分类
短线操盘

使用基础分析和最大化您的收益的基本交易技术

表1展示了学术报告中重复出现的主题,出现次数最多的是:回报预测、投资组合构建、风险建模。 使用基础分析和最大化您的收益的基本交易技术

利润最大化原则

1、用数学模型看利润最大化。由于行为的目的性假设,自然要引入一些数学模型,以解决含有若干变量的函数的极大值问题。我们可以假设追求利润最大化的企业以固定单价P销售产品,并以固定的单位要素价格w1和W2分别购买两种投入x1和x2。假设我们考虑的企业面临着竞争性的投入和产出市场。企业的生产过程可以用生产函数来概括:y=f(x1,x2) 。这里,生产函数可以看做是通过将两种投入或称为两种要素x1和x2:相结合而达到最大产出市的技术状态。企业的目标函数是总收益减去总成本(即利润)。我们认为企业是该函数取最大化,即π =pf(x1,x2) −w1x1 −w2x2 最大化。该模型的检验条件是要素价格w1、w2和产品价格P的特值。模型的目标是举出可观测行为(如投入水平的变化)在检验条件变化(即要素价格或产品价格发生变化)时的可证伪的假设。

这些条件的经济解释是什么呢?利润最大化的一阶条件表明,追求利润最大化的企业会一直增加资源,直到各种要素的边际贡献(例如要素i的边际产出值,它带来的收入是pfi等于每增加一单位该要素所带来的成本w1。这些是利润最大化所必然包含的。但是,为了保证要素投入后能够获得最大利润而非最小利润,还需二个条件。f11 < 0、f22 < 0是收益递减法则。假设,最初使用一个单位的要素是值得的,如果该要素的边际产出是递增的,企业将无休止的增加该要素,因为投入带来的收入多于支出。有限的最大值与递增的边际率是矛盾的。 但是,各种要素的边际生产率递减,其自身并不能保证利润能取最大化,还需条件f11f22 −f12 > 0。尽管这一关系式不如边际生产率递减那样直观,但是它来自这样一个事实:一种要素的改变会影响另一种要素的边际产出,正如影响其自身的产出一样,对所有边际产出的总体影响必须与边际生产率递减相一致。

当前国内的程序化交易量化交易,有哪些好的框架和工具?

一些可选的框架和工具如下,排名顺序不分先后(各位朋友有兴趣可以去github 或其他网站自行查询排名顺序。)

本人试用过 vnpy, quantLib,talib,rqalpha,easytrader,BigQuant 等等,都不错,也各有千秋。本文不做评判,仅提供信息,供朋友自行尝试。

  • 小白版 阿岛格:低门槛搭建个人量化平台( 网页演示版本见 http:// adog.net.cn/news ,注意是http, 不是https)
  • 进阶版阿岛格:基于人工智能的量化投资)、

以下参考勋爵 ,黑马_御风 的文章,做了一些删减、合并和增加如下:

1. 库工具

是一个免费、开源的软件库,是量化金融计算提供一个统一的、综合的软件框架。QuantLib 的源代码由 C++ 编写,可以清晰地描述各种复杂的金融产品,并兼顾了计算速度。

talib
talib的简称是Technical Analysis Library,主要功能是计算行情数据的技术分析指标

quantdsl
quantdsl包是Quant DSL语法在Python中的一个实现。Quant DSL 是财务定量分析领域专用语言,也是对衍生工具进行建模的功能编程语言。Quant DSL封装了金融和交易中使用的模型(比如市场动态模型、最小二乘法、蒙特卡罗方法、货币的时间价值)。

2. 交易和回测

TA-Lib
TA-Lib的简称是Technical Analysis Library,主要功能是计算价格的技术分析指标。 是技术分析者和量化人员在策略开发中常用的量化分析包。

easytrader
提供券银河/银河客户端/广发/湘财证券/雪球的基金、股票自动程序化交易以及自动打新,支持跟踪 joinquant /ricequant 模拟交易 和 实盘雪球组合, 量化交易组件

实盘易
实盘易(ShiPanE)Python SDK,通达信自动化交易 API 及量化平台。

easyquotation
实时获取新浪 / Leverfun 的免费股票以及 level2 十档行情 / 使用基础分析和最大化您的收益的基本交易技术 集思路的分级基金行情, 很小,但非常实用。

trade
介绍:trade是金融应用的一个包。 它主要是用于分析主题投资和事件驱动策略。 主题代表可以交易的任何东西,而事件则代表影响一个或多个主题的任何内容,如证券交易所政策或股票分割。它是针对与金融市场有关的任何一种主题和事件进行开发的投资工具包。

pybacktest
在Python 结合Pandas包的矢量化测试框架,旨在帮助宽客回测更容易、 紧凑、简单、快速。

vnpy_oanda
基于vnpy,对Oanda进行定制的Python开源交易平台开发框架

一个基于python的量化回测框架。它借鉴了主流商业软件(比如TB, 金字塔)简洁的策略语法,同时避免了它们内置编程语言的局限性,使用通用语言python做为策略开发工具。和 zipline , pyalgotrade 相比,QuantDigger的策略语法更接近策略开发人员的习惯。

基本面分析与技术分析的关系

NNeter 于 2007-05-17 12:57:00 发布 2734 收藏

(1)两者的联系。两者的起点与终点一致,都为了更好把握投资时机,进行科学决策,以达到赢利目的。两者实践基础相同,都是人们在长期投资实践中逐步总结归纳并提炼的科学方法,他们自成体系,既相对独立又相互联系。两者在实践中的运用相辅相成,都对投资者具有指导意义。基本分析设计股票的选择,技术分析决定投资的最佳时机。两者的结合,即选准对象和把握机会,才能在证券投资中有所斩获。
(2)两者的区别。
第一,两者分析的依据不同。基本分析根据价格变动的原因,各种宏微观因素预测证券的未来行情。其方法具由某种主观性,即在搜集各种客观资料的基础上,依据分析家的经济金融知识和经验得出某种倾向性的看法,不同的分析家面对同样的资料,有时竟会得出截然不同的判断。技术分析依据市场价格变化规律,采用过去及现在的资料数据,得出将来的行情,其依据是"历史会重复""。通过市场连续完整的经验数据,采用统计分析归纳出典型的模式,其方法更为客观,也更加直观,甚至可直接得出买卖证券的拐点,这是技术分析的优势。

使用基础分析和最大化您的收益的基本交易技术

来源:SSRN
作者:Sophie Emerson, Ruairi Kennedy, Luke O’Shea, and John O’Brien

2.量化投资的演变
1929年华尔街崩盘后,Graham and Dodd 著作的《证券分析》(Security Analysis)于1934年出版,是关于基本面投资的开创性著作,至今仍在出版。它是最早将投资与投机进行区分的书籍,提倡使用系统的证券分析框架来选股。

1973年,Fama 和 MacBeth 利用证券价格研究中心(CRSP)的金融数据集(首批此类数据集)对CAPM进行了实证分析。分析表明,CAPM在为市场数据的实证横截面分析设定标准的同时,为证券价格的行为提供了一个很好的定量近似值。

xw1.png

表1展示了学术报告中重复出现的主题,出现次数最多的是:回报预测、投资组合构建、风险建模。

xw2.png

表2展示了在这三个主题下不同机器学习算法出现的频率。

xw3.jpg

案例分析引用的文献: