- 综合排序
- 最热优先
- 最新优先
- 来自专栏IT技术订阅
量化交易策略基本框架
一、搭建一个简单的交易策略 1、策略 先看一个非常简单的交易策略： 为了让这个策略能让计算机执行，首先，要使策略符合“初始化+周期循环”框架，像这样： 2、什么是“初始化+周期循环”框架？ 为了将投资灵感高效地转化成计算机可执行的量化策略，必须基于一种模式来写，框架就是指这种模式。而此框架包含两个部分即初始化与周期循环： 初始化即指策略最开始运行前要做的事。比如，准备好要交易的股票。 3、如何把策略变成计算机可执行的程序? 通过编程将策略写成计算机可识别的代码，具体说，我们这里是用python这门编程语言。 另外可以用聚宽的向导式策略生成器，这种方法是不需编程的，但灵活性上难免是远不如写代码的。 4、如何将策略写成代码？ -策略列表，点击新建策略 2.进入策略编辑页，左侧就是策略代码编辑区域，初始会默认给你提供代码模板，全删除后写入我们的代码就好了。
1.5K20编辑于 2022-05-10 量化交易：Dual Thrust策略
Dual Thrust策略起源于20世纪80年代，由美国著名交易员和金融作家Larry Williams首次提出。这一策略的核心思想是通过捕捉市场中的短期波动来实现盈利。 策略原理Dual Thrust策略的核心思想是利用市场的波动性来捕捉趋势。Dual Thrust策略主要依赖于两个关键参数：Range和ATR（平均真实波动范围）。 该策略通过计算上轨和下轨两个阈值，来判断市场的多空方向。当价格突破上轨时，策略认为市场处于多头趋势，进行做多操作；当价格跌破下轨时，策略认为市场处于空头趋势，进行做空操作。 在聚宽平台运行Python代码选股方式在Dual Thrust策略中，选股方式相对简单。选择一个特定的合约作为交易标的，例如螺纹钢（SHFE.RB）。在策略初始化时，订阅该合约，并设置相关参数。<
62510编辑于 2024-06-23- 来自专栏子晓AI量化
【量化交易】量化交易之止盈止损策略
今天晚上有同学问我有没有有写止盈止损策略， 个人想了想貌似之前没写过。这里简单写一写大概的方式。 这里结合一下AI的回答，并增加自己的个人理解。 下面是整理的几种方式。 1. 当模型检测到市场情绪转向时，自动收紧止损阈值 6、最后一种，多维度结合止盈止损 经典组合： 趋势+波动：以20日均线判断趋势方向，ATR设定止损幅度； 量价共振：当价格突破前高且成交量放大时，启动阶梯止盈策略 量化交易通过程序化执行，将“截断亏损，让利润奔跑”的理念转化为可复制的策略。正如华尔街名言所述：“市场会奖励理性，但会惩罚每一个心存侥幸的人。”掌握科学的止盈止损方法，正是迈向稳定盈利的第一步。
92710编辑于 2026-04-23 - 来自专栏Python中文社区
量化金融策略开源框架：QUANTAXIS
QUANTAXIS量化金融策略框架,是一个面向中小型策略团队的量化分析解决方案，是一个从数据爬取、清洗存储、分析回测、可视化、交易复盘的本地一站式解决方案。
3.4K10发布于 2018-08-08 - 来自专栏EmoryHuang's Blog
量化分析经典策略总结
本文转载自：掘金量化 量化分析经典策略总结 菲阿里四价(期货) 原理 菲阿里四价同 R Breaker 一样，也是一种 日内 策略交易，适合短线投资者。 ，采取反转策略，即做多。 策略实现 第一步：制定一个选股策略，构建投资组合，使其同时拥有 alpha 和 beta 收益。 基于主成分回归模型的行业轮动策略及其业绩评价[J]. 数学的实践与认识, 2016, 46(019):82-92.） 策略思路 策略示例采用第一种策略构建方法，利用行业动量设计策略。 backtest_commission_ratio=0.0001, backtest_slippage_ratio=0.0001) 小市值(股票) 原理 因子投资 提到量化策略
4.7K22编辑于 2022-10-31 - 来自专栏全栈程序员必看
python实现量化交易策略
python实现量化交易策略 1 前言 相信大家都听说过股票，很羡慕那些炒股大佬，觉得量化投资非常高深，本文教大家用python实现简单的量化交易策略。 基于这种思想，我们用相关性来构建策略。 到这里就构建了我们的策略。 3 买股方案 前文根据2020年1月1日到2020年12月31日的数据构建策略，用于2021年1月1日到2021年3月31日交易。 4 评估策略 上文我们得到了买股方案，最后需要进行回测，我们用收益率，夏普率，最大回撤等指标来评估策略的优劣性，收益率和夏普率越大越好，最大回撤越小越好。 一个好的策略是需要不断调参不断测试的。本文的策略虽然在2020年第一季度中收益率为5.858%，但没有考虑交易费用，实际收益大约4%。再次强调，本文仅供交流学习参考，不构成任何投资建议。
1.9K20编辑于 2022-09-13 - 来自专栏AI前沿技术
显卡突围 “量化魔法”，由数值精度到量化策略介绍
灵活性高，可针对不同硬件和应用场景定制量化策略（如不同层采用不同位宽），平衡压缩率与精度。 • BF16 → INT8量化：通过分块或通道量化策略，将BF16权重转换为INT8 • 激活值量化：在线动态量化（分块或逐token)。 混合策略部署 • 配置对齐：保持AWQ与GPTQ的分组方式、位宽(INT8) 一致，确保量化流程无缝兼容。 • 在线量化适配：在推理时复用AWQ的分组缩放策略，并集成GPTQ的反量化参数，实现动态精度补偿。 总结： AWQ与GPTQ的混合策略通过动态权重保护与全局误差修正的协同，为DeepSeek模型提供了一种高精度、低损耗的INT8量化方案。
90010编辑于 2026-01-13 量化交易：日内网格交易策略
本文将详细介绍日内网格交易策略的原理，并结合Python代码示例，展示如何在掘金平台上实现这一策略。 策略原理日内网格交易策略的核心思想是在一天的交易时间内，通过设置多个买卖点（即网格），在价格达到这些点时自动执行交易。这种策略的优势在于能够充分利用市场的波动性，通过频繁的买卖操作来获取收益。 这种策略适用于波动性较大的市场环境，因为只有当价格波动足够大时，网格交易才能捕捉到足够的交易机会。 在平台运行Python代码在掘金平台上实现日内网格交易策略，主要分为三个核心步骤：选股、择时和策略交易。 以下是这三个步骤的Python代码实现：选股选股是策略的第一步，需要选择适合网格交易的股票或可转债。
1.3K10编辑于 2024-06-23- 来自专栏子晓AI量化
聊一聊量化策略思路逻辑
春节期间，陆续有一些同学加我，说想跟着我学量化程序什么的。 这里简单聊一聊量化的核心。 写程序，真不是难事。难的是什么？难的是脑子里的“活儿”。 这可能是量化交易里最最核心的问题。很多策略回测好，是因为过拟合了历史数据，而并不一定它真的捕捉到了某种盈利逻辑。 我们来拆解几个经典的策略类型，看看它们到底赚的是什么钱。 1. 所以，纯粹的量化超跌策略，如果不叠加基本面过滤，往往容易接到“下落的飞刀”。 三、 为什么系统性思维比代码重要？ 写代码，可以用AI，可以用现成的库。 很多人在聚宽上克隆了一个大神的策略，结果一跑就亏。为什么？因为那个策略可能是2018年写的，赚的是那时候特定行情的钱。时过境迁，逻辑不在了，代码再完美也是废纸。 量化，量是手段，化是核心。 每次下单前，或者写策略前，问自己一句：“如果我买了，是谁卖给我的？我赚的钱，是谁亏给我的？” 搞清楚了这些，写的量化程序才有了灵魂。 最后总结一下：AI降低了编程门槛，但提高了认知门槛。
16810编辑于 2026-04-23 - 来自专栏科学计算
策略篇--量化课堂之彼得林奇PEG策略投资
相信很多买过股票的同学应该都听过PEG估值选股法，这个策略是美国的传奇基金经理彼得林奇极力推广的。 毕竟A股这种只能靠做多赚钱的熊市里，再好的策略都是无效的。 为了避免给某个量化平台做广告的嫌疑，我们这里给出jointquant和uqer两家平台上的回测程序和结果。 jointquant：(注：该程序为joinquant官网上量化课堂中的示例程序) import pandas as pd ''' ================================== freq = 'd' # 策略类型，'d'表示日间策略使用日线回测，'m'表示日内策略使用分钟线回测 refresh_rate = 15
2.4K30发布于 2020-06-30 - 来自专栏YYDS
量化策略合约量化系统开发功能丨量化合约系统开发方案（源码搭建）
①）网络爬虫定义，又称Web Spider，网页蜘蛛，按照一定的规则，自动抓取网站信息的程序或者脚本。
82700编辑于 2023-03-28 - 来自专栏人工智能
基于StockRanker算法的机器学习量化策略
机器学习被评为人工智能中最能体现人类智慧的技术，机器学习在量化金融中的运用我们通过下例介绍，以便大家有个直观印象。 StockRanker算法是专为选股量化而设计，核心算法主要是排序学习和梯度提升树 StockRanker的图示 StockRanker的特点 选股：股票市场和图像识别、机器翻译等机器学习场景有很大不同 如何使用StockRanker算法开发量化策略 在BigQuant人工智能量化平台上，直接拖曳不会编程就能开发AI量化策略。
2K60发布于 2018-01-16 - 来自专栏AI系统
【AI系统】AI轻量化与并行策略
本文将会接着从轻量化网络模型和大模型分布式并行两个主题来深入了解 AI 算法的发展现状，引发关于 AI 计算模式的思考。 轻量化网络模型随着神经网络应用的普及，越来越多的模型需要在特定的硬件平台部署，如移动端和嵌入式设备，这些平台普遍存在内存资源少，处理器性能不高，功耗受限等特点，所以慢慢演变出了一种轻量化的网络模型设计方向 现在我们将从 AI 计算模式的角度进一步分析这些轻量化设计的特点。 AI 计算模式思考根据上面对大模型并行技术的了解，不同的并行策略其实展示了 AI 计算模式是如何体现在硬件设计技术上。在芯片架构设计中可以从如下几个方面进行考虑。 通过综合考虑各个环节的优化策略，可以实现高效的大模型分布式并行计算。比如 Transformer 是很多大模型结构的基础组件，可以提供专用高速 Transformer 引擎设计。
66710编辑于 2024-11-26 - 来自专栏Crossin的编程教室
用 Python 实现你的量化交易策略
不过 Python 还有一个神秘而有趣的应用领域，那就是量化交易。 量化交易，就是以数学模型替代人的主观判断来制定交易策略。 通常会借助计算机程序来进行策略的计算和验证，最终也常直接用程序根据策略设定的规则自动进行交易。 Python 由于开发方便，工具库丰富，尤其科学计算方面的支持很强大，所以目前在量化领域的使用很广泛。 市面上也出现了很多支持 Python 语言的量化平台。通过这些平台，你可以很方便地实现自己的交易策略，进行验证，甚至对接交易系统（由于政策原因，现在很多交易接口暂停开放）。 在交易策略方面，我是外行（虽然曾经也有证券从业资格）。所以本文只是介绍几个 Python 量化平台，以及一些最基本的使用方法。更多的功能、更强大的策略还有待各位自己去挖掘。 量化投资以及程序化交易是很有前途的行业，但在你想从事这行，甚至用它赚钱之前，请先深入了解它。 有兴趣的，去看下知乎上的这个问题： 学习量化交易如何入门？
5.7K83发布于 2018-04-16 - 来自专栏全栈程序员必看
主流量化交易的几种策略模型
量化策略可以简单分为三类，分别是Alpha策略、CTA策略以及高频交易策略 1.Alpha策略 Alpha策略包含不同类别： 按照研究内容来分，可分为基本面Alpha（或者叫财务Alpha）和量价Alpha 全对冲的叫做Alpha策略，不对冲的在市面上常被称作指数增强策略。二者所用模型一样，但后者少了期货的对冲。缺少对冲有坏处也有好处，坏处是这种策略的收益曲线是会有较大的回撤。 顺便说一句，这三个类型的量化策略按入门难度来说，最难的肯定是高频交易，其次是Alpha策略，最容易入门的则是CTA。当然，这并不是说高频交易就是整体来讲最难的策略类型。 这三种策略想要做好都是非常难的。 个人认为，想要做好一个策略，最难的应该是Alpha。因为好的Alpha策略可以管理几十亿，甚至上百亿的资金规模，每年带来上亿元的收益。 所以个人认为Alpha策略的顶尖团队是市场上最精尖的一批人 继续说CTA策略，CTA的核心在我看来在于分散投资 具体来说是以下三个维度：多品种、多策略以及多周期。
3.1K20编辑于 2022-09-07 - 来自专栏量化投资与机器学习
【Matlab量化投资】支持向量机择时策略
推出【Matlab量化投资系列】 机器学习 所谓机器学习，其实就是根据样本数据寻找规律，然后再利用这些规律来预测未来的数据（结果）。 那下面我们就开始编写策略啦~ 小编所使用的数据、策略回测、交易等等都是来自于国泰安量化终端Quantrader。而小编使用的策略编写语言是Matlab，实现策略不要太简单。 策略流程图如下： 策略参数配置 根据之前提到的订阅的交易代码和数据，使用Quantrader可以直接配置如下： 策略主程序 数据准备好了之后，我们就可以开始码代码啦。 1、训练分类器： 2、预测： 3、交易下单： 策略回测 策略写完了当然要用历史数据回测看看绩效。同样的，使用Quantrader，完成回测。 从过去3年半的绩效来看，这个策略年化收益约50%左右，夏普达到了2。 ?
1.3K60发布于 2018-01-29 - 来自专栏Python大数据分析
用Python实现量化交易策略回测
Python凭借其在数据科学领域积累的丰富生态，已然成为专业「量化分析」中必不可少的技术手段。 今天要给大家分享的例子，就展示了如何基于Python中常用的numpy、pandas等常用数据分析处理框架，针对目标个股简单实现「均线策略回测」： 1 相关库的导入 分析过程需要用到的库如下，其中numpy 、pandas等库用于实现分析过程的「数据处理」及「运算」，xtquant用于快捷「获取」股票历史行情数据，matplotlib则用于对策略过程及效果进行「可视化」： import numpy as np start_time=start_time, field_list=['open', 'high', 'low', 'close', 'volume'] ) 3 历史行情数据清洗转换 为了进行下一步的策略回测模拟 = history_df['close'].rolling(window=long_window, min_periods=1).mean() 接着按照短期均线超过长期均线买入，反之卖出的简单均线策略
2.3K10编辑于 2024-12-23 - 来自专栏子晓AI量化
程序员入门量化什么策略比较合适
最近有程序员朋友问我：想进军量化投资，但面对这么多策略方向不知从何下手。 其实，对有代码基础的技术人来说，多因子选股 是最契合能力模型的量化策略——它像搭建软件系统一样，需要数据清洗、逻辑构建、性能优化、迭代迭代再迭代。 bug一样优化因子权重，用回测验证策略有效性，形成"数据-模型-验证"闭环。 最后：量化不是"圣杯"，而是工具 多因子选股的核心价值，是用工程化方法剥离情绪干扰，让投资决策更系统。但它不是"暴富捷径"，而是"持续盈利的框架"。 程序员的优势不在于"更聪明"，而在于"更严谨"——把代码调试的耐心用在策略优化上，把系统架构的思维用在因子组合上，或许这就是技术人打开量化投资的正确方式。
28610编辑于 2026-04-23 - 来自专栏软件测试
敏捷环境下的测试文档轻量化策略
本文将系统探讨敏捷环境下测试文档轻量化的理念、策略及实践路径，结合AI辅助技术的应用，提出面向未来的高效测试文档管理新范式。 三、敏捷环境下测试文档轻量化的策略3.1 精简测试用例文档 聚焦核心场景 优先覆盖高风险、高频使用路径，对边界和异常场景采用抽样测试策略，减少用例数量。 3.3 测试计划与策略文档的简化 用思维导图或看板形式展现测试范围、优先级和风险点，提升直观理解和灵活调整能力。 关键策略点用简洁语句描述，避免冗长背景介绍。 五、敏捷测试文档轻量化的风险与控制 风险：信息缺失 轻量化可能导致遗漏重要信息。控制策略是制定最低文档标准，确保关键内容完整。 风险：过度依赖自动化工具 自动生成的文档质量参差不齐。 风险：团队认知差异 文档轻量化可能引发不同角色对信息需求的不一致。应通过培训和沟通达成共识。 六、总结敏捷环境下测试文档的轻量化，是提高团队响应速度、保障软件质量的重要举措。
39110编辑于 2025-07-04 可转债交易介绍与常用量化交易策略
本文将详细介绍可转债交易的注意事项，并探讨一些适用于可转债的高频量化交易策略。可转债交易注意事项了解可转债的基本概念在进行可转债交易之前，投资者首先需要了解其基本概念和特性。 投资者应密切关注相关法规和政策的变化，以便及时调整投资策略。高频量化交易策略高频量化交易策略是指利用先进的数学模型和计算机技术，在极短的时间内进行大量交易以获取微小利润的策略。 在可转债市场中，以下是一些可能适用的高频量化交易策略：市场做市策略市场做市策略是指通过提供买卖双边报价，从中赚取买卖价差（即价差）的策略。 同时，随着量化交易技术的发展，高频量化交易策略在可转债市场中的应用也越来越广泛，为投资者提供了新的交易机会。 无论是传统的投资方法还是现代的量化交易策略，投资者都应充分了解其原理和风险，并结合自身的投资目标和风险承受能力进行决策。在实际操作中，投资者还应不断学习和实践，以提高自身的投资技能和风险管理能力。
92710编辑于 2024-06-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号