分类
从入门到精通

量化交易

VeighNa - By Traders, For Traders.

vnpy/vnpy

This commit does not belong to any branch on this repository, and may belong to a fork outside of the repository.

Use Git or checkout with 量化交易 SVN using the web URL.

Work fast with our official CLI. Learn 量化交易 more.

Launching GitHub Desktop

If nothing happens, download GitHub Desktop and try again.

Launching GitHub Desktop

If nothing happens, download GitHub Desktop and try again.

Launching Xcode

If nothing happens, download 量化交易 Xcode and try again.

Launching Visual Studio Code

Your codespace will open once ready.

There was a problem preparing your codespace, please try again.

Latest commit

Git stats

Files

Failed to load latest commit information.

README.md

VeighNa - By Traders, For Traders.

💬 Want to read this in english ? Go here

🎓 🎓 🎓 2022年VeighNa线下小班特训营报名进行中!目前已经确定的场次包括《VeighNa套利价差交易》和《VeighNa源码深入解析》,两天10小时的课程内容结合后续3个月的助教辅导,帮助学员在量化实践中深入掌握相关的知识体系。报名方法请扫描下方二维码关注后,回复关键词【小班】即可:

  • RPC服务(rpc):跨进程通讯接口,用于分布式架构

excel_rtd:Excel RTD(Real Time Data)实时数据服务,基于pyxll模块实现在Excel中获取各类数据(行情、合约、持仓等)的实时推送更新

REST Client(rest):基于协程异步IO的高性能REST API客户端,采用事件消息循环的编程模型,支持高并发实时交易请求发送

Websocket Client(websocket):基于协程异步IO的高性能Websocket API客户端,支持和REST Client共用事件循环并发运行

  • 推荐使用VeighNa团队为量化交易专门打造的Python发行版VeighNa Studio-3.3.0,集成内置了VeighNa框架以及VeighNa Station量化管理平台,无需手动安装
  • 支持的系统版本:Windows 10以上 / Windows Server 2016以上 / Ubuntu 20.04 LTS以上
  • 支持的Python版本:Python 3.7/ 3.8 / 3.9 / 3.10 64位(推荐使用Python 3.10

Windows

Ubuntu

Macos

注意:setup.cfg中列举了VeighNa框架安装所需的依赖库,requirements.txt中给出了这些依赖库的推荐安装版本。

启动VeighNa Station(安装VeighNa Studio后会在桌面自动创建快捷方式),输入上一步的账号密码登录

点击底部的VeighNa Trader按钮,开始你的交易!!!

  • 在VeighNa Trader的运行过程中请勿关闭VeighNa Station(会自动退出)

Fork VeighNa - 点击右上角Fork按钮

Clone你自己的fork: git 量化交易 clone https://github.com/$userid/vnpy.git

  • 如果你的fork已经过时,需要手动sync:同步方法

dev创建你自己的feature branch: git checkout -b $my_feature_branch dev

创建从你的fork的$my_feature_branch分支到主项目的dev分支的[Pull Request] - 在此点击compare across forks,选择需要的fork和branch创建PR

引领投资未来

¥ 69.9

AI_GoldCross_v1.0

¥ 520

AI-短线-VV-稳定发挥1.2-(2)

¥ 99.9

对于一个刚入门的交易者来说这是个好问题,在讲之前,先推荐一本书《Efficiently Inefficient》(作者:Lasse Heje Pedersen)。它对于想了解对冲基金的朋友,是一本很好的启蒙书籍。开始进入正题:从对冲基金的角度讲,量化交易策略可以有以下分类(来自《Efficiently Inefficient》):

我们可以先把交易策略大体分成三类:1)股票策略 2)宏观策略 3)套利策略。其中,股票策略和宏观策略的收益主要来自投资目标的实际价值(absolute value)的变化,而套利策略的收益来自一对或一组投资目标的相对价值(relative value)的变化。这三者不是完全的**,比如套利策略也有应用于股票市场,宏观资产配置也会借鉴股票策略中基本面分析方法。之所以这么分是因为三者有各自显著的特点。下面我们来逐一介绍:

1)股票策略:股票策略主要指的是单一的应用于股票市场的交易策略。按照人的主观和计算机在策略的参与程度,我们把股票策略分成主动权益投资和主动量化投资。这里的主动投资更准确的翻译是决定型交易,之所以称为主动权益投资,是因为这是业界一般的称呼。主动权益投资主要是靠投资者的主观判断,他们通过对行业和企业的深入调查,形成自己的投资逻辑,然后进行筛选股票。这里又根据交易的限制分为多空策略,做多策略和做空策略。这里提一下做空策略(见于国外),只做空的投资者往往会把目标锁定在,那些对外披露的报告和实际表现不符的公司,然后去调查该公司的财务状况是否作假。该策略类型的代表就是浑水公司(Muddy Waters Research)。

相较于主动权益投资,主动量化投资是把自己的逻辑输入计算机,通过计算机的快速运算,来构建自己的投资组合。它和主动权益投资的区别体现在研究的深度和广度上。量化投资依赖于数据。换句话说,对于那些不是以数据形式存在的信息(比如与他人的谈话),计算机是没法获得的,也无法转化成交易信号。从这个角度来看,量化投资对单一股票的研究深度不如主动权益投资。但是,借助于计算机的快速处理能力,量化投资所构建的自动化模型,能在短时间内消化各种类型的数据信息,并且把它转换成有价值的交易信号。从这个角度来看,量化投资在研究的广度上比主动权益投资更具有优势。在中国的股票市场,目前主要存在的量化交易策略是多因子选股模型(具体不在这里做介绍)和一些基于流动性的高频交易策略。前者更适用于资金规模大的公募基金,后者则适用于追求短期高回报的私募基金。

2)宏观策略:宏观策略的投资范围不局限于单一类型的市场,而是进行全类型市场的投资。这一类型的策略又可以分成以期货为投资工具的CTA策略,和宏观资产配置策略。CTA策略是动量策略的代表作。动量策略又称作趋势型策略。它研究的是价格的变化趋势,基于行为金融学,找到价格变化背后的规律(动量和反转),通过趋势变化的规律赚取收益。CTA通过期货标的物,可以把自己的投资范围扩大到各个类型的资产,这样的目的是为了分散动量策略本身的高风险。宏观资产配置策略多被一些全球资产管理公司以及投行(如德意志银行)采用。策略主要研究的是宏观经济的变化,然后做多或做空某一区域的所有类型的市场。比如如果某资产管理公司相信中国经济会持续高速增长,它就会做多中国的股指,做多中国的国债,做多与中国贸易有关联的大宗商品等等。

3)套利策略:套利在这里是一种方式,因此它理论上可用于不同类型的市场。对于固收类产品,因为未来的现金流动比较固定,所以其价格与到期时间,利率,通胀,信用利差之间的关系更为确定。借助这个特点,投资者能更容易找到固收类产品之间的关系,也产生出更为多样的套利策略。另外,在海外市场,固收类产品有着更丰富的结构特性和相应的衍生品(如CDS)作为辅助,所以相应的策略比国内市场更为多样。事件驱动类的套利一般用在兼并收购这类事件,通过预测事件是否成功,从而做多或做空与参与者相关的股票,债券等产品。

引领投资未来

¥ 69.9

AI_GoldCross_v1.0

¥ 520

AI-短线-VV-稳定发挥1.2-(2)

¥ 99.9