其他一些货币和股票的欧式期权模型。在本文的上下文中，我们将研究这个库的 Black-Scholes 部分。Mibian 兼容 python 2.7 和 3.x，这个库需要 scipy 才能正常工作。

Black scholer车型如何使用米变？****

该库中构建 Black-Scholes 模型的函数是 BS()函数。该函数的语法如下:

*BS([underlyingPrice, strikePrice, interestRate, daysToExpiration], volatility=x, callPrice=y, putPrice=z)*

*第一个输入是包含基础价格、执行价格、利率和到期日的列表。每次调用函数时都必须指定这个列表。接下来，我们输入波动率，如果我们对计算期权和希腊期权的价格感兴趣。BS 函数将只包含两个参数。

如果我们对计算隐含波动率感兴趣，我们将不输入波动率，而是输入买入价格或卖出价格。如果我们对计算卖权-买权平价感兴趣，我们将在清单后输入卖权价格和买权价格。返回的值将是:*

(买入价格+债券到期时的履约价格)-(卖出价格+标的资产价格)

下面提到了返回各种期望输出的语法以及 BS 函数的用法。BS 函数的语法，输入为波动率以及存储基础价格、执行价格、利率和到期日的列表:

*c = mibian.BS([1.4565, 1.45, 1, 30], volatility=20)*

上述 BS 函数返回值的属性:

*c.callPrice       Returns the call price
c.putPrice    Returns the put price
c.callDelta         Returns the call delta
c.putDelta    Returns the put delta
c.callDelta2     Returns the call dual delta
c.putDelta2  Returns the put dual delta
c.callTheta      Returns the call theta
c.putTheta      Returns the put theta
c.callRho         Returns the call rho
c.putRho         Returns the put rho
c.vega             Returns the option vega
c.gamma         Returns the option gamma*

BS 函数的语法，输入为看涨价格以及存储基础价格、执行价格、利率和到期日的列表:

*c = mibian.BS([1.4565, 1.45, 1, 30], callPrice=0.0359)*

上述 BS 函数返回值的属性:

*c.impliedVolatility Returns the implied volatility from the call price*

BS 函数的语法，输入为卖出价格以及存储基础价格、执行价格、利率和到期日的列表:

*c = mibian.BS([1.4565, 1.45, 1, 30], putPrice=0.0306)*

上述 BS 函数返回值的属性:

*c.impliedVolatility Returns the implied volatility from the put price*

BS 函数的语法，输入为买入价格和卖出价格，以及存储基础价格、执行价格、利率和到期日的列表:

*c = mibian.BS([1.4565, 1.45, 1, 30], callPrice=0.0359, putPrice=0.0306)*

上述 BS 函数返回值的属性:

*c.putCallParity Returns the put-call parity*

虽然 Black-Scholes 是一个相对稳健的模型，但它的缺点之一是无法预测波动率微笑。随着我们转向下一个定价模式，我们将了解更多这方面的内容。

期权交易的德曼·卡尼模型

德曼·卡尼模型的开发是为了克服长期存在的布莱克·斯科尔斯模型的问题，即波动微笑。Black Scholes 模型的一个基本假设是，标的遵循具有恒定波动率的随机游走。

*然而，在计算不同执行价格的隐含波动率时，可以看到波动率曲线并不是我们所预期的恒定直线，而是一个微笑的形状。这条隐含波动率相对于执行价格的曲线被称为波动率微笑。

如果布莱克·斯科尔斯模型是正确的，这将意味着标的遵循对数正态分布，隐含波动率曲线将是平坦的，但波动率微笑表明交易者隐含地将独特的非对数正态分布归因于标的。*

这种非对数正态分布可归因于基础的修正随机游走，在某种意义上，波动率不是常数，并随股票价格和时间而变化。为了正确评估期权的价值，我们需要知道修正的随机游走的确切形式。德曼·卡尼模型展示了如何将隐含波动率作为输入来推断基础随机游走的形式。更具体地说，从对应于底层随机行走的微笑中提取唯一的二叉树，这种树被称为隐含树。

该树可用于评估市场上价格不确定的其他衍生产品的价值——例如，它可用于标准但缺乏流动性的欧式期权、美式期权和奇异期权。

什么是赫斯顿模型？

*Steven Heston 为具有随机波动性的资产的欧式看涨期权的价格提供了封闭形式的解决方案。该模型还考虑了波动率微笑，而波动率微笑无法用布莱克-斯科尔斯模型来解释。

赫斯顿模型的基本假设是波动率是一个随机变量。因此，有两个随机变量，一个是基础变量，一个是波动率变量。通常，当基础的方差变得随机时，封闭形式的解将不再存在。

但这是赫斯顿模型的一个主要优势，即欧洲普通期权确实存在封闭形式的解决方案。该特征也使得模型的校准可行。如果您有兴趣更详细地了解这些模型，您可以浏览以下研究论文，*

德曼·卡尼模型——伊曼纽尔·德曼和伊拉杰·卡尼的《波动的微笑及其隐含的树》。
赫斯顿模型——“具有随机波动性的期权的封闭形式解决方案，应用于债券和货币期权”

到目前为止，你已经了解了期权交易和如何分析期权以及所使用的定价模型。现在，要应用这些知识，你需要进入市场，这就是经纪人的作用。

如何开立期权交易账户？

如何进行期权交易？首先创建一个帐户。你需要这样做:

期权交易如何选择券商？T3】

在我们向经纪人开立期权交易账户之前，让我们先来看一下选择经纪人时需要考虑的几点。

当你涉足期权交易领域时，要明白你的目标，无论是作为一种对冲风险的方式，作为一种投机工具，还是为了创收等等。
经纪人是否提供自己的期权评估工具？当你选择正确的选项时，接触过多的工具总是有益的。
询问交易成本或经纪人收取的佣金，因为这将侵蚀你的投资收益。
一些经纪人提供股票市场各个领域的研究资料。你可以随时向经纪人咨询研究和订阅等事宜。
检查经纪人提供的支付选项，确保它与您的便利兼容。

寻找合适的经纪人

一旦所需的背景调查完成，你可以根据自己的需要和方便选择合适的经纪人。在全球市场中，排名靠前的经纪商列表如下:

国际顶级经纪商名单进行期权交易****

顶级国际期权经纪商名单如下:

电子贸易(每份期权合同 0.65 美元)
Ally Invest(每份交易合同 0.5 美元)
TD Ameritrade(每份合同收费 0.65 美元)
互动经纪人(每份期权合约起价 0.25 美元)
嘉信证券经纪(每份期权合约 0.65 美元)

印度顶级经纪商名单进行期权交易****

印度顶级期权经纪商列表如下:

零达
ICICI Direct
hdfc 证券
沙雷汗
科塔克证券公司
天使经纪
轴直接

太好了！现在我们来看一些可以在现实世界中使用的期权交易策略。

期权交易策略

有相当多的期权交易策略可以在今天的交易格局中使用。最受欢迎的期权交易策略之一是基于价差和蝴蝶。让我们详细地看看它们。

和蝴蝶

***差价或更确切地说差价交易是同时买卖相同的期权类别，但到期日和执行价格不同。差价期权交易用于限制风险，但另一方面，它也限制了沉迷于差价交易的人的回报。

因此，如果我们只对证券的买入期权和卖出期权感兴趣，我们就称之为买入价差，如果只是卖出，那么就称之为卖出价差。

根据变化因素，利差可分为:***

水平价差-不同的到期日，相同的执行价格
垂直价差-相同的到期日，不同的执行价格
对角价差-不同的到期日，不同的执行价格

请记住，期权的价值是基于基础证券(在这种情况下，股票价格)。因此，我们也可以根据我们希望价格上涨(牛市价差)还是下跌(熊市价差)来区分期权价差。

牛叫传

***在看涨期权价差中，如果交易不符合我们的意愿，我们会买入多个期权来抵消潜在的损失。

让我们借助一个例子来试着理解这个。
下表为同一标的股票和同一到期日的可用期权:***

***通常，如果我们做了分析，认为股票可以涨到 200 美元，一种方法是以 15 美元的溢价购买一个执行价格为 180 美元的看涨期权。因此，如果我们是正确的，股票在到期时达到 200 美元，我们以 180 美元的执行价买入，由于我们支付了 15 美元的溢价，因此获得了(20-15 美元)= 5 美元的利润。

但是，如果我们是错误的，股票价格达到 180 美元或更低，我们将不会行使期权，导致 15 美元的溢价损失。一个变通办法是以 180 美元买入看涨期权，以 10 美元卖出 200 美元的看涨期权。

因此，当股票价格在到期时达到 200 美元时，我们行使看涨期权获利 5 美元(如上所述),并获得 10 美元的溢价利润，因为所有者不会行使这一权利。因此，通过这种方式，总利润为($5 + $10) = $15。

如果股票价格超过 200 美元，并且所有者行使了看跌期权，那么从 180 美元买入的看涨期权中增加的利润将与从 200 美元卖出的看涨期权中累积的损失相同，因此，无论到期日股票价格增加到 200 美元以上，利润将总是 15 美元。

让我们构建一个表格来了解各种场景。***

您也可以理解如何实现看涨期权价差，使用 Python 实现它，并查看看涨期权价差收益图。

熊放散

***当我们认为股票将会上涨时，看涨期权价差被执行，但如果我们分析并发现股票价格将会下跌，该怎么办呢？在这种情况下，我们使用看跌期权差价。

假设我们看的是同一个到期日的同一只股票的不同行权价。***

***一种方法是以 15 美元的溢价买入执行价为 160 美元的看跌期权，同时以 10 美元的执行价卖出执行价为 140 美元的看跌期权。

这样，我们创建一个场景表如下:***

这样，我们可以通过同时买入和卖出期权来最大限度地减少损失。可以查看熊点差期权交易策略，了解如何用 Python 实现。

蝴蝶扩散

蝴蝶价差实际上是牛熊价差的组合。蝶式期权策略的一个例子由身体(中间的双期权位置)和翅膀(两个相对的末端位置)组成。

其属性如下所示:
这是一个三足战略
涉及买入或卖出看涨/看跌期权(不同于备兑买入策略买入股票并卖出 OTM 看涨期权)
可以使用看涨或看跌期权来构造
在同一到期日的 4 份期权合约
拥有相同的基础资产
涉及 3 个不同的执行价格(2 个具有相同的执行价格)
用这些电话创建 2 笔交易

期权交易策略列表

我们将在下面列出更多的期权交易策略:

还有很多你可以探索的地方。

期权交易的进一步解读

对于了解期权交易和实施期权交易策略的学习者来说，他们可以通过这份期权交易的阅读和项目清单来扩展他们的知识。

我们整理了一份由专家撰写的最受欢迎的期权交易博客列表。

结论

我们已经涵盖了期权交易的所有基础知识，包括不同的期权术语和类型。我们还看了期权交易的例子和希腊期权。我们了解各种期权交易策略，以及在开立期权交易账户之前需要考虑的事情。

如果你对期权交易感兴趣，这个博客将是一个完美的起点。然而，如果你想继续自学，我们的免费期权交易课程正是你所需要的。它从你必须知道的能够交易期权的基本术语和概念开始。

期权交易的世界并不局限于此。要继续前进，你需要开始在期货 &期权交易中使用量化技术，并学习创建期权定价模型、期权希腊人和各种策略。有了我们的学习轨迹，就有可能开发出期货&期权交易的量化方法。

立即开始您的选择之旅！

贝叶斯推理的基础

原文：https://blog.quantinsti.com/bayesian-inference/

由 Vivek Krishnamoorthy

这篇关于贝叶斯推理的文章是关于贝叶斯统计和定量金融中使用的方法的系列文章的第二篇。

在我之前的帖子中，我从容不迫地介绍了贝叶斯统计，同时区分了频繁主义者和贝叶斯世界观。我详述了他们的每一种基本哲学是如何影响他们对各种概率现象的分析的。然后，我讨论了贝叶斯定理，并用一些例子来帮助奠定贝叶斯统计的基础。

本帖意图

我在这里的目的是通过关注频率统计和贝叶斯统计所采用的方法来帮助加深对统计分析的理解。在我的下一篇文章中，我有意识地选择使用 Python 来解决编程和模拟方面的问题。

我现在用一个简单的抛硬币的例子来说明前面讨论的观点，这个例子摘自《贝叶斯计量经济学导论(第二版)》。

例子:一个重复的掷硬币实验

假设我们对估计一个公平性未知的硬币的偏差感兴趣。我们将θ(希腊字母“theta”)定义为投掷硬币后得到正面的概率。 θ是我们要估计的未知参数。我们打算通过检查多次投掷硬币的结果来做到这一点。让我们用随机变量 Y 的实现来表示 Y(代表掷硬币的结果)。如果掷硬币的结果是正面，让 Y=1 ，如果掷硬币的结果是反面，让 Y=0 。本质上，我们将 1 分配给正面，0 分配给反面。

p(y = 1 |θ)=θ；p(y = 0 |θ)= 1-θ

基于我们上面的设置，Y 可以被建模为伯努利分布,我们将其表示为

Y∞伯努利(θ)

在继续我们对未知参数 θ 的估计之前，我现在通过频率主义者和贝叶斯的透镜简要地观察我们的实验设置。

实验设置的两种观点

在经典统计学(即频率主义方法)中，我们的参数 θ 是一个固定但未知的值，位于 0 和 1 之间。我们收集的数据是一个循环实验的一个实现(即重复这个N-折腾实验比如说 N 次)。最大似然法等经典估计技术用于得出θ̄̂(称为“theta hat”)，即未知参数 θ 的估计值。在统计学中，我们通常用参数的名称来表示估计值。我将在下一节详述这个观点。为了重申之前所说的，我们观察到在频率主义者的宇宙中，参数是固定的，但是数据是变化的。

贝叶斯统计是完全不同的。此处，参数θ被视为随机变量，因为其值存在不确定性。因此，将我们的参数视为随机变量是有意义的，它将具有相关的概率分布。为了应用贝叶斯推理，我们将注意力转向概率论的一个基本定律，我们以前见过的贝叶斯定理。

我使用贝叶斯定理的数学形式作为与贝叶斯推理建立联系的方式。

……..①

重复一下我在之前的帖子中说过的，这个定理之所以如此方便，是因为它允许我们反演一个条件概率。因此，如果我们观察一种现象并收集关于它的数据或证据，该定理有助于我们分析性地定义给定证据的不同可能原因的条件概率。

现在让我们通过使用我们之前定义的符号将它应用到我们的例子中。我标上 A = θ 和 B = y 。在贝叶斯统计领域，这些术语中的每一个都有专门的名称，我将在下面详细说明并在以后使用。①可以改写为:

…….. (2)

其中:

P(θ) 是的先验概率。在观察证据 Y 之前，我们表达对原因 θ 的信念。在我们的例子中，先验将量化我们对硬币公平性的先验信念(这里我们可以从假设它是一个无偏的硬币开始，所以θ = 1/2)。 P(Y|θ) 是的可能性。这里是真正的行动发生的地方。这是假设原因下观察到的样本或证据的概率。让我们不失一般性地假设我们在 8 次掷硬币中获得 5 个正面。假设硬币如上所述是无偏的，假设θ = 1/2，可能性将是在 8 次投掷中观察到 5 个头的概率。 P(θ|Y) 是后验概率。这是观察到证据 y 后潜在原因θ的概率。在这里，我们使用贝叶斯定理，在观察到 8 次投掷中有 5 次投掷后，计算我们对硬币偏差的更新或后验置信。 P(Y) 是数据或证据的概率。我们有时也称之为边际可能性。这是通过对所有可能的θ值取证据的似然函数的加权和(或积分)而得到的。在我们的例子中，我们将计算所有关于θ的可能信念在 8 次抛硬币中 5 次正面朝上的概率。该术语用于标准化后验概率。因为它独立于待估计的参数θ，所以从数学上来说，将后验概率表示为:

p(θ| y)√p(y |θ)×p(θ)……。③

(3) 是贝叶斯统计中最重要的表达式，值得重复。为了清楚起见，我解释一下我先前说过的话。假设我们只知道 P(Y|θ) 和先验 P(θ ),贝叶斯推理允许我们改变条件概率，即使用先验概率和似然函数来提供后验概率的连接，即 P(θ|Y) 。我发现把 (3) 看做是有帮助的:

后验概率∝似然×先验概率………… (4)

实验目的是根据 n 次独立掷硬币的结果，得到未知参数 θ 的估计值。掷硬币产生样本或数据 y = (y1，y2，…，yn)，其中 yi 是基于第次次掷硬币的结果的 1 或 0。

我现在展示频率主义者和贝叶斯方法来实现这个目标。如果你对背后的数学不感兴趣，请随意粗略浏览我在这里提到的推导。你仍然可以发展足够的直觉，并在实践中学习使用贝叶斯技术。

估算 θ: 频率主义者方法

我们使用最大似然估计(MLE)方法计算联合概率函数。一次抛硬币的结果概率可以优雅地表示为:

对于给定的值 θ ，n 次独立掷硬币结果的联合概率是每个单独结果的概率的乘积:

……。 (5)

正如我们在 (4) 中看到的，在给定我们实验观察值的情况下，计算出的表达式是未知参数θ的函数。θ的函数称为似然函数，在文献中通常称为:

……….. (6)

运筹学

………………(7)

我们希望计算最有可能产生观察到的一组结果的 θ 的值。这被称为最大似然估计，θ̄̂(‘theta hat’)。为了解析计算，我们取 (6) 关于参数的一阶导数，并将其设置为零。谨慎的做法是，也取二阶导数，并检查其值在θ = θ̄̂时的符号，以确保估计值确实是最大值。我们通常采用似然函数的对数，因为它大大简化了最大似然估计θ̄̂的确定。因此，文献中充满了对数似然函数及其解，这并不奇怪。

估算θ:贝叶斯方法

我现在改变我们到目前为止使用的符号，使它们在数学上更加精确。我将在本系列中使用这些符号。这种改变的原因是为了让我们能够恰当地给每个术语赋予符号，以提醒我们它们的随机性。θ、Y 等的值存在不确定性。，因此，我们将它们视为随机变量，并给它们分配相应的概率分布，如下所示。

密度和分布函数的符号

【π(⋅】(希腊字母‘pi’)表示先验(这与θ有关)表示我们试图估计的参数的后验密度函数。
f(⋅) 表示连续随机变量的概率密度函数(pdf)和 p(。)即离散随机变量的概率质量函数(pmf)。然而，为了简单起见，我使用 f(⋅) 而不管随机变量 Y 是连续的还是离散的。
联合密度函数将继续表示为 L(θ|⋅) 。表示似然函数，它是样本值的联合密度，通常是我们数据中样本值的 pdf/PMF 的乘积。

记住 θ 是我们试图估计的参数。

(2)(3)可以改写为

****(θ| y)=[∞f(y)……(8)

****π(μ| y)√f(y |μ)×π(μ)…………。 (9)

换句话说，后验分布函数与似然函数乘以先验分布函数成比例。我将你的注意力重新吸引到 (4) 上，并以与我们的新符号一致的方式呈现出来。

****后验 PDF ∝似然×先验 PDF…………(十)

我现在用早先在 (7) 中定义的似然函数 L(θ|Y)重写 (8) 和 (9) 。

……… (11)

……….. (12)

(11) 的分母是证据或数据的概率分布。我重申我之前在检查 (3) 时提到的:考虑后验密度的一个有用的方法是使用比例方法，如 (12) 所示。这样我们就不需要担心 (11) 的 RHS 上的 f(y)项了。

对于你们当中对数学好奇的人来说，我现在带你们进入一个不必要的兔子洞来解释它。也许，在我们旅程的晚些时候，我会写一个单独的帖子来思考这些细枝末节。

在 (11) ， f(y) 是使后验分布成为积分为 1 的适当密度函数的比例常数。当我们更仔细地检查它时，我们看到，事实上，这是随机变量 Y 的无条件(边际)分布。我们可以通过对参数 θ 的所有可能值进行积分来分析确定它。由于我们正在对 θ 进行积分，我们发现 f(y) 不依赖于 θ 。

运筹学

(11)(12)代表贝叶斯定理的连续版本。****

后验分布是贝叶斯统计和推断的核心，因为它将参数 θ 的所有更新信息混合在一个表达式中。这包括在观察值被检查之前关于 θ 的信息，这是通过先验分布捕获的。观测值中包含的信息是通过似然函数获取的。

我们可以把 (11) 看作是更新信息的一种方法，这一思想通过先验-后验命名法得到了进一步的例证。

θ 、 π(θ) 的先验分布代表了在记录观测值 y 之前关于其可能值的可用信息。
然后基于观测值 y 确定 θ 的似然函数 L(θ|y) 。
θ ， π(θ|y) 的后验分布总结了记录并合并观测值 y 后所有关于未知参数θ的可用信息。

θ的贝叶斯估计将是先验估计和最大似然估计的加权平均值，θ̄̂ 。随着观测值 n 的数量增加并趋近于无穷大，先验估计的权重趋近于零，最大似然估计的权重趋近于一。这意味着贝叶斯估计和频率估计会随着样本量的增加而收敛。

澄清一下，在经典或频率主义者的设定中，参数 θ 的通常估计量是最大似然估计量θ̄̂。在这里，先验被隐含地视为一个常数。

总结

我在这篇文章中致力于推导贝叶斯统计的基本结果，即。 (10) 。这个表达式的本质是通过结合从两个来源获得的知识来表示不确定性，这两个来源是观察和先前的信念。在这样做的时候，我介绍了先验分布、似然函数和后验分布的概念，以及频率主义者和贝叶斯方法的比较。在我的下一篇文章中，我打算兑现我的承诺，用 Python 模拟演示上面的例子。

贝叶斯统计是量化策略的重要组成部分，量化策略是算法交易员手册的一部分。由 QuantInsti 教授的算法交易(EPAT)高管课程涵盖统计&计量经济学、金融计算&技术和算法&量化交易等培训模块，让你具备应用各种交易工具和平台成为成功交易者所需的技能。

Raghav 超越交易算法的旅程

原文：https://blog.quantinsti.com/bcom-commerce-algorithmic-trading-journey-raghav/

传达你的想法并不总是容易的。尤其是在交易的时候，你要把你的想法具体化，并把它们变成策略。

Raghav Anand 毕业于商业专业，在进入交易行业之前，他对交易有一定的了解。他也做过很多交易和技术相关的课程。他是靠自己的努力爬到顶端的，这并不容易。

这是一个值得一读到底的故事，因为 Raghav 分享了他所有的经验，学习，缺点和一些重要的交易技巧。Raghav Anand 是 EPAT 大学的校友，我们联系了他，与我们分享他进入算法交易世界的旅程。

我们的谈话是这样进行的。

你好，Raghav，请告诉我们你的情况！

嗨！我是 Raghav Anand，来自印度旁遮普的 Ludhiana。我毕业于孟买的纳尔西·蒙吉学院，主修金融市场。

我热衷于弹吉他，甚至一度把它当作职业。我喜欢阅读(我一个月能读完 3 本书)，喜欢旅行、徒步旅行和公路旅行。

由于我父亲是一名有 30 年经验的股票经纪人，我一直对股票市场感兴趣。2019 年 7 月开始全职交易，过去一年开始全职交易。

我在 NSE 交易指数期权，Back-Nifty 和 Nifty 期权。我交易一些股票期权，主要是指数衍生品，主要是期权。

你的交易之旅如何？

我把我的成就归功于在 Ludhiana 之前在 Ajmer 的 Mayo 寄宿学校接受的教育。上学，大学，和对优秀的渴望引导我去交易。

当我毕业的时候，我想让自己与众不同。很多人做短线交易，这激励我去做。我知道我有一个投资组合，但我从未管理过它。我没有信心靠自己的交易系统生存并赚钱。

交易公司不会雇佣没有任何经验的人，所以找工作不是一个选择。我父亲坚持要我学算法交易。

我遇到了一些关于算法交易的课程，但它们都是基础的，缺乏实际应用。就在那时，我的一个朋友告诉我关于 EPAT 的课程。QuantInsti 团队解答了我所有的疑问，我参加了这个课程。

大学毕业后，我只研究了 6-8 个月的全天股市，观察模式和市场。我通过做票据交易、过程、日志和计划来运用我的 EPAT 知识。

这让我在德里的 Mansukh 证券公司找到了一份好工作。我在一个道具柜台工作，做市，大量交易，在一个很好的环境里，有很棒的人帮助我学习。

之后，我回到孟买，和几个朋友一起建立了一个交易平台。只是几个月，然后新冠肺炎袭击了。

新冠肺炎的情况对股票市场和你的交易有什么影响？

这个封闭季度是我交易中最好的一个季度。我所部署的系统已经给出了最好的结果。

当新冠肺炎袭击时，我被困在孟买三个月。那是一段艰难的日子，但是我的交易让我继续工作，继续活着。

从那时起，我回到了我的家，卢迪亚纳，并一直在这里。我们没有去我们的办公室，我家里没有我的基础设施，所以部署我所有的系统现场和交易不是一个很好的决定。但是，我交易只是因为我知道我所有的损失都在我的控制之下。

我父亲在他的职业生涯中从未见过这样的事情，而我只有 3-4 年的交易经验。我听从了父亲的建议，避免交易，多学习，在这段时间专注于我的方法。这一点，加上我的信念，帮助我坚持下去。

2020 年 1 月至 3 月对我来说是一个相当艰难的时期，但 3 月的 3-4 天是我恢复系统降级所需的全部时间。

EPAT 是如何帮助你交易的？

我学过大多数与股市相关的课程，但都很主观。没有人教我如何从中赚钱。他们没有谈论量化这些知识。

我需要知道我一次交易能损失多少。

如果你说我冒 X 卢比的风险，而你最终损失了 X*100 卢比，我会抓狂的。这怎么可能呢？

在 EPAT 的经历让我大开眼界。实践学习让我的学习曲线缩短了至少 5 年。

我有股票市场的经验，但没有交易方面的经验。我是 BCom 出身，对编码毫无经验。我担心我无法应付 EPAT。

我错了。

周末在线直播讲座:

我从未想过我能听这么冗长的讲座
虽然工作量很大，但这一切都在如此美好的 6 个月课程中得以展现和压缩
工作量从未困扰过我
一周只有 2 节课，差不多 3-3.5 小时的课
即使讲座长达 6 个小时，我也不会介意，因为这是如此好的学习
教我们的人本身就是交易者，他们对这个主题有丰富的知识。所以这也很有帮助。

EPAT 教我:

将系统投入使用的方法
选择/拒绝系统时需要考虑哪些参数
在交易中，什么该执行，什么不该执行
理论上行得通的，实际上可能行不通
股票市场，期权，隐含波动率，期权希腊人的实际执行
将逻辑处理成可量化的数字，并将其付诸实践
实施我的想法
执行我的想法
Excel 和 Python
来更好地建模和设计策略
如何量化和预测我的策略
如何在市场上验证我的想法

还有更多...

EPAT 改变了我准备交易计划的方式:

如果我不知道如何测试我的逻辑，弄清楚这是否是一个长期战略，我真的什么也做不了。
我将不得不提前测试它至少 2-3 年。
2-3 年后，我会选择大量部署它。
部署好了，也不能保证我 3 年的努力就一定能赚钱。
想象一下，如果我知道它不起作用，那还有什么意义呢？
这就是人们在交易中亏损的原因，因为他们没有一个合理的计划。

EPAT 如何改变了我:

我是我那一批人中最年轻的一个。每个人都交易过，在加入 EPAT 之前，我从来没有敲过单。
我也可以从以巴提人的丰富经验中学习。
不管他们或我父亲以前说什么都不管用，我总是自己去检验。
如果它符合我的交易风格和风险参数，那么我肯定会用我的每一分钱继续交易。如果没有，那我就不会。这是我的简单规则。
这就是 EPAT 如何给我的生活带来了好的改变。

交易心理学对我来说也是非常重要的一部分，在 EPAT 教授的概念对我来说也是一个真正的学习曲线。

你对有抱负的交易者有什么话要说？

虽然我不像其他交易者那样有经验，但我想从我的经验中传达这一点:

即使是印度最好的交易者也不是每天都赚钱
你必须面对你将面临损失的事实
交易的对错并不重要
真正重要的是一段时间内你在做什么
有正确的方法
不要在没有构思和测试的情况下投资你的策略
对你的想法和逻辑有信心
你不可能每天、每周或每月都赚钱。会有离群值。
了解你的策略的每一个细节以及它是如何运作的
尽可能量化你的策略
规划一个好的流程和计划
有体面的目标
直到你在一个小资本的时候，翻倍的钱感觉像一块蛋糕，但是当你在一个大资本的时候，它是有挑战性的
改进行不通的，尝试改变它

不要带压力:

想出一个策略，让损失在你的心理压力范围内
为什么？这样你就不会陷入不快乐或沮丧的精神状态
人们觉得交易有压力的唯一原因是你承担的风险超出了你的定义范围
如果你准备每天损失 X 的量，你的风险也设定为 X，那么就没有理由感到紧张
一旦你没有压力，坚持你的计划就变得容易了
一旦你坚持你的工作计划，那么没有什么可以阻止你
成功的多少取决于每个人的努力，但至少情绪不会低落

规划至关重要:

我父亲教导我，做某事的计划和方法是最重要的部分，而不是结果。你只需要承担风险。钱就自动跟着来了。

坚持你的计划，对它有信心。如果你的计划是正确的，你就在正确的道路上。

一旦你做到了，没人能阻止你成为一个成功的交易者或投资者。这需要大量的时间和耐心，如果你有这种耐心，那么就没有什么能阻止你进入股市。

谢谢你和我们分享你的旅程，Raghav。你的旅程充满了许多知识和经历。这些都是非常令人难以置信的见解，我们相信对所有的学习者都非常有帮助。

我们希望你在疫情期间保重并保持安全。

在学习算法交易的过程中，你需要正确的知识和必要的技能。算法交易(EPAT)高管课程(T1)，帮助你实现你的学习目标。EPAT 是一门综合性课程，涵盖了广泛的主题。

BCom 毕业生、数据科学家和现在的算法交易员| Karthic 的故事

原文：https://blog.quantinsti.com/bcom-data-scientist-algo-trading-epat-success-story-karthic-krishnan/

你被告知学不了算法交易吗？
你是否被告知你将无法在那里坚持下去？

即使在反对者这样的评论之后，你还是努力奋斗，努力工作，达到了你的挑战性目标。

这也让人想起了一个能引起所有有抱负的算法交易者共鸣的故事。一个商业毕业生成为数据科学家并学习算法交易的故事。

作为一名 NLP 研究人员、Azure 认证数据科学家、AWS 认证云实践者以及现在的 EPAT 校友，Karthic 热衷于将数据转化为可操作的见解、有意义的故事并实施他所学到的东西。

这是他进入算法和量化交易世界的旅程。

嗨，卡蒂奇，给我们介绍一下你自己吧！

我是来自班加罗尔的 Karthic Krishnan，是 IBM 的一名数据科学家。我来自商业背景，拥有金融 MBA 学位和商业分析 PG 学位。

即使接受了各种各样的教育，我也能够实现转型，我的职业生涯实际上从业务开发和营销转向了数据科学，这让我学到了很多东西。

我还是一名 NLP 研究员、Azure 认证数据科学家和 AWS 认证云从业者。

我喜欢下棋，经常和朋友一起徒步旅行，从日常工作生活中恢复活力。

你是如何从 BCom 过渡到财务和技术方面的？

作为 BCom 的毕业生，我对研究充满热情。当时，algo 交易在印度还不太为人所熟悉，但我在考虑建立一个自动化交易系统，制定策略等等。

那时候，生活已经有了别的打算。我读的是金融 MBA。生活需要，所以我选择了销售和市场营销——一个非常有趣的职能领域。我会与客户互动，了解产品。

我的第一份工作实际上是金融服务，这也是我进入交易行业的原因。想要进入技术研究，我在印度钦奈得到了一个机会，在那里我学习编码，探索蜡烛图和不同的模式。

非计算机科学背景减缓了我的进步。为了实现我的目标，并把我的职业生涯转变为建立一个交易平台，我需要:

很多编码知识
为了更深入地挖掘，深入研究

这种转变有点痛苦，因为最初来自一个众所周知的亲密圈子的负面评论，但我从我的家人那里得到了很好的支持来尝试一些新的东西。

我 35 岁左右，有两个孩子，离开工作，报名参加 Praxis 商学院的全日制商业分析研究生课程，这是一个巨大的压力，Praxis 商学院是商业分析课程的顶级商学院之一。

这是一个为期九个月到一年的严格项目。我投入了所有的努力，比如每天花 14 到 16 个小时完全学习编码，探索不同的平台，不同的编程语言，如 Python，R Studio，Sass，可视化工具，如 Qlik Sense，Tableau，数据库系统，SQL 等等。我就是这样获得了强大的编码知识。

我也对统计学充满热情，所以我彻底温习了高级统计学、数学、数据科学概念、算法和复杂算法。

我在整个批次中有三个科目名列前茅！我从来没有意识到我在这个项目中变得精通编码，因为我是我那一批人中唯一没有计算机科学背景或任何证书的人。

这完全改变了我看待挑战的方式。在那之后，我能够看到那些挑战，无论是个人的还是职业的，并系统地获胜。事实上，转变就是这样发生的。

从开始职业生涯到今天成为 IBM 的一名高级数据科学家，这是否具有挑战性？

我的 PGDM 成绩很好，我进入了校园实习，在 Hinduja Global Solutions 找到了一份初级数据科学家的工作。几年后，我得到了晋升，在完成了一个重大的里程碑项目后，我得到了一个在 IBM 工作的机会。因此，我现在已经在 IBM 做了两年多的高级数据科学家。

这是一个非常具有挑战性和要求性的角色，需要专业技能。人们必须处理复杂的问题，研究复杂的算法和缩放等。这塑造了我。我指导过初级数据科学家，雇佣过有能力、有效率的候选人。在这两年里，我意识到利用我的编码技能，我可以解决这个市场预测挑战。

当我开始应用我的技巧来解决商业挑战时，我想在参加任何项目或课程之前获得更多的实践经验。我在寻找一些能帮助我追寻我的道路的东西。我看过几个节目，其中 QuantInsti 的《EPAT》令人印象深刻。我就是这样进入了这个算法交易的世界。

进入 EPAT，我很好奇。因此，我很早就开始了学习过程，因为我知道如何编码。我采用了市场上免费提供的数据。我在想:

关注哪个市场，
获取昂贵的漂亮数据，等等。

但是，EPAT 消除了我的焦虑。

课程很棒。无论是风险管理、投资组合管理，还是评估模型的比率、不同的策略等等，EPAT 从长度到宽度、端到端广泛地涵盖了每一个主题。EPAT 给了我很好的横向和纵向知识。

你是如何应用来自 EPAT 的技能和知识的？

我访问了币安网站，获得了 3-4 天的免费数据，并通过编写 8000 行代码建立了一个模型。我利用我的数据科学技能下载数据，准备数据，然后开发机器学习模型。在那之前我测试过几款。

我还参与了一个基于 NLP 的项目，这个项目对我在策略方面的输入参数帖子的工作帮助很大。因为是时序数据，所以任何机器学习模型都要补偿市场的动态变化。

我需要评估模型的稳定性。因此，我创建了自己的参数来评估模型的稳定性——模型是否运行良好，以及未来是否会运行良好。如果将来做得不好，我可以重新训练模型，并更改参数。

除了这些策略，我还尝试了几个策略，这些策略是我从 EPAT 那里学来的，我也修改了它们。当我在技术研究团队的时候，我已经研究了很久了。

当我开始制作这个模型时，一切都想起来了。这个策略对我帮助很大，这是一个完全不同的思考过程。我就是这样建立模型的，结果发现我的模型给出了有利可图的交易。

我不可能为不间断的功能密码分配服务器或基础设施——考虑到我正在做项目，这肯定不是我的工作。所以，我开发了这个模型，训练了它，并雇佣了免费的 AWS 云服务。我将它部署在云上，没有任何额外的成本，它运行稳定。

对我来说，从金融服务行业的技术分析师到现在的数据科学家，这 10 到 12 年的旅程非常有趣。从一个伟大的职业环境的角度来看，我从未将 EPAT 视为一个机会，但我将它视为一个将激情转化为我可以切实获得结果的机会。它给了我很大的支持。

作为一名数据科学家，你如何描述和 EPAT 一起学习算法交易的经历？

《EPAT》是一个很棒的节目，内容全面，相当不错。以下是我对 EPAT 的感受和体验。

市场预测是一项挑战，它包含多种因素，需要数百万人的努力。这个要求把我推向了 EPAT。

和 EPAT 在一起，我在六个月里变得勤奋好学。我从未想过数据科学概念会在课程中占据如此大的比重。我熟悉一些方面，但其他方面对我来说有很大的价值。另外，我想加强我的知识。

其他课程 vs EPAT - EPAT 更直观，因为它由战略构建组成，是统计数据科学、算法和模型的其他技术评估以及治理的结合。其他课程提供的策略并不适合每个人，因为它一直在变化。

对我来说舒适- 因为我对编码、统计和数据科学概念了如指掌，所以我很舒服地接受了这个项目，尽管它非常强大。然而，要学的东西还有很多。

学以致用- 作为一个商业背景的人，我能够回忆起那些概念-欧米伽，夏普比率，等等。令人惊讶的是，模型中出现了变化。

帮助我探索更多领域！每个人对课程中每个主题的深入程度都由自己决定。作为一名经验丰富的数据科学家，我会深入了解如何进行一些超参数修改和更改。所有的一切都是为了建立我的知识。

校友福利- EPATians 仍然通过校友小组保持联系，分享丰富有用的信息。

大学教师是 EPAT 的主要特征之一。因为他们已经是专家，有很强的市场背景，很深的知识，他们见过不同的方面——无论是机构交易，HFT，等等。他们非常耐心地澄清每个人的问题。我注意到，在我参加过的各种课程和项目中，我从未见过对候选人如此关注。对于每个教师来说，候选人的问题都很重要。

安置- 安置团队和服务都很棒。这些服务对每个人都非常有益，从新生到有 3-4 年经验的人，甚至更多。我在数据工程、数据科学、数据科学家以及定量分析开发人员和定量分析人员的职位上看到了很多工作机会。

时间管理- 由于多个项目，工作有时会很忙，所以我可以通过周末讲座在周末抽出时间。在养家糊口的同时，我能够保持工作、学习和生活的平衡。

感谢 QuantInsti 提供这个严谨而精彩的节目——EPAT。

我喜欢 EPAT 的所有特色。印象相当深刻！

你想对那些希望学习算法交易的人说些什么？

对于不是来自编码背景或者没有任何其他数据科学背景并且希望进入这个领域的人来说，我是最好的例子。

艰难的日子不会长久，但坚强的人会。
永不放弃——旅程永不停止。
永远不要有自我怀疑。

我没有任何技术知识，编码知识，我也不是工科出身。我没有那些合适的技能；我一开始就面临很多羞辱。但是今天，我在 IBM 工作，作为一名高级数据科学家指导一个团队。

13 年前，我以销售主管的身份创办了我的航空公司。我站在货摊上、售货亭上、寺庙里、超市里分发小册子，等等。那些日子我都穿越了。我并没有低估这些简介，而是说我已经经历了所有这些角色。但是，我坚持尝试，从未放弃。

永远不要指望有人会过来送你一朵花，并对你说:“你会做这件事的”。第一个相信你的人只有你自己！这才是关键。

所以，任何想把自己的公司转型到算法交易和数据科学的人，

保持专注
学习基础知识
有一个健康的思维过程
非常自信
要耐心
好奇
获得所需的技能
有计划
有结构

毫无疑问，成功将属于你。你肯定能成功。

感谢你与我们分享你的旅程，卡蒂奇。你的旅程充满了许多挑战，但你凭借自己的决心、意志和求知欲战胜了它们。你已经证明了，如果一个人真的想实现目标，他就能实现。我们祝愿你在未来的努力中一切顺利。

BCom to Quant 分析师| Nikhil 的算法交易之旅

原文：https://blog.quantinsti.com/bcom-quant-analyst-job-placement-epat-success-story-nikhil-cp/

让他的梦想成真，EPAT 校友 Nikhil 现在是算法交易领域的一个公认的定量分析师。但是，你知道吗，他是一名商科毕业生，已经完成了他的工商管理硕士学位，并且仍然通过 EPAT 的就业安置中心获得了他梦想中的工作。

怎么可能呢？他是怎么做到的？你怎么能让它成为可能呢？请继续阅读，寻找答案。这听起来可能难以置信，但它确实是一个真实的故事。这是 Nikhil 的旅程！

嗨，Nikhil，告诉我们你自己的情况！

嗨！我是 Nikhil Channarayapattana Prakash，来自印度班加罗尔。我已经完成了我的工商管理硕士学位，我是一名商业毕业生，并在 ABB 全球公司担任财务分析师。

我认为自己是一个健身狂，我的一天从慢跑和锻炼开始。我喜欢旅游，当我有空的时候，我会去看书。

我想知道如何投资我的工资和存款，这让我开始投资股票市场。我开始了解市场、市场趋势、参与者以及我可以应对的工具。

从商业到 MBA，再到现在的算法交易——你是怎么做到的？

在我金融专业毕业期间，我对 MBA 感兴趣，就在那时，我恍然大悟——在商业领域，人们处理公司的资产负债表，并使用金融工具。

如果一个人可以使用同样的技术和工具来赚取他们的面包和黄油！这让我对交易更加好奇！

虽然有很多可用的资源，但这些资源似乎都不是我想做的。我的一个朋友建议我去 EPAT 学习金融知识。就在那时，我听说了 QuantInsti，我认为它可以帮助我提高我在股票市场的知识。

EPAT 有很多关于自动化的信息，它的课程以分段的方式覆盖了我需要的所有主题。我意识到它可以指引我正确的方向，帮助我实现目标。

我问了一下，听起来很有趣，于是我就报名了。我很感谢 EPAT，它对我在这个领域的职业发展帮助很大，这是我想要的。

终身课程访问功能也非常神奇，因为人们可以在一生中的任何时间访问最新的课程。即使他们有任何疑问，他们也可以联系老师。这是任何其他课程都没有的特色。

EPAT 在你的生活中扮演了什么角色？

我对贸易非常感兴趣。但是，当我错过一些交易时，我总是会有点失望，因为执行速度更快，而且因为我缺乏技能。

在加入 EPAT 之前，我唯一的意图就是将我所有的想法和策略自动化。是的，EPAT 帮助我实现了我的目标，现在我能够自动执行我的策略了。

由于新冠肺炎·疫情的缘故，管理我的工作量和 EPAT 周末讲座对我来说相当具有挑战性。我的支持经理 Siddhesh 在我的 EPAT 之旅中给了我很大的帮助，告诉我最新的讲座、作业等信息。

如果我这边有问题，他会立即提供解决方案。因为巨大的支持，我的 EPAT 之旅有点顺利。

你最欣赏 EPAT 的哪一个特色？

在加入 EPAT 的时候，我也希望用自动化来构建我的职业生涯和股票市场领域。所以，对我来说，这绝对是安置细胞！

他们定期分享适合我的相关职位简介，跟踪我的职位空缺情况，还帮助我更新简历。他们会指导我让我的简历更引人注目，还帮我准备面试。

这很有趣，我从来没有见过任何机构有这种特色。

太棒了，EPAT 的定位团队简直太棒了！

你能描述一下定量分析师的一天生活吗？

在我收到 Tradetron 的信后，我真的非常高兴。对我来说，这是一件了不起的事情。因为我从来没有想到我会得到像 Tradetron 这样的研究所提供的工作机会。在他们建立的文化中工作是非常令人惊奇的。

作为一名商业背景的人，将我的工作转向定量分析，对我来说有点挑战性。但我从未放弃，因为我的兴趣一直都在。

我的团队令人难以置信，支持并指导我的日常工作活动。作为一名定量分析师，我处理客户的 Algo 交易，并确保交易顺利进行。

我非常感谢 EPAT 安置小组，它帮助我加入了这家公司。

Algo 交易对我帮助很大。今天，对我来说就像梦想成真！

你对有抱负的量化分析师有什么话要说？

EPAT 是建立在这样一种方式，它将指导你从编码的基本理解和金融市场的基本知识，并提供必要的学习材料，以帮助他们进入下一个层次。

参考提供的学习材料，定期参加讲座，提出你的疑问和疑问，每天练习老师所说的，朝着你的目标努力。就是这样！

这是非常罕见的，你会得到一个初学者级别的算法交易领域的介绍。更别说只有统计学或者编程了。我和 EPAT 的旅行很棒，因为他们提供的服务和知识。

总体而言，我并不精通 Python 或编码，我的背景与众不同，我不是金融出身，但我能够在 EPAT 实现我的目标。即使对于那些有金融背景，或者有编程或编码背景的人来说也是一样的。

找出一个 quant 的平均工资。

谢谢你的时间，Nikhil。我们很高兴能够在您的 Algo 交易之旅中为您提供指导和帮助，并让您的故事取得成功！我们祝你继续成功，并希望你取得更大的成就。

Python 中的熊市看涨梯形期权交易策略

原文：https://blog.quantinsti.com/bear-call-ladder-options-trading-strategy-python/

由 Viraj Bhagat 我们之前遇到过以下策略:

铁鹰交易策略是结合了看涨看跌价差和看跌看涨价差的期权交易策略
蝴蝶价差交易策略是牛价差和熊价差的结合，中性交易策略

这些期权交易策略是牛市和熊市价差的结合。我将带你浏览熊看涨期权阶梯，它也是熊看涨期权价差的扩展，并通过用 Python 编写策略代码，用一个真实的交易市场例子来解释策略。

什么是交易中的阶梯？

阶梯是一种期权合约(看涨或看跌)，允许在期权到期前赚取利润，直到资产的市场价格达到一个或多个执行价格。在特定的交易水平期间，它通过在一个或两个方向上限制旧的执行价格和新的执行价格之间的利润来重置，从而允许支付的灵活性。就像梯子的横档一样，触发打击降低了风险，一旦资产的市场价格达到触发点，它就锁定了利润，从而增加了盈利能力。

什么是熊叫天梯？

熊市看涨梯也被称为“空头看涨梯”，是熊市看涨期权价差的延伸。虽然这不是一个看跌策略，但它是在看涨时实施的。它通常为“净信贷”而设立，购买看涨期权的成本通过出售“价内”看涨期权来融资。对于该期权交易策略，必须确保买入期权属于相同的到期日，相同的标的资产和比率得到维持。它主要通过保险来保护卖出看涨期权的不利一面，即通过买入更高执行价格的看涨期权。但重要的是，只有当你确信市场将大幅上涨时，你才执行策略。

选择看涨期权阶梯交易策略

建立看涨期权阶梯交易策略

熊市看涨梯是一种三足期权策略，通常为“净信贷”而设立，用于具有更高行权日期和价格以及相同到期日的相同基础工具。熊叫梯大概是这样的:

选项选择

选择流动性好的期权
未平仓权益至少应为 100，最好为 500
下罢工- ITM
中层罢工-一个或两个罢工以上的低罢工，即进一步 OTM
更高的走向-高于中间走向，即更远的 OTM

执行

卖出 1 份 ITM 看涨期权
购买 1 个自动柜员机认购期权
购买 1 份 OTM 看涨期权

以 1:1:1 的比率组合执行，即每卖出 1 份 ITM 看涨期权，就必须买入 1 份自动柜员机期权和 1 份 OTM 看涨期权。(例如，卖出 1 台 ITM，购买 1 台自动取款机和 1 台 OTM)其他可能的组合是 2:2:2 或 3:3:3(以此类推)。

优先于认购比率价差

对看涨期权比率价差的即兴创作
看涨期权比率价差是通过买入 1 份 ITM 看涨期权和卖出 2 份自动柜员机看涨期权而形成的。卖出的期权多于买入的期权，使得多余的期权无所遁形，这对交易者来说是一种风险。
在这种情况下，执行成本优于看涨期权比率价差(由于这一点，市场的波动范围也变得很大)
现金流总是更好，因为买入看涨期权的执行价格高于卖出看涨期权的执行价格

风险

交易者或投资者买入的看涨期权多于卖出的，因此限制了最大值。风险

盈亏平衡

较低的盈亏平衡=较低的罢工+净信贷
上盈亏平衡=长期履约-短期履约-净溢价

净信贷=从 ITM CE 收到的溢价–支付给自动柜员机和 OTM CE 的溢价=当市场下跌时=净信贷

Tips:
- Understand the direction of the trend
- Identify a clear area of support
- Identify the resistance

到期

期限:只有漂亮的期权是 6 个月的，是流动的，不像其他的。大约 6 个月会更安全。对所有航段使用相同的截止日期。

到期前的替代品

常见做法:在到期前平仓以获取利润，或者因为有 2 个多头看涨期权，止损
最佳:从中期到到期结束
过期后的替代品:清仓。卖出买入的看涨期权，买回卖出的看涨期权

熊叫梯的优势

这里最大的优势是能够从基础资产的 5 个可能的变动中的 4 个中获利，以及无限的上升利润

熊叫梯的缺点

由于这是净信用利差，因此需要保证金

熊市买入阶梯期权交易策略示例

如果 ABC 现在的股价是 50。市场预计会上涨。所以交易者是这样做的:

出售 1 ITM 55 罢工呼吁为印度卢比 5
以 2.5 印度卢比购买 1 台 ATM 60 罢工电话
购买 1 个 OTM 65 罢工电话为印度卢比 1

如果 ABC 保持在 500 以下，投资者可以获得 1.5 的溢价流入并受益。

净信用=卖出溢价-买入溢价= 5 - 2.5 - 1 = 1.5
最大风险=中击-下击+净借方(或-净贷方)= 60 - 55 - 1.5 = 3.5
最高奖励=无限制
盈亏平衡(下跌)=下限+净借方(或+净贷方)= 55 + 1.5 = 56.5
盈亏平衡(上涨)=更高的罢工+最大风险= 65 + 3.5 = 68.5

实例

为了解释熊市看涨梯交易策略，我们将使用印度国家银行(股票代码:SBI)目前使用从nseindia.com 获得的期权链的以下真实市场示例。

用于熊调用阶梯策略的 Python 代码

导入库

import numpy as np
import matplotlib.pyplot as plt
import seaborn
seaborn.set(style="darkgrid")

计算收益

def call_payoff (sT, strike_price, premium):
return np.where(sT> strike_price, sT-strike_price, 0)-premium

# SBI spot Price
s0 = 250

# Long Call

OTM_long_call = 260
premium_OTM_long_call = 2.15

ATM_long_call = 250
premium_ATM_long_call = 5.65

# Short Call

ITM_short_call = 240
premium_ITM_short_call = 12.50

# Range of call option at epiration
sT = np.arange(200,300,1)

长呼 1 的收益

OTM_long_call_payoff = call_payoff(sT, OTM_long_call,premium_OTM_long_call)

fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,OTM_long_call_payoff, color='g')
ax.set_title('LONG 30 Strike Call')
plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')
plt.show()

长呼 2 的收益

ATM_long_call_payoff = call_payoff(sT, ATM_long_call, premium_ATM_long_call)

fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,ATM_long_call_payoff, color='g')
ax.set_title('LONG 35 Strike Call')
plt.xlabel('Stock Price (sT)')
plt.ylabel('Profit & Loss')
plt.show()

短期买入回报

ITM_Short_call_payoff = call_payoff(sT, ITM_short_call, premium_ITM_short_call)*-1.0

fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT, ITM_Short_call_payoff, color='r')
ax.set_title('Short 32.5 Strike Call')
plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')
plt.show()

熊市阶梯平仓

Bear_call_ladder = OTM_long_call_payoff + ATM_long_call_payoff + ITM_Short_call_payoff

fig, ax = plt.subplots(figsize=(8,5))
ax.spines['bottom'].set_position('zero')
ax.plot(sT,Bear_call_ladder,color='b', label= 'Bear Call Ladder')
ax.plot(sT, ATM_long_call_payoff,'--', color='g',label='ATM Long Call')
ax.plot(sT, OTM_long_call_payoff,'--', color='g', label='OTM Long Call')
ax.plot(sT, ITM_Short_call_payoff, '--', color='r', label='ITM Short call')
plt.legend()

plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')
plt.show()

熊叫梯

Bear_call_ladder = OTM_long_call_payoff + ATM_long_call_payoff + ITM_Short_call_payoff

fig, ax = plt.subplots(figsize=(8,5))
ax.spines['bottom'].set_position('zero')
ax.plot(sT,Bear_call_ladder,color='b', label= 'Bear Call Ladder')
plt.legend()
plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')
plt.show()

Profit = max(Bear_call_ladder)
Loss = min(Bear_call_ladder)

print Profit
print Loss

Max. Profit: 33.7
Max. Loss: -5.30

结论

当你确信基础证券将大幅波动时，最好使用空头看涨梯或空头看涨梯。如果走势偏高，这是一种有限的风险和无限的回报策略。

下一步

你是否热衷于学习更多关于算法交易的知识？联系我们，了解不同的金融策略世界观。 QuantInsti 帮助人们获得适用于各种交易工具和平台的技能。算法交易(EPAT)的高管课程涵盖了统计学&计量经济学、金融计算&技术和算法&量化交易等培训模块。EPAT 让你具备成为成功交易者所需的技能。免责声明:股票市场的所有投资和交易都有风险。在金融市场进行交易的任何决定，包括股票或期权或其他金融工具的交易，都是个人决定，只能在彻底研究后做出，包括个人风险和财务评估以及在您认为必要的范围内寻求专业帮助。本文提到的交易策略或相关信息仅供参考。

下载数据文件

熊市看涨期权策略–Python 代码

Python 中的熊差价期权交易策略

原文：https://blog.quantinsti.com/bear-spread-options-trading-strategy-in-python/

由维拉伊·巴加

什么是点差交易？

买卖相同股票的同类型期权称为价差交易。它限制了你的风险，因为你知道两个选项之间的差价，但同时减少了回报，因此利润有限。在建立差价时，卖出期权抵消买入期权。它提供了对风险的可见性，要求中高水平的交易，因此适用于高级用户

什么是熊市蔓延？

熊市价差是一种期权价差策略，与预期基础证券价格下跌时的牛市价差相反。这些策略的应用成本较低，并且利润最高。这里，一个买入期权，然后卖出一个执行价格更低的期权。如果你适度看跌，或者想降低对冲多头头寸的成本，那么看涨期权价差或看跌期权价差可能就是答案。

什么是垂直熊市价差？

垂直差价的最佳解释如下:

带有 a 的期权:-以较低的成交价格卖出-以较高的成交价格买入
输入净贷方或净借方:取决于使用买入还是卖出
必须定义收益和损失:交易的最大损失和最大收益是通过选择期权的执行价格来实现的
目标:当股票价格稳定或下跌(不明显)时获利

熊市价差交易策略的品质

熊传播策略的品质可以列举如下:

当股票预期下跌，但不会低于一个强支撑位时，用于出色的交易
利润或最大值。损失可以提前确定
两种差价有相似的收益结构
根据到期时间选择罢工
利润和损失是有上限的

何时选择熊市蔓延策略？

当你适度看空市场时，价差最容易被利用
只有当你预期波动性会增加时，才实施这个策略(尤其是在这个系列的后半部分)
如果看涨期权的溢价比看跌期权更有吸引力，选择看跌期权价差而不是看跌期权价差
如果股票在短期内崩溃:看跌期权差价是一个更好的赌注，因为长期看跌期权的回报是即时的

最常用的方法:如果交易与交易相反，比较每个价差的最大损失，确定哪个会产生最小的损失，并相应地练习看涨或看跌价差

你需要什么样的熊市蔓延策略？

如果想要交易熊差价期权，必须满足以下标准:

标的股票价格可能下跌
到期日与股价下跌的日期相匹配
执行价格

考虑:被认为价格会下降的标的资产/股票的价格风险:同时买入一份执行价格较高的 ITM 看跌期权，并以较低的执行价格卖出一份 OTM 看跌期权，从而降低成本，进而降低交易风险。期权到期:两个期权的到期日相同

构建熊差价期权交易策略

购买 1 ITM 看跌期权
卖出 1 OTM 看跌期权
唯一的区别是执行价格

该策略在理想情况下应该是这样的: 通常，人们似乎会问这样的问题来质疑看跌期权的垂直价差和看涨期权的垂直价差以及不同类型的看跌期权价差之间的差异:

垂直空头信用价差和垂直空头借方价差有什么区别？

或

垂直熊信用利差与垂直熊借贷利差——哪一个更好？

或

熊市价差有哪些不同类型？

或

垂直价差有哪些不同类型？

这里有一个简单的对比来帮助你理解两者的区别。

现在，为了用更简单的方式解释它，利用这些概念，我将带你通过一个例子来更好地理解这个主题。

空头价差交易策略示例

为此，我们以看跌期权交易策略最大利润为例:最大利润=多头看跌期权的执行价格-空头看跌期权的执行价格-支付的净溢价最大利润潜力=(看跌期权执行价格-支付的净借方)x 100 标的价格< /=空头看跌期权的执行价格预计利润概率:价外价差小于 50%，价内价差约为 50%，价内价差大于 50%。最大损失:最大损失=支付的净溢价最大潜在损失=支付的净借记 x 100 标的价格> /=长期看跌期权的执行价格盈亏平衡点 =长期看跌期权的执行价格-支付的净溢价到期盈亏平衡点=长期看跌期权执行价格-支付的净借记到期后产生的头寸:如果到期时整个看跌期权价差是价内的，则长期看跌期权到期时为-100 股，短期看跌期权到期时为+100 股，净值为无股票头寸。然而，如果只有长期看跌期权在到期时有效，那么最终的头寸将是每份合同-100 股。

实施熊差价期权策略

在这个例子中，我将使用阿达尼企业有限公司(股票代码:ADANIENT)的期权。

现货价格:160
看跌期权执行价格:165 英镑(溢价:9.7 英镑)
看跌期权执行价格:155 英镑(溢价 5.4 英镑)

Python 中如何计算熊差价期权交易策略收益？

现在，让我用 Python 编程代码带你看一下收益图。

导入库

import numpy as np
 import matplotlib.pyplot as plt
 import seaborn 
 seaborn.set(style="darkgrid")

放收益

def put_payoff(sT, strike_price, premium):
     return np.where(sT < strike_price, strike_price - sT, 0) - premium

*# Adani Enterprises Ltd Spot Price*
 s0 = 160

 *# Long Put*
 strike_price_long_put =165
 premium_long_put = 9.7

 *# Short Put*
 strike_price_short_put = 155
 premium_short_put = 5.4

 *# Range of put option at expiry*
 sT = np.arange(100,220,1)

long_put_payoff = put_payoff(sT, strike_price_long_put, premium_long_put)

 fig, ax = plt.subplots()

 ax.spines['bottom'].set_position('zero')
 ax.plot(sT, long_put_payoff, color ='g')
 ax.set_title('Long 165 Strike Put')
 plt.xlabel('Stock Price (sT)')
 plt.ylabel('Profit & Loss')
 plt.show()

short_put_payoff = put_payoff(sT, strike_price_short_put, premium_short_put) * -1.0

 fig, ax = plt.subplots()
 ax.spines['bottom'].set_position('zero')
 ax.plot(sT, short_put_payoff, color ='r')
 ax.set_title('Short 155 Strike Put')
 plt.xlabel('Stock Price (sT)')
 plt.ylabel('Profit & Loss')
 plt.show()

看跌收益

理想情况下，收益应该是以表格形式计算出来的。你可以下载文末可下载格式的计算熊价差策略收益的 excel 表。

fig, ax = plt.subplots(figsize=(10,5))
 ax.spines['bottom'].set_position('zero')
 ax.plot(sT, Bear_Put_payoff, color ='b', label = 'Bear Put Spread')
 ax.plot(sT, long_put_payoff,'--', color ='g', label ='Long Put')
 ax.plot(sT, short_put_payoff,'--', color ='r', label ='Short Put')
 plt.legend()
 plt.xlabel('Stock Price (sT)')
 plt.ylabel('Profit & Loss')
 plt.show()

最终的输出应该是这样的:

Bear_Put_payoff = long_put_payoff + short_put_payoff 

 fig, ax = plt.subplots()
 ax.spines['bottom'].set_position('zero')
 ax.plot(sT, Bear_Put_payoff, color ='b')
 ax.set_title('Bear Put Spread Payoff')
 plt.xlabel('Stock Price (sT)')
 plt.ylabel('Profit & Loss')
 plt.show()

看跌价差收益

 profit = max (Bear_Put_payoff)
 loss = min (Bear_Put_payoff)

 print ("Max Profit %.2f" %profit)
 print ("Max Loss %.2f" %loss)

  5.70
 -4.30

Max。利润:最高 5.70 印度卢比。损失:-4.30 印度卢比

结论

如果你适度看跌，认为波动性正在上升，并希望限制你的风险，最好的策略是看跌价差。

现代交易需要系统的方法，需要引导自己远离直觉交易。通过我们的系统期权交易课程，学习如何以系统的方式交易期权。此外，你可以探索期权交易策略，如蝴蝶，铁秃鹰和传播策略。立即注册！

下载数据文件

熊市价差交易策略- Python Code.ipynb
熊利差收益策略计算. xlsx

空头陷阱-交易

原文：https://blog.quantinsti.com/bear-trap/

由瓦伦·迪瓦卡

在这篇博客中，我们将学习一个交易术语，叫做空头陷阱。我们将讨论这个词的含义，学习如何识别陷阱，以及当陷入这样的陷阱时如何保护自己免受损失。

捕熊陷阱

对于不熟悉市场的人来说，交易本身就像一个陷阱。即使对那些熟悉市场的人来说，也有一些他们必须避免的陷阱。空头陷阱是交易者应该熟悉的市场中的主要陷阱之一。

陷入空头陷阱会严重伤害交易者的 PnL，因为这些陷阱通常是快速的，几乎没有机会恢复。在熊市陷阱期间，理解潜在的市场运动可以帮助你识别它，保护你的 PnL。

熊市陷阱通常发生在市场错误地发出牛市趋势反转的信号时。让我们讨论一下为什么以及如何给市场中的空头(卖家)设陷阱的各种原因。

捕熊陷阱的条件

熊市陷阱发挥作用的主要和必要条件是市场中现有的牛市趋势或一条使市场整体情绪看涨的消息。当市场上出现如此强烈的看涨情绪时，一些交易者试图通过趋势交易快速获利。这些交易者大多是游击手，持有时间少，本质上是散户。

当这些小交易者或散户交易者在牛市趋势的急剧逆转中被套时，就会有意或无意地设置空头陷阱。这种急剧逆转可能是由于机构投资者的利润预订，或新基金进入市场挤压弱势多头(散户)。

但这种急剧逆转可能会被正在寻找顶部形态的看跌交易者视为趋势逆转的迹象。这些交易者可能想做空市场，要么是因为他们觉得市场被高估了，要么是因为他们觉得趋势即将修正。看跌的交易者经常错误地认为这是反转，希望在小交易者平仓的时候进入市场。

通常，牛市中的这种大幅下跌只会持续很短时间，任何在大幅抛售后做空市场的看跌交易者都会在底部被套。

如何识别空头陷阱

让我们用一个例子来了解如何识别熊市陷阱。假设我看到了牛市中的大幅抛售，那么我将检查这一举动是否伴随着高于平均水平的交易量，以及是否没有新的外部因素可以证明趋势的大幅反转。如果这些标准得到满足，那么我认为这是一个空头陷阱，市场将暂时保持横盘，稍后恢复趋势。所以，我会坚持做多，等待高点再次被考验。

图表中的空头陷阱

让我们来看一个真实市场中熊市陷阱的例子。2018 年，美元/印度卢比出现大幅反弹。在此轮反弹过程中，有一天出现了大幅抛售，同时交易量大幅飙升。

抛售之后，有几天市场继续看跌或横盘。但一旦市场恢复并再次测试高点，反弹就恢复了，市场收盘时大幅上涨。

这是一个典型的空头陷阱。任何认为反弹已经结束而做空市场的交易者，肯定会被后来的市场波动所套牢。

卖空和空头陷阱

当空头交易者用他们的保证金账户进入空头头寸时，空头陷阱也会发生。这些交易者感受到了最大的痛苦，当市场从低点反弹，他们的保证金要求被触发时，他们被迫尽早回补他们的空头。即使市场不处于牛市趋势，这种情况也可能发生。央行的卖空禁令和干预是一个极好的例子，说明了看跌情绪如何转化为做空或空头陷阱。

如何避免熊市陷阱

避免熊市陷阱的最好方法是制定一个严格的出场标准，并设置严格的止损。有效的风险管理和正确的进场和出场时机会对短线交易的结果产生很大的影响。

另一种避免空头陷阱的方法是将最近的趋势高点设定为止损点，然后做空。

空头陷阱在日内外汇市场很常见。要了解更多关于外汇市场的陷阱以及如何使用新技术进行交易，请访问我们最新的课程。

如何成为更好的 Quant？

原文：https://blog.quantinsti.com/become-better-quant/

由查尼卡·塔卡

这篇文章旨在让你了解如何提升自己作为量化分析师的技能。你会发现相关的信息，有助于你更好地定期分析市场数据，并为风险管理、投资组合优化等创建算法模型。

本文涵盖:

谁是宽客？
量化金融的相关性
提升量化分析师技能的最常用方法
在充满挑战的环境中交易

谁是 Quants？

定量分析师是专门应用数学和统计方法来理解和预测金融市场行为的人。量化指标的目标是用数值来代表给定的市场情况。

定量分析师需要具备数学领域的定量技能，包括多元微积分、线性代数、微分方程、概率论和统计推断。此外，它还包括计量经济学和编程语言的知识，如 C，python 等。

展望未来，让我们找出定量金融与定量分析师的相关性。

量化金融的相关性

数量金融学又称数理金融学，是应用数学的一个领域，主要研究金融市场。数量金融学与金融经济学有着密切的联系，涵盖了数量学的许多金融应用，如统计学、概率论、抽样与估计、假设检验、回归、时间序列等。投资银行、衍生品交易、证券交易、风险管理和投资组合管理都采用了量化金融技术。

现在让我们来看看定量分析师在他们的领域中提高技能的最常见的方法。

提升量化分析师技能的最常见方法

作为一名定量分析师，提升你的工作技能有一些常见的方法。毫无疑问，quant 需要做以下日常工作:

交易策略开发
投资组合优化
风险管理
资产定价和管理

交易策略开发

制定交易策略意味着计划交易，在最有利可图的时候执行。交易策略开发中的规范是:何时进场，何时出场，进行哪些交易，每个头寸的风险资本是多少。

投资组合优化

投资组合优化包括通过股票、商品、期权、衍生品等投资组合来设定最佳投资组合。这样，投资者可以在市场存在风险的情况下最大化投资回报。

风险管理

除了使用标准的风险模型，量化分析师基本上从几种订单中选择，以最小化投资回报的风险。例如，基于投资组合损失百分比或 ATR 等指标的硬止损订单，限价订单，这意味着以不超过确定价格的价格买入，以不低于特定价格的价格卖出。有一些其他的订单类型，quant 可以执行以帮助风险管理。

资产定价和管理

资产定价意味着在控制投资风险的同时进行投资。无论是证券定价的投资组合优化，定量分析师都要确保投资有最大的回报。

现在，要想成为一个更好的定量分析师，或者只是想成为一个更好的定量分析师，你需要强调以下几个方面:

前瞻性交易
情况分析
地缘政治因素
替代数据

前瞻性交易

定量分析师需要根据各种因素预测未来的市场状况。只有合理预测未来的结果，当前的头寸才会产生有利的回报。借助机器学习和深度学习模型，可以更好地评估这样的预测。例如，回归有助于获取数据、预处理数据、训练和测试机器。另一个例子是支持向量机模型，它也有助于创建您自己的预测算法。虽然回归模型最适合文本和图像等非结构化或半结构化数据，但回归模型是用来学习已识别的独立变量的。还有其他几种机器学习和深度学习模型可以帮助进行有收益的交易。

情况分析

情景分析考虑了可能影响交易者头寸的各种可能性。

这些可能性是几个能够影响市场状况的宏观经济因素。

例如，如果原油价格下跌，国内和国际市场都会受到影响。这最近发生在 2020 年 3 月，当时石油巨头沙特阿拉伯和俄罗斯之间的价格战导致油价下跌。与此同时，道琼斯指数在接下来的两天内暴跌了 1200 多点，经纪公司用数百万美元的 T2 来弥补客户的损失。

因此，定量分析师可以根据这种情况对行业或公司的影响来分析市场，并规划投资。

地缘政治因素

香港安全法等地缘政治因素使金融市场变得敏感。许多公司正计划将他们的基地迁出香港，以保护他们的权利。

因此，这些方面会对股票的头寸产生相当大的影响，定量分析师应该注意这些意外情况。

替代数据

替代数据集基本上提供了关于对投资机会的独特见解的信息。这些有助于完成投资的重要信息由公司或公司以外的来源发布/分发。定量分析师可以在分析市场状况后做出投资决策。

J.摩根大通提到，根据德勤的消息来源，资产管理公司正在投资 20-30 亿美元用于获取和处理替代数据。

例如，关于公司运输、定价、互联网活动等的信息。在 Twitter，LinkedIn 等平台上。获取信息的其他来源可以是信用卡交易、销售点交易、电子邮件收据等。

展望未来，让我们看看在充满挑战的环境中交易时需要考虑什么。

在充满挑战的环境中交易

为了应对像疫情这样的挑战性环境，量化分析师需要很好地配备工具，以便根据市场波动建仓。这些重要工具是:

VIX 指示器
布林线
MACD
资本资产定价模式（capital asset pricing model 的缩写）

VIX 指示器

VIX 或波动率指数基本上是一种衡量市场波动的指标，因此也被称为“恐惧指数”。定量分析师可以用它来追踪投资者对未来动荡市场的恐惧。有了 VIX，定量分析师可以衡量市场对标准普尔 500 指数期权的推测波动性。下面是 VIX 指示器的图像，显示了指示器的外观。该指标显示 VIX 在危机发生的地方上升。例如，2008-09 年的金融危机。有了 VIX，定量分析师可以评估市场。

来源:利用期权情绪指标进行交易

布林线

布林线振荡器是基于波动率或标准差的振荡器，由三个部分组成。中间的波段是一条移动平均线，其他两个波段是预先确定的，通常距离移动平均线一个标准差。

布林线涉及以下计算:

中间带:30 天移动平均线
高波段:中间波段+ 1 x 30 天移动标准偏差
较低波段:中间波段–1 x 30 天移动标准偏差

作为定量分析师，你可以使用布林线来确定股价的波动。一旦价格的波动性发生变化，波段之间的差距也会发生变化。在波动性较大的市场中，这一差距会扩大，而在波动性较低的市场中，这一差距会缩小。当波动幅度较大时，市场不稳定。这时，定量分析师应该利用市场条件。例如，在这样的市场中，定量分析师可以帮助充分利用期权。可以有多种策略来充分利用动荡的市场环境。通常在高度波动的市场中，由于基础资产价格波动，期权溢价往往定价较高。

此外，非常重要的是，完全蜡烛交叉发生。

从下面的图表中可以清楚地看到，当价格持续触及高波段时，资产通常处于超买状态，相反，当价格定期触及低波段时，资产通常处于超卖状态。这里，超买意味着股票定价过高，而超卖意味着股票定价过低。

这些超买和超卖的迹象不应该被解释为直接的买/卖信号。但是，它们可以是信号生成决策过程的一部分。

MACD

移动平均线收敛背离指标是另一个工具，帮助量化指标决定市场中的最佳位置。趋同意味着趋势将会继续，而背离则表明趋势将会逆转。趋同和趋异分析要求你分析一段时间内的价格变化点。

简单来说，它需要你关注一段时间内价格的转折点。在背离中，总是存在增加的波动性，这导致了频繁的盈利机会。

MACD 能帮助你理解市场行为，从而更准确地预测未来。在 MACD 的工作中，使用了指数移动平均线和简单移动平均线。让我们看看下图:

经典设置保持 EMA 为 12 和 26，而 SMA 设置为 9。你可以按原样接受它们，也可以根据交易偏好选择其他值。

使用这个振荡器，当移动平均线彼此靠近时，收敛发生。

相反，当均线离开时，就会出现背离。此外，当 12 周期均线(较短周期)高于 26 周期均线(较长周期)时，指标高于 0。然而，当较短的 12 周期均线低于较长的 26 周期均线时，它低于 0。这意味着正值表示牛市，负值表示熊市。

有了熊市的迹象，量化分析师就可以采取相应的措施。例如，在熊市的情况下，量化分析师可以利用期货合约,使全球公司/对冲基金免受潜在损失。

此外，考虑鞭打是极其重要的。鞭打意味着突破支撑/阻力价格。突破可以是向下的也可以是向上的。

下面的图片会更清晰，它显示了向下突破，之后价格从突破发生的位置回到支撑位。

来源:交易员公告

相反，也有一个向上突破，你可以在下图中看到。

突破之后是从突破出现的位置拉回支撑位/阻力位。

来源:交易员公告

量化分析师还必须考虑 MACD 的这些波动，以找出市场的波动水平。在这种情况下，量化分析师必须做出明智的决定，等待价格反弹，以便进入波动较小、价格更好的市场。

资本资产定价模式（capital asset pricing model 的缩写）

CAPM 或资本资产定价模型是市场投资的估计回报和相关风险之间的关系。在充满挑战的市场中，定量分析师可以利用这个模型进行资产定价。如果市场风险太大，量化分析师可以通过比较投资的估计收益和风险来分析投资是否值得冒险。如果估计的风险更多，估计的收益也需要更高。

CAPM 的公式为您提供了一个估计的投资回报，让您能够决定哪个选项更有利可图:

Ra =射频+ 𝝱 * (Rm -射频)

在上面的公式中，

Ra =估计投资回报

Rf =投资的无风险回报率

𝝱 =投资金融资产的贝塔值或风险值

Rm =资本市场的平均回报率

投资于该资产的风险(𝝱)乘以市场风险溢价，即(Rm - Rf ),以获得高于投资于无风险金融资产的无风险回报的金额。

此外，将该产出与市场上任何其他金融资产的无风险投资回报率相加，将得到你因承担该风险而获得的溢价(总估计回报)。

这一切都是为了在一个充满挑战的环境中扮演一个定量分析师的角色。

作为一名定量分析师，如果你对这个职位的扩大有任何进一步的担忧，请随时查看一位成功的定量分析师的成功故事，了解他的成功之旅。

结论

作为一名量化分析师，每天都有重要的活动要做，这本身就很有趣。在这篇文章中，我们主要讨论了量化分析师如何提升技能，达到职业生涯的下一个最佳水平。此外，在充满挑战的环境中交易是我们在文章中讨论的另一个重要方面。

股票市场上的所有投资和交易都有风险。在金融市场进行交易的任何决定，包括股票或期权或其他金融工具的交易，都是个人决定，只能在彻底研究后做出，包括个人风险和财务评估以及在您认为必要的范围内寻求专业帮助。本文提到的交易策略或相关信息仅供参考。

如何通过 Quantra |网上研讨会成为更好的交易者

原文：https://blog.quantinsti.com/become-better-trader-quantra-30-june-2022/

https://www.youtube.com/embed/LKrXLXxlb3s?rel=0

关于会议

你想学习和提升你的交易技巧吗？这是一个必须参加的网上研讨会，您可以从中获得所有问题的答案。无论你是量化交易新手，想学习量化交易策略，如动量和均值回归，还是想在交易中融入机器学习和人工智能的量化交易者。Quantra 学习平台为您提供了一个解决方案。

会话大纲

为什么你应该升级到量化交易？
为什么选择 Quantra 进行 Quant 和 Algo 交易？
Quantra 上有哪些不同的类别和课程？
如何在 Quantra 上选择合适的一套课程？
Quantra 上有哪些改善您学习体验的功能？
关于认证、疑问解决、顶点项目的常见问题

关于演讲者

伊桑·沙阿是 AVP 人，在 QuantInsti 的 Quantra 领导内容&研究团队。在此之前，他曾在美国银行 Merill Lynch 的全球市场团队&中与 Barclays 共事。他在金融市场拥有丰富的经验，在不同的资产类别中担任不同的角色。

本次活动于:
2022 年 6 月 30 日星期四
东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

20 个最好的算法交易 YouTube 视频

原文：https://blog.quantinsti.com/best-algorithmic-trading-videos/

由查尼卡·塔卡

算法交易是一种当代实践，它帮助全球的交易者节省了时间、精力和资金。这篇文章包含了 20 个最好的算法交易 YouTube 视频，适合初学者或者已经在练习算法交易的人。

本文包括以下视频:

这个关于算法交易简介的视频涵盖了重要的方面，如算法交易的基本组成部分。此外，对话是关于新的概念的人，那些来自其他领域的人，以及其他因为算法交易很难的先入之见而犹豫不决的人，如何开始他们的算法之旅。对话的最后是一个简单的例子，说明如何使用 Python 代码进行系统交易，以及易于访问的课程和博客，以获得深入的学习体验。

关键要点:

随着基本技能/组件的学习，你可以成为一个成功的算法交易者。
算法交易可以在任何时间，任何教育或专业背景下学习。
有容易获得的学习资源，如课程、博客和社区。

2.算法交易入门是一个由 Vivek Krishnamoorthy(QuantInsti&研究部负责人)制作的有益健康的网络研讨会视频，帮助你学习算法交易的一些核心概念。这个视频涵盖了一切，从 Python 安装到市场数据和策略开发。在这个全面的视频中，甚至包括了详细的回溯测试和关于不同类型数据的信息。

关键要点:

算法交易是一个循序渐进的过程，需要全面的知识、奉献、毅力和乐观。

3.这个关于算法交易策略的视频出于某种目的被放在序列中的第三个数字上。这个视频带你到算法交易中最重要的一步，那就是“策略创建”。在不到 4 分钟的时间里，这个视频解释了五种不同的交易策略，这就是这个视频值得一看的地方。简而言之，“花更少的时间，学到更多的东西！”

关键要点:

这个视频解释了 5 个可以利用和学习的策略。
这段视频中解释的交易策略有助于你在金融市场中为自己的交易创造策略。
您可以通过 Quantra 上的课程进行深入学习。

4.这个名为使用 Python 的算法交易策略的视频旨在帮助你了解如何使用 Python 语言创建交易策略。Python 被认为是最受欢迎的计算机语言之一，在算法交易领域有着极大的相关性。

关键要点:

算法交易策略可以通过绘制移动平均线和分配变量的进场/出场位置来创建。
Python 语言更容易用于策略创建和交易执行。

5.通过这段关于这位宽客的算法交易方法的视频——迈克尔·霍尔斯-摩尔,你将会涉及一系列的话题，例如:

对高质量数据的需求
从投资组合层面考虑风险
交易多种自动化策略
常识在参数优化中的作用
学习编程

关键要点:

数据质量和风险管理至关重要。
交易策略有所帮助，算法交易中的参数优化也有所帮助。
学习为算法交易编程很重要，也不难。

6.交易公司内幕|为什么选择 Python？通过聆听交易公司专家的发言，为您提供有趣的学习体验。这个视频还关注 Python 编程语言与算法交易的相关性。

关键要点:

算法交易涉及到一定的技巧，如定量分析，在分析的基础上调整参数和编码交易策略。
使用 Python 语言，算法交易变得更容易。

7.在投资银行中，定量开发人员的角色分为三个主要类别，它们是前台、中台和后台。这段关于前台与中台后台的视频将带您经历一场精彩的讨论，帮助您区分这三者。

关键要点:

作为一名量化开发人员，你有机会被一家投资银行聘用。
投资银行为你提供了三个角色，根据你的兴趣、学历和背景，你可以选择最适合你的一个。
有了恰当的知识，你就可以明智地选择。

8.股票交易算法是如何工作的？是一个简单的视频，解释了“算法的工作”这一重要概念。这段视频讲述的是算法如何帮助编程交易系统代表交易者进行交易。通过算法交易的例子，观众可以对算法交易有一个清晰的了解。

关键要点:

交易算法的工作原理是用编程语言(如 Python)编写关于交易时间、价格和执行的指令/条件。利用指令/条件，算法满足代表交易者进行交易的条件。

9.如何从头开始创建交易算法是倒数第二个视频，但并不相关，因为它包含了许多关于创建自己的交易算法的重要信息。这是一个网上研讨会视频，其中包含了创建交易算法和在真实市场数据中测试算法所需的一切。

关键要点:

这里最重要的一点是，你要从一开始就学会创建最好的算法。

10.刘辉博士的《如何选择最好的股票和实时交易》是一个网络研讨会视频，经验丰富的交易员刘辉是 Running River Investments LLC(私人对冲基金)的创始人，他讲述了如何选择最佳股票进行实时交易。

关键要点:

通过对最好的股票实施正确的交易策略，在金融市场进行实时交易，这是本次网络研讨会视频的强项。

11.这个列表中的另一个视频是使用 Python 在 Zerodha 进行的现场算法交易。这个视频展示了使用 Python 和 Zerodha 的 Kite API 的 SMA 交叉策略。从提取历史数据到现场市场交易，这段视频解释了一切，为初学者提供了学习的目的。

关键要点:

实时算法交易需要一个循序渐进的过程
有许多策略，SMA 交叉策略是成功交易的策略之一。
有了 API 和 Python 语言，在金融市场交易就更简单了。

12.通过这个关于如何在 5 分钟内建立一个盈利的 Python 交易算法的视频，你将学习如何用 Python 建立一个算法交易的模型。使用 Anaconda 和 Jupyter notebook，您可以用 Python 编写算法。视频展示了 Python 编码，该编码以绘制模型和计算最大下降值结束，以确定投资组合价值随过去数据下降的时间段。最大提取是回溯测试和实时交易中的重要概念之一，因为它显示了投资组合/模型可以减少的最大价值。基于对最大提款权的学习，交易者可以建立成功的策略。

关键要点:

通过一步一步的过程，可以用 Python 建立算法交易模型。
Python 非常方便，不仅可以构建交易模型，还可以用图形表示模型，以及识别投资组合的风险。

13.这段关于使用指标构建算法交易系统的视频带你深入了解为什么以及如何使用指标开始算法交易。在这个视频中，特别比较了两个指标，即随机指标和 ATR(平均真实范围)。

关键要点:

为了分析金融市场的表现，可以使用技术指标。
人们可以用一种简单的方法来预测金融市场未来的价格走势。

14.这个有趣的视频名为算法交易者的一天，讲述了算法交易领域交易者的日常生活。这个视频解释了为什么它不是一个展示奢侈的花哨视频，而是展示了一个交易者忙碌而富有成效的一天。从视频学习、随叫随到、健身到策略开发，算法交易者日复一日全心全意充满激情地做着这一切。

关键要点:

一个算法交易者的日常生活是一个有趣而富有成效的生活，围绕着他/她的职业以及其他涉及学习的日常活动。

15.算法交易员的交易之旅是另一个视频，它带观众经历了被采访者的整个旅程，从教育背景到开始成为专业的算法交易员。

关键要点:

这个算法交易者的旅程可以帮助一个人学习重要的方面，同时成为一个专业的算法交易者。

16.这个名为创建算法交易机器人的 5 个步骤的视频涵盖了分析师 Milandeep Bassi 的重要步骤。他解释了 5 个步骤，例如:

为算法创造环境
研究战略
用代码转换策略
结合战略和平台
纸上交易/现场交易
放大算法交易模拟

Mandeep 详细解释了上述五个步骤。

关键要点:

一旦你知道你想从你的算法交易机器人那里得到什么，你就可以通过包含条件来自动化交易策略。
每一步对于在实时市场中执行交易指令都是至关重要的。

17.量化分析师 Vivek Krishnamoorthy 在视频中解释了散户如何在算法交易中竞争。此外，视频还介绍了散户交易员的优势，以及散户交易员和大公司机构交易员在业务模式方面的区别。

关键外卖:

散户可以在算法交易领域与机构交易者竞争，获得一定的收益。

18.名为面向散户交易者的算法交易| Q &关于交易系统的一节课的视频旨在学习许多人提出的一些最常见问题的答案。在上一个视频中了解了散户交易者之后，本视频将带您深入了解

交易者的失败
算法交易的成本
交易者的常见错误
不同的交易策略细节
如何对策略进行回溯测试？
如何处理提款？
square off 全自动交易机器人如何帮助散户？
交易者的生活中该做什么和不该做什么

关键外卖:

所有关于散户之旅的问题，都用散户可以做算法交易的结论来回答。

19.这里有一个有趣的视频，关于开始编码交易算法的资源，它将指导你如何开始算法交易。这些资源可以在网上获得，是视频主持人在自己学会编码后精心挑选的。随着他的股票市场知识，主持人可以得到他的手编码，这就是他在视频中谈到的。这些资源是他个人最好的，并不意味着你必须尝试它们。用自己的逻辑，然后往前走

关键外卖:

网上有一些有趣和有用的资源，可以用来编写交易算法。

20.股票数据分析(算法交易网上研讨会)是 QuantInsti 内容与研究助理杰伊·帕马尔的网上研讨会视频。通过这段视频，学习使用 Excel 和 Python 分析和回溯测试金融市场数据。此外，您将了解这两种工具之间的差异及其各自的优缺点，并了解哪种工具最适合您。

关键要点:

回溯测试需要一个循序渐进的过程。
Excel 可用于回溯测试。
回溯测试可以在多只股票上进行，视频中解释了相同的演示。
Excel 的不足可以克服。

结论

为了充分利用与金融结合的算法技术，你可以从在线资源如视频、网络研讨会和教程中收集适当的知识。知识和经验肯定能帮助算法交易者利用算法提供的逻辑推理。

如果你想获得算法交易的专业知识，从我们的课程开始学习算法交易开始努力吧。

大数据和零售投资的未来[网络研讨会]

原文：https://blog.quantinsti.com/big-data-future-trading-26-april-2022/

https://www.youtube.com/embed/M-rsJMqYMmM?rel=0

演示幻灯片

https://www.slideshare.net/slideshow/embed_code/key/Nrh66Ep1Pi5ssI?hostedIn=slideshare&page=upload

关于会议

金融市场每天都会产生大量的数据。在本次网络研讨会中，演讲者将讨论在投资和交易的背景下使用 it 的重要性。他还将阐述我们如何利用它来适应不同的投资风格。在这个过程中，他将讲述你如何培养在这个领域茁壮成长所需的知识和技能。

扬声器

Vivek Krishnamoorthy(QuantInsti 的内容&研究负责人)

Vivek 教授参与者数据分析，使用 Python 构建量化策略和时间序列分析。他在印度、新加坡和加拿大的工业、学术和研究领域拥有超过 15 年的经验。

他是《Python 基础:金融市场插图(2019)》和《算法交易粗略指南(2020)》两本书的合著者。他拥有 VESIT(孟买大学)的电子和电信工程学士学位，以及新加坡 NTU 大学的 MBA 学位。

本次活动于:
2022 年 4 月 26 日星期二
东部时间上午 9:30 | IST 时间晚上 7:00 |新加坡时间晚上 9:30

迭戈从生物化学、MBA 到投资的英勇历程

原文：https://blog.quantinsti.com/biochemistry-mba-investing-algotrading-epat-success-story-diego-collaziol/

19 年以上的职业经验 40 岁时，作为一名生物化学家，进入算法交易，成为一家投资公司的创始人，迭戈为他的成功铺平了道路。

今天，我们很高兴为您带来 EPATian 的旅程，以及算法交易(EPAT)高管课程优秀证书持有人 Diego Collaziol。他的职业生涯始于实验室工作，晋升到总经理职位，旅行，为非政府组织工作，现在成为这个快速增长的交易领域的一部分，这是一个激励和推动他的故事。

我们通过电话与他取得了联系，这就是讨论的情况。

嗨，迭戈，给我们介绍一下你自己吧？

我是迭戈·科拉齐奥尔，40 岁，来自巴西的 T2。我原本住在阿根廷的 T4，但最近才搬回来。我曾经是一名生物化学家，因为我的职业是(药学/生物化学家)。在实验室工作了 15 年后，我决定休假一年，从事基因分析、食品分析或实验室质量管理等工作。

我去过尼泊尔和东南亚。我在尼泊尔遇见了我的妻子，我们搬回了阿根廷，那时我决定改变我的职业，开始交易。我想放弃实验室和公司机构，只专注于交易。我在 2016 年转向了交易。

你是怎么从生物化学、MBA 到现在投资的？

早在 2002 年，我开始是一名实验室技术员，负责对农作物进行转基因分析。巴西的转基因技术刚刚起步，当时还没有实验室从事这项工作。它从美国的一个实验室获得了 PCR 技术的许可。我负责在实验室实施这项技术。后来，我进入了质量管理部门，并进入了公司财务部。

我在同一家公司呆了 15 年，这对每年都换工作的千禧一代来说可能很奇怪。实验室被一家欧洲跨国公司收购，我受邀成为业务部门经理。我在那个角色里呆了 3 年。

我在 2015 年辞去了工作，休息了一年，并在地震后跟随一个名为“All-hands”的非营利组织去了尼泊尔。我在尼泊尔生活了 7-8 个月，在一家非营利组织工作。当我完成那项工作后，我决定交易。

我以前在巴西用对冲基金和共同基金投资，但在 2016 年左右，我决定自己交易。大约一年半前，我决定成立自己的公司，努纳穆鲁投资。我不想回到企业界，所以我开始用自己的资本进行交易，并且一直持续到现在。

在我开始之前，我从未学习过交易，因为我专注于其他事情。刚决定开始，开始喜欢这个过程。最初，我开始高度自主交易，一些基本面和技术分析。

我开始喜欢交易了。所以，我决定投资我的交易教育，开始在网上学习，阅读我能找到的所有关于交易、投资组合管理和风险的书籍。交易从来不是我童年的计划。我只是开始，享受这个过程，并坚持做下去。

我是一个狂热的读者。以前一周看 2-3 本书。我过去常常阅读传记、技术资料以及任何我能找到的东西。我真的很喜欢读书。阅读书籍是很重要的，因为获得主题的基础知识和更广泛的反转真的有助于你建立重要的联系。

从 QuantInsti 的博客到 EPAT——这是怎么发生的？

我开始交易的时候一直对 algos 很好奇。我认为给机器人编程会很棒，它们会为你做任何事情。再也不用连续几个小时坐在屏幕前了。

我喜欢了很久的一件事是编程。我从来没有机会学习如何编码。编程是我潜在的愿望。

于是，我尝试通过书籍和视频在网上学习 algo 交易，但是很复杂。一个网站告诉我一件事，另一个网站告诉我完全不同的事情。

这些互联网指南缺少框架，缺少更广阔的视角。我永远不会深入到专业的算法交易。

我不是专门寻找 EPAT 或算法交易程序。

我在谷歌上随便找了些东西，在 QuantInsti 的博客上找到了一篇文章。
后来我看到 EPAT 的横幅上写着，我可以输入我的电话号码，有人会打电话给我解释这个项目。
我输入了自己的号码，有人打电话给我，向我解释了建立 algo 交易平台的流程、培训、编码教育和指导，如果我愿意的话。
这对我来说听起来很完美。
我只是想了 5 分钟，回电话说“我加入。”

从那以后，一切都变得像变魔术一样。

作为 CEO、全职父母和学习者的你，时间管理难道不是一个挑战吗？你是怎么处理的？

老实说，管理一个家庭和一个新的职业，学习 EPAT 的算法交易是非常困难的。疫情也没有让它变得更容易，每个人都全天候在家。EPAT 的节目本身就非常令人愉快。

教授们对教学和评估作业的方法非常清楚。如果你看了讲座，完成了作业，你很难不学。

我的主要问题是组织我的生活，找到时间参与。一旦我明白了这一点，这是伟大的！我从 0 编码技能到现在的中级技能。我现在正在编写过去认为不可能的东西。

我通过我的公司 Nuna Muru 进行全职交易。我仍然做全权委托交易，但我交易的很大一部分是在编码、构建策略和回溯测试方面。我整合了我所学的一切，最终编写了一个基础算法来自动化一切，并放弃全权交易。

这是一项正在进行的工作，我现在正在进行当中。这比我最初想的要花更多的时间，但我认为这是因为我不得不从头开始学习一切。

根据你的看法，EPAT 最大的特色是什么？

EPAT 教我的一个关键技能是如何编码。这非常重要，因为它是一切的基础。我现在专注于机器学习。在 EPAT 期间，我意识到，在讲座中，我了解到了科技相对于金融领域的真正优势。

我以前从来不知道 ML 可以用来交易。这让我大开眼界，我现在真的很投入。EPAT 的 ML 部分是一个惊喜。

算法训练的世界变化非常快。每天都有新的事情发生。最新的课程、技术和讲座是我所希望的最好的功能。

对我来说，EPAT 最重要的特点是终生接触课程和支持团队。

和 EPAT 在一起，我知道从长远来看我总是被覆盖的。如果我需要实施新的想法，或者我有任何问题，我可以打电话给某人或者在小组上留言，我可以找到帮助。我觉得这就是 EPAT 与其他球场的不同之处。

EPAT 社区以及与讲师、algo 交易员社区和 EPAT 支持人员的接触是整个课程的最大特色。

你给有抱负的算法交易者的信息。

算法交易取决于你住在哪里。那里的算法交易者可能很少。我住在巴西，我猜这里 90%的市场都是自由交易者。

Algo 是未来，是未来做事的方式。我建议人们抓住机会，如果他们喜欢交易，选择一个算法路径。这是一个显而易见的事实，技术和基本面分析不会长期存在。所以，去争取吧！

与你交谈非常愉快，迭戈，我们非常感谢你选择与我们以及全球所有读者分享你的故事。我们祝你未来一切顺利，祝你和你的家人平安健康。

算法交易(EPAT) 的高管课程是一门综合课程，涵盖从统计学&计量经济学到金融计算&技术，包括机器学习等等。开始你的探索，与 EPAT 一起提升你的算法交易知识。点击这里查看。

比特币基础:它是什么，加密交易，比特币算法交易

原文：https://blog.quantinsti.com/bitcoin-algorithmic-trading/

由查尼卡·塔卡

对许多人来说，比特币交易仍然是一个新概念，但最近，它引起了投资者的兴趣。根据最近的一份报告，几天前比特币达到了一个惊人的新水平，大约 67000 美元。

这篇文章帮助你了解比特币，从基础知识，如意义，工作和选择算法交易这种加密货币(比特币)的原因，到高级信息，如交易策略和应该避免什么。

它包括:

比特币是什么？
什么是带算法的比特币交易，它是如何运作的？
为什么选择比特币算法交易？
哪些量化交易策略可以用于使用算法的密码交易？
不要在算法上交易比特币
比特币学习资源

比特币是什么？

就市值而言，比特币是主要的加密货币之一，与以太坊、XRP 等其他货币相比，比特币在图表中领先。

比特币(₿)是一种去中心化的数字货币，不受中央银行监管，可以在点对点比特币网络上从一个用户发送到另一个用户，不需要中间人。交易由网络节点到密码术验证，并记录在被称为区块链的公共分布式分类账中。

什么是带算法的比特币交易，它是如何工作的？

用算法进行比特币交易，是通过编码执行指令来执行交易指令的方式。简而言之，你用首选的进/出指令对系统编程，系统根据指令执行交易指令。

比特币算法交易的工作部分通过直接与加密交易所通信来进行。算法提供了非凡的速度和效率，比人工交易的错误少得多，而且不是基于情绪。

此外，在 crypto exchange 上交易需要您授权您的算法交易系统通过 API 密钥访问您的加密账户。这种交易权限可以随时收回，就像你授予系统这种权限一样。

算法交易系统在交易过程中每次都会经历这三个步骤:

产生信号
分配风险
交易的执行

产生信号

这是第一步，你需要通过编码算法来产生进入和退出的信号。对于信号生成，使用交易策略。除了股票交易策略 ( 均值回复，动量等，还有一些加密交易策略可供选择。)如一目云策略、历法异常和发散策略。

分配风险

风险分配是风险分配的另一个术语，它是根据交易者设定的参数和规则来完成的。然后，编程系统(带有算法代码)决定资本的数量和分配方式。

交易的执行

这是比特币或任何加密货币买卖的最后阶段。执行阶段根据预先配置或预设的交易信号或策略进行操作。这些信号被转换成加密交换所理解的 API 密钥请求，因此，交换然后执行该过程。

为什么选择比特币算法交易？

比特币算法交易是全球大多数金融市场交易员采用的一种众所周知的方法。学习算法交易的时间和精力投入是一次性的，但结果却是长期的。

使用算法交易，交易者在以下方面受益:

无感情交易
更快的决策
对基础资产价值的准确预测
可以回溯测试历史数据
现货交易前的纸上交易
风险管理

无感情交易

比特币算法交易的最大好处是情绪退居其次，因为程序化交易系统没有人类的情绪。随着人类情绪的变化，判断和决策会出现错误，从而导致大量损失的可能性。

尤其是在波动时期，人类交易者很难控制自己的情绪。但算法交易系统并非如此。

更快的决策

就决策而言，算法比特币交易比人工交易快得多，因为系统可以在几毫秒内做出反应。该系统仅遵循预编程的指令，并根据该指令快速行动。

此外，该算法系统可以跨时区和市场即时、同时执行数百万次计算和交易。甚至在人类交易者能够想到手动买卖之前，编程系统就已经为交易者做了多个决定和交易。

回溯测试历史数据

算法交易系统最重要的步骤之一是对历史数据进行回溯测试，以确保预测完全准确。回溯测试并不“预测未来”，因为这当然不可能发生在任何人身上。不过，这至少增加了股票或标的资产的预期表现的可能性。

现货交易前的纸上交易

在你开始做任何新的事情之前，练习要好得多。无论是骑自行车、开车还是开飞机，熟能生巧！不使用真钱，而是使用纸币，有助于交易者在真实的市场中用真钱做好准备并充满信心。

风险管理

风险管理是算法交易最重要的步骤之一，无论是加密交易还是其他金融市场交易，如股票、商品等。

例如，比特币的价格波动是由于其成功的不确定性而发生的。然而，如果你遵循风险管理实践，如投资组合优化、对冲、止损等，你可以保持你的投资资本安全。

此外，加密交易所在高波动性时期遭受过度详尽的交易订单执行，这导致网站服务器停机，而 API 仍保持运行。

因此，在波动期间，当需要时，你不能手动交易或平仓。简单的解决办法是去算法！

哪些量化交易策略可以用于使用算法的加密交易？

一般来说，所有的交易策略如动量，趋势反转，技术分析导向策略等。用于加密算法交易。

因为有许多交易策略被算法化地使用，我们简单地将它们归纳为三类:

技术分析
套利
做市

技术分析

基于金融市场价格行为的交易策略被称为技术分析。技术分析的一个假设是，未来的价格运动遵循一个特定的模式。因此，对历史市场数据的分析在预测金融证券的价格变动中起着重要的作用。

使用的一些指标是移动平均收敛发散(MACD)，相对强度指数(RSI)等。一个或多个指标可以用来产生买卖信号。

仲裁

套利就是低价买入，高价卖出的过程。

套利是一种无风险的策略，尽管情况并非总是如此。始终存在执行风险的可能性，即由于市场的高波动性和价格的突然变化导致无法以有利的价格成交的风险。比特币可以简单地通过在一个交易所低买高卖进行套利。

做市

做市的目的是注入流动性，这主要是一种市场中立的 T2 交易策略，用于在 T4 交易所交易的证券。做市的两个最重要的特征是买卖价差和交易量。

做市商是个人、专业交易公司或经纪公司，准备以公开报价连续买卖证券，为市场提供流动性。

做市商同时对买方和卖方报价。一旦他们建仓，他们会继续提供流动性，但通常会从他们持仓的相反方向更激进。

他们接受持有他们报价的证券的风险，一旦收到订单，他们通常会立即出售自己的库存或几乎立即寻求抵消报价，反之亦然。

他们从买卖报价之间的差价中获利。

不要在算法上交易比特币

比特币的算法交易肯定更方便，误差更小，速度更快，准确度更高。然而，你可以检查某些点，以避免面对一些常见的麻烦，这里我们提到了它们作为“使用比特币算法交易的禁忌”。

看看应该避免什么:

使用所有人都容易使用的算法
没有开发团队和编程语言来编写加密交易策略
不使用货币兑换的 API
没有正确的交易模式作为基础
采用不切实际的方法来部署模型

使用所有人都容易使用的算法

你用来交易的算法不应该轻易提供给每个人。万一对所有人开放，算法(以及你创造的交易策略)很容易被误用。在比特币的算法交易中，这是非常重要的一点。

没有开发团队和编程语言来编写加密交易策略

没有一种分类的编程语言和一个为交易系统编程的团队是在交易领域聪明行事的巨大障碍。

最常见的编程语言是 Python、C、C++等。但是在今天，Python 是最受欢迎的。拥有一个开发团队将有助于您能够处理架构的不同部分。

例如，根据市场表现或预测，开发人员可以被分配到不同的策略/模型上工作。团队之间的良好沟通对成功大有帮助。

不使用货币兑换的 API

API 帮助访问你的算法交易系统应该交易的交易所。例如，比特币基地、北海巨妖、Bittrex 等主要货币交易所的 API。允许访问他们的货币数据。因此，这些 API 非常有用。

没有正确的交易模式作为基础

在选择数学模型(机器学习)或简单模型(移动平均交叉)时出现混淆，可能会阻碍创建一个有良好结果的好模型。

你必须做好心理准备的最重要的事情是，像数学模型这样更复杂的模型将需要更多的开发时间。

采用不切实际的方法来部署模型

不测试过度拟合，不在实时市场中持续监控一段时间，是不现实的方法。在现实市场中部署你的模型时，你必须确保你的算法交易系统是在彻底的纸上交易和历史数据分析后建立的。

比特币的学习资源

更进一步，让我们来看看哪些资源对你学习比特币最有帮助。下面，我们将这些学习资源分为博客和课程:

博客

加密货币算法交易入门
从比特币的重要性和普及性入手的一篇短文。更进一步，你会了解一个名叫 Garv Khurana 的成功的 EPATian 人，他分享了他如何制定交易策略，回测它们并执行比特币算法交易的订单。

加密货币钱包——入门指南
通过这篇文章，你可以对加密货币钱包有所了解，包括它们的含义、类型和工作方式。此外，您还将了解在选择钱包之前需要考虑的参数，以及使用加密货币钱包的风险因素。对于正在学习加密货币的人来说，这篇文章可以为探索这种新的数字货币奠定一个完美的基础。

印度加密货币之旅
这是一篇有趣的文章，带你穿越加密货币首次对印度人有用的时间，以及印度见证的它的兴衰。随着博客的深入，你会逐渐了解到。在加密货币交易期间，您必须注意规则和法规以及注意事项。

9 大加密货币交易平台
在梳理了加密货币交易的基础知识后，本文揭示了最受加密交易者欢迎的 9 大交易平台。这篇文章提到了这些平台为什么以及如何进入前 9 名。作为一个交易者，你仍然可以选择哪一个适合你自己。

课程(付费)

学习课程:面向 Quants 的加密货币交易
该学习课程包含从中级到高级的所有课程，面向那些旨在使用量化交易技术进行加密交易的人。

结论

我们讨论了算法如何在本质上是非情绪化的，这是交易的主要目的之一，因为人类的情绪限制了交易策略的逻辑/理性应用。

此外，通过回溯测试和风险管理实践，算法交易创造了一个安全的交易环境。此外，我们看到了量化交易策略的广泛类别，如技术分析、做市和算法交易实践中的套利。

为了学习更多关于加密交易的知识，请探索我们的课程加密交易策略:中级。

免责声明:本文中关于加密货币的任何信息仅用于传达一般信息。本文不提供投资、法律、税务等。建议。您不应将本文中的任何信息视为就加密货币使用、法律事务、投资、税收、加密货币开采、交易所使用、钱包使用等做出任何特定决定的呼吁。我们强烈建议向您自己的财务、投资、税务或法律顾问寻求建议。QuantInsti 和本文作者均不对因依赖本文发布或链接的信息而导致的任何损失、损害或不便承担责任。

比特币区块链:组件、采矿、通货膨胀和算法交易

原文：https://blog.quantinsti.com/bitcoin-blockchain/

由乌迪莎·阿洛克

在之前的博客中，我们探索了区块链技术及其各种组件。现在，我们进一步研究这项技术的一个具体应用，这可能是最广为人知的——比特币。比特币区块链让每个人都迷上了这项技术。

我们将讨论比特币区块链的组成部分、交易比特币的不同交易所，并看看 Python 中的比特币交易策略。所以事不宜迟，我们开始吧！

我们将讨论以下主题:

比特币，第一个区块链
比特币组件
比特币挖矿和工作证明
交易费用
比特币和通货膨胀
使用交叉策略交易比特币

比特币，第一个区块链

很久以前，在一个由金融机构统治的由纸张、塑料货币和硬币组成的不可信的世界里，一个名叫比特币的区块链诞生了。它发誓要把世界从中央权力人物的魔掌中解放出来，并使它成为一个没有信任的世界，在这里我们可以与陌生人进行交易，而不需要任何信任。

比特币是最受欢迎的数字货币，由神秘人中本聪在 2008 年创造，但它不是第一种。Ecash 由 David Chaum 于 1983 年创建，而 hashcash 由 Adam Back 于 1997 年提出，旨在基于工作验证方案来对抗垃圾邮件。

在 2004 年，Hal Finney 进一步将 hashcash 开发成了一个可重用的工作证明( RPOW )，这是第一个允许全世界的用户实时验证其正确性和完整性的服务器的公共实现。

尼克·萨伯(2005 年)提出的分布式加密货币比特黄金和韦迪(1998 年)提出的 b 货币的早期提议激发了比特币的诞生。其余的，正如他们所说，都是历史了。

今天存在现代形式的比特币区块链，正是这些事件造就了它现在的形式。

Bitcoin Timeline - Source

比特币组件

共享分类账

比特币区块链包含一种非常特殊的数据——关于谁向谁支付了多少钱的简单交易数据。但是，数据是以比特币的方式存储的，交易输入中的比特币数量等于其输出中的比特币数量。

每个输入指的是前一次交易，其中该交易的发送者接收硬币。因此，每次输入都将涉及跟踪每个比特币的早期交易。这个模型被称为 UTXO(未用完的事务输出)模型。

让我们使用这个简化的图表来看看 UTXO 模型是如何工作的:

Simplified Bitcoin UTXO model

在一些交易中，硬币是由系统生成(“挖掘”)的。这些交易被称为比特币基地交易，他们不会参考任何以前的交易，因为在这种情况下，硬币是凭空出现的。

每个块将有一个 coinbase 事务，它将有一个空白的“输入”。通常，每个块中的第一个事务是为 coinbase 事务保留的。

节点

比特币是公共区块链。这意味着任何人都可以加入比特币网络，查看整个比特币区块链。这些节点中的一些可以通过竞争“挖掘”块来进行“挖掘”以获得奖励。

共识算法

正如我们在之前的博客中所讨论的，共识算法只是一个群体的决策机制。由于比特币区块链是一个拥有最多节点的公共区块链，一个共识算法变得至关重要。

这主要是为了解决以下问题:

防止恶意攻击
解决重复支出的问题
决定哪个节点将把下一个块添加到链中
确保区块链的完整性和一致性

比特币使用的共识协议是工作证明(POW)。简而言之，为了给区块链添加一个块，所有节点都要竞争解决一个密码难题。这个难题计算量很大，要花很多精力去解决它。

所以所有的节点都必须“工作”。这使得攻击者很难模仿多个节点，因为设置另一个挖掘节点的成本相当高。

解决密码难题的第一个节点可以将下一个块添加到链中，因为它显示“答案”作为其工作证明，并获得一些比特币的奖励(coinbase 交易)。在由于两个节点同时挖掘一个块而创建链的两个版本的情况下，最长的链被选为有效链。

有趣的是，中本聪开采出第一个比特币区块，奖励 50 个比特币，哈尔·芬尼(RPOW 的发明者)成为中本聪第一笔 10 个比特币的比特币交易的接受者。

Bitcoin Mining - Source

比特币挖矿和工作证明

工作验证(PoW)算法设计为每 10 分钟开采一个区块。为了保证这个时限，网络为拼图设置了难度等级。

通过为块的最终散列设置目标来设置难度级别。在比特币的例子中，这意味着在块的最终散列中指定前导零的数量。

现在，每个节点都有前一个事务块和当前事务块的散列。他们需要计算 nonce(一个只使用一次的数字)，当与上述值结合时，它会生成一个带有给定数量的前导零的散列。

Simplified Proof-of-Work diagram

当一个前导零被添加到目标散列时，工作加倍，增加了问题的难度。比特币网络会自动配置问题，这样挖掘每个区块大约需要 10 分钟。

第一个找到有效随机数(黄金随机数)的矿工被奖励，随机数被广播到网络进行验证。验证后，该块被添加到比特币区块链中。

开采一个区块是一项计算量很大的工作，所以有时一群矿工会聚在一起，组成一个矿池，以增加他们开采一个区块的机会。

交易费用

当矿工开采一个区块时，他们会得到奖励。他们还获得交易费，这是所有交易的交易费总和。交易费激励采矿者继续通过采矿区块处理交易。否则，由于采矿成本高，他们可能不会继续开采这些区块。

在比特币网络中，并不强制要求矿商按照先到先得的原则进行交易。因此，矿工可以自由选择他们想要添加到区块中的交易。

一个块只能容纳有限数量的事务——每个块大小都有 1MB 的软限制。较高的交易费用将使交易对矿商更具吸引力。因此，与交易费用较低的区块相比，交易费用较高的区块更容易被开采并加入区块链。

请注意，交易只有在添加到区块链后才有效。你可以把它看作是一个简单的资金转移交易，除非银行确认，否则它仍处于处理阶段。

比特币交易费用取决于网络流量。如果越来越多的人使用区块链，需要确认的交易数量就会上升，从而推高交易费用。

比特币交易费用取决于网络流量。如果有更多的人使用区块链，需要确认的交易数量就会上升，从而推高交易费用。

Bitcoin Average Transaction Fee - Source

比特币和通货膨胀

中本聪将比特币设计成一种通货紧缩的加密货币。这背后的逻辑是，随着越来越多的货币不断被央行和政府添加到系统中，法定货币的供应是无限的，导致货币价值随着时间的推移而下降。这就是通货膨胀。

为了应对这一点，中本聪将创造的比特币总数限制在 2100 万个。因此，像黄金一样，比特币的供应将随着时间的推移而减少，因此变得更加稀缺，从而提高其价格。

每开采 21 万个区块后，区块奖励减半，直到 2140 年几乎为零。目前是每块 6.25 个硬币。随着大宗报酬不断减少，交易费可能是矿商的主要激励。

Bitcoin Inflation vs Time - Source

使用交叉策略交易比特币

由于加密货币受欢迎程度的上升，比特币在许多交易所进行交易。一些分散的交流甚至允许用户保持匿名，不要求他们透露任何个人信息。

比特币交易的一些顶级交易所包括:

币安
比特币基地交易所
FTX
Crypto.com 交易所
北海巨妖
库科恩
双子星座

比特币是一个波动的市场，永远有动力。在这样的市场中尝试基于动量的策略是有意义的。

我们将使用超棒的振荡器 (AO)技术指标为比特币建立一个基于动量的交易策略。AO 计算短期(通常为 5)和长期(通常为 34)简单移动平均线之间的差异。

这个 SMA 是用每根棒线的中点而不是收盘价计算的。以下是该策略的代码:

Black Scholes 模型:公式、限制、Python 实现

原文：https://blog.quantinsti.com/black-scholes-model/

以重香重香

布莱克·斯科尔斯模型！这个世界上有几个让世界瞩目的榜样，这是其中之一。如果我必须用简单的术语来解释，布莱克-斯科尔斯模型帮助我们找到了期权的价格，准确地说是欧式期权。如果您想了解或更新关于期权的知识，请查阅期权基础知识一文。但是为什么知道期权的价格如此重要呢？

这里举个例子。截至 3 月 21 日，特斯拉股价为 427.53 美元。现在，如果我们检查雅虎财经上的期权数据，你会发现许多期权以各种执行价格进行交易。现在让我们放大其中的三个。请注意，这些期权将于 2020 年 3 月 27 日到期。

Tesla

现在，有三种不同的执行价格，300 美元，305 美元，310 美元，期权价格分别为 149 美元，128 美元，123 美元。

你一定已经对某个策略进行了回溯测试，以预测 3 月份特斯拉的股价，所以你应该在哪个价格买入期权，以实现收益最大化。

这正是布莱克-斯科尔斯模型帮助你的地方。费希尔·布莱克和迈伦·斯克尔斯为这个模型奠定了基础，后来罗伯特·默顿对这个模型进行了研究，给出了现在在全世界流行的方程式。

让我们先来看一下本文涉及的要点:

布莱克·斯科尔斯模型的假设
布莱克·斯科尔斯公式
蟒蛇皮中的黑色斯科尔斯
限制
战胜 BSM 的变种

布莱克-斯科尔斯模型的假设

虽然 Black Scholes 模型可以简化为一个方程，但为了简化它还是做了很多牺牲。有些是为了降低复杂性，例如，假设股票不支付股息。这有助于减少寻找期权最优价格的计算。

但请记住，这并不意味着这是一个限制，并将排除所有在我们计算期权价格期间支付股息的股票。在我们用布莱克-斯科尔斯模型计算出期权价格后，我们总是可以把股息计算在内。

因此，现在让我们来看看这些假设。

恒定的无风险回报率

影响期权价格的因素之一是无风险收益率。我们的假设是，从我们购买期权开始到到期日，无风险回报将保持不变。它还假设你可以用这个利率轻松地借贷。这很重要的原因是，如果你发现所有的东西都保持不变，如果期权的回报率等于无风险利率，那么人们会选择无风险资产而不是期权。

风险资产价格的对数收益是随机游走的

在这里，我们假设市场是有效的，市场有一个漂移，这是增加，并遵循几何布朗运动。这表明，虽然我们无法准确预测标的资产的价格，但我们可以计算其预期回报。

不考虑股息

我们假设股票不支付任何股息，因此它的价值只取决于它的价格。

没有套利机会

如果我们看到期权和标的资产存在套利机会，我们会立即利用这一优势，而不必担心期权价格。因此，我们假设不存在套利机会。

对基础风险资产的买卖没有限制

我们假设我们可以买卖任何数量的基础资产来最大化我们的收益。以这种方式，我们不必担心我们被允许的事务数量的上限。

没有交易成本

很简单，这个模型没有考虑经纪费、佣金、借款费用或我们在交易期权时可能发生的任何其他交易成本。因此，当我们评估不同的选项时，我们必须小心考虑它们。

太好了！现在我们已经讨论了模型的假设，让我们进入问题的核心，即布莱克-斯科尔斯方程。

布莱克·斯科尔斯公式

在我们陈述公式之前，让我们试着了解一下影响期权价格的因素。现在，由于布莱克·斯科尔斯模型的假设，我们不必担心股票股息和浮动利率等复杂的细节。在推导期权价格时。但是什么会影响期权价格呢？

首先显然是基础资产的价格。进一步说，我们还想知道如果价格上涨或上涨到期权到期日会发生什么。

这就是预期回报率的来源。

与此同时，我们还必须考虑金钱的时间价值。简单来说，现在的 100 美元比一年后的 100 美元更有价值，因为你可以把这 100 美元存入银行，一年后获得一些利息。

让我们就此展开讨论。假设你可以在银行获得 4%的利率。因此，一年后，它将是 100 美元+(4/100)(100)= 104 美元。你可以把它以公式的形式表示为(你的数量)(1 + i%)。现在，如果你认为你将在一年内得到 104 美元，那么你只需要用它除以(1+i%)就可以得到它的现值。我们称之为贴现因子。在这种情况下，我是你能得到的利息。

就本文而言，我们不会深入探讨它的本质，但当涉及布莱克-斯科尔斯模型时，贴现因子是(e-rT)。

好吧！到目前为止，我们已经意识到期权价格会受到基础资产价格的影响。到期时间以及执行价格，即执行价格。

我们还必须考虑基础资产的波动性。为什么这很重要？

假设有两只股票，A 和 b。如果你买的是欧式看涨期权，你会关心价格在到期时能走多远，高于或低于执行价格。这可以通过找到波动率，即对数正态回报的标准差来推断。

现在让我们把它们列出来。

S =股票价格
N() =累积标准正态分布
K =期权的执行价格
t =期权到期前的时间
r =无风险利率
e=指数项，即 2.7183
C=期权价格

为了简单起见，我们认为基础资产是股票，股票期权是欧式看涨期权。我们使用欧式看涨期权的原因是该期权只能在到期时行使，而不能在到期前行使。

现在我们可以转到实际的公式，看起来像这样。

\[C = S*N(d_1) - K*e^{-rt}*N(d_2) \]

那么 d ₁ 和 d ₂ 是什么呢？

在我试图解释它之前，让我先列出这些价值。因此，

\[d_1 = \frac{ln \frac{S}{K}+(r + \frac{s^2}{2})t}{s {\sqrt t}} \]

和

\[d_1 = \frac{ln \frac{S}{K}+(r - \frac{s^2}{2})t}{s {\sqrt t}} \]

其中，s =对数回报的标准偏差

ln =自然对数

虽然这些术语的实际推导有些冗长，并且需要深入研究统计数据，但我们可以看到，我们使用的是相同的术语，更重要的是，我们采用的是股票价格和行权价格之比的自然对数。

回到主公式，我们实际上可以把它分成两部分:

第一部分，S*N(d ₁ )是你得到的，即如果我们决定行使购买股票的权利，你得到的标的股票。

第二部分，K*e ^(-rt) *N(d ₂ )是你得到那个期权要付出的。因此，行使价格，即 K 乘以贴现因子 e(-rt)，因为这是我们可以投资于无风险资产而不是购买期权的金额。

累积标准正态分布函数，即 N()给出了期望值的概率值。把它想象成一个介于 0 和 1 之间的概率值。因此，你现在应该明白为什么我们要从等式的第一部分减去第二部分来得到期权价格。

这就是期权定价模型的全部内容。你可以简单地把这些值代入等式，然后求出期权价格。并且根据不同的期权交易策略，可以为自己打造一个风险中性的投资组合。

好吧，等一下。当然，我们可以得到所有变量的值，但是波动性呢？你如何衡量标的资产的波动性？

嗯，你想到的第一个想法是正确的，我们查找历史价格，计算它们的对数正常回报，很容易找到波动性。然后，我们假设历史波动率将或多或少地类似于未来波动率，从而计算期权价格。

但是，还有另一种方法，这似乎是一条捷径。你看，如果你检查任何股票的期权数据，你会发现它们有十几种不同的执行价格，期权价格等。现在，我们可以使用市场认为是正确价格的期权价格，并将其作为布莱克-斯科尔斯方程中的“C ”,来计算波动率。这被称为隐含波动率。你可以看看这篇深入探讨这个概念的文章。

厉害！我们已经了解了 Black Scholes 方程如何适用于欧式看涨期权。现在让我们看看我们能否用 Python 实现这一点。

蟒蛇皮黑色运动鞋

如果想用 python 查找当前期权数据，可以用雅虎财经模块提取某公司的相关期权数据。

import yfinance as yf # Import yahoo finance module
tesla = yf.Ticker("TSLA") # Passing Tesla Inc. ticker

opt = tesla.option_chain('2022-06-17') #retreiving option chains data for 17 June 2022

要查看选项调用，您将输入以下代码:

opt.calls

类似地，对于看跌期权，您可以使用以下代码:

opt.puts

现在，我们也许可以用 Python 编写几行代码来实现这个公式，但是 Python 的伟大之处在于它对库的广泛使用。因此，我们有了 python 库， mibian ，这使得推断期权价格变得极其容易。

python 代码很简单:

BS([underlyingPrice, strikePrice, interestRate, daysToExpiration], volatility=x, callPrice=y, putPrice=z)

BS 函数的语法，输入为波动率以及存储基础价格、执行价格、利率和到期日的列表:

c = mibian.BS([427.53, 300, 0.25, 4], volatility=60)

这里，我们以特斯拉为例，输入基础价格为 427.53 美元，行使或执行价格为 300 美元，无风险利率为 0.25%，到期日为 4 天。

我们把波动性数字定为 60%。

现在，如果我们需要找到特斯拉的期权看涨价格，我们只需写出以下内容:

c.callPrice

输出是:

127.19748126

你怎么想呢?布莱克·斯科尔斯模型对吗？你为什么不试着找到另一只股票的期权看涨价格，并在评论中留下细节。

好吧！我们已经研究了这个公式以及它在 Python 中的实现。现在我们进入下一个话题，即模型的局限性。

限制

在我们列出 Black Scholes 模型的局限性之前，我们必须明白，这个模型的创建者在建立一个工作模型之前必须牺牲一些东西。说到这里，让我们列出限制条件:

波动性和无风险回报率被假定为常数，即使它在现实中是动态的。
股票价格被假设为随机波动，因此，由于某些因素(如收益报告、合并和收购)导致的大幅度价格波动不包含在模型中。
如果股票在我们计算期权价格期间支付股息，模型没有考虑股息，因此没有正确地为期权定价。
虽然价内和价外期权的定价是准确的，但当涉及到价外期权的定价时，它往往会大幅偏离。
虽然其他因素是直接观察和计算的，但波动性必须进行估计，因此可能导致不同的期权价格。

好了，我们已经了解了模型的局限性，但是有没有克服这些局限性的方法呢？或者更有效的模式。让我们在下一节看到这一点。

克服 BSM 的变种

布莱克-斯科尔斯模型的一个较好的替代模型是期权定价的赫斯顿模型。这个模型假设波动性不是恒定的，而是任意的。它还允许波动率均值回归，这比布莱克-斯科尔斯模型更接近真实情况。

虽然赫斯顿的模型本身值得一篇文章，但我将列出下面的等式。

\[dS = μS dt +{\sqrt v_t} S * dW_t^S \]

这里，

V _t 是瞬时方差。

而且，

\[dv_t = k(θ-v_t ) dt +ξ{\sqrt v_t} * dW_t^v \]

这里，

ξ是波动率的波动率
k 是 vt 返回到 0 的速率
θ是长期价格差异
w 是 Weiner 过程，假设它是连续的随机游动

这看起来确实令人望而生畏，但它比布莱克-斯科尔斯定价模型更有效。

好吧。我们研究了布莱克·斯科尔斯模型的一个替代方案。

结论

布莱克·斯科尔斯模型是期权界的一个转折点，期权界终于有了建立期权投资组合的数学基础。布莱克-斯科尔斯模型也产生了许多期权对冲策略，这些策略至今仍在实施。

在本文中，我们讨论了布莱克-斯科尔斯模型的意义和公式。我们还学习了 Black Scholes 模型的 python 代码，以及如何用它来计算欧式期权的买入价格。您可以通过启动 Quantra 上的期权交易学习轨道开始交易，尝试自己的期权交易策略。

失明不能阻止普拉纳夫对算法交易的追求

原文：https://blog.quantinsti.com/blindness-algorithmic-trading-epat-success-story-pranav-lal/

没有视力的人可以交易吗？
有人看不见可以学习 Algo 交易吗？
如果我们告诉你这些问题的答案是一个响亮的是，会怎么样？

确实如此。Pranav Lal 的鼓舞人心的旅程结合了创新、卓越、勇气和永不放弃的态度。普拉纳夫天生失明，但他克服挑战和打破所有障碍的决心帮助他通过追求 EPAT 学会了算法交易，并获得了 EPAT 优秀证书。

作为一名摄影师、技术爱好者和作家，Pranav 已经取得了里程碑式的成就。他是一名 TedX 演讲者，被印度主要报纸之一《印度斯坦时报》的一篇文章特写，并接受过金特等著名媒体渠道的采访。

Pranav 毕业于商业专业，并获得了经济学、法律和会计学的荣誉，他还拥有工商管理硕士学位和 CISSP 证书。他在电信、商业解决方案、咨询服务等不同领域的工作经验融入了他 20 多年的职业生涯。这是普拉纳夫的故事。

你好，普拉纳夫，给我们介绍一下你自己吧！

https://www.youtube.com/embed/XGJzz6Sjfp8?rel=0

我是普拉纳夫拉尔。我是安永会计师事务所的经理。我是一名自学成才的程序员，拥有工商管理硕士学位，并获得了德里大学的 BCom 荣誉学位。

我是盲人，这意味着我不能从视觉上感知事物。我出生在科威特，早产三个月，出生时失明。我的父母对我今天的成功起了至关重要的作用。

小时候，在父母的鼓励和帮助下，我上了正规学校，这使我在教育上获得了独立。我至少可以做笔记，做记录。我父母把我的书转录成电子格式。

我喜欢写作，我有自己的博客，只要时间允许，我喜欢摄影，我对技术充满热情。虽然我对金融感兴趣，但我从未想过有可能成为一名交易员，更不用说学习算法交易了。但是，今天有了 EPAT，这一切都成为可能。

你是一个 TEDx 演讲者，你已经使用了许多技术来帮助你看世界。你能分享一下吗？

https://www.youtube.com/embed/Hjhx1sjQRoM?rel=0

2000 年前后，我进入了一所商学院，我们意识到，我最初在家里的电脑上记录笔记和抄写笔记的系统是行不通的。这是因为 B 校流动性很大，你要做很多独立的工作。

所以，我买了一台笔记本电脑，发现了一个名为“T0”vOICe 的软件，它是由 Peter B.L. Meijer 博士开发的，当时他在荷兰的 Phillips 工作。这非常有帮助，因为它为我打开了一个充满能力的世界，这是由技术赋予的。

为了实现捕捉视觉世界的愿望，我将一个免费的网络摄像头与声音结合起来，你瞧，当我移动摄像头时，声音发生了变化。它使我能够“看见”。该软件将图像转换成一组确定的声音，你必须戴上耳机才能获得最佳体验。你的大脑对此进行解码，并找出你在看什么。

这需要相当多的练习。这些声音和视觉场景现在有点复杂，我没有全天候佩戴硬件。虽然我能够在一定程度上观察事物，但在一些情况下，很难确定我在看什么。这个声音给了我一种弱视的感觉。

我必须找到某种方式与世界分享我所看到的，这就是摄影发生的原因。摄影最终让我把博客作为分享我的摄影和生活经历的一种方式。

你会如何用语言表达你这些年的旅程？

https://www.youtube.com/embed/0NoMOsk6rHg?rel=0

我有兴趣在科学和工程专业毕业，但当时的学术/机构规则不允许没有视力的人正式从事工程。

我也发现商业和贸易很有意思，所以我在德里大学攻读了商业学士学位，之后又攻读了工商管理硕士学位。我在一家教育公司找到了一份工作，然后被一家信息安全初创公司录用，接着去了电信部门。我在这些地方跨多个项目工作，获得了很多乐趣。

基于我的身体特征，我经常被定型，我意识到一份工作只能带我走这么远。我想独立。我仍然想成为。那是我 2011 年看交易的时候。我从未梦想过从事金融业。我意识到一份工作只能带我走这么远，金融可能是我应该追求的。

每个人都习惯于看图表，试图弄清楚什么是什么。人们可以用图表交易，但对我来说，这是一个非常乏味的过程。我不得不抓取一个 csv 文件，获取股票价格，将它加载到绘图引擎中，听到图表或者跟随烛台模式，然后做出决定。这不是一个很有希望的开始。

后来，在我父亲的帮助下，我开始探索各种媒介，并且明白了也可以通过算法进行交易。随着我探索的深入，我看到了 QuantInsti 的博客和课程。

我就是这样发现 QuantInsti 和 algo 交易的。我很惊讶地发现有人教这些东西。你的内容、课程和教学大纲很有意义，足以证明我可以去 EPAT 深造。

没有视觉，你可以使用一些技巧来解读屏幕。你能分享一下吗？

https://www.youtube.com/embed/gvMvkCVUkZs?rel=0

如果您有视觉障碍，我已经使用并建议您使用以下工具。

盲人使用一种叫做屏幕阅读器的软件。它们处理系统事件，大量的程序间通信被监控，等等，然后它在屏幕上输出正在发生的事情。简而言之，它描述了出现在计算机屏幕上的东西。

我用的是非视觉桌面访问，NVDA，这是一个窗口屏幕阅读器。
你有适用于 Linux 的 Orca。
Windows 的默认讲述人。
安卓对讲。
IOS 版的画外音等等。

有许多制图软件和网站，但你不必在 algo 交易中费心。您只需要一个漂亮的命令行、Python 代码和 C 代码，就可以让整个事情变得非常简单。当谈到算法交易时，这是另一个非常有吸引力的因素。不过，algo 交易最棒的地方在于，你在建立自己的平台。

我一直意识到，至少对我来说，最好的前进道路是拥抱技术。当这导致更多的自动化时，那真是太好了。没有比这更好的了。

你的一天是什么样的？

https://www.youtube.com/embed/in93k5gIS_8?rel=0

我在晚上进行所有的研究。第二天早上 5 点到 6 点，我做最后的检查和测试。然后，我简单地让系统运行，算法做他们的工作。

我非常喜欢 Linux 中的 at 命令，它让我可以安排这些一次性的工作。目前，它是低频交易，在适当的时间进行 2 或 3 次交易。差不多就是这样，但想法是在一段时间内提升到高频交易。

其次是我每天的锻炼，到了早上 9 点，我就在工作了。一旦我离开办公室，我会看看我的日志和评论。

我是一个早起的人，所以在周末，我尽可能早地投入 2-3 个小时认真的开发工作。我的哲学是“早点开始，早点结束，然后剩下的时间就是你的了。”

你积极使用机器学习，它帮助你更好地理解市场——你是如何让它成为可能的？

https://www.youtube.com/embed/IzGHGjKcYPg?rel=0

对我来说，市场研究本质上意味着，目前，简单地对股票和回溯测试策略运行机器学习模型。基于我得到的信号。我建立了一个市场的图像。我不关注新闻，就像俏皮的上下波动会因为这个或那个新闻而发生。我更感兴趣的是我的系统现在告诉我什么。

根据我的回溯测试结果，我决定买什么。一周有五天，我会去买股票，现在我正致力于进一步自动化。

我仍在研究何时销售的理想方法。’，其中有各种方法。我正在使用机器学习，因此我仍然在使用 Nifty 50，因为你可以在它上面获得最大数量的历史数据。它可以追溯到很久很久以前。

我现在还没有跳上基于新闻的交易潮流。我可能会在未来这样做，但目前我坚持价格行动，以及数字告诉我的。在编写我的软件时，我尽最大努力确保我已经输入了程序告诉我的条件——“这是横盘，还是看涨，还是看跌，或者是怎么回事？”。当然，我必须调整我的时间频率。时机是一个重要因素。

你在学习和交易中面临什么挑战？

我过去经常听 BBC，这让我对科学产生了兴趣，然而，90 年代早期的教育体系不利于我追求科学教育。我逐渐对商业产生了兴趣。

对于视力有障碍的人来说，更大的挑战是弄清楚你的住宿条件，他们是否会给你一个书写器用于考试，或者你必须得到你的书写器，等等。

尽管情况有所好转，但这仍然是一场艰苦的战斗，因为各种竞争性考试并不迎合残疾人。一些学校和大学的考试可以在电脑上进行，但许多竞争性的入学考试却不是这样。

自从我学会了编程，编码策略就不那么有挑战性了。我查阅了各种交易图表来熟悉自己。我学习了各种交易策略，现在我明白了它们到底是怎么回事。

https://www.youtube.com/embed/_Ad0vxMx8_4?rel=0

EPAT 教职员和支持团队摇滚！

直接接触教职员工有助于你与教职员工进行一对一的接触，并帮助你消除所有疑虑。全体教师知识渊博、技能娴熟、经验丰富，并拥有该领域的专业知识。
在课程期间和课程结束后，你会得到一流的支持。如果我需要什么，支持只是一个聊天框。

即使在我的 EPAT 之旅结束后，QuantInsti 也没有放弃。QuantInsti 的终身交往承诺是真实的。我仍然得到校友组织的支持。如果没有这种支持，我会非常艰难。

你是通过 Prometric 进行的 EPAT 期末考试的最高分之一，你的秘诀是什么？

https://www.youtube.com/embed/LOACaXsARvI?rel=0

完成 EPAT 交易或成为一名成功的交易者没有秘密。你只需要做那些作业，练习编码，你必须完成这个项目。除非你做这个项目，否则你不能从课程中获得最大的价值。

因为这个项目是你学以致用的地方然后你可以在几乎每节课后继续申请，当然，这取决于你在做什么项目。

我的交易哲学是"永不放弃！”。但有时候，你得退后一步，盯着场上，而不是主动交易。

算法交易最棒的部分是计算机在为你做数学运算。你只需要知道它是如何工作的，它做什么。这不像在学校，你必须知道如何计算。即使你不得不自己计算一些东西，这也是一次性的工作，你只需要编码，保存它，你可以一次又一次地重复使用代码。

你最喜欢 EPAT 的哪个特色？

https://www.youtube.com/embed/x8cfn4YVBic?rel=0

毫无疑问，EPAT 是一个非常激烈的过程。如果你和家人住在一起，除了全职工作之外还在周末学习，有时会很有挑战性。但是，只要你有正确的决心，EPAT 将帮助你用正确的方法学习，为现在和未来做好准备。

在我看来，EPAT 最大的特点是:

现场直播和录音讲座——EPAT 最棒的地方在于，你可以随时收听录音。这很重要。
项目 -虽然我知道 QuantInsti 没有将项目工作作为认证的强制要求，但我强烈建议每个人都去做可选的项目工作，并充分利用 EPAT。
解疑——当你坐下来申请时，你说“哦！我该如何获得调整后的价格？”，“我不一定想依赖雅虎金融。我该怎么办？”，以及其他微小的东西。细节决定成败，而这正是你需要支持的地方，QuantInsti 在这段旅程中总能为你提供支持。
到目前为止，我还没有使用过这个位置，但我很高兴参与者和校友都可以使用它，所以我可以在需要的时候使用它。

你对未来有什么计划？

https://www.youtube.com/embed/HekRa-vlgcU?rel=0

我必须结合我的三个爱好——“信息安全、交易和写作”。这是我必须弄清楚的事情。

更多的自动化肯定是可能的。现在，我手动购物，我想自动化整个购物过程本身。

随着我对交易的追求，我渴望建立我的交易平台。我希望进入衍生产品领域，即现金领域，产生稳定的现金流和盈利能力。这些基本要素仍然需要到位。

我希望经常旅行，这意味着要拍很多照片。接下来，我希望写更多我的经历。

你对那些想学习算法交易的人有什么话要说？

https://www.youtube.com/embed/PiqXnrf6tNw?rel=0

我想分享以下我所经历的，我觉得对那些希望成为这个不可思议的领域的一部分的人有益的事情。

开始时可以接受免费数据

现在有很多 API 和数据提供者，他们给你数据。即使不完美，从免费数据开始也很好。

不要被编程吓倒

编程相当简单。你所要做的就是把一个问题分解成简单的任务——这是你在任何情况下都要做的事情。学习编程语言没什么难的，和学习任何语言没什么不同。

远离主流媒体

当你进行算法交易时，你要相信你在模型中使用的数学和统计数据。不要沉迷于看我们受欢迎的电视频道，看图表，然后做决定。这就像驾驶飞机——看看你的仪器告诉你什么，然后不管你从输入和你的经验中学到了什么，做出相应的决定。

给自己一点时间，它不会马上到来

你不可能在 6 个月内成为一名医生。还有很多方面我不明白。你得给它一些集中的注意力。重要的是，学习是一生的旅程，每个人都会有不同的旅程。只要继续努力，拥抱高潮和低谷，不要让它们打断你的学习之旅。

努力增加你的知识

我是一个自学成才的程序员，这对我帮助很大。我在工作场所学习网络，所以我不需要任何帮助来建立我的培训基础设施。虽然我现在没有阅读资产负债表，但这是我学到的东西，今天，至少我明白了各种业务是如何运作的。

你可以从头开始应用你的知识

不管你受过什么教育，你都必须运用基本原则。只要你能跨领域综合知识，你就很好。你可以从头开始做算法交易。你付出了努力，因为你将学习编程和在市场中实现它的方法。

但是，如果你不知道如何编程，你将不得不投入更多的工作，当然，所有需要的材料都可以在 QuantInsti 资源中获得，并且在 EPAT 计划中有很好的结构。

祝你一切顺利！

你对你的手艺的奉献令人难以置信。你的努力和决心鼓舞人心。老实说，普拉纳夫，你正在打破陈规，你是一个灵感。

取得这些成功后，你可能学到了很多，也做了很多实验。我们相信你在 EPAT 的经历会对你如何学习交易、学习各种技能以及如何应用这些技能产生积极的影响。

我们确信你将来会取得更大的成就。你不仅对视力和身体有障碍的人，而且对我们所有人都是一个活生生的激励。谢谢你抽出时间来分享你的经历，Pranav。

你可以在这里观看我们与 Pranav 的完整讨论:

https://www.youtube.com/embed/8jgxA1ShRhE?rel=0

区块链解释

原文：https://blog.quantinsti.com/blockchain/

由乌迪莎·阿洛克

一段时间以来，区块链一直是各界感兴趣的话题。它不断出现在多种讨论和不同的上下文中——而且是有充分理由的！

根据最近的报告，区块链市场规模预计将从 2021 年的 49 亿美元增长到 2026 年的 674 亿美元，预测期内的复合年增长率(CAGR)为 68.4%。

区块链就像一个神奇的精灵，拥有看似无限的力量，不可能在一篇文章中涵盖它的所有内容。让我们试着把这个精灵放进瓶子里，简单看看区块链是什么，是什么让它具有破坏性。

以下是我们将在本文中讨论的一些内容。

价值互联网
什么是区块链？
区块链的组成
区块链的优势
区块链的应用
使用区块链的挑战

价值互联网

在我们开始讨论区块链的话题之前，让我们先回顾一下另一项技术——互联网，它也有类似的去中心化、可访问性和匿名性的承诺，这正是区块链吸引我们的地方。

互联网的出现预示着人类的一个新时代，以至于很难想象没有它的存在。与世界各地的人交流和互动，与更广泛的受众分享观点、意见和创造力的自由，以最低的成本进入一个全新的技术世界——互联网的好处是巨大的。

这就是信息互联网——旨在传输信息，而不是像金钱或产权这样有价值的东西；至少在没有银行、Paypal 或政府等第三方的情况下是不会的。

但是当我们在网上发布任何东西时，我们真的是匿名的吗？

最近，互联网上的行为显然受到了密切监控。通过向我们提供免费账户和服务，大公司一直在收集关于我们的重要信息。关于我们的婚姻状况、收入、我们去过的地方、我们买的东西、我们花更多时间浏览的网站、喜欢和不喜欢的东西、我们的朋友、我们的政治和宗教倾向等信息。

一点一点地，他们正在建立我们每个人的数字角色，最终可能听起来比我们自己更真实——你会记得五年前的今天你去过的餐馆或那天你“绝对喜欢”的菜吗？数字角色会的！

互联网的好处之一是能够与任何人自由分享信息。当你自拍并与朋友分享时，你分享了它的副本。因此，你可以与任何数量的人分享它，并且仍然拥有原始版本。因此，像现在这样的互联网不能用来分享任何有价值的东西，比如钱。

但是，如果你也能使用互联网来分享资产，那会怎么样呢？如果你能追踪每一项资产，比如一件艺术品或一笔钱，并通过互联网发送给一个朋友，那会怎么样？这样，由互联网供电的多个设备不仅可以相互通信，还可以购买电力？

这就是互联网 2.0 - 价值互联网。

什么是区块链？

区块链本质上是一个分布在多个节点/计算机上的数据库。它由信息的“块”组成，每个块都“链接”到其前一个块。街区？锁链？让我们进一步分解一下。

块、链和散列

块由几条记录组成，就像常规数据库中的表或电子表格一样。但它与传统数据库的不同之处在于，每个块都连接或链接到前一个块。我们稍后将看到这种“连锁”是如何发生的。

现在，在我们继续讨论之前，让我们简单地了解一下什么是 hash。就像指纹被用来识别人一样，散列是一串看似随机的数值，代表任何文件——图像、文本、音频等。每次你创建一个文件的散列，你都会得到相同的值。

然而，即使是对文件的微小修改，不管是空格还是逗号，都会改变散列。

有不同类型的散列算法，但在区块链通常使用的是 SHA256。这里，SHA 的意思是安全哈希算法。

在 Python 中，我们可以使用' hashlib '模块为文件/字符串生成散列。这个模块支持许多不同类型的散列算法。

博客投稿指南

原文：https://blog.quantinsti.com/blog-contribution-guidelines/

我们是一个由交易者、编码者、量化者和热爱教学的学习者组成的团队！多年来，作为我们在算法和量化交易领域的知识共享计划的一部分，我们与来自各行各业的个人进行了交谈，并获得了他们对算法交易领域的看法的宝贵见解。

QuantInsti 提供创新和解决方案，在行业变革阶段弥合金融和技术之间的差距。它服务于个人、企业、交易所、数据提供商、经纪人和其他技术提供商，以实现他们在量化&算法交易中胜出的共同目标。QuantInsti 为行业提供付费和免费产品。

如果你想通过一篇文章为 QuantInsti 的博客投稿，这套博客投稿指南将为你提供指导。

QuantInsti 博客官方链接:https://blog.quantinsti.com/T3】

这些指南包括以下内容:

关于 QuantInsti 的博客
为什么要给 QuantInsti 写博客？
如何给 QuantInsti 投稿博客？
为 QuantInsti 写博客
重新发布内容
内容验收
翻译成其他语言
该做和不该做的事情
术语
问题

关于 QuantInsti 的博客

在 QuantInsti，我们向全权交易者/投资者传授算法交易和量化交易。我们的普通博客和量化博客是业内所有前沿交易技术更新的一站式商店。

为什么要给 QuantInsti 写博客？

您将为您自己和您的内容赢得全球广大观众的关注。

如何给 QuantInsti 投稿博客？

如果你想为 QuantInsti 写一篇文章，以下是着手的步骤:

构思——对你想为 QuantInsti 写的博客类型有个想法
大纲–列出您希望涵盖的主题、标题和副标题的大纲
主题应该是独特的，没有被任何其他媒体报道过。
电子邮件——将您对dmm@quantinsti.com的建议发送给我们，主题为:
嘉宾博客:<标题>
例如:嘉宾博客:算法交易
我们将无法回复所有的电子邮件。如果你在几天内没有收到回复，那就意味着这个主题由于一个或多个原因被拒绝。
批准/拒绝——这完全是 QuantInsti 的决定，是接受还是拒绝你写博客的提议。

为 QuantInsti 写博客

如果您的建议被 QuantInsti 接受，您可以继续撰写内容，但在此之前，请查看以下内容:

编辑过程

以下是 QuantInsti 的编辑流程:

提交您的建议和暂定博客大纲> QuantInsti 团队评论
如果回答是肯定的，我们将与您分享预期的大纲
提交草稿>审阅>与您共享的反馈>实施更改>再次提交草稿>重复
草稿由专家审阅，可能需要一些时间

博客类别

QuantInsti 的博客涵盖了下面列出的大类，你的文章必须至少归入一类。

自动化交易
用于交易的 Excel & R
外汇和加密交易
机器学习
数学和计量经济学
均值回归和统计套利
动量交易
更多交易策略
股票预购买卖
投资组合和风险管理
用于交易的 Python
情绪交易
技术指标

博客框架

写博客时，必须遵循以下框架。任何格式除了下面提到的一个将不被考虑。

标题——博客标题应该证明博客内容的合理性，不应该有误导性
元描述-元描述应该在 200 个字符内简要总结文章。
博客预览图片-如果文章中有任何博客图片/图表，这些应该是作者自己的创作
内部链接——作者可以提供博客作为推荐阅读，或者参考外部文章的片段，甚至添加相关视频或资源。
外部链接-所有外部来源的链接将被添加，包括-报告，图像，图表，可下载内容，参考资料，统计数据等。
垃圾邮件，网络钓鱼，广告链接-将不被允许。

博客内容

写博客的要点:

原创——欢迎原创的第一手文章。它们之前不应该以任何语言在线或离线(包括书籍、文章、博客、互联网)或音频或视频的形式发布。如果做了，细节需要提一下。
文档–文档文件可用于共享内容
长度——文章的内容必须全面，长度至少要超过 1500 字。
格式——文档必须用图像、代码、表格等进行适当的格式化。
主题——必须根据 QuantInsti 团队最终确定的主题撰写内容
语言–遵循美国/英国英语
事实/信息——仅使用最新的数字、新闻等。来自有信誉和可靠的资源
语法——请在提交草稿之前做一个彻底的语法检查
语气——文章应该有一个中性的语气
可读性——可读性分数 60+更好
抄袭——抄袭的文章不会被考虑。
自我推销——不要沉迷于做这篇关于推销自己产品或服务的文章。这样的文章就不考虑了。
嵌入——各种元素都可以被整合到我们的博客中——推文、视频、播客、Github 代码等。与我们联系，了解更多信息。

使用图像和图形

作者在博客草稿中分享的图像和图形将包含在帖子中。

鸣谢/归属——所有外部图像和图形的来源将被提及。
图像的标签-所有的图像需要按照 iron-condor-options-trading-strategy-returns.png 或类似的标签
Alt-text -将为所有图像和图形添加 Alt 文本。
添加标题–您可以为您的图像添加相关标题
大小-尽可能使用大小最佳的图像、图形、截图和照片。
使用漫画，迷因，gif，插图是允许的，并注明出处。

使用音频/视频

如果您的文章使用了任何音频或视频文件:

请分享这些文件以及相关的文件名。
提及出处，并在适当的地方提供出处。
已经发布的视频将不会被发布。

博客发布流程

QuantInsti 会发布您的最终文章(包含所有的最终修改，通过电子邮件共享)以及必要的文件和下载。如有任何疑问、修订、更新或变更，请联系 QuantInsti 团队。

放弃

所有文章必须附有以下免责声明:

免责声明:这篇客座博文中提供的观点、意见和信息仅属于作者个人，并不代表 QuantInsti 的观点、意见和信息。本文中所做的任何陈述或共享的链接的准确性、完整性和有效性都不能得到保证。我们对任何错误、遗漏或陈述不承担任何责任。与侵犯知识产权相关的任何责任由他们承担。

作者简历和照片

首选作者简介。你可以提到你的名字，你的所在地，你的头衔和你的工作场所。还需要最新的高分辨率职业装照片。

内容修改

QuantInsti 保留修改或更新您文章中任何信息的权利。

你的文章一旦发表会怎么样？

你的文章一旦发表，就会在博客、社交媒体渠道和其他网站上被我们所有的关注者分享。

重新发布内容

QuantInsti 可将提交的文章用于:

作为社交媒体、电子邮件等上的片段。
在 QuantInsti 出版的书中引用
在一篇公关文章中引用
作为新文章重新发布

内容的接受

齐的一个人找我写博客，这能保证被接受吗？

虽然 QuantInsti 可能会找你写文章，但这并不保证会被接受。在 QuantInsti 做出发表任何文章的任何决定之前，都需要经过适当的程序。QuantInsti 团队成员的书面确认，张贴所有上述检查-是强制性的。

翻译成其他语言

QuantInsti 保留将您的文章翻译成其他语言的权利。

该做的和不该做的

内容应遵循以下注意事项

它不应该比较或促进其他课程，推广链接，或具有误导性质
本质上不应该是贬义的
不应使用攻击性或挑衅性的语言
诽谤或使用仇恨言论是绝对不行的
不允许人身攻击
不得诋毁 QuantInsti 或任何其他实体的品牌形象和声誉，或任何其他品牌
它不应该错误地指责任何品牌的违规行为
亵渎(淫秽的语言，诅咒/脏话)是不允许的
不适当的语言或内容将被删除
它不应煽动、攻击、欺侮、煽动对某一特定群体、社区或人群的暴力或仇恨
不应使用或提及某人的私人信息
不允许包含未成年人在内的私密或色情内容或暗示性内容
不允许非法内容
虚假和夸大的声明–不会被批准
赞助帖子、链接、程序、代码、联系信息等。不允许
它不应以任何方式帮助用户滥用 QuantInsti、Quantra 或 Blueshift 的信息
任何人不得假冒、操纵、误导或创建欺骗性的内容或个人资料
如果您的内容通过引入恶意代码干扰了网站的正常运行，QuantInsti 将被迫采取行动
它不应该欺骗或让读者操纵共享的内容
它不应提供指向可执行文件、第三方下载站点以及链接或恶意软件的链接
它不应该为商业产品和服务做广告
它不应该谈论不相关的话题
它不应该骚扰，侮辱，嘲讽，挑衅，贬低或人身攻击同行作家，用户或个人。
它不应该导致任何其他可疑的活动
如果一篇文章已被删除，并且被同一用户或不同用户再次分享，则该文章不会被考虑

术语

在内容中使用时需要警惕的术语(但不限于):

加密货币/比特币
收益
二元交易
牟利
技巧
内幕交易
前跑
达巴贸易公司
市场操纵
打赌
保证回报
保证利润

问题

关于博客的任何问题，你可以联系 QuantInsti 团队:dmm@quantinsti.com

注意:这些指导方针是对我们政策的补充

如何使用布林线

原文：https://blog.quantinsti.com/bollinger-bands/

以重香重香

布林线对于交易来说就像莎士比亚对于文学一样，非常重要，如果你想在交易界有所成就，这是很难避免的。布林线是一个技术指标，用于以更好的方式分析市场，并帮助我们对资产价格做出更好的假设，即资产是超买还是超卖。

在本文中，我们将讨论:

如何绘制布林线图
布林线带宽
基于布林线的交易策略
限制

布林线实际上由三个波段组成:

20 天移动平均线
布林带上轨
下布林线

下面就来详细说说吧。

1。20 天移动平均线

你一定在想，为什么规定在 20 日均线。首先，它是由布林线的创造者，约翰·布林格先生本人指定的。

移动平均线就是一系列数字的平均值。让我们以特斯拉汽车公司(TSLA)为例。二月份的收盘价如下:

如果我们必须计算上表中收盘价的 5 天移动平均值，我们将首先找到前五个值的平均值，即(312+313+321+317+308)/5 = 1571/5 = 314.2。

对于下一列，它将是下列值，(313+321+317+308+306)/5 = 1565/5 = 313

插入其他值，表格现在看起来像这样，

如果我们要创建一个如下的图表，它看起来会像下面这样，

同样，对于布林线，我们使用 20 日均线，而不是 5 日均线。下面显示了一个示例。(数据取自特斯拉 2018 年 10 月 13 日至 2018 年 10 月 16 日)

2。布林线上轨

布林线上轨是通过在 20 日均线上方移动 2 个标准差构建的。

因此，对于上面的数据，当添加到图表中时，布林带上轨看起来像这样。

3。布林线下轨

类似于上布林线，我们在 20 天简单移动平均线(SMA)下方两个标准差处构建下布林线。

布林线的上下轨距离均线两个标准差的原因是，这在收盘价周围形成了一个包络，包含了价格动作的大部分。从统计上看，两个标准差包含了 95%的价格变动。因此，任何时候收盘价低于或高于布林线，都有很大的机会突破或价格反转，因此它可以被用作信号。

布林线的美妙之处在于它可以用于任何类型的市场，从股票到衍生品，还有外汇。

就是这样！现在你知道如何为任何股票创建布林线。 但是等等！

除了布林线，约翰·布林格说我们也应该看看波段的带宽，以帮助我们的分析。计算带宽非常简单，如下所示:

[(Upper Band - Lower Band)/SMA] * 100

布林线带宽被有效地用来识别布林线挤压。

我们现在转移到主要事件，试图找出如何使用布林线来创建一个交易策略。

以下是一些交易策略，可以用来保持布林线的中心。

基于布林线的交易策略

反转

我们谈到了布林线如何包含波段中的大部分价格行为。这意味着，在任何时候，如果价格高于或低于布林线，它可以作为一个信号。

这就是反转交易策略的逻辑。我们知道恐惧和贪婪驱动着市场。因此，我们可以说，如果价格高于布林带上轨，这可能是趋势可能反转的迹象。一个类似的例子是当价格低于较低的布林线。

示例:

你可以在上面的股票图表中看到，在 9 月 27 日，价格突破了较低的布林线，然后在接下来的几天里看涨。

你必须明白，价格趋势的反转可能是由多种因素造成的，尤其是波段本身。

例如，虽然在特斯拉布林线的图表中，你会看到价格暴跌，这是由于美国证券交易委员会因虚假新闻起诉埃隆马斯克的消息。

布林线挤压

布林线帮助我们理解资产的波动性。当市场强烈看涨(或看跌)时，由于其固有的属性，布林线包络将大幅加宽。在低波动时期，或者当资产价格停滞不前时，布林线包络收缩，有效地挤压 SMA。

布林线策略用于识别一段时间，在这段时间内，布林线被挤压在一起，表明可能会发生突破。

不像上面讨论的策略，你知道趋势的方向，在一段时间的低波动后，很难预测价格的走向。

例如，在这个图表中，你可以看到布林线在中间挤压，从 11 月 21 日到 12 月 12 日，然后突破。

双底

虽然双底策略并不完全是布林线独有的，但它可以有效地使用。顾名思义，在双底形态中，我们正在寻找一个 W 形形态，价格在下一个周期短暂上涨之前一度收于下轨下方，但最终再次收于下布林线下方。

正是在这个时候，大多数交易者相信价格会上涨并持续下去。

通常，当价格突破较低的波段，在再次跳水之前反弹一段时间，交易者就会锁定。如果第二个低点在较低波段之上，一般认为是双底，很有可能是上升趋势。

例如，我们可以看到，在 9 月 7 日，价格突破了较低的布林线，然后反弹。价格再次下降，但没有突破较低的布林线，因此，这可以称为双底设置。

如果我们更进一步，我们可以在 10 月 5 日以后看到同样的模式。

双顶

类似于双底集中在下布林线，双顶出现在上布林线。与之前看到的双底相比，双顶的形成是很少见的。

在双顶(或 M 顶)中，我们倾向于观察价格在下跌一段时间后再次上涨之前突破布林带上轨的情况。交易员将检查第二次上涨是否收于布林带上轨以下，只有那时他们才会做空资产。

例如，价格在 8 月 7 日突破了布林带上轨，然后再次跌破布林带上轨。8 月 10 日再次上涨，但没有突破布林带上轨。因此，这是一个双顶设置。

波段交易

对于满足于低风险但安全的投资回报的相对低风险的人来说，一个有效的策略是把 SMA 作为进场或出场的信号。因为 SMA 本质上是一个均线，价格从 SMA 的一边到另一边波动，你一定会盈利。这种策略也可以在波动性非常低的时候使用。

在图表中，你可以看到在 2 月 6 日，当价格到达 SMA 时，它改变方向，到达布林带下轨，然后再次反转方向。

早期策略的一个变化是，当价格触及 SMA 时，我们不是退出，而是在波段内和趋势内进入交易，在触及另一个波段时退出。例如，如果收盘价在再次上涨之前触及了布林带下轨，并且如果我们确信它将维持价格上涨，我们就买入股票，并在触及布林带上轨时退出。

在图表中，你可以看到价格在 5 月 9 日触及布林带上轨时改变方向，在 5 月 22 日触及布林下轨时再次改变方向。

限制

布林线的局限性在于，它们是使用 20 天移动平均线计算的，这意味着它们对所有数据点的权重相同。因此，最近发生的事件不会被赋予更大的权重，可能会削弱指标正确观察趋势的能力。

人们普遍认为，我们不应该使用布林线作为唯一的指标来进行交易，因为它不会盈利，因为简单的事实是，市场不会奖励个人表现明显。一个好主意是将它与其他指标如 MACD 或 RSI 配对，以做出更好的交易决定。

总之，布林线是理解资产价格行为的好方法，有助于我们更好地决定何时交易。您可以使用不同指标的组合来创建自己的策略。算法交易策略的入门包将帮助你使用能够适应实时市场条件的技术指标创建量化交易策略。

算法交易的必备书籍

原文：https://blog.quantinsti.com/books-algorithmic-trading/

由查尼卡·塔卡

当你完全沉浸在想要学习新东西时，你开始寻找围绕学习过程的一切。怀着学习算法交易的渴望，一定有一些问题困扰着你，比如:

算法交易书籍——在哪里可以找到？
有免费的算法交易书籍吗？
我在哪里可以找到基本算法交易书籍的列表？
有哪些好的算法交易书籍？
初学者算法交易书籍清单

这些是世界各地有抱负的算法交易新手在热门论坛上提出的一些问题。

如果你渴望成为一名交易者，拿起一本算法交易的书，吸收这本书提供的所有内容，这将是很棒的。在这篇文章中，你会发现有抱负的定量分析师需要关注的核心领域，以及相关的好读物。

我们建议你用《算法交易书》迈出学习算法和量化交易的第一步——quantin STI 写的《粗略的现成指南。你可以免费下载！

上面提到的书是为所有想学习算法交易的初学者准备的，因为它包含了最相关的基本信息。这里有一个列表，让你知道谁将从这本书中获益最大:

大学生
技术专业人员
职业交易员
兼职交易员
任何渴望应用定量金融的人

现在，让我们浏览以下几大类，你会发现一些真正重要的算法交易书籍:

关于市场微观结构的书籍
统计学书籍&计量经济学
技术分析书籍
期权交易书籍
高级统计学书籍
关于机器学习的书籍
关于 Python 算法交易的书籍

首先，让我们看一下市场微观结构中的书籍，因为在学习如何开发交易算法之前，学习这些是必要的。

关于市场微观结构的书籍

它告诉我们交易/交换是如何在市场中发生的。此外，它深入研究了市场参与者，交易方法，流动性，价格发现，交易成本等。

而且，它带给你所有关于开发算法交易系统的知识。因此，它的结论是，对市场微观结构的良好认识是高频交易者和做市商的重要前提。

提到几本关于市场微观结构的书，以下是你可以参考的:

拉里·哈里斯的《交易与交换:从业者的市场微观结构》

在这本书里，你会发现所有与交易和市场运作相关的东西。从交易证券和合约的人，市场和参与交易证券和合约的人，这本书涵盖了一切。

正如作者所说，这本书的主要目标是理解市场质量特征的起源，如流动性、交易成本、信息价格、波动性和交易利润。

该书还详细介绍了市场结构——交易规则和信息系统如何影响上述市场特征。

莫琳·奥哈拉的市场微观结构理论

这本书是市场微观结构研究理论工作的综合指南，是高频交易者的必备读物。

这本书向读者介绍了市场微观结构中的一般问题和难题，并进一步深入研究了库存、基于信息和知情交易者的战略交易者模型。

这本书的最后几章提供了关于信息和价格过程之间的关系，流动性和市场之间的关系的细节。

Ernest P. Chan 的《算法交易:获胜策略及其基本原理》

这本书是算法交易策略的实用指南，散户和机构交易者都可以使用。欧内斯特·陈博士在本书中介绍了一系列简单的线性策略。

它以回溯测试和自动化执行的章节开始，涵盖了均值回归策略及其在股票、ETF、货币和期货上的实施。

欧内斯特·陈博士也在书中专门用了几章讲述日内和日内的动量策略。这本书以风险管理一章结束。

巴里·约翰逊的《算法交易和 DMA:直接交易策略介绍》

这本书是买卖双方交易者关于算法交易和直接市场准入(DMA)的综合指南。

该书包含以下主题的详细章节:

订单，
交易算法( TWAP 、 VWAP )、实施短缺、适应性短缺等。),
交易成本，
战略执行战术，
高级交易策略和其他主题。

好了。让我们转向算法交易书的另一个主要类别，那就是统计学和计量经济学。

统计学和计量经济学书籍

由于算法交易变得如此有竞争力，统计学和计量经济学为系统化和有组织的交易提供了基础。

为了预测市场中的交易，这个系统化的交易系统使用时间序列分析和其他统计模型。此外，如果你想受雇于一家定量公司，你需要有扎实的数学和统计学知识。

这是新公司需要的一项基本技能，因此，以下关于统计学和计量经济学的书籍是学习的好起点:

Dominick Salvatore 和 Derrick Reagle 编写的 Schaum 统计学和计量经济学大纲

从介绍统计学和计量经济学到采用解决问题的方法，这本书涵盖了算法交易所需的一切。这本书为你提供了包括理论部分和原理的主题，并用例子充分说明。

为了给读者提供“容易理解”的信息，这本书用详细的，一步一步的解决方案覆盖了许多理论和实际问题。

Ruey s . Tsay 对金融时间序列的分析

如果你想要一本书，可以向你介绍计量经济学模型及其在建模和预测金融时间序列数据中的应用，那么这就是一本。它涵盖了你的重要话题。

你会学到:

线性时间序列分析，
非线性模型，
多元时间序列分析，
高频数据分析，
PCA，
状态空间模型，
卡尔曼滤波器及其他相关主题。

此外，为了使主题的应用成为一项简单的任务，这本书有经验的例子演示应用。

此外，涵盖一些相关书籍的另一大类是技术分析。让我们看看所有的算法交易书籍中哪些是可以接近学习和应用技术分析的。

关于技术分析的书籍

在交易中，技术分析和技术指标的使用非常广泛。为了在定量交易中作为额外的过滤器，技术指标扮演着重要的角色。

不仅在 quants 的量化交易策略中，技术分析书籍也在机器学习模型中得到应用，这些模型被用作输入。

约翰·j·墨菲的《金融市场技术分析:交易方法和应用综合指南》

由于这本书被认为是技术分析的圣经，它提供了对金融市场技术分析的深刻见解。而且为了你更好的理解，作者已经用简单易懂的语言写好了。

它为您提供:

图表结构，
趋势的基本概念，
反转模式，
移动平均线，
振荡器，
股市指标，
先进的技术指标等重要话题。

推荐给日内交易者和长期投资者，这本书提供了对金融市场技术分析的深刻见解。

技术分析讲解:马丁·普林的《成功投资者发现投资趋势和转折点指南》

这本书是一本关于技术分析概念的好书。此外，书中阐述的实际例子可以应用于现实世界的交易。

为便于您深入理解，本书分为三个部分:

第 1 部分详细介绍了趋势确定技术
第 2 部分描述了市场结构，以及
第 3 部分讨论市场分析的其他方面。

所有这些概念为你提供了如何通过技术分析观察投资者过去反应的知识。此外，这本书帮助你学会制定正确的策略来增加利润。

基于证据的技术分析——将科学方法和统计推断应用于交易信号

这本书帮助你检查如何应用科学方法和最近开发的统计测试来评估技术交易信号。

这本书的作者已经解释了主题和方法，这样你就能识别最好的交易信号。

向前看，在算法交易书籍中还有另一个非常重要的类别，被称为“期权交易，这是学习算法交易时必须涵盖的。

期权交易书籍

期权和期货是市场上交易量很大的工具。期权交易已经变得非常复杂。期权对于有抱负的量化分析师和交易者来说非常重要，可以很好地理解波动性、希腊人和各种期权策略。

为了给你提供相关的参考，我们列出了以下两本关于期权交易的书，你会发现它们很有用。

约翰·C·赫尔的期权、期货和其他衍生品

在量化金融中，这本书起着重要的作用。你会在最初的章节中找到衍生合约的基础知识。在前面的章节中，作者用大量的例子解释了困难的主题，以使解释更容易。

赫尔报道了期权市场的不同话题。它们包括以下主题和许多其他主题:

期权市场的机制，股票期权的性质
期权交易策略，布莱克-斯科尔斯-默顿模型
股票指数、期货期权和货币期权
希腊人，波动微笑

如果你想探索更多与期权复杂性相关的话题，并在期权交易中取得成功，你会发现这本书是一本好书。

Nassim Taleb 的《动态套期保值:管理普通和奇异期权》

这本书是交易者的好读物，作为更大的风险管理框架的一部分，它论述了对冲标准和奇异期权风险的实用性。

这本书由四部分组成:

第一部分定义了市场微观结构和产品
第 2 部分定义了普通期权风险和度量工具的基础
第 3 部分描述了奇异期权的风险
第 4 部分提供定量分析工具

总体而言，它涵盖了希腊人的行为，波动性和相关性，波动性交易，交易和对冲奇异期权，以及各种其他主题。本书的最后一部分在“模块”类别下讨论了高级数学主题。

好了，现在既然有一些其他的类别服务于学习算法交易的目的，让我们从“高级统计学”的角度来探索一下有哪些书籍可以参考学习。

高级统计学书籍

高级统计是用于测试两个统计数据集之间关系的概念。它有助于组织和表示由数值组成的数据集。一般来说，统计学处理的是事实。

在这个过程中，对事实进行分析，然后从中创建一个数据集。对于算法交易，数据集起着重要的作用，因为过去的数据集有助于预测未来的价值。

看看算法交易可以参考的高级统计学的书籍:

Trevor Hastie、Robert Tibshirani 和 Jerome Friedman 的《统计学习的要素》

这本书是关于统计学习的重要主题的一个完整的包裹。因为它提供了诸如医学、生物学、金融等领域的信息，你会得到大量的信息。

作者们通过图形表示和真实世界的例子共同完成了本书的内容。在这本书里，你会发现最相关的技术和有用的概念。

广义概念包括:

随机森林
集成方法
最小角度回归和
套索的路径算法
非负矩阵分解，以及
谱聚类

迈克尔·拉文的《统计学思想导论》

这本书包括微积分的先进知识，也是为所有的学生谁是在高年级本科水平，以及在介绍研究生水平。

每一个精通微积分的人肯定会从这本书中受益。此外，这本书利用计算机计算和模拟作为帮助你学习深入主题的一种方式。

好吧！机器学习是制作交易算法的另一个重要类别。因为它通过减少人类的时间和精力来帮助人类，你将会在前面看到所有的书都包含了什么。

关于机器学习的书籍

作为人工智能的子集，机器学习的概念是计算统计学，这意味着使用计算机进行预测。

机器学习也称为预测分析，因为它使用计算机化的系统来分析和预测数据集的未来值。在这个概念中，最初，需要人工干预来为计算机编程，但后来计算机根据过去反馈的信息自行做出改进和决定。

这些书可以帮助你学习创建算法的机器学习:

马科斯·洛佩兹·德·普拉多的《金融机器学习的进展》

如今，机器学习的概念正在帮助人类完成重要的任务，这些任务过去只有拥有专业知识的人才能够控制。

这本书将为您提供结构化大数据、使用机器学习算法进行研究以及使用改进很多的计算方法的深入知识。

它有关于那些经常使用机器学习的人所面临的现实生活问题的全面内容。您甚至可以在特定的环境中测试解决方案，并配备强大的工具来取得成功。

算法交易的机器实践学习:基于智能算法设计和实施投资策略，这些算法使用 Python 从数据中学习

这本书帮助你学习如何进入市场，并学习像贝叶斯算法。此外，它还为您提供了关于使用 pandas、statsmodels、xgboost、lightgbm 等的深入知识。

此外，您还将学习使用 spaCy 从文本数据中提取特征。还有，学习包括新闻分类和情感评分。通过这本书，你还可以学习如何成功地建立和评估神经网络。

并且，它将在 OpenAI 健身房为你提供交易策略的强化学习。

神经网络&深度学习，尼尔森(免费)

这是一本身临其境的在线书籍，帮助您获得先进的 ML 概念的知识。绝对是获得深度学习和神经网络知识的完美读物。而且，它是免费提供的！

这本书包含了关于这个主题的丰富知识。它为您提供了对内容的深入了解。从关于“这本书是关于什么的”的简介到关于神经网络和深度学习的一切，它给你一种专家亲自教你的感觉。此外，图表和方程用例子详细解释，使学习更好。

好吧！在机器学习之后，另一个帮助你进行算法交易的重要类别是 Python 语言。

关于算法交易的 Python 书籍

你们一定听说过或者已经知道 Python 编程语言，它也被广泛应用于算法和量化交易领域。前方你会看到所有学习 Python for trading 的书籍，以便做出最好的交易算法。

初学者:QuantInsti Python 手册(免费)

要开始学习 python，你必须参考这本书，因为它包含了从基础学习到获得关于熊猫的知识的所有内容。此外，通过大量直接的例子，你会对这些概念有一个很好的理解。

有了这本书，你可以在开始实际使用 Python 之前学习最相关的信息。这本书也适用于那些想要快速更新 Python 数据分析知识的程序员。

最好的部分之一是它是免费的。作为初学者，您可以简单地点击链接并获取自己的副本进行学习。

一天学会 Python&陈洁明学好它

它说的就是它做的！这本书提供了从初级到高级学习 Python 所需的一切。这肯定会为您以后使用 Pandas、Numpy 和 Scipy 等库构建高级和特定的模型提供一个很好的基础。

因为它的目的是为你提供一切相关的信息，而且很简单，它能让你快速学习。看完这本书，你可以立即开始编码。

因为你可以通过这本书快速学习 Python，所以你也可以很快开始练习这门语言。你练习得越多，在使用 Python 进行数据分析和创建算法方面就会变得越好。

西奥多·彼得鲁的熊猫食谱

对于那些正在寻找快速“学习诀窍”的人来说，这本书是一本很棒的读物。因此，为了简化那些曾经让你想要这样一本书的操作。

唉！这只是你的愿望实现了，我很感激自己能完成这本书。这是一本让你深入了解熊猫的好书，也是你探索系统交易的必备书籍。这本书旨在为你提供彻底学习的实际情况。

金融 Python:掌握数据驱动的金融，作者 Yves Hilpisch

这本书为你提供了直接的应用和重要的功能，是一本很好的深度读物。有了这本书，你会对各种功能有很好的了解。此外，它教你形成基于蒙特卡罗模拟的衍生产品和风险分析的成熟框架。

太好了！在列出了一大堆属于不同类别的各种算法交易书籍之后。

我们以前也报道过最受欢迎的算法交易博客，你可以看看专家写的关于算法交易的博客。

结论

在算法交易方面，我们已经涵盖了大部分属于相关领域的重要书籍。我们希望上述书籍能帮助你了解算法交易的所有内容。

我们的目的是把所有这些书都考虑进去，这些书对于学习当代自动化的交易算法是必不可少的。

也可以查看免费资源学习算法交易。

如果你渴望建立一个算法交易的基础，看看 Quantra 上的算法交易入门课程！它解释了算法交易的内容、方式和原因。非常适合那些想了解该领域全貌的人。

如果你真的想在领先的行业专家的指导下深入学习算法交易，QuantInsti 的 EPAT 是你需要的算法交易课程。联系课程顾问，了解更多 EPAT 项目及其好处。

Python 中的断翼蝴蝶期权交易策略

原文：https://blog.quantinsti.com/broken-wing-butterfly-options-trading-strategy-python/

由维拉伊·巴加

与过去相比，如今期权交易更受欢迎，这导致了各种类型的期权交易策略的产生。有些留了下来，有些进化了，而有些可能已经不复存在。蝴蝶期权就是这样一种已经被交易者实践多年的期权。期权交易者练习一种改良的蝴蝶效应来获得或增加收入。

对于许多期权交易者来说，蝴蝶差价是一种从在预测范围内收盘的基础资产中获利的方式。然而，这样做的缺点是，如果价格接近所选择的执行价格参数，就会发生资本的完全损失。

什么是断翅蝴蝶策略？

在我们之前的博客中，我们已经过了蝴蝶期权交易策略和铁蝴蝶策略。然而，这个家庭还有一个成员值得一提。断翅蝴蝶通常被称为“跳击蝴蝶”。

Futuresmag 创造了“断翼蝴蝶”，这是一种强有力的蝴蝶替代品，其目标是零成本启动交易。

这是一个著名的高级期权策略，建立在蝴蝶差价的积极特征上。不像长蝴蝶，人们必须支付新的借方，断翼蝴蝶策略是一种净信贷策略，经常被用来增加 POP(盈利概率)。

断翼蝴蝶策略与蝴蝶相同，其中卖出价差通常比买入价差更大。它是一个长的蝶式排列，长的走向与短的走向不等距，即。最远的 OTM 翼调整到更远的 OTM。较宽的一面被称为“破损”面，这就是该策略的名称。

要理解这项技术的复杂性，从基础开始很重要。在这里，我们将奠定基础，然后建立一些股票期权市场的断翼蝴蝶策略的例子。

断翅蝴蝶战略方向

中性/轻微方向性
断翼蝴蝶的买入和卖出更多的是一种定向策略，而不是标准的蝴蝶策略
一方比另一方有更大的风险，并在另一端补偿风险

该策略在理想情况下应该是这样的:

断翅蝴蝶期权策略集锦

最大利润

较窄利差的宽度+收到的贷方-或-较窄利差的宽度-支付的借方

当标的以期权的短期执行价格到期时，利润最大。

与长蝴蝶价差相比，交易断翅蝴蝶价差允许我们增加盈利的可能性，因为尾部上限弥补了其他尾部盈利的损失

最大损失

最大的损失发生在最大的货币期权到期时。

如何计算盈亏平衡

断翅唤蝶

净信贷:做空+息差收窄+收到信贷

净借方:

向上:短线+较窄价差的宽度-借方已付
向下:较低的多头看涨期权+已支付的借方

断了翅膀放蝴蝶

净信贷:短冲-较窄利差-收到的信贷

净借方:

向上:更高的长期看跌期权-借方已付
向下:(短冲-较窄价差的宽度)+借方已付

利润对比

对于买入和卖出的蝴蝶差价，当标的以中间的卖空执行价格到期时，你的最大利润就产生了。

潜在利润=冲次 B -冲次 A +支付的净借方或潜在利润=冲次 B -冲次 A +收到的净贷方

叫断翅蝴蝶扩散

这些都有一个看涨的市场假设

利润=交易(为新信贷而进行的交易)+基础价格(is

利润=基础价格(is

放断了翅膀的蝴蝶展开

这些都有看跌市场的假设

利润=交易(净信贷)+基础价格(is >到期时的卖空期权)

利润=基础价格(is >卖空执行价格)-收到的信用(出售差价)-长差价的宽度

风险(最大值。损失)

冲 C -冲 D -收到净贷方或冲 C -冲 D +支付净借方

断翼蝴蝶期权交易策略

断翅蝶就像是在长叫蝶传播里面嵌入了一个短叫垂直传播。

建立净贷方(或相对较小的借方):这是通过其中包含的短期买入垂直价差实现的。

死击:分别建立蝶式展开和短垂直展开时发生。这就需要买入和卖出一个带有 Strike 的看涨期权，两者相互抵消。

设置一个断翅蝴蝶策略

差价可以由所有看涨期权或所有看跌期权构成
一般来说，股票将处于或低于罢工 A
执行价格是等距的
所有选项都有相同的到期月份，即。2018 年 3 月 28 日

交易包括两个做空期权和一个高于和低于做空期权的做多期权:

买入 1 份看涨期权/看跌期权(高于短期行权价)- A
卖出两个看涨期权，执行价格为 B
跳过执行价格 C
买入 1 份看涨期权/看跌期权(低于短期行权价)–D

例子

举一个以卢比交易的 RELINFRA 的样本股票。100:

在 XYZ 买 1 120 电话
在 XYZ 销售 2 105 个电话
在 XYZ 买 1 100 电话
净信贷=卢比。10

在这个例子中，120 呼叫距离短击 15 点，而 100 呼叫距离短击 5 点。此外，如果上涨时打击扩大，交易将被记入贷方，因此，没有下跌风险。

一只普通的长蝴蝶与卢比这样的执行价格相平衡。100/-卢比。105/-，卢比。120/-(两个长翼选项与中间的短翼选项距离相等)。

一只折翼蝴蝶的价格会像卢比。100/-卢比。105/-，卢比。120/-(长 Rs。120/-选项为 Rs。15/-远离中间选项，而 Rs。100/-长选项只有 Rs。5/-远)。

实施断翅蝴蝶交易策略

在这个例子中，我将使用 INFOSYS(股票代码:Infosys)期权。

现货价格:1164
看涨期权执行价格:1140 英镑(溢价:36.5 英镑)
做空看涨期权执行价格:1160 英镑(溢价:23.5 英镑)
看涨期权 2 执行价格:1200 英镑(溢价:8.5 英镑)

策略

我们将从导入库开始。

导入库

import numpy as np
import matplotlib.pyplot as plt
#import seaborn
plt.style.use('ggplot')

电话支付

def call_payoff (sT, strike_price, premium):
return np.where(sT> strike_price, sT-strike_price, 0)-premium
# Infosys Spot Price
s0 = 1164
 
# Long Call (A)
lower_strike_price_long_call= 1140
premium_lower_strike_long_call = 36.5
 
# Short Call (B)
strike_price_short_call = 1160
premium_short_call = 23.5
 
# Long Call (D)
higher_strike_price_long_call = 1200
premium_higher_strike_long_call = 8.5
 
# Range of call option at expiration
sT = np.arange(1050,1250,1)

长期买入回报

降低买入看涨期权的回报

lower_strike_long_call_payoff = call_payoff(sT, lower_stirke_price_long_call, premium_lower_strike_long_call)
 
fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,lower_strike_long_call_payoff, color='g')
ax.set_title('LONG 1140 Strike Call')
plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')
plt.grid()
 
plt.show()

更高的看涨期权收益

higher_strike_long_call_payoff = call_payoff(sT, higher_strike_price_long_call, premium_higher_strike_long_call)
 
fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,higher_strike_long_call_payoff, color='g')
ax.set_title('LONG 1200 Strike Call')
plt.xlabel('Stock Price (sT)')
plt.ylabel('Profit & Loss')
plt.grid()
 
plt.show()

短期买入回报

Short_call_payoff = call_payoff(sT, strike_price_short_call, premium_short_call)*-1.0
 
fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT, Short_call_payoff, color='r')
ax.set_title('Short 1160 Strike Call')
plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')
plt.grid()
 
plt.show()

断翅蝴蝶蔓延开去

BrokenWing_Butterfly_spread_payoff = lower_strike_long_call_payoff + higher_strike_long_call_payoff + 2 *Short_call_payoff
 
fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,BrokenWing_Butterfly_spread_payoff ,color='b', label= 'Broken Wing Butterfly Spread')
ax.plot(sT, lower_strike_long_call_payoff,'--', color='g',label='Lower Strike Long Call')
ax.plot(sT, higher_strike_long_call_payoff,'--', color='g', label='Higher Strike Long Call')
ax.plot(sT, Short_call_payoff, '--', color='r', label='Short call')
 
plt.legend()
plt.grid()
plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')
plt.show()

BrokenWing_Butterfly_spread_payoff = lower_strike_long_call_payoff + higher_strike_long_call_payoff + 2 *Short_call_payoff
 
fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,BrokenWing_Butterfly_spread_payoff ,color='b', label= 'Broken Wing Butterfly Spread')
plt.legend()
plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')
plt.grid()
plt.show()

profit = max(BrokenWing_Butterfly_spread_payoff)
loss = min(BrokenWing_Butterfly_spread_payoff)
 
print ("Max Profit %.2f" %profit)
print ("Max Loss %.2f" %loss)

Max Profit: 22.00
Max Loss: 18.00

结论

由于甜蜜点很窄，而且你在一个策略中交易三个不同的期权，跳过打击蝴蝶可能更适合更高级的期权交易者。经验丰富的老兵和更高应该普遍实行它

如果市场下跌，这两种策略都可能在到期时亏损，但断翅蝴蝶价差对下跌是持久的，可以承受更大的亏损。也就是说，断翅蝴蝶的收支平衡比蝴蝶好，因为它会提供更多的保护。

一些相关术语

蝴蝶价差: 它是多头价差和空头价差的结合，是一种中性的交易策略，因为它的风险选项和盈利潜力有限

短蝴蝶:与长蝴蝶相反，在股票价格可能向两个方向变动时使用

****长蝶泳:**使用看跌期权练习长蝶泳

铁蝴蝶: 它也是牛熊价差的组合，一种有限风险和有限利润的交易策略，其中包括使用四种不同的期权

翼展:成员以各种飞行生物命名的翼展家族

下一步

一步一步的指导，帮助你学习如何使用移动平均交叉策略来交易漂亮的期权。使用 Python 编程探索交叉信号的回溯测试，以从您的交易策略中获得最佳结果。

下载数据文件

断翼蝴蝶期权策略- Python 代码**

用 Python 构建技术指标

原文：https://blog.quantinsti.com/build-technical-indicators-in-python/

通过chaineka Thakar和丹麦 Khajuria

技术指标本质上是基于数据集的数学表示，如价格(高、低、开、闭等)。)或证券交易量来预测价格趋势。

有几种技术指标可以用来分析和检测价格的运动方向。比如动量交易、均值回复策略等。交易者在交易时通常使用指标来预测未来的价格水平。

让我们通过这篇博客了解如何使用 Python 构建技术指标，这篇博客涵盖了:

什么是技术指标？
为什么要用 Python 技术指标？
交易技术指标

什么是技术指标？

技术指标并不遵循一个通用的模式，也就是说，它们在每一种证券上都有不同的表现。对某一种证券来说可能是个好指标的东西，对另一种证券来说可能就不一定了。因此，使用一个技术指标需要法学和良好的经验。

因为这些分析可以在 Python 中完成，所以还插入了一段代码以及指示器的描述。为清晰起见，还附上了示例图表。我们之前也报道过最受欢迎的交易博客，你可以看看Python 上最受欢迎的交易博客。

为什么要用 Python 技术指标？

技术指标是一套应用于交易图表的工具，帮助交易者更清楚地进行市场分析。

例如，技术指标确认市场是否在跟随趋势，或者市场是否处于区间波动状态。

此外，指标可以提供具体的市场信息，如资产在一个范围内何时超买或超卖，以及何时反转。

我们将使用 python 对这些技术指标进行编码。Python 用于计算技术指标，是因为其简单的语法和易用性使其极具吸引力。

Python 也有许多现成的数据操作库，如 Pandas 和 Numpy 以及数据可视化库，如 Matplotlib 和 Plotly 。

交易的技术指标

现在，让我们看看用于交易的 Python 技术指标。有很多指标可以使用，但我们列出了交易领域最常用的指标。此外，用 Python 显示了指示器的用法，以方便用户。

下面是 Python 技术指标的列表，如下所示:

移动平均线
布林线
相对强度指数
资金流动指数
平均真实范围
力指数
移动方便

移动平均数

移动平均，也称为滚动平均，是指定数据字段在给定的一组连续周期内的平均值。当有新数据可用时，通过删除最早的值并添加最新的值来计算数据的平均值。

因此，本质上，平均值是随着数据滚动的，因此被称为“移动平均线”。

此外，移动平均线是一个技术指标，通常与时间序列数据一起使用，以平滑短期波动并减少数据的临时变化。

有三种流行的移动平均线可以用来分析市场数据:

移动平均线的 Python 代码

让我们用 Python 代码来看看移动平均线指标的工作原理:

使用价格指标和情绪指标构建外汇交易的随机森林回归模型

原文：https://blog.quantinsti.com/building-random-forest-regression-model-forex-project-christos/

本文帮助您了解如何构建一个机器学习模型，该模型可以根据前几天的数据预测第二天的货币收盘价。

本项目中使用的完整数据文件和 python 代码也可以在本文末尾下载。

本文是作者提交的最后一个项目，作为他们在 QuantInsti 的算法交易管理课程( EPAT )的一部分。请务必查看我们的项目页面，看看我们的学生正在构建什么。

关于作者

克里斯特斯·克兰沃斯学过经济学、工商管理和信息学。他拥有 ICT 理学硕士学位以及 Udacity、Kaggle 和 Google 的多项编程和机器学习认证。克里斯特斯对人工智能、机器人、无人机和金融科技充满热情。

2019 年 7 月，他因成功完成 QuantInsti 提供的算法交易高管课程而获得卓越证书。他已经做了两年的独立外汇交易员，使用各种平台，如 MT4、EAs、QuantConnect、Blueshift 和 InteractiveBrokers。

目前，他住在希腊的约阿尼纳，教授教育机器人学，已婚，有一个孩子。

项目摘要

该项目是关于建立一个机器学习模型，该模型可以根据前几天的 OHLC 数据、EMA、RSI、OBV 指标和 Twitter 情绪指标预测第二天的货币收盘价。

它基于随机森林回归，因为它结合了树木的预测能力和避免过度拟合的好处。此外，情绪指标的引入平衡了技术分析的局限性，并从行为经济学领域提取信息。

简介

我认为 ML 回归可以给出交易策略设置的见解，否则将保持隐藏，同时，它不是一个黑匣子，因为你可以评估预测并决定使用哪些。

此外，我每天交易外汇货币对，希望我可以用它来进行真正的交易。使用预测器、技术指标和情绪指标应用机器学习来预测趋势，以便创建一个考虑技术和基本面的更稳健的策略。

已经采取了以下步骤:

从可靠的外汇数据提供商获取数据。
下载 2 年的历史数据为 CSV 文件。
创建功能。
对问题使用随机森林模型。
使用交叉验证。
训练模型。
对考试进行预测。
根据测试和准确度分数，对预测值进行一些更改。
评估最终模型。

数据挖掘

2 年期的欧元/美元外汇货币对。

来源:mt4 交易平台 2016-12-31 至 2018-12-31 的历史数据，每日时间段，共 524 个交易日。

数据分析

TA - library 用来计算四个技术指标，均线空头和多头，RSI 和 OBV。

第二天的收盘价被用作预测目标。

GetOldTweets3 库用于获取 2016 年 12 月 31 日至 2018 年 12 月 31 日同一时期的历史推文，由于时间限制，最多 5000 条推文。

textblob 库用于获取情绪极性，数据使用每日时间范围重新采样用于平均值计算。

作为预测指标，使用了以下内容:['开盘'，'高'，'低'，'收盘'，'成交量'，'均线 _ 短'，'均线 _ 长'，'相对强弱'，' obv '，'推特 _ 情绪']

此外，我们利用了两个分裂的数据。第一组把数据分成一组训练测试和一组非训练测试。第二个交叉验证了 5 次训练集。

在初始未接触组上测试的模型的预测能力

主要发现

通过使用 ML，特别是随机森林回归，使用价格数据、技术指标和情绪指标的组合作为预测器，可以构建一个相当有用的交易模型。

ML 通过找到交易的各种因素和组成部分的最佳组合来减轻交易者的负担。

从简单的买入并持有基准策略来看，多数时候 ML 策略的回报似乎更好。

注 :

cum_ret:买入并持有

累积 _ 策略 _ 回报:策略回报

战略的夏普比率在回测的大部分时间里大约是 2。

一些指示性措施有 :

模型得分= [0.96615782505226，0.9499368283378423，0.9793830955075918，0.946102298022616，0.9707968097158307]

预测值的重要性:[0.11186647 0.12960734 0.22891741 0.20857127 0.0023034 0.13688.1645709 0.01266

平均绝对误差:0 . 000 . 3686868668686

均方差:2.7342703703148714e-05

均方根误差:0 . 000 . 3686868686865

可视化模型的树

(完整的树可以从下载中获得)

挑战

以下是令人关切的主要问题:

Twitter 数据的收集存在问题。这 5000 条推文是 twitter API 限制、时间约束和本地计算能力之间的妥协。
因此，最终有用的数据量很少，无法得出可靠的结论。
将数据分为训练、测试、验证和样本外数据的需求进一步恶化了研究结果的统计价值。
很难在实时交易中训练和实现这一模型，因为我们一直需要不那么容易获得的 twitter 数据。

结论

该模型具有在实际工程中应用的潜力。我们可以在下面看到训练集和未接触集的预测有多接近，并且它从基准测试中产生了更好的回报，具有令人满意的夏普比率。

当然，优化可以而且应该在上线之前完成，这包括均线周期、挑选最有用的预测指标、使用交叉等进一步的预测指标、缩放一些预测指标以及使用更深入的历史数据。

如果你想学习算法交易的各个方面，那就去看看算法交易(EPAT) 的高管课程。该课程包括各种培训模块，让你具备在算法交易中建立一个有前途的职业生涯所需的技能。

免责声明:就我们学生所知，本项目中的信息是真实和完整的。学生或 QuantInsti 不保证提供所有推荐。学生和 QuantInsti 否认与这些信息的使用有关的任何责任。本项目中提供的所有内容仅供参考，我们不保证通过使用该指南您将获得一定的利润。

下载中的文件:

Source.gv.pdf
Tweets.csv
Final _ Project _ 克里斯特斯 _Gklinavos_v6.html
Final _ Project _ 克里斯特斯 _Gklinavos_v6.ipynb
Forex.csv
Source.gv

参考书目

看涨期权传播策略

原文：https://blog.quantinsti.com/bull-call-spread-strategy/

由尼廷·塔帕尔

简介

在我的上一篇博客中，我解释了扼杀策略是如何运作的。这一次，我将带您了解看涨期权的传播策略。这种策略在新手交易者中很受欢迎，因为它简单易行，风险有限，但如果你选择了正确的机会，就有很大的潜力获得可观的投资回报。

这种策略是希望最小化风险并获得适度投资回报的交易者的首选。

什么是看涨期权传播策略？

看涨期权价差策略包括相同基础证券的期权，到期日相同，但执行价格不同。因此，这种战略也被称为【垂直传播】。

战略亮点

期权的价格:

购买 1 OTM 罢工呼吁
卖出 1 个 OTM 买入期权

最大利润:短期看涨期权的执行价格-长期看涨期权的执行价格-已支付的净溢价

最大损失:已付净保费

盈亏平衡:看涨期权的执行价格+已支付的净溢价

如何实施这一战略？

让我们通过一个例子来学习这个策略。如果印孚瑟斯有限公司(INFY)的股票交易价格为 1130 印度卢比，作为一名交易员，如果我预计印孚瑟斯有限公司在 2018 年 3 月 28 日到期日将小幅上涨至 1200 印度卢比，那么，为了从这一观点中获利，我将购买 20 印度卢比的 1160 印度卢比执行看涨期权。

资料来源:nseindia.com

如果我的观点是正确的，股票涨到 1200 印度卢比，那么 1160 执行看涨期权将会获利 40 点，扣除溢价后，净利润大约为 20 印度卢比，但是如果我的观点是错误的，那么我将失去 20 印度卢比的溢价。为了区区 10 卢比的奖励而冒 20 卢比的风险，看起来并不是正确的做法。

这就是看涨期权价差策略发挥作用的时候了。为了提高我的风险回报比，我可以做的是，除了以 20 印度卢比购买 1160 执行看涨期权，我还可以卖出 1200 印度卢比执行看涨期权，并收取 11 印度卢比的溢价。

购买 1160 罢工电话@ 20
卖 1200 打电话@ 11

资料来源:nseindia.com

这使得净应付溢价为 9 印度卢比，这仅仅是为长期看涨期权支付的溢价和从短期看涨期权收取的溢价之间的差额。

根据我的观点，如果 INFY 股票在到期日达到 1200 印度卢比，那么 1160 执行看涨期权的价格为 40 点，1200 执行看涨期权没有价值，在扣除 9 印度卢比的净溢价后，净利润为 31 印度卢比。

考虑不同的情况，如果 INFY 保持在 1160 的长期看涨期权执行价格以下。我们已经知道，如果期权在到期日没有价值，那么期权到期时就没有价值了。因此，执行价格为 1160 和 1200 的看涨期权都是无价值的，到期时一文不值。我将损失 20 印度卢比，即为 1160 罢工看涨期权支付的溢价，但从 1200 罢工看跌期权收取的溢价为 11 印度卢比。所以净损失是 9 卢比。

现在，如果 INFY 股票价格在到期日结束于 1160，多头看涨期权执行价格和 1200，空头看涨期权执行价格之间。那么，1200 执行看涨期权就不赚钱，没有价值，而 1160 执行看涨期权是赚钱的，值 INFY 股价和 1160 之间的差价。

这是我对 INFY 股票价格变化的收益的简单表示:

LS–IV–下限–内在价值(1160 CE)
PP–已付保费
LS 收益–较低的罢工收益
HS-IV–更高的冲击–内在价值(1200 CE)
PR-收到的溢价
HS 回报–更高的罢工回报

你可以点击博客底部的下载按钮下载报告单。你只需要在这张表上输入你的期权价值，就可以得到你的收益。

Python 中如何计算策略收益？

现在，让我用 Python 编程代码带你看一下收益图。

导入库

import numpy as np
import matplotlib.pyplot as plt
import seaborn

电话支付

我们定义一个函数来计算购买看涨期权的收益。该函数将 sT 作为输入，sT 是到期时股票价格、认购期权的执行价格和认购期权的溢价的可能值的范围。它返回看涨期权的收益。

def call_payoff(sT, strike_price, premium):
return np.where(sT > strike_price, sT - strike_price, 0) – premium

定义参数

# Infosys stock price
spot_price = 1130
# Long call
strike_price_long_call = 1160
premium_long_call = 20
# Short call
strike_price_short_call = 1200
premium_short_call = 11
# Stock price range at expiration of the call
sT = np.arange(0.95*spot_price,1.1*spot_price,1)

多头 1160 击看涨期权平仓

payoff_long_call = call_payoff(sT, strike_price_long_call, premium_long_call)
# Plot
fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,payoff_long_call,label='Long 1160 Strike Call',color='g')
plt.xlabel('Infosys Stock Price')
plt.ylabel('Profit and loss')
plt.legend()
plt.show()

做空 1200 份看涨期权的回报

payoff_short_call = call_payoff(sT, strike_price_short_call, premium_short_call) * -1.0
# Plot
fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,payoff_short_call,label='Short 1200 Strike Call',color='r')
plt.xlabel('Infosys Stock Price')
plt.ylabel('Profit and loss')
plt.legend()
plt.show()

看涨期权价差收益

payoff_bull_call_spread = payoff_long_call + payoff_short_call

print "Max Profit:", max(payoff_bull_call_spread)
print "Max Loss:", min(payoff_bull_call_spread)
# Plot
fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,payoff_long_call,'--',label='Long 1160 Strike Call',color='g')
ax.plot(sT,payoff_short_call,'--',label='Short 1200 Strike Call ',color='r')
ax.plot(sT,payoff_bull_call_spread,label='Bull Call Spread')
plt.xlabel('Infosys Stock Price')
plt.ylabel('Profit and loss')
plt.legend()
plt.show()

下一步

免责声明:股票市场的所有投资和交易都有风险。在金融市场进行交易的任何决定，包括股票或期权或其他金融工具的交易，都是个人决定，只能在彻底研究后做出，包括个人风险和财务评估以及在您认为必要的范围内寻求专业帮助。本文提到的交易策略或相关信息仅供参考。

下载数据文件

公牛呼叫传播- Python 代码
看涨期权价差-收益 Excel 表

从商业分析到量化投资 Siddhant 如何提高他的交易

原文：https://blog.quantinsti.com/business-analytics-quantitative-investing-epat-success-story-siddhant-vaidya/

"耐心、坚持和汗水是成功的最佳组合."拿破仑·希尔的这句话反映了西特汉的一生。Siddhant 拥有罗切斯特大学的金融硕士学位。

除了他的热情之外，多年来，他在基于因素的投资、股票交易、财务报表分析和定量分析方面获得了无数的专业技能。

我们很高兴分享他从商业分析师的工作，转移到美国股票交易员，现在进入数字资产量化投资领域的旅程。EPAT 让 Siddhant 掌握了 Algo 交易和 Python 语言。

嗨，Siddhant，给我们介绍一下你自己吧！

嗨！我是 Siddhant Vaidya ，我住在美国的泽西城。我目前在纽约银河数码公司的产品开发团队工作。

在此之前，我曾在定量研究、自营交易和商业分析领域任职。我喜欢尝试和挑战不同行业的自我。

我对加密货币、投资、机器人、航空和汽车充满热情。除了我对交易的兴趣之外，我最喜欢的活动是开卡丁车放松和发泄情绪。我也喜欢看电影，探索世界各地不同的美食。

你能描述一下你的旅程以及 Algo Trading 是如何进入这个画面的吗？

2016 年完成工程专业毕业后，我在商业分析和咨询领域找到了第一份工作。一年后，由于个人兴趣，我把兴趣集中在资本市场上。

加入 Capstone 后，我开始了我的金融职业生涯，在那里我是一名美国股票交易员。在接触了一些交易后，我想利用我的工程背景，学习各种技术来进一步提高我的交易水平。

这让我在 2018 年加入了 QuantInsti。EPAT 让我在另一个层面上接触到了这个行业。我承认像 Python 这样简单而强大的编程语言可以做什么。

2019 年，我加入了罗切斯特大学的金融硕士项目，在那里我接触到了投资管理行业、量化金融行业的许多方面，特别是基于因素的研究。

后来，我在 High Probability Advisors 工作了一年半，这是一家位于罗切斯特的定量咨询公司，我也参与了多个定量项目。

我对系统交易和金融领域的探索是永无止境的。

作为一个工程出身的人，你在学习算法交易时有没有遇到什么挑战？

发生的一件好事是，我在学习算法交易之前学会了交易。我与资本市场的第一次互动发生在我从事工程的第一年。

我开了我的第一个交易账户，用我仅有的一点知识，我开始对公司进行基本的基础研究，并购买它们的股票。幸运的是，我开始获得良好的回报。这种情况持续了几年，

我在顶点的经历对我来说是一个转折点。我每天都交易，并开始制定好的策略，最终有了好的结果。主要的挑战是，我找到了几十个潜在的报价机，但我很难同时手动交易 7-8 个以上的报价机。

手工交易不适合我。最终，我接触了算法交易。因为在交易中，人的局限性是一个很大的因素。我只是想增强它，扩大它的规模。后来，我发现了 QuantInsti 在算法交易(EPAT)方面的高管课程。

EPAT 的哪个特征让你印象深刻？

最初，当我坐下来学习这门课程时，我感到很害怕，因为我在完成学业后的周末参加了一个 3 小时的讲座！所以，我怀疑自己是否会致力于此。

但我觉得讲座的结构非常出色，练习材料和其他资料让我在整个课程中都很投入。

我花了很多时间编写不同种类的策略和程序。我发现的最有益的事情之一是我在 EPAT 的最后几个月里在 Varun Divakar 的指导下做的实践项目。我的经历是巨大的，直到今天还在继续帮助我。

EPAT 的另一个优点是多元化和校友社区。你可以从教员以及来自世界各地的学习伙伴和校友那里获得对行业和市场的独特视角。

EPAT 有一个惊人的教师队伍，包括非常成功的专业交易者，如陈博士，他同时也很谦虚。我有权向这些人提出我的每一个问题。他们每次都以同样的热情回应。

我发现 QuantInsti 非常敏捷，适应性强，并且紧跟市场趋势。

安置单元是 EPAT 皇冠上最大的宝石之一，因为在经历了课程上花费的所有时间和练习后，你希望有机会应用你所有的知识。对于学生来说，在这个非常小众的领域找工作也是非常有益的。他们为不同公司的各种角色提供多种工作机会，有这种支持感觉很好。

你对阅读你的故事的有抱负的算法交易者有什么建议？

EPAT 是任何与算法交易相关的资源。

我遇到过一些人，他们带着完成课程后立即获利的心态参加课程。但这不会在一夜之间发生。

我遇到过一些人问我:“对于像 EPAT 这样的课程，我们应该有什么样的期望？

了解和管理对您将获得的确切收益的预期以及本课程范围之外的内容非常重要。

我的第一条建议是，开始交易，获得真正的市场敞口。即使对你来说金额很小，你也可以从市场中学到很多。

我的第二个建议是学习编程或编码。好好把握它。编程，我的意思是，你需要了解市场上有什么类型的数据，你如何分析它们，什么样的分析会给你好的结果。

最后，对自己有信心。坚持不懈，继续努力，相信这个过程。

说得好，悉达多！你的抱负确实会驱使你走向成功。Siddhant，谢谢你与我们分享你的不可思议和真正鼓舞人心的旅程。就像你说的，如果一个人有必要的动力和毅力，他可以取得任何成就。我们祝愿你在未来的事业中一切顺利。

你可以在这里观看与 Siddhant 的完整讨论:

https://www.youtube.com/embed/ooAPD3a95Dw

如果你也想用终生的技能来武装自己，这将永远帮助你提升你的交易策略。这门 algo 交易课程的主题包括统计学和计量经济学、金融计算和技术以及机器学习，确保你精通在交易领域取得成功所需的每一项技能。现在就来看看 EPAT 吧！

Python 中的蝴蝶差价期权交易策略

原文：https://blog.quantinsti.com/butterfly-spread-options-trading-strategy-python/

由维拉伊·巴加

交易员和投资者认为市场的波动是赚取利润的机会。

如果股票上涨= >买入股票+买入看涨期权没有上涨太多= >应用多头价差下跌= >卖空股票+应用空头价差保持稳定= >应用蝴蝶期权策略

关于蝴蝶期权交易策略

蝴蝶期权策略是牛价差和熊价差的组合，是一种中性的交易策略，因为它的风险选项有限，利润潜力也有限。这种方法适用于其潜在价格在其生命周期内变化很小的股票。

它有利于方向性交易，可以在上涨或下跌时交易，在非方向性市场中也最有效。交易价值较大的股票风险相对较小，因此使用的保证金较少。当基础资产的未来波动性预期高于/低于多头/空头时，IV 蝴蝶价差很有可能赚取有限的利润。

蝴蝶战略的组成部分

蝴蝶选项策略由身体(中间双选项位置)和翅膀(两个相对的末端位置)组成。其属性如下所示:

这是一个三足战略
涉及买入或卖出看涨/看跌期权(不同于备兑买入策略买入股票并卖出 OTM 看涨期权)
可以使用看涨或看跌期权来构造
在同一到期日的 4 份期权合约
拥有相同的基础资产
涉及 3 个不同的执行价格(2 个具有相同的执行价格)
用这些电话创建 2 笔交易

购买 1 ITM 电话

以较低的执行价格买入
到期时关闭
提供最大利润

卖出 2 个 ATM 电话

以中等成交价格出售
创造收入
过期无效

购买 1 OTM 电话

以更高的执行价买入
过期无效

该策略在理想情况下应该是这样的:

条件

中、上、下执行价的差价必须相同。
中间执行价格应介于较高的执行价格和较低的执行价格之间。

蝴蝶扩散策略的计算

由此产生的净借方被用于交易。

有限利润

最大利润在以下情况下获得:

相关股票价格在到期时保持不变
只有较低的罢工呼吁到期的钱
现金价格等于到期日的中间执行价格

最大利润

最大利润=短期看涨期权的执行价格-较低的长期看涨期权的执行价格-支付的净溢价
标的价格=卖空期权的执行价格

有限风险

用于进入交易的初始借方限制了最大值。长蝴蝶传播的损失。

最大损失

最大损失=已付保费净额+已付佣金
标的价格= Strike Price of Lower Strike Long Call Price of Underlying > /=较高的执行看涨期权的执行价格

盈亏平衡点

蝶式价差头寸有 2 个盈亏平衡点:

上盈亏平衡点=最高执行价-支付的净溢价(即借方)
较低的盈亏平衡点=最低执行价格+支付的净溢价(即借方)

到期时，如果标的股票的价格等于这两个值中的任何一个，蝴蝶将会盈亏平衡。

实施战略

在这个例子中，我将使用阿达尼电力有限公司(股票代码:Adani Power Ltd)。

阿达尼电力有限公司的股价在本月下半月稳步运行。最高为 38.20，最低为 31.05，这是根据谷歌金融的当前值。

为了这个例子的目的；我会买 1 个价内看涨期权，2 个价内看涨期权和 1 个价外看涨期权。

这是阿达尼电力有限公司的期权链，截止日期为 2018 年 3 月 28 日。

资料来源:nseindia.com

我将为行使价为 32.50 的两个自动柜员机看涨期权支付 3.60 印度卢比，行使价为 30.00 的 ITM 看涨期权支付 3.15 印度卢比，行使价为 35 的 OTM 看涨期权支付 0.85 印度卢比。期权将于 2018 年 3 月 28 日到期。为了获利，市场应该在到期前上涨。发起这项交易支付的净保费将为 10.10 印度卢比。

如果蝶式价差得到适当实施，收益可能会高于潜在损失，两者都将受到限制。

计算蝴蝶价差期权交易策略Python 中的收益

现在，让我用 Python 编程代码和调用，带你看一下收益图。

import numpy as np
import matplotlib.pyplot as plt
import seaborn

电话支付

def call_payoff (sT, strike_price, premium):
return np.where(sT> strike_price, sT-strike_price, 0)-premium
# Spot Price
s0 = 40

# Long Call
higher_strike_price_long_call = 35
lower_strike_price_long_call=30

premium_higher_strike_long_call = 0.85
premium_lower_strike_long_call = 3.15

# Short Call

strike_price_short_call = 32.5
premium_short_call = 1.80

# Range of call option at expiration
sT = np.arange(10,60,1)

长期买入回报

# OTM Strike Long Call Payoff
lower_strike_long_call_payoff = call_payoff(sT, lower_strike_price_long_call, premium_lower_strike_long_call)

fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,lower_strike_long_call_payoff, color='g')
ax.set_title('LONG 30 Strike Call')
plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')

plt.show()

更高的看涨期权收益

# Higher Strike Long Call Payoff

higher_strike_long_call_payoff = call_payoff(sT, higher_strike_price_long_call, premium_higher_strike_long_call)

fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,higher_strike_long_call_payoff, color='g')
ax.set_title('LONG 35 Strike Call')
plt.xlabel('Stock Price (sT)')
plt.ylabel('Profit & Loss')

plt.show()

短期买入回报

# Short Call Payoff

Short_call_payoff = call_payoff(sT, strike_price_short_call, premium_short_call)*-1.0

fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT, Short_call_payoff, color='r')
ax.set_title('Short 32.5 Strike Call')
plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')

plt.show()

蝴蝶价差收益

Butterfly_spread_payoff = lower_strike_long_call_payoff + higher_strike_long_call_payoff + 2 *Short_call_payoff

fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,Butterfly_spread_payoff ,color='b', label= 'Butterfly Spread')
ax.plot(sT, lower_strike_long_call_payoff,'--', color='g',label='Lower Strike Long Call')
ax.plot(sT, higher_strike_long_call_payoff,'--', color='g', label='Higher Strike Long Call')
ax.plot(sT, Short_call_payoff, '--', color='r', label='Short call')
plt.legend()
plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')
plt.show()

Butterfly_spread_payoff = lower_strike_long_call_payoff + higher_strike_long_call_payoff + 2 *Short_call_payoff

fig, ax = plt.subplots()
ax.spines['bottom'].set_position('zero')
ax.plot(sT,Butterfly_spread_payoff ,color='b', label= 'Butterfly Spread')
plt.legend()
plt.xlabel('Stock Price')
plt.ylabel('Profit & Loss')
plt.show()

profit = max(Butterfly_spread_payoff)
loss = min(Butterfly_spread_payoff)

print ("%.2f" %profit)
print ("%.2f" %loss)

Max. Profit: 1.60
Max. Loss: 0.40

一些相关术语

短蝴蝶:与长蝴蝶相反，在股票价格可能向两个方向变动时使用

****长蝶泳:使用看跌期权练习长蝶泳

****断了翅膀的蝴蝶:执行价格之间的距离是不相等的

****秃鹰:机体有不同的执行价格

****翼展:成员以各种飞行生物命名的翼展家族

结论

**蝴蝶差价是一种利用期权合约时间溢价侵蚀的策略，但仍允许投资者承担有限的已知风险。预测基础证券交易范围狭窄的投资者使用它(因为他们感觉舒服)，那些不喜欢空头的无限风险的投资者也使用它。

您可以报名参加 Quantra 上的期权交易课程，在您的交易中创造成功的策略和运用知识。它涵盖了零售和机构交易策略。**

下一步

如果你想学习算法交易的各个方面，那就去看看算法交易(EPAT)的高管课程。课程涵盖统计学&计量经济学、金融计算&技术和算法&定量交易等培训模块。EPAT 让你具备成为成功交易者所需的技能。现在报名！

下载数据文件

蝴蝶期权交易策略- Python 代码

协方差矩阵和投资组合方差:计算与分析

原文：https://blog.quantinsti.com/calculating-covariance-matrix-portfolio-variance/

由瓦伦·迪瓦卡

在这篇博客中，我们将学习如何为 m 天的 n 只股票的投资组合创建协方差矩阵。

协方差矩阵用于计算股票投资组合的标准偏差，进而由投资组合经理用于量化与特定投资组合相关的风险。

本文涵盖:

投资组合分析是如何工作的？
什么是协方差？
如何计算协方差？
计算协方差的步骤
基于有效前沿的投资组合优化
计算标准差
总结

投资组合分析是如何工作的？T3】

让我们理解投资组合分析是如何工作的。假设我们的投资组合中有 4 只股票，我们希望为每只股票分配最优资本，这样我们的风险最小。

为此，我们需要首先创建多个权重不同的投资组合，以反映每只股票的不同资本配置，并计算每个组合的标准差，然后选择风险最低的一个。

预期投资组合方差= SQRT (W ^T (协方差矩阵) W)

上面的等式给出了投资组合的标准差，换句话说，就是与投资组合相关的风险。

在这个等式中，

W 是表示资本分配的权重，协方差矩阵表示每只股票之间的相互依赖性。
W ^T '是同权矩阵的转置。

让我们了解一下什么是协方差，如何计算多只股票的协方差。

什么是协方差？T3】

协方差是两个随机变量的联合可变性的度量。

如果两个变量同时增加和减少，那么协方差值将为正。
相反，如果一个增加而另一个减少，那么协方差将是负的。

如何计算协方差？T3】

让我们逐步理解如何计算投资组合中“n”只不同股票的协方差。

计算协方差的步骤

假设我们投资组合中的“n”只股票(S ₁ ，S ₂ ，…S _n )的收盘价如下所示。

步骤 1 -获取股票数据

我们将把这些股票数据合并到一个矩阵中，并将其命名为“S”:

步骤 2 -计算股票的平均价格

如你所见，每只股票都由过去“m”天的收盘价组成。使用这些数据，我们将首先计算每只股票的平均价格。

例如，股票 ₁ 的平均价格如下所示:

接下来，我们将“n”只股票的所有平均值保存在一个名为“M”的矩阵中，如下所示:

我们的最终目标是理解一只股票的行为与另一只股票的行为之间的关系。要比较两只价格区间完全不同的股票，首先需要建立一个共同的基础。因此，为了使股票走势的比较更加均衡，我们从股票价格中减去股票价格的平均值。

这将创建一个新的去均值股票价格，这将有助于比较一只股票的运动如何从其均值依赖于另一只股票的运动从其均值。让我们了解如何创建一个去意义的系列。

降低价格

首先，我们从相应股票的收盘价中减去平均股价。这将为我们提供具有去均值得分的矩阵，或者一个数据点离其均值有多远的度量。

步骤 4 -协方差矩阵

一旦我们有了去均值价格序列，我们通过将去均值价格序列的转置与其自身相乘并除以“m”(数据点的数量)来建立不同股票的协方差，这给出了协方差矩阵:

在生成的协方差矩阵中，对角线元素表示股票的方差。

此外，协方差矩阵沿对角线对称，这意味着:

_【21】=σ_【12】

步骤 5 -投资组合差异

一旦我们有了投资组合中所有股票的协方差，我们就需要计算投资组合的标准差。为此，我们首先需要决定每只股票的权重或资本分配百分比。

在创建权重矩阵时，我们需要记住矩阵中所有单个组件的总和应该等于 1，因为它们是总投资的百分比。

对于包含“n”只股票的投资组合，权重分布由矩阵“W”给出

投资组合的预期回报由下式给出:

预期投资组合收益= M * W

投资组合的方差由下式给出

预期投资组合方差= WT (协方差矩阵) W

计算标准偏差

一旦我们计算了投资组合方差，我们就可以通过对方差求平方根来计算投资组合的标准差或波动率。

人们可以通过改变投资组合中股票的资本配置权重来构建各种投资组合。一旦你将这些投资组合绘制成图表，它看起来会像这样:

这里的黑线表示有效边界，它表示给定风险下的最大利润。

摘要

使用该图，您可以轻松获得不同要求的投资组合权重组合，如最小风险和最高夏普比率。假设你是一名养老基金经理，试图将风险降至最低，你会选择一个标有黄色星号的投资组合。

同样，如果你是对冲基金经理，试图获得最佳风险回报组合，你会选择一组用红星标出的投资组合权重。因此在这篇博客中，我们按照一定的步骤创建了投资组合的协方差矩阵。

你可以从我们的量化投资组合管理课程中学习如何使用 MPT (现代投资组合理论)和其他技术，如风格投资。

推荐阅读

在 Excel 和 Python 中计算风险值(VaR)

原文：https://blog.quantinsti.com/calculating-value-at-risk-in-excel-python/

由查尼卡·塔卡

在一项投资中，我最多会损失多少？这是每个投资过的投资人在某个时间点都会问的问题。风险价值(VaR)试图提供一个答案，因为它是投资组合承受的最大预期损失的度量。

我们将使用历史方法和方差-协方差方法理解并执行 Excel 和 Python 中的 VaR 计算，以及本博客中的示例，包括:

什么是 VaR？
为什么要用 VaR？
使用 VaR 时需要知道的要点
Excel 中 VaR 是如何计算的？
使用方差-协方差方法计算风险值
使用历史模拟方法计算风险值

什么是 VaR？

风险价值(VaR)是在通常的市场条件下，衡量特定时期内最糟糕的预期损失。使用 90%至 99%范围内的“置信度”来衡量风险值，如 90%、95%或 99%。金融工具的持有期可能从一天到一年不等。

换句话说，VaR 是对市场风险的一种度量。它是在给定的时间段内，在一定的置信区间内可能发生的最大损失的度量。使用 VaR，金融机构可以确定弥补损失所需的充足资本储备。此外，风险值有助于确定是否需要减少高于可接受风险的持有量。

根据 Philippe Jorion 的说法，
VaR 衡量的是在正常市场条件下，给定置信水平下，给定期限内的最坏预期损失。

此外，根据⁽ ⁾的一项研究得出的结论是，风险值并不提供任何确定性，而是基于某些假设的结果预期。

例子

让我们用一个例子来理解 VaR。

假设，一个分析师说一个投资组合的 1 天风险值是 100 万美元，置信度为 95%。

这意味着有 95%的可能性单日最大损失不会超过 100 万美元。
换句话说，某一天投资组合损失超过 100 万美元的可能性只有 5%。在 Quantra 课程中详细学习量化投资组合管理。

为什么要用 VaR？

现在，让我们来看看为什么要用 VaR 或风险价值来衡量预期损失。交易者利用风险值的原因如下:

理解风险价值结果很容易
适用于所有资产类型
普遍使用

理解风险价值的结果很容易

风险价值代表一个交易者投资一个投资组合所承担的风险程度。例如，风险价值介于 90%和 99%之间，这使得解释风险水平变得容易。

适用于所有资产类型

Vale at Risk 可以很容易地应用于所有资产类型，即债券、股票、货币、衍生品等。此外，各种金融机构和银行都利用风险价值来评估投资组合或资产交易的盈利能力。在 Quantra 课程中详细学习交易的金融时间序列分析。

普遍使用

风险价值是买卖和所有交易相关活动的公认标准。因此，你可以在全球任何地方使用它。

使用 VaR 时需要知道的要点

交易者在使用风险值来衡量投资组合或金融工具的风险时，必须知道几个要点。这些要点是:

1。很难计算具有多种资产(如现金、货币、股票等)的投资组合的风险值。)或更多数量的资产

计算投资组合的风险价值需要计算每项资产的风险和回报。但是，在计算风险回报的同时，也要计算资产之间的相关性。因此，投资组合中资产的数量或多样性越多，计算风险值就越困难。

2。不同的方法或途径导致不同的结果

当计算 VaR 的不同方法导致同一投资组合或金融工具的不同结果时，这意味着收益分布是不正态的。

Excel 中 VaR 是如何计算的？

有两种众所周知的方法用于计算风险值。

在这篇博客中，我们将讨论以下内容:

方差-协方差方法
历史模拟方法

让我们从方差-协方差方法开始。

方差-协方差是一种参数方法，它假设收益是正态分布的。在这种方法中，

我们首先计算收益的均值和标准差
根据假设，对于 95%的置信水平，VaR 计算为平均值-1.65 *标准差
此外，根据假设，对于 99%的置信水平，VaR 计算为均值-2.58 *标准差

请注意，上述数字是基于主观假设 ⁽ ⁾ 。

接下来，使用历史模拟方法计算风险值的步骤如下:

类似于方差-协方差方法，首先我们计算股票收益=今天的价格-昨天的价格/昨天的价格
将收益从最差到最好排序。
接下来，我们计算退货的总数。
VaR(90)是对应于总计数的 10%的排序返回。
类似地，VaR(95)和 VaR(99)是分别对应于总计数的 5%和 1%的排序返回。

使用方差-协方差方法计算风险值

现在，我们将使用 Python 找出方差-协方差方法的计算。

Python 中的日历价差期权交易策略

原文：https://blog.quantinsti.com/calendar-spread-options-trading-strategy/

由维拉伊·巴加

日历跨页是跨页家族的一部分。日历价差可以由所有看涨期权或所有看跌期权创建，它确实存在方向性偏差。在这里，我们将学习日历差价期权交易策略，并使用 Python 通过市场实例来创建它。

本文涵盖:

期权价差
日历跨页
不同类型的日历跨页
构建日历传播策略
日历差价交易策略的设置
日历跨页示例
实施日历差价期权交易策略
计算日历差价收益

什么是期权差价？

期权交易在交易领域已经取得了长足的进步。绝大多数交易者都用一些创新的交易策略在市场上留下了自己的印记。不仅是他们，还有许多其他人采用了这种交易策略，并从中受益。

期权差价可以通过同时买入和卖出期权来产生，这两种期权都是相同类型，基于相同的基础证券，具有不同的执行价格和/或不同的到期日。

注

买入价差 -使用买入或买入期权构建的价差是买入价差
看跌价差 -使用看跌期权或看跌期权创建的价差是看跌价差

建议阅读:

什么是日历跨页？

日历跨页是跨页家族的一部分。日历价差可以由所有看涨期权或所有看跌期权创建，它确实存在方向性偏差。在这里，只有腿因不同的到期日而有所不同。

日历价差也被称为水平价差或时间价差(其背后的想法是出售时间并利用隐含波动率的上升)。日历差价策略可以作为看涨或看跌策略交易。

当交易员预计短期内会出现渐进或横向波动，并且在较长期期权的生命周期内更倾向于某个方向时，就会采用日历价差。

有哪些不同类型的日历跨页？

下面的图表清楚地解释了当今流行的各种日历跨页的差异。

日历传播策略的构建

日历跨页策略的构建包括以下选项:

同等数量的自动柜员机或轻微 OTM 呼叫
同样的标的股票，
在相同的执行价格，和
不同的到期月份

在这里，如果近月期权到期时的基础价格保持不变，则近月期权到期时毫无价值。

日历价差策略将给出类似下图的收益:

日历差价交易策略的设置

日历跨页可以通过以下方式设置:

卖出/做空 1 期权(前一个月)
买入/做多 1 期权(前一个月)
这两种期权应该是同一类型的，即要么是看跌期权，要么是看涨期权
两种期权应该有相同的执行价格
基于相同的基础资产

利润:当空头期权到期无价值，IV 在多头期权中扩张时，获得理想利润。无法计算最大利润和盈亏平衡，因为两个选项的到期日期不同。由于期权在不同时间到期，因此无法计算潜在利润

损失:最大损失或风险等于为建立交易而支付的初始净借方。如果股票价格剧烈波动或离执行点太远，交易就会造成损失。如果所有选项都有相同的截止日期，则用直线和锐角表示。由于这些电话的到期时间不同，线路也不是直的。

日历跨页示例

让我们用一个简单的 ABC 公司的例子来理解日历传播。

2018 年 3 月，ABC 股票交易价格为 100.5 印度卢比
以 1.00 印度卢比的价格卖出 4 月 100 日的看涨期权(一份合约 100 印度卢比)
以 2.00 印度卢比买入 5 月 100 日的看涨期权(一份合约 200 印度卢比)
净成本(借方)1.00 印度卢比(一份合同 100 印度卢比)

实施日历差价期权交易策略

对于这个例子，我将使用 Nifty 。

下图捕捉了长达一个月的运动:

Nifty 在本月迄今为止没有看到任何突然的行动，最低为 10589.10 印度卢比，最高为 11023.20 印度卢比，最高接近目前的执行价格 11010.20 印度卢比。根据谷歌财经。

正如策略所解释的，我将卖出 1 个看涨期权，买入 1 个看涨期权，两者都是在 ATM 上，在这种情况下是 11023.20 印度卢比。

以下是 7 月和 8 月 Nifty 期货的期权链:

这是 Nifty 截止日期为 2018 年 7 月 27 日的期权链。

这是 Nifty 截止日期为 2018 年 8 月 30 日的期权链。

来源:nseindia.com

计算日历差价收益

现在，我们将使用 Python 编程代码浏览收益图。日历价差策略受益于期权隐含波动率的时间衰减和/或增加。

在这本笔记本中，我们将创建一个在近月期权到期时的日历价差的收益图。

步骤 1 -导入库

银行专业人士如何成为 Quants？

原文：https://blog.quantinsti.com/can-banking-professionals-become-quants/

作者希普拉·特里帕蒂

成为一名银行家意味着有纪律的生活、规律和以过程为导向的思维方式，也意味着良好的金融头脑。将所有这些与对交易证券和数字框架的浓厚兴趣结合起来，你就拥有了成为量化分析师所需的正确思维框架。

投资银行、零售/金融服务、资金和证券服务、资产管理您认同银行业的哪一方面？对我来说，这是资产管理。我短暂的财富管理经历让我了解了银行家生活的某些方面:

目标

实现目标对生存至关重要，但即使你不这样做，世界并没有结束，明天是新的一天。你可以从银行家那里获得一些优秀的压力管理技巧。

比赛

每个人都是竞争对手，每个人都是盟友。作为一名银行家，你知道没有什么是永恒的。为了共存，合作是至关重要的，你很快就会学会超越琐碎的不满。

信任

信任是银行业最重要的方面，银行业的运行依赖于客户对它的信任。人们为了互惠互利而建立联系，但在大多数情况下，这些纽带的力量远远超出了常规的银行交易。

速度

银行业是赚钱的行业，通常是一个人生活中最重要的元素。每个客户都要求所有交易透明且速度尽可能快。

如果你渴望成为一名定量分析师，作为银行家的生活学习是一个额外的优势。这种经历使一个人成为以结果为导向的有方法的人，为量化交易创造奇迹。你也明白过度开发人类本能的含义。因此，您理解自动化某些流程的必要性。

谈到交易，资产经理是长期证券的专家，而高频量化交易者则利用出现在几毫秒或几微秒内的短暂机会。每笔交易的保证金很小，通过速度快、成交量大来弥补。毫秒交易的想法首先让我吃惊，然后我观察到了描述价格变动的数据。对价格变化的随意观察和对算法交易的高层次理解足以让你清楚地知道如何在货币市场中利用这种轻微的运动。如果你幸运的话，你可以从这些变化中获得巨大的利润。如果你是务实的，你会使用算法交易，而不是运气。

成为专业算法交易者需要的两个技术方面是计算和金融技能。在计算方面，你需要能够使用现代编程语言。另一项强制性要求是，必须具备与外部算法相连、向交易所发送买卖订单的交易平台的良好工作知识。在金融方面，理解各种交易策略是必不可少的，因为这些策略是你算法的基础。

算法交易的第一个方面或最重要的好处是，它最大限度地减少了行为偏差和人类情绪。实现了一种非常实用和以结果为导向的交易方法。想象一下，在你所有的职业交往中，你能够超越感性的决定。如果交易是你的职业，我们有算法交易来帮助实现这个梦想。

当谈到减少交易中的情绪时，即使是我们中最务实的人也会动摇。即使股票在市场上已经失去价值，为了情感价值或虚假的希望而持有股票只是一个例子。这不仅仅是感情方面的。由于我们倾向于相信已被证明的实践，人们往往倾向于坚持过去行之有效的特定策略，而不考虑当前的市场数据。

这就是量化交易系统和算法交易系统发挥重要作用的地方。算法交易者需要查看旧值，从历史中获得某些参数，并考虑现有的市场数据。为了迎合这一点，传统的系统会有一个历史数据库来存储市场数据和使用该数据库的工具。该分析还包括对交易员过去交易的研究。因此，另一个数据库也用于存储交易决策。最后，但不是最不重要的，是一个 GUI 界面，交易者可以在屏幕上查看所有这些信息。自动化数据挖掘、处理、描述、显示和交易的整个过程都精确到不会出错。

算法交易可以作为一个非常有利可图的转换数据分析师，金融顾问和传统的交易者谁有技术背景。我们采访了一位 EPAT 参与者，她恰好是一名工程学毕业生，拥有丰富的贸易和金融背景。Aman Saxena 在苏拉特 NIT 获得机械工程学士学位，在卡内基梅隆大学学习计算金融，并在南洋理工大学获得金融工程硕士学位。在参加 QuantInsti 算法交易管理课程之前，他曾在多家机构担任交易员。张贴他在汇丰银行担任 Quant 经理的课程。

以下是 Aman 对他在 QuantInsti 的经历的看法:“QuantInsti 的课程简明扼要，并提供了来自现实生活的各种例子，这些例子以值得称赞的方式进行了说明。“我对算法交易有了很好的了解，希望能回到各自的导师那里进行咨询，”

如果你想知道更多关于 Algo 交易业务的信息，看看我们写的关于这个主题的博客。您也可以从这里下载培训计划的小册子，了解课程结构的具体情况。

下一步

如果你想学习算法交易的各个方面，那就去看看我们的算法交易(EPAT)的执行课程。课程涵盖统计学&计量经济学、金融计算&技术和算法&定量交易等培训模块。EPAT 旨在让你具备成为成功交易者的正确技能。现在报名！

40 多岁可以做 Quant 吗？

原文：https://blog.quantinsti.com/can-i-be-a-quant-trader-in-my-40s/

曾经有一段时间，你在十几岁的时候选择了一份职业，这份职业应该会伴随你一生。技术的不断变化和新职业领域的引入不仅要求我们了解新的技能要求，也为我们提供了许多新的机会。

全球化已被证明是发展中国家的福音，为跨国公司进入新市场提供了平台，为现代基础设施奠定了基础，并提供了新的机会，这一举措受到了广大发展中国家的欢迎。

算法交易的引入导致了一种新型交易者的出现，当谈到采用新的技术手段使自动化交易成为可能时，他们并不害羞。

现在，要回答这个问题，如果你能在 40 多岁时成为一名定量分析师，并在职业生涯的晚期在一个新领域取得成功，答案是肯定的。如果你对自动化交易充满热情，并具备所需的技能，你肯定可以在 40 多岁时成为一名量化分析师。

由于对这个问题简单的一个词的回答不足以理解这种转变是如何发生的，我们决定以采访的形式分享一位 40 岁的量化分析师的详细旅程。

他最初参加了 QuantInsti 提供的算法交易专业课程“算法交易执行课程(EPAT)”。EPAT 是为那些希望在这个领域发展或者计划在算法和量化交易领域开始职业生涯的专业人士设计的。因此，它非常适合我们的候选人。请继续阅读，了解他职业道路上这一有趣变化的更多信息。

Can you tell us something about yourself?

我已经获得了计算机科学的理学学士学位，并且有 22 年以上的工作经验，其中大部分经验来自数据库管理和研究。除了职业生涯中的其他角色，我还在一家领先的投资银行担任数据库经理。

我看到这个行业从手工交易方式转向新时代的算法交易方式，在手工交易方式中，打字速度快的交易者更受青睐，在新时代的算法交易方式中，统计和分析技能帮助你在交易中获得优势。统计和分析总是让我着迷，交易是我的爱好。对统计和分析在交易中的应用的研究让我发现了算法交易。虽然我一直热衷于专攻算法交易，但在我职业生涯的这个时候转向一个完全不同的领域的想法让我持怀疑态度。

Since you mentioned some hesitation, why did you choose to enter algorithm trading?

我对成为一名量化分析师的范围做了很多研究，因为在这个阶段改变我的职业对我来说是一个危险的决定，但后来我看到了量化交易的老手们做得有多好。

幸运的是，我遇到了 QuantInsti，他们在周末提供远程和课堂形式的讲座，这并没有打断我作为数据库经理的全职工作。我读了关于课程和包括交易和量化领域专家的教员，这给了我信心，我将从写了一些关于量化交易的畅销书的作者和我跟踪了很长时间的思想领袖那里学习。

How was your study experience in EPAT ^TM ?

在 QuantInsti 的 EPAT TM 项目注册后，我问支持团队的第一个问题是，我能在 40 多岁时成为一名量化分析师吗？

令我惊讶的是，这对他们来说并不是什么新鲜事，他们显然培养并安置了许多专业人士，其中一些人有稳定的职业，甚至比我还老。我得知有各种背景的人都报名参加了 EPAT T2 的课程。

起初，我被许多问题所困扰，但最终，我捡起并开始学习成为一名量化分析师所需要的每个方面。我开始在建立我自己的战略的基础上进行项目，这真的有助于启动。

How did this change your trading habits?

我被限制在自由交易的实践中，错过了新的更好的交易方式，它能让你更好地理解市场。手动交易的缺点，如情绪的影响，基于图表分析的策略和对经验的依赖，而不是基于逻辑做出交易决定，增加了日常交易中的误差幅度。

我现在很自信，可以完全利用我的潜力来设计可以分析市场并为我获得最佳结果的策略。我现在更依赖于回溯测试、市场预测、市场波动分析等方法。

对我来说，交易不再是一场赌丨博，而是开始对市场如何运行以及如何遵循最佳实践有了更多的理解。

How did you feel when you were placed and started working as a quantitative analyst?

这就像一个梦想成真！

在获得 Quantinsti ^TM 认证的 EPAT ^TM 之后不久，我开始探索 Quantinsti 的就业团队分享的工作机会，我不得不说，采访该国一些顶级 quant 公司是一次很棒的经历。我在完成课程后的几周内就被选中了。

在做了 22 年多的数据库专家后，进入量化交易的困境让我没有做出最后的决定，但最终，我屈服了，今天我很高兴我做出了申请量化工作的正确决定。

What do you have to say to aspiring quantitative analysts?

我想建议他们去尝试一下。年龄和背景真的不重要，重要的是动力、主动性和能力。这是一个表演者报酬丰厚的行业。

重要的是评估你目前的技能，并确定这些技能如何在你的量化职业生涯中起到催化剂的作用。人们应该记住，算法交易公司的工作要求申请者有良好的数学技能，以及执行设计好的策略的编程技能。

想听听这位 40 岁的定量分析师的观点吗？

https://www.youtube.com/embed/F5732QdbHcM

对其他有抱负的量化分析师大声喊出来！

分享你作为算法交易者/量化者的评论和经验。我们很想听听你鼓舞人心的职业旅程！

金融 MBA 如何成为 Quant？

原文：https://blog.quantinsti.com/can-mba-finance-become-quant/

作者希普拉·特里帕蒂

自动化的影响，金融部门裁员的激增，机器人的崛起以及对我们未来的威胁，网络上这类文章的清单似乎是无穷无尽的。

但是你遇到过类似的情况吗？

你有没有因为缺少技术更好、技术更强的劳动力而面临被解雇的风险？

那你做了什么？

那些有 MBA 金融背景的人显然渴望掌握他们所选择的工作领域。选择攻读金融 MBA 意味着你擅长数字、策略和赚钱。

但是，如果经过几年的工作和卓越表现后，你又感到饱和了呢？

无论是哪种情况，预期的裁员威胁还是现有档案的饱和，都需要职业升级。

考虑提升你的知识和职业选择？

成为一名量化分析师。

随着金融证券变得越来越复杂，仍然有趣的是，理解算法交易策略并负责将它们纳入算法的人。

复杂的数学和金融模型由计算机机制起草、解释并投入使用。对不仅理解为这些证券定价的复杂数学模型，而且能够增强这些模型以创造利润和降低风险的人的需求一直在稳步增长。这些人被称为定量分析师。具体来说，量化交易策略背后的人被称为量化分析师和量化交易员。

定量分析师设计并实现复杂的模型，允许金融公司对证券进行定价和交易。他们主要受雇于投资银行和对冲基金，但有时也受雇于商业银行、保险公司和管理咨询公司，此外还有金融软件和信息提供商。

如何成为 Quant？

量化分析师使用编程语言来部署自主交易方法。主要的交易方法包括传统的算法交易策略。同样的策略，你可能已经获得了敏锐的观察后，市场数据。

虽然技术被用来提取和利用数据，并将其编码成计算机可理解的语言，但我们人类才是用大脑来制定策略并以编程语言进行编码的。

适当的教育和相关的工作经验是学习新行业的基础。对于那些在 MBA 课程之前学习过数学和编程语言的人来说，学习算法交易的基础知识应该更容易。

成为算法交易员所需的技能组合——交易、金融市场和交易平台支持的编程语言方面的专业知识。Python，R 或者 Matlab。

金融 MBA 课程与算法交易高管课程的比较

据报道，40%注册学习算法交易课程的参与者来自金融背景，42%的算法交易爱好者接受过技术和计算机科学教育。这两种背景的候选人更容易掌握成为量化分析师所需的额外知识。

为了了解你需要付出多少额外的努力，必须对 MBA 金融课程和 algo 交易培训课程的主题进行比较分析。

下面是 MBA 课程的介绍，这些是你在管理课程中已经涉及到的话题。

金融

行为金融学、商业分析与估值、资本支出规划与控制、衍生品、税务、金融建模、风险管理、证券、国际商业经济学、保险
经济学: 基础计量经济学，需求与商业预测，企业家精神，企业、市场与全球动态，管理合伙企业，银行与小额信贷
营销:广告和促销、企业对企业营销、竞争和全球化、、国际营销、定价管理、定价和品牌管理、服务营销和战略营销
组织行为:自信训练、平衡计分卡、建设学习型组织、公司治理、跨文化管理、领导力影响力和权力、创造力和关系管理、交易分析
信息系统:管理信息系统、商业和数据通信网络、商业智能和数据挖掘、通过系统动力学进行商业建模、网络法律、数据结构、决策支持系统、知识产权、 OOPS 以及软件项目管理

MBA 课程中用粗体标记的主题也适用于算法交易。T3】

除了这些话题之外，在建立 algo 交易平台之前，你还需要整理一些额外的信息:

在算法交易模块中，向参与者介绍了统计学、期权和衍生品以及金融市场的基本原理和基本概念
期权定价模型和期权希腊模型及其应用
分散交易的概念、实施和障碍
设计风险管理工具，显示期权组合对不同条件的敏感性，允许交易者在不同条件下修改他/她的投资组合
算法交易中流行的量化交易范例，如统计套利、市场微观结构、趋势跟踪、基于动量、做市、机器学习等
介绍算法交易的系统架构和执行策略，用 R、Python 或 Matlab 进行基本编程以创建技术指标和回溯测试模型
利用时间序列分析进行波动率估计和预测，在 R
使用最新的软件包以不同的编程语言编写策略代码
建立算法交易平台的基础设施、资本、业务和监管要求

详细提供了编码和交易所需工具的初步知识。其中包括在 MS Excel 中应用算法交易策略的模块，在预测未来股票价格和风险/奖励近似值中应用统计学。

参与者也可以选择在从业者/交易者的指导下完成一个项目，包括构思和创造交易策略。项目主题符合区域专业化和强化学习的要求。

回答一些你可能有的基本问题:

迄今为止，有多少工商管理硕士注册了 EPAT QuantInsti？

每年，大约 40%注册 EPAT 的学生来自金融和/或管理背景。

这些 EPAT 的亚洲人目前在做什么？

完成 EPAT 后，他们中的许多人开始自己的交易系统。根据兴趣和专长，他们中的一些人会加入金融公司的定量分析师或交易角色。

EPAT 如何帮助 MBA 探索不同的领域？

已经掌握了管理技能，学习量化技术对那些想在量化交易领域发展的人来说是有益的。

EPAT 的整体课程设计提供了一个探索交易和量化角色的机会。

下一步

坦诚的对话|与 Deepak Kaushal 在印度的高频交易(HFT)

原文：https://blog.quantinsti.com/candid-conversation-high-frequency-trading-hft-india-deepak-kaushal/

https://open.spotify.com/embed-podcast/episode/1XRzNsuv0Q545raW4bVLtG?si=e8DVTEn-QXeab93KgE3FGg

描述

与 Deepak kau shal(iRage Capital 的高级数据科学家)就印度的高频交易(HFT)进行了坦诚的对话。它涵盖了托管和直接市场准入等概念，以及所需的基础设施和流行的交易策略。

关键要点

Deepak 的高频交易之旅(HFT)
印度的 HFT
高频交易的类型
在 HFT 取得成功的关键
HFT 策略仅仅是关于套利吗？
HFT 策略使用量化技术吗？
HFT 所需的技能

关于演讲者

Deepak Kaushal 是印度最大的 HFT 公司之一 iRage Capital 的高级数据科学家。他曾在北美、欧洲和亚洲的各种环境中工作和学习过，在高通也有超过 9 年的工作经验。

他拥有将机器学习和统计模型应用于来自股票市场的金融数据流的经验。他还在贝叶斯模型、隐马尔可夫模型、卷积神经网络、LSTMs 和超大规模数据集的强化学习方面经验丰富。

工作之余，他是技术的狂热追随者，瑜伽练习者，健身爱好者。

点击访问我们的 Spotify 频道。

点击访问我们的谷歌播客频道。

如果你在印度寻找算法交易课程。立即联系 EPAT 课程顾问，了解 QuantInsti 提供的最佳课堂学习体验。

与算法交易者的坦诚对话(第二部分)

原文：https://blog.quantinsti.com/candid-conversations-algorithmic-trader-2/

如果你不知道自己是谁，股市是一个寻找答案的昂贵地方- 乔治·古德曼

在上一篇中，我和几位算法交易领域的专家进行了一次对话，对这个看似“黑箱”的东西有所感悟。那次谈话不仅帮助我打消了对算法交易的一些疑虑，还增强了我一头扎进一个由复杂数学模型、股票市场头寸管理和编程灾难主宰的世界的愿望。

所以，我站在这里，准备冒险一试。有人告诉我，要成为自动交易者，我不需要金融或计算机科学的大学学位。当然，要想在这个领域取得成功，我知道正规的教育是非常有益的，但是现在，我只是触及了表面。虽然，我的工程背景确实让我在理解金融数学模型和编程方面有了一定的余地。

然而，这条路似乎并不平坦。我脑子里还有一卡车的问题。有多少市场知识足以让我们开始使用算法进行交易？我可以在哪里验证我的交易策略？我怎样才能让我的策略盈利？我需要遵循的领域的【必须做的事情】和【经验法则】是什么？

我想我需要再次和专家坐下来，喝一杯热气腾腾的拿铁，消除误会。

Therefore, I read some literatures about algorithmic trading, and finally want to set up my own trading platform. What path do you recommend?

如果你的想法是最终拥有自己的设置，你将需要在量化和/或编程方面积累专业知识。首先，我建议你至少掌握一门 Quants 和 Algo 交易者常用的编程语言(Matlab/Python/R)，因为这是必不可少的要素。当然，你在任何一种语言中发展的技能对其他人也是有用的。最好的办法就是尽快把手弄脏。开始了解市场。建立你的图表知识。阅读交易者在市场中使用的不同策略。或许，重要的是理解市场无效率的基本原理，并通过围绕市场无效率制定策略来利用市场无效率。一旦制定了策略，就用历史数据对其进行回溯测试，以消除你可能有的不准确的假设。如果一切顺利，你应该可以在真实市场中用这个策略交易。

What do you mean by market inefficiency?

股票或证券的实时价格不能准确反映其真实价值的情况。在一个无效率的市场中，一些证券定价过高，而另一些定价过低。这给了交易者一定的风险，或者在某些情况下，给了他们赚钱的机会。听说过统计套利这个术语吗？

Yes. Isn't this a buzzword for pairing transactions? I want to know more about it.

那只是部分真实。配对交易是众多统计套利中的一种。这也是市场无效率的一种类型。在算法和高频交易者中非常流行，它实际上是配对交易策略的进化版本，其中股票根据基本面或基于市场的相似性被配对。当一对股票中的一只表现优于另一只时，表现较差的股票被买入，同时预期它会超过表现较好的股票，另一只被卖空。这对冲了整个市场波动的风险。

This does seem logical. So, what do you think is the most important thing when designing a trading strategy?

这个问题没有直接的答案，因为它是几种事物的混合。你需要了解市场如何运作，并据此确定进场点和出场点。就我的经验来说，识别何时退出市场，识别止损比进场位更难。每种策略都是独一无二的，因此需要有自己定制的定位。

一旦你的策略准备好了，最好是对照历史数据进行回溯测试。然而，在进行回溯测试时，有一点需要注意。例如，一名交易员希望测试一项基于互联网 IPO 表现优于整体市场这一概念的策略。如果你在上世纪 90 年代末互联网繁荣时期测试这一策略，该策略的表现将远远超过市场。然而，在泡沫破裂后尝试同样的策略将导致惨淡的回报。

因此，准备一个应急计划是很重要的，因为没有一个策略会在所有的市场条件下都有效。提款是不可避免的，应该纳入交易策略。记住，好的战略不是技术的奴隶。你可以雇一个程序员来执行你的交易策略，但反之则不行。

如果你想测试你的算法，NinjaTrader 是一个免费使用的平台。如果你想了解更多信息，有很多其他的免费回溯测试工具可以研究。

I like your point about exit, because I know that any trading strategy is not without risks. How does Algo trading system deal with risks?

你应该明白风险管理及其降低是算法交易最关键的领域之一。市场充满了奇怪的东西，一旦你意识到你正处于亏损的边缘，你的算法应该会检查出这笔交易。这就是算法的出口点比入口点更重要的原因。

算法风险可以分为几类:一致性、质量、可伸缩性等等。一致性意味着输入系统的数据不是旧的或过时的。市场数据包中嵌入了时间戳。世界上先进的交易所正在采用像原子钟时间同步这样的概念。你的算法交易系统应该能够跟踪这些时间戳，以确保你得到的数据确实是新的。

对于任何正常的交易活动，您必须注意市场风险、金融风险、监管风险、流动性风险和信贷/交易对手风险。此外，算法交易员还需要做好法定风险的准备。在算法交易系统中，有两个地方需要处理风险:在应用程序内部和在订单管理系统中生成订单之前。印度是监管环境最严格的国家之一，在订单流出之前，许多算法交易相关的风险都必须在系统中强制检查。

Wow! This is a lot of risk management that we are talking about here. But I want to take a step back and ask about the order management system

订单管理系统或被称为 OMS，是将订单发送到正确目的地的路径。订单需要包含证券标识符、订单大小、价格限制、订单类型和条件、使用的算法类型等等。该信息通常由最终用户通过 winform 输入，但对于全自动系统，不需要 winform，然而，在这两种情况下，建议将每个订单对象存储在关系数据库中以备记录。

一旦订单被系统捕获，它需要被发送到所需的目的地。由于大多数接收订单的系统都有自己的专有协议，订单路由要求每个订单都以正确的格式编码。

为了确保订单信息被正确发送和接收，需要进行多项检查。场馆将运行各种校验和以及订单长度，以便 FIX 引擎可以确认收到的订单与发送的预期订单相匹配。订单经理还会在发出订单前进行风险检查。

Mm-hmm. I think I will stop my inquiry now. I got some very profound insights from your speech. Maybe I should start with some programming tutorials. T3】

这是个好主意。这里有一些你可以寻找的资源。算法交易的汇总阅读列表

向前一步

如果你和算法交易者或市场专家有过这样的对话，请在下面的评论区和我们分享。

如果你是一名程序员或科技专业人士，想开始自己的自动化交易平台。从每日从业者的现场互动讲座中学习算法交易。我们的 Algo 交易课程，算法交易的执行程序涵盖了统计&计量经济学、金融计算&技术和算法&量化交易等培训模块。

与算法交易者的坦诚讨论

原文：https://blog.quantinsti.com/candid-discussion-algorithmic-trader/

算法在一个人生活中的作用实在太大，不容忽视。从简单的咖啡机到他汽车里的音乐系统，从电梯到谷歌这样的搜索引擎，所有这些都由一组逻辑指令——算法或 Algos——管理，使它们能够响应一个人的特定要求。

随着互联网的出现，算法的潜力以最真实的形式被释放出来。通过复杂的算法，通过社交媒体定义趋势、识别偏好并针对相关群体提供量身定制的服务已经成为可能。

当然，随着技术的进步，股票市场已经走在了适应引人入胜的算法世界的前列。 算法交易逐渐成为交易所最受青睐的交易方式，据估计占华尔街总交易量的 80%。 机构投资者、对冲基金和大型金融经纪公司已经转向算法交易，以保持竞争力、成本效益和迎合客户需求。

那么，到底什么是算法交易或“黑箱交易”？成为一名成功的算法交易者需要具备专业编程技能这样的先决条件吗？设立 Algo 交易平台需要多少投资？这些是我在决定转行支持算法交易时思考的一些问题。

这篇文章试图回答一个完全的算法交易新手的问题。

如何设置 Algo 艾格书桌？

算法交易是使用一套指令以人类无法达到的数量和速度下达买卖指令的过程。这组指令基于各种市场指标，如价格、时间、数量和任何其他用户偏好。Algo 交易的好处在于它消除了人工干预，从而使交易没有情绪和直觉。

一个典型的算法系统的架构需要三个主要组件

市场数据处理器
策略模块
订购路由器

市场数据处理器，顾名思义，接收市场数据并存储。数学模型中的交易策略被输入到策略模块。它也是市场和交易者之间的接口。订单路由器或管理器将订单发送回交易所进行买卖。要设置 Algo 服务台，作为一名经纪人，你需要确定你的协同位置，将服务器放置在交易所附近，在对系统进行回溯测试和验证后，将你的策略输入到你的系统中，拥有良好的互联网连接，我认为你可以开始了！

你建议进入这个领域的步骤是什么？

首先，也是最重要的一步是建立一个坚实的基础。学习一些编程技巧，把握市场。擅长数字总是有帮助的。从探索统计学和计量经济学等核心学科开始。一些的书像陈欧内斯特的 量化交易 或者拉里·哈里斯的 交易&交易所 可以详细阐述如何建立一个“恰当的”算法交易系统。当你完成了上面提到的步骤后，就开始着手战略建设、建模技术和统计工具。 掌握各种交易策略范例 ，比如统计套利、执行策略、买卖价差。Udemy 和 Udacity 上有一些免费的在线课程，非常适合试水。对于认真的学习者，还有其他付费的高级课程。

交易员常用的编程语言有哪些？

就高频交易(HFT)而言，C++仍然是最受欢迎的语言。原因是与其他语言相比，C++中的内存泄漏和相关错误要少得多。 Python 已经成为编码策略和回溯测试的主要方式，因为它更容易掌握，并且有像 Numpy 这样的优秀科学库支持。今天，许多论坛讨论用 Python 程序编码的投资和交易策略。

散户如何参与算法交易？

从传统的交易终端来看，设立成本肯定偏高。获得协同定位可能是一件昂贵的事情。 根据最近的统计，华尔街近 70-80%的交易都是使用算法完成的，主要是大型机构投资者和对冲基金。 然而，随着基于网络的平台的出现，零售参与者的处境正在发生变化。对于那些不太关心延迟的人来说，它非常管用。除此之外，像 Interactive Brokers 这样的公司为零售客户提供 API 和软件包，这样交易者就可以对他们的策略和交易进行编码。一旦你掌握了它，它就像一个简单的 Gmail 帐户。你登录你的账户，测试你的策略，进行回溯测试，优化后，在实时市场交易。也强烈推荐纸上交易或在模拟器上测试。

印度算法交易的生态系统如何？ 考虑到算法交易的利基类别和高技能从业者的参与，公司是否愿意选择算法交易？

SEBI 于 2008 年允许算法交易。 在 8 年的时间里，近 50%或更多的交易是基于算法的。 足见其知名度。印度证券交易所很好地适应了这一变化，活跃参与者稳步增加。fii 和国内基金都使用 Algo 路线下单。

全球的未来会是什么样子？

实际上非常有前途。很明显，自动化是驱动世界的未来。无论是在哪个领域，自动化正在从传统道路上进行一场结构性转变，这同样适用于股票市场。在美国市场，70-80%的交易量是通过自动化系统进行的。 像印度这样的新兴市场正在见证该领域的指数级增长。 当然，市场每天都在成熟，所以交易成本会在某一点后降低。一个典型的例子是:汽车工业，在引进机器人后，最初人们认为该行业由于资本成本高而难以为继。

一个初学者在涉足这个领域时应该记住的几件事是什么？

最重要的一点是，光有好的交易策略是不够的，还要有竞争优势。它的范围可以从有创新的想法扰乱到有一个低经纪或你能进入的那种市场，但如果你想成功，你必须有一个杀手级的提议。 把这当成任何常规业务，你必须制定策略来智取竞争对手。对于一个新手来说，弄清楚这个行业的细微差别是很重要的。

如果我想进一步了解这个领域，我下一步应该做什么？

最好的方法是找专家和领域权威来谈谈，讨论你的疑惑。尝试互联网上免费可用的工具和资源。做好接受新知识和发展新技能的准备！

向前一步

如果你和算法交易者或市场专家有过这样的对话，请在下面的评论区和我们分享。

此外，您可以查看我们的“算法交易入门”短期课程，它涵盖了算法交易的所有基本概念，包括策略范例、交易平台、编程语言，您还将学习如何建立自己的算法交易平台。这个课程还会给你一个来自昆斯汀提和 MCX 的联合证书。

烛台模式:如何阅读图表，交易，等等

原文：https://blog.quantinsti.com/candlestick-patterns-meaning/

由查尼卡·塔卡和维拉伊·巴加

烛台模式在定量交易策略中起着关键的作用，因为它形成简单，易于阅读。

对于使用烛台模式，你只需要对烛台是如何形成的有一个基本的了解。此外，对这些烛台的各种解读方式有所了解也很有用。

然而，如果你是烛台交易的新手，这篇博客将帮助你对烛台有一个完整的了解。让我们从本博客涵盖的基础知识开始:

什么是烛台？
烛台的历史
烛台的解剖
日本烛台的品质
蜡烛图 vs 普通价格图
烛台图案有哪些？
烛台图案的种类
烛台展示
烛台图案的种类
- 烛台图案列表
[烛台模式 vs 图表模式](#candlestick-pattern-vs-chart pattern)
如何读懂烛台图案？
解读烛台图案
[如何检测实际图表中的烛台模式？](#how-to-detect-the-candlestick-patterns in-actual-charts)
阅读蜡烛图进行交易的好处
读取蜡烛图进行交易的缺点
烛台图案常见问题解答

什么是烛台？

烛台在量化交易中用于代表可交易工具(证券、衍生品、货币等)的开盘价、最高价、最低价和收盘价。).烛台形似现实生活中的烛台，因此得名。

烛台以下列颜色区分:

白色烛台或绿色烛台:表明上升趋势
黑色烛台或红色烛台:表明下降趋势

烛台有各种尺寸、形状甚至颜色。这样做的原因是烛台是基于价格。由于价格不断变化，大小和形状的烛台也因其解剖性质不同。这使得他们与众不同。

这些不同的形状和大小表明了市场心理，但有时，可以非常有效地帮助你预测未来的市场方向。

烛台的历史

烛台是 17 世纪在日本发展起来的。这就是为什么他们也被称为日本烛台。

在他们的发明之后，日本当地人开始在交易大米时使用烛台。这一理念逐渐被不同的人和国家所接受，并不断向更好的方向发展。同样的进化导致了现在的烛台。

日本烛台被认为是在《史蒂夫·尼森的日本烛台制图技术》一书中被介绍到西方的。大约 100 年后，西方发展了棒点和图形分析。

在古代日本，这些原则适用于大米，今天它们也适用于股票。

18 世纪，来自日本坂田镇的著名大米商人宗久本马(Munehisa Homma)在多岛市场交易。对烛台的进一步研究提到了“坂田的方法”或“坂田的规则”，这是基于这个特定市场的名称。

据说 Homma 在他的一生中通过研究多年的历史数据并将它们与天气条件进行比较，开发了蜡烛图。这项研究还帮助他理解了情绪对大米交易背后的价值和定价的作用。

烛台的解剖

烛台的解剖一直保持着几乎相同的年代，给了我们现在的形状和意义。它由 4 个不同的值组成，即:

开盘价，
收盘价，
给定区间的最高价格，以及
给定区间内的最低价格。

它类似于折线图和条形图的组合，其中每个条形图代表一个时间间隔内的所有四条重要信息。

身体

烛台的空心或实心部分称为烛台主体。

多头——表示单向交易量大，买入或卖出压力大
小身体——表示交易量较小或买卖活动较少

阴影

身体上下长长的细线叫做烛台的影子。

上影-高由上影的最高部分来标记
下影线-低由下影线的底部标记

垂直线

蜡烛图显示并定义了价格在一条垂直线上的开盘价、收盘价、最高价和最低价。它包括以下内容:

上尖端-高
下尖-低
蜡烛体-打开和关闭之间的范围
顶端
底端

偶尔，你也可以观察到:

上阴影
下阴影

此外，主体由中空主体烛台或填充主体烛台表示。

中空体烛台

当股票收盘价高于开盘价时
身体是白色的
主体的底部描绘了开放的价格
正文的顶部显示股票的收盘价

实心烛台

当股票收盘价低于开盘价时
身体是黑色的
主体的底部描绘了收盘价
正文的顶部显示股票的开盘价

日本烛台的质量

日本烛台的质量可以列举如下:

它们很密集
它们充满了信息
它们表明了市场心理和买卖双方的情绪
它们代表了短期内的交易模式
有时，需要几天或几个疗程
它们可以用于货币价格模式和股票的技术分析
它们可以用于任何外汇时间框架

烛台图案是什么？

蜡烛图是价格变动的图形表示，通常由金融工具的开盘价、最高价、最低价和收盘价构成。这些烛台用来识别交易模式，帮助技术分析师进行交易。

此外，有时你会发现外观相似的烛台或一组相同的频繁出现，可以给你一个特定的模式，非常时期。

烛台图案的类别

交易分析师使用蜡烛图来识别市场转折点，他们被用来降低市场风险。此外，烛台模式可以基于两个烛台，有时甚至可以使用一系列多个烛台。

烛台图案分为烛台数量:一个、两个、三个及以上。
烛台模式分为两大类，即看涨和看跌。

熊市蜡烛

当身体被填满，黑色或红色，这意味着收盘低于开盘价，被称为看跌蜡烛。

这意味着下跌的价格运动导致价格下跌，因此收盘价低于开盘价。

不同种类的牛气蜡烛

看涨蜡烛

如果主体是空的，是白色或绿色的，这意味着收盘高于开盘，这是一根看涨的蜡烛。

这意味着看涨的价格运动导致价格上涨，因此收盘价高于开盘价。

不同类型的看跌蜡烛

这个主体描述了当天交易的开盘价和收盘价之间的价格范围。

看涨蜡烛和看跌蜡烛的区别

烛台的展示

身体上下的细垂直线被称为灯芯或阴影，代表交易时段的最高价和最低价。

烛台的图示如下:

看涨或绿色蜡烛代表力量
熊市或红烛代表弱势
购买之后通常是绿色蜡烛
卖出之后是一根红烛
你必须寻找先前的趋势。如果你看到的是看涨反转形态，那么之前的趋势应该是看跌。
如果你正在寻找一个熊市反转模式，那么之前的趋势应该是牛市

烛台图案的类型

市场上有各种各样的烛台，只有通过实践，你才能对每一种烛台有全面的了解。

我们在一个信息图中汇集了所有类型的烛台模式。这张信息图对于那些使用蜡烛线技术来监测市场走势的人和正在学习蜡烛线技术的人来说非常有用。

烛台图案列表

以下是烛台图案:

多头日
漫长的熊市
短日
看涨的弃婴
看跌的弃婴
熊市吞没形态
看涨吞没形态
看涨哈拉米十字
看跌哈拉米十字
穿孔图案
看涨哈拉米
看跌的哈拉米
看涨踢球者
看跌者
乌云覆盖
上层窗户
下部窗户
看涨三星
看跌三星
早上好，道吉之星
傍晚道吉星
晨星
晚星
看涨的道场明星
看跌多吉星
流星
看涨旋转陀螺
轴承旋转陀螺
镊子顶端
镊子底部
三个里面朝上
三个在外面
看涨三线罢工
看跌三线走
绞刑者
三个白人士兵
三只黑乌鸦
三个在里面
三人出局
看跌分割线
看涨分割线
下降的鹰
角鸽
向下张开的铃木
最后吞没顶部
最后吞没底部
匹配低电平
领线内
在领线上
推进线
两根黑色缝隙蜡烛
匹配低电平
匹配高
交汇线看跌
交汇线看涨
上田树缺口

烛台模式与图表模式

为了让您了解它的样子，我们将使用印度国家银行的一个样本来展示它在一天中的烛台模式。

Candlestick pattern

然而，图表模式看起来像这样:

Chart pattern (Source: WikiFinancepedia)

如何读懂烛台图案？

一旦你知道如何做，阅读烛台模式是很容易的。让我们找出烛台模式的解释，以及在图表中检测烛台模式。

解读烛台图案

你可能遇到过很多烛台图案，但你知道一些常见图案的解释吗？

以下是一些烛台和他们的解释，将有助于交易:

如何检测实际图表中的烛台模式？

日线图显示了当天的开盘价、最高价、最低价和收盘价。烛台主体(我们在上面讨论过)显示了开盘价和收盘价之间的联系。

你可以发现这些简单的烛台图案:

看涨摇摆
看跌摇摆
多头针棒
轴承销杆
内部酒吧
外部酒吧

看涨摇摆

看涨摆动是一个简单的三蜡烛线模式。第二根蜡烛线在三根蜡烛线中最低。这预示着价格可能上涨。

看跌摇摆

看跌的波动与看涨的波动相反。这也是一个 3 根蜡烛的模式，这里的第二根蜡烛有最高的高度。

多头针棒

针条是非常常见的，也是最强大的模式。众所周知，针棒有很长的影子和很小的身体。

还有，针棒不仅仅是这样的蜡烛，它必须来自周围的价格行动。因此，相对于前一根蜡烛线，一根看涨的针柱必须有一个更低的低点。

“小”物体可以定义为宽度小于烛光范围除以 3 的物体。多头针棒的主体位于蜡烛的上半部分。

轴承销杆

看跌针柱与看涨针柱相似，但主体现在位于蜡烛线的下半部分，并且比之前的蜡烛线高。

内部酒吧

酒吧内部是由两根蜡烛组成的图案。第二根蜡烛线包含在第一根蜡烛线的范围内。

内侧柱线显示波动性收缩，这可能是强烈方向性爆发的前奏。

外部酒吧

外侧杠与内侧杠相反。蜡烛范围包括之前的整个蜡烛。

阅读烛台模式对交易的好处

阅读烛台模式的好处可以列举如下:

蜡烛图详细描绘了市场

蜡烛图向我们详细展示了发生在资产上的价格行为。在少量的及时使用后，蜡烛图模式分析可以在交易者的日常生活中发挥不可或缺的作用。在 Quantra 课程中详细学习价格行动交易策略。

使用蜡烛图进行情绪分析更容易

金融工具在市场上的价格变动通常是在贪婪、恐惧和希望等情绪的影响下做出的决定。

有了烛台模式，你可以成功地解读市场的变化，而不会让情绪干扰。这也被称为投资者情绪。蜡烛图通过显示买家和卖家之间的互动来做到这一点，这通常反映在价格运动中。

更容易理解

烛台模式在视觉上提供了一套清晰而简单的模式，非常准确。通过使用蜡烛图，结合一些基本的技术分析，你可以很容易地发现市场中出现的模式。同样，当你交易时，你可以从这些模式中获利。

为什么交易中使用烛台

除此之外，这些也是交易中使用烛台的原因:

它们很容易理解
模式很容易识别
它们可以与其他指标结合使用
与提供最少信息的传统图表相比，提供对市场中发生的事和发生的事以及买方和卖方之间的互动的更详细的描述
它们让我们了解投资者的情绪和由市场决定的价值
蜡烛的颜色和长度有助于一眼判断市场是熊市(走弱)还是牛市(上涨)
他们很早就指出市场的转折点，并估计市场的方向
总的来说，烛台提供了独特的见解
它们显示了在其他类型的图表中看不到的反转模式
它们可以用于各种市场
烛台模式在预测市场趋势方面非常准确

阅读蜡烛图交易的缺点

阅读蜡烛图交易的缺点可以列举如下:

烛台在每个时间段看起来都不一样

一个烛台模式可能在一个时间段看起来很完美，但在另一个时间段也可能完全相反。这使得我们很难百分之百地相信烛台模式的信息。因此，它会对交易者决定和执行交易产生怀疑。如果烛台有足够的大小，它可能会出现在多个时间框架中，但这种情况并不常见。

烛台模式在较高频率上的不可靠性

在高频时，如一分钟，数据会有很多蜡烛图，但大量的价格波动会使交易变得非常困难。这可能会影响您交易时的风险管理实践。

拉后指标

在技术分析中，烛台模式通常被认为是一个滞后指标，因为你需要等到蜡烛结束后才能交易。这有很多缺点，最重要的是滞后指标只记录结果，所以它给交易者留下了决定或推测下一步价格走势的空间。

烛台模式常见问题

问:为什么烛台有不同的形状和大小？
答:烛台是以价格为基础的。由于价格不断变化，大小和形状的烛台也因其解剖不同，使他们不同。这些不同的形状和大小表明了市场心理，但在帮助人们预测未来市场方向方面非常有效。

问:什么是丸博祖？
答:丸博祖的意思是“剃光了”。他们是没有任何阴影的烛台。

问:什么是多奇？
答:多奇的意思是“成型不熟练”。他们是没有身体的烛台。

问:哈拉米是什么？
答:哈拉米的意思是“怀孕”。Harami 是由两个烛台组成的烛台图案，即一个大烛台(母亲)和一个小烛台(婴儿)，因此得名。

问:人们可以依赖烛台图案吗？
答:能否依靠烛台图案是交易者的个人选择。烛台模式对于那些在短时间内跟踪市场的交易者来说更方便。例如，大多数日内交易者发现依靠烛台模式很方便。

结论

烛台模式是预测价格的最有趣和最简单的方式，为你创造独特的交易策略。虽然有很多烛台模式可供你参考，但阅读和解释烛台模式的微妙实践可以帮助你更有效地预测和设计策略。

烛台模式是全世界交易者使用的预测技术之一。烛台图表用于股票市场和外汇市场等。

烛台的知识证明是无价的。人们可以了解烛台，通过一些努力，人们可以快速记住烛台图案，并在短时间内应用这些知识。

探索我们关于 Python for trading 的课程，以便利用 Python 编码让你的烛台模式读起来更方便。计算机语言可以帮助你编码，以便对你的烛台模式进行回溯测试，用于数据分析和生成交易信号。

注:原帖已于 2022 年 8 月 22 日对进行了修改，以确保准确性和时效性。****

烛台交易——有例子的动量策略

原文：https://blog.quantinsti.com/candlestick-trading-a-momentum-strategy-with-example-excel-model/

由查尼卡·塔卡和阿克谢·乔杜里

烛台交易是一种策略，观察前 n 个烛台上的价格，然后根据观察结果决定下一次交易。因此，如果价格持续上涨，比如说，3 个烛台，那么它很可能会进一步上涨。

蜡烛图基本上显示了一个可交易项目的最高价、最低价、开盘价和收盘价，该项目可以是证券、衍生品或货币。

让我们通过这篇博客来了解烛台交易作为一种动量策略的全部内容，这篇博客包括:

什么是动量策略？
动量策略为什么存在？
Excel 中烛台交易-动量策略示例

什么是动量策略？

动量策略意味着金融安全的趋势，以继续价格运动在一个特定的方向。资产价格的价格动力可以是向上的，也可以是向下的。

例如，当特斯拉于 2020 年 2 月 14 日开始在中国交付汽车时，特斯拉的收盘价一直上涨，直到 2020 年 2 月 19 日。

相反，动量也可以是向下的。下降趋势的一个例子是新冠肺炎疫情期间的石油价格，它随着俄国和石油输出国组织的石油战争而持续暴跌。

动量策略为什么存在？

动量策略寻求从那些有趋势且有高交易量支持的证券中获利。简单地说，高买高卖是这种策略的主要目的。这可以通过在上涨或下跌的股票中建仓来实现，然后持有这个头寸直到证券出现反转的迹象。

动量交易者可能会持仓几秒、几分钟、几小时、几个月甚至几年，这取决于金融资产改变方向的速度。

与大多数其他策略相比，动量交易具有很高的波动性。正确把握买卖时机以避免重大损失是很重要的。动量交易者通常利用止损、投资组合多样化和其他风险管理技术来最小化损失。

烛台交易示例 Excel 中的动量策略

现在，让我们看看用 excel 进行烛台交易的例子。该 excel 模型将帮助您:

学习如何实施动量策略
理解策略实施的交易逻辑
优化交易参数
理解动量交易的日内回报

在本例中，我们采用了币安交易所的 BTCUSDT 数据。将在该资产上实施动量策略。BTCUSDT 使用的数据是 5 分钟蜡烛线数据。数据的时间间隔为 2021 年 12 月 12 日至 2021 年 12 月 22 日。

现在，我们想从市场波动中受益，通过指定止损和止盈来优化我们的赌注。这种模式是灵活的，可以根据交易者的风险偏好改变，以达到不同的退出交易的限制。

现在让我们看看我们的假设。

假设

出于简化的目的，我们忽略买卖价差。
价格以 5 分钟为间隔，我们只以 5 分钟收盘价交易。
由于这是离散数据，平仓发生在蜡烛线结束时，即在 5 分钟结束时的可用价格。
交易成本因交易所而异。为了简单起见，我们假设它为 0。

此外，我们还准备了一些输入参数。让我们也看看那些。

输入参数

请注意，下面提到的输入参数的所有值都是可配置的。

考虑 3 根蜡烛的高/低(1 根蜡烛=每 5 分钟价格)。
止损 50，利润限制 200。

从第 12 行开始，市场数据和交易模型包含在电子表格中。因此，当参考 D 列时，显然应该从 D12 开始参考。

C 列表示 BTCUSDT 的价格。
D 列代表 3 支蜡烛的最高价格，意味着前 3 支蜡烛的最高价格。
E 列代表 3 根蜡烛线低点，意味着前 3 根蜡烛线的最低价格。
F 列计算交易信号。

公式 =IF(D13= ""，" "，IF(C13 > D13，"买入")，IF(C13 < E13，"卖出"，" "))表示
-如果单元格 D13 中的条目为空，则保持 F13 为空，否则保持为空
-如果 C13 (BTCUSDT 价格)大于 D13 (3 蜡烛线高)，则生成 BTCUSDT 的买入信号，否则生成
-如果 C13 低于 E13 (3 蜡烛线低)，则生成 BTCUSDT 的卖出信号

G 列代表进场价格。这是产生交易信号的价格。

公式 =IF(H13=H12，G12，IF(OR(H13=“买入”，H13=“卖出”)，C13，“)
表示，
-如果单元格 H13 中的值与 H12 相同，则 G13 中的值应为 G12 中的值，否则，
-如果 H13 为“买入”或“卖出”，则 G13 中的值为 C13 中的值(BTCUSDT 价格)否则，
-如果 H13 既不是“买入”也不是“卖出”

H 列代表交易的状态。给定我们的假设和输入参数，有四种状态可能发生，“买入”、“卖出”、“TP(止盈)”和“SL(止损)”。

公式:

=IF(OR(H17= " "，H17="TP "，H17="SL ")，F18，IF(H17= "买入"，IF(C18 < G17+$C$4，" SL)，IF(C18 > G17+$C$5，" TP "，H17))，IF(H17= "卖出"，IF(C18 > G17-$C$4，" SL)，IF(C18 < G17-$C$5，" TP "，H17)，" "))

可以简化如下:

如果 H17 中的条目为空或 TP 或 SL，则选择 F18 中的值(F 列具有买入或卖出值或空值)。否则，查看下一个 If 条件。

如果 H17 中的条目是“买入”，意味着我们有买入头寸，如果资产价格低于止损限额，那么我们在止损时退出头寸，如果资产价格高于止盈限额，那么我们在止盈时退出头寸。

类似地，如果头寸为“卖出”并且资产价格超过止损限额，则在止损时退出头寸，如果资产价格低于止盈限额，则通过止盈退出头寸。

列 I 表示交易的利润/损失状态。只有当我们结清头寸时，才能计算损益。公式= IF(OR(H13 =“SL”，H13 =“TP”)，IF(H12 =“Buy”，C13-G12，IF(H12 =“Sell”，G12-C13，0)，0)可以总结如下:-

第一个 if 条件表明，只有当 H 列中的相应状态是“SL”或“TP”时，才进行到下一个 if 条件，否则该单元中的条目为零。

下一组 if 条件在假设止损或止盈已经实现的情况下计算利润。如果 H 列中的状态是“买入”，则损益计算为 C13-G12。

请记住，G 列是您交易的价格(在本例中是“买入”)，C 列是 BTCUSDT 的市场数据。因此，利润/亏损就是你卖出的价格减去你买入的价格之间的差额。

如果 H 列中的状态是“卖出”，那么利润/损失计算为 G12-C13，简单地说就是你卖出(做空)的价格和你后来买入的价格之间的差额，因此平仓。

J 列计算累计利润。

输出

输出表列出了一些性能指标。所有亏损交易的损失是 35405 美元，而触及 TP 的交易的利润是 41850 美元。所以总损益是 41850 美元-35405 美元= 6445 美元。

亏损交易是指导致交易头寸亏损的交易。有利可图的交易是成功的交易。平均利润是总利润与交易总数的比率，总计 13.45 美元，因为我们假设交易成本为 0。

下载中的文件:

Excel 模型-烛台交易

下载

结论

交易蜡烛图是一个有用的实践，在交易前观察历史数据。当价格向某一特定方向发展时，可以使用蜡烛图模式观察动量，该模式具有特定时间段的开盘价、最高价、最低价和收盘价。

如果你也想学习动量交易风格，你必须学习我们的动量交易策略课程。通过这个动量交易的课程，你将学会在股票、股票指数、固定收益和商品期货上创建时间序列和横截面动量策略。此外，你将学习定量分析时间序列，投资组合的回报和风险，设计和回测动量交易系统。

posted @ 2024-11-03 04:39 绝不原创的飞龙阅读(654) 评论(0) 收藏举报

刷新页面返回顶部

龙哥盟

掠夺·扩张·投机·博弈

Quantinsti-博客中文翻译-一-

Quantinsti 博客中文翻译（一）

15 年的工程职业生涯到现在的 Algo Trading | Chris 的故事

嗨，克里斯，给我们介绍一下你自己吧！

你从电气工程到算法交易的旅程是如何发生的？

EPAT 帮你实现了什么？

你认为 EPAT 最大的特点是什么？

你有什么话想和有抱负的量化分析师分享吗？

2016 年回顾- QuantInsti

2017 年回顾- QuantInsti

2018 年回顾- QuantInsti

2020 年印度地区峰会| CMT 协会

****10&2020 年 10 月 11 日T3】

回放:不可思议的航行

扬声器

登记

2020 年回顾- QuantInsti

2021 年回顾- QuantInsti

第四届年会-行为模型和情绪分析

关于发布会

QuantInsti 参加会议

成功的交易策略:知道这 5 个因素

1.坚实的基础

2。回溯测试您的策略

3。了解你的优势

4。优化

5。这是一笔生意

后续步骤

开始算法交易前要知道的 5 件事

1.数据就是一切(嗯，差不多！)

eSignal

2.图表平台

3.这都是关于编程的，宝贝

4.经纪人经纪人经纪人

5.一个击败算法交易的系统

下一步

第五届金融应用行为模型和情绪分析年会

关于发布会

会话标题

谁参加了 2014 年的会议

扬声器

会前和会后研讨会

会议费用&报名

特别促销优惠

活动照片

关于算法交易，你不知道的 7 件事

你知道吗！Algo 交易职业培训没有年龄限制

你知道 Algo 专业人士有很多职业和工作机会吗？

这需要时间。像酒一样，随着时间的推移越来越好

个人交易者可以做算法交易

算法交易和高频交易不一样

时间和延迟是决定因素

谁说交易需要巨额资金？

下一步

新手的 8 个基本差价交易技巧

做你的研究

票据交易

小规模开始

跟踪市场动向

低风险策略

大型商业公司的期货差价交易

在英国免税

自动点差下注

下一步

R Quantmod 软件包指南:如何入门？

下载数据

可视化图表

技术指标

有用的功能

下一步

适合算法交易的学术背景

哪些本科和研究生学位的科目可以帮助从事算法交易？

学习算法交易的资源

学习曲目

课程

博客

关于 Algo 交易所需教育的常见问题

没有前期技术知识的人可以做算法交易吗？

10&2020 年 10 月 11 日T3】

2017 年 12 月 5 日^{星期二，IST 时间晚上 7:30 |美国东部时间早上 9:00 |新加坡时间晚上 10:00}