ZYX HOME

_量化交易入门知识体系

11 min read

量化交易入门知识体系

基础

概念

  • 量化交易是基于数学模型、统计分析和计算机程序进行的自动化交易方式。
  • 核心优势：减少人为情绪干扰、可回测验证、可批量处理多品种。
  • 关键要素：数据处理、模型构建、回测评估、风险管理。

风险评估

  • Sharpe Ratio（夏普比率）：衡量单位风险所获得的超额收益。计算公式：(策略收益-无风险收益)/策略波动率。
  • VaR（Value at Risk）：一定置信水平下的最大可能损失。
  • 最大回撤（Maximum Drawdown）：衡量策略最大亏损幅度，反映风险承受能力。
  • Sortino比率：类似夏普比率，但只考虑下行风险。
  • Calmar比率：年化收益率除以最大回撤，衡量单位最大风险下的收益能力。

常用时间概念

  • 时间窗口：策略回看的历史数据长度，影响信号敏感度。
  • 滚动计算：固定长度窗口随时间推移的计算方法。
  • 滞后期处理：避免使用未来数据造成前瞻性偏差。
  • 交易频率：日内、日间、周度和月度策略的设计差异。

投资组合理论

CAPM（资本资产定价模型）

  • 简化版Markowitz，使用市场收益和无风险利率估计资产预期收益。
  • 公式：E(Ri) = Rf + βi × (E(Rm) - Rf)
  • 局限：单因子模型，解释能力有限。

Markowitz 均值-方差模型

  • 核心思想：通过构建不同权重组合，找到最优收益/风险比。
  • 有效边界：所有最优风险收益配置的集合。

实践方法

  • 选取若干只股票组成组合
  • 计算收益率协方差矩阵
  • 优化权重实现目标函数最大化
  • 求解方法：二次规划（Quadratic Programming）

Black-Litterman 模型

  • 贝叶斯版Markowitz，引入主观观点。
  • 解决纯数学优化导致的极端配置问题。
  • 结合市场均衡观点与投资者自有见解。
  • 实现方法：贝叶斯推断框架下的后验分布计算。

Fama-French 多因子模型

  • 三因子模型：市场、规模(SMB)、价值(HML)
  • 五因子模型：在三因子基础上增加盈利能力(RMW)和投资(CMA)
  • 实用价值：解释资产收益差异，构建风险因子暴露。

交易策略（日内/趋势）

配对交易策略（Statistical Arbitrage）

基础过程

  1. 最小距离法：寻找价格行为相近股票
  2. 协整性检测：ADF、CADF协整检验
  3. 一元回归分析：构造价差序列
  4. 动态斜率更新（如卡尔曼滤波）
  5. 设定开仓/平仓的触发条件（如Z-Score阈值）

高级改进

  • 多因子协整模型：提高配对稳定性
  • 时变参数估计：适应市场结构变化
  • 机器学习配对选择：自动优化配对组合

K线形态策略

常见信号识别

  • 【早晨之星】——上涨信号：三根K线组合，先大阴，次日十字星，后大阳
  • 【黄昏之星】——下跌信号：三根K线组合，先大阳，次日十字星，后大阴
  • 【乌云盖顶】、【看跌吞没】、【倾盆大雨】等反转信号

技术实现要点

  • 用Series组合布尔条件生成信号
  • 利用np.all()进行多条件判断
  • 形态识别+趋势过滤：提高信号质量
  • 卷积神经网络(CNN)实现的自动K线形态识别

动量交易策略（Momentum）

逻辑

  • 基于前N期收益趋势判断后续价格走向
  • 理论基础：投资者对信息反应不足和过度行为偏差

常见方法

  • 价格动量：过去强者未来强，弱者未来弱
  • 收益率动量：过去高收益的资产继续跑赢
  • 计算signal × 实际收益判断信号准确率
  • 可延伸为长短期结合策略、轮动策略等
  • 风险管理：波动率调整的头寸分配

RSI 相对强弱指标

核心函数

  • up/down均值的移动平均
  • RSI = 100 - 100/(1 + RS)，其中RS = up/down

策略构建

  • 固定阈值线（如70/30）：超买超卖判断
  • RSI穿越阈值作为交易信号
  • RSI背离：价格与RSI趋势不一致时的反转信号
  • 可视化策略效果：单日/累计收益曲线、策略vs股票
  • 动态阈值优化：基于波动率调整超买超卖界限

均线系统策略

常见均线类型

  • 简单移动平均（SMA）：等权重平均
  • 加权移动平均（WMA）：近期权重更高
  • 指数加权移动平均（EMA）：指数衰减权重
  • KAMA（考夫曼自适应移动平均）：根据价格波动调整敏感度

策略类型

  1. 价格穿越均线：价格上穿/下穿均线产生买入/卖出信号
  2. 短期均线穿越长期均线：金叉/死叉交易系统
  3. MACD 异同移动平均：两条移动平均之差，捕捉趋势转变
  4. 乖离率（BIAS）分析：价格与均线偏离度，判断超买超卖
  5. 多重均线系统：组合多条不同周期均线确认信号

通道突破策略

唐奇安通道（Donchian Channel）

  • 近N日的最高/最低价构成价格通道
  • 突破通道上下沿作为入场/出场信号
  • 动态通道周期：根据波动率调整通道宽度

布林带（Bollinger Band）

  • 近N日的均值 ± K × 标准差构成带宽
  • 捕捉价格偏离统计区间的机会
  • 布林带挤压：带宽收窄预示爆发性行情
  • 布林带走平：方向性较弱，适合区间交易

肯特纳通道（Keltner Channel）

  • 使用ATR（真实波幅均值）构建价格通道
  • 相比布林带对极端价格变动更加稳健

随机指标 RSV/KDJ 策略

KDJ 指标计算过程

  1. RSV = (收盘价 - 最低价) / (最高价 - 最低价) × 100
  2. K = RSV的平滑平均，D = K的平滑平均
  3. J = 3K - 2D，放大K与D的差距

策略构建

  • K、D交叉信号判断：金叉买入，死叉卖出
  • J值超买超卖：J>100考虑卖出，J<0考虑买入
  • 与趋势指标结合：过滤震荡市场假信号
  • apply()编写策略函数
  • 使用ffn包评估策略表现（如Sharpe比率、最大回撤）

OBV（On Balance Volume）策略

OBV 概念

  • 将量价关系综合为一个累积指标：
    • 上涨日加上成交量，下跌日减去成交量
    • 反映资金流入/流出趋势

策略方式

  • OBV趋势 + 均线判断信号
  • OBV修正价差或价格背离构建策略
  • OBV突破前期高低点确认价格趋势
  • 交易信号生成后结合价格评估收益
  • OBV变种：VPT（成交量价格趋势）、ADL（积累/分配线）

高级量化技术

机器学习在量化交易中的应用

  • 监督学习：预测价格走势和收益率
  • 强化学习：自适应动态交易策略
  • 无监督学习：市场状态识别和异常检测
  • 集成方法：多策略投票和错误修正

高频交易技术

  • 市场微观结构理论
  • 订单簿动态分析
  • 延迟优化和共址服务
  • 做市商策略和统计套利

深度学习在金融预测中的应用

  • LSTM/GRU：时序预测和模式识别
  • CNN：价格图表模式自动提取
  • 注意力机制：捕捉长期依赖关系
  • 对抗生成网络：模拟市场数据和压力测试

策略开发和管理框架

回测系统设计

  • 事件驱动 vs 向量化回测
  • 真实交易成本模拟
  • 滑点和流动性建模
  • 回测偏差识别和修正

策略风险管理

  • 头寸规模控制
  • 止损策略设计
  • 相关性分析和风险分散
  • 压力测试和极端情景分析

策略组合优化

  • 风险平价配置
  • 条件相关性分析
  • 动态资产配置
  • 自适应风险调整

Graph View