目录

 基于python的量化交易策略

1 背景

2 国内外现状

2.1 国外的现状和研究

2.2 国内的现状和研究

3 遗传算法

4 支持向量机

5 神经网络算法

4 结论

参考文献

 基于python的量化交易策略

1 背景

近年来中国金融市场发展迅速，股票期货等市场受到很多资金的追捧，股票市场去年更是经历了一波快速上涨的牛市，然而因为这是一波由杠杆强行推上去的牛市，再加上各种政策等原因，最终引发了一场股灾，市场一路急速向下，引起了金融市场剧烈波动，造成许多投资者损失惨重。但也不是所用投资者都损失了所有盈利，比如一部分采用量化交易的机构，甚至他们在经历股灾后还有少许盈利。

随着市场的日渐成熟，可交易的品种日益增多，所掌握的资金规模越来越大，许多采用传统投资方法的机构和零售交易者愈发感到力不从心，例如在国内各个比特币平台利用价差进行套利，光采取人工盯盘来寻找机会往往需要花费很多精力，而且整天高度注意力集中对交易员的身体素质也是一种考验，况且这种套利机会往往是一瞬之间的事，从交易员发现机会到手动执行下单这中间需要很多时间，很容易失去一次很好的套利机会，而采用程序控制自动发现套利机会并进行下单的量化交易渐渐被人所开发出来并利用。

随着数学，统计学和计算机学的发展，量化交易起源于上世纪70年代的国外发达国家的股票市场，之后在期货交易市场迅速发展并普及开来，渐渐成为了主流，以至于到后来占国外期货市场交易量的百分之七八十，包括程序高频交易，也属于量化交易的一部分，国内则还在起步阶段。从事量化交易的交易者通常被称为quant。

2 国内外现状

2.1 国外的现状和研究

FACTSET最新一期的对冲基金调查中，排名前四的均为量化交易基金。最出名的量化交易基金产品非詹姆斯西蒙斯的文艺复兴科技公司的大奖章基金莫属，于1982年成立，到1999年12月底的11年来，大奖章基金累计的回报是2478.6%。

学术上，White使用神经网络来测试IBM资产指数的价格变化中隐藏变量之间的非线性关系。Kimoto(1990)使用模块化ANNs来较好拟合了韩国股票市场指数TOPIX，Kaboudan(2000)在股票市场利用遗传算法做出了开创性贡献，他证明了股票价格的可预测性，从而构建了交易策略。然而，此后的研究更多地基于股票的上涨还是下跌趋势（而非价格）来寻找相关策略。Kaucic(2009) 完成了大量宏观经济变量和企业财务指标的变量选择和异常诊断，其动态线性模型对MSCI欧洲股票指数有预期的预期效果。Gerov M.^【1】利用移动平均线来对市场数据进行平滑处理，他研究了从1977到1995年的TSE300数据的移动平均策略，还收集了八年多的1996-2003年的数据，通过测试交易信号的随机性来评估策略的预测能力，因为飞随机信号有可能带来极大的超额收益。他的策略非常简单，当短期平均价格大于长期平均价格时保持多头头寸，当情况相反时保持空头头寸，策略通过MA(p,q,r)模型来过滤，其中p是短周期的长度，q是长周期的长度，r是滤波器频带的大小。Michael McDonald介绍了量化交易不通变量之间的相关性，阐述了动量与市场调整新信息的速度之间的关系。

2.2 国内的现状和研究

国内目前量化交易刚处于起步状态。由于股灾的原因，股指期货的交易几乎被暂停，导致很多利用量化交易交易沪深300指数的机构和投资者都停止了交易。

市场方面，国内目前有两家做的比较好的量化交易基金产品，分别是富国基金李笑薇的富国沪深300指数增强和宋炳山的尊嘉ALPHA，区别在一个是公募基金一个是私募基金，但共同点是两家都是通过alpha来择股，且两家基金的成绩均跑赢同期上证指数，李笑薇女士更是国内公募基金中唯一入选国务院第二批“千人计划”的基金经理。