量化交易模型用什麼語言編程

『壹』 量化交易都有哪些主要的策略模型

隨著量化交易的發展，單一技術指標的策略會面臨失效的問題。所以現在的策略都是復合型的。
經典量化交易策略(包括價值投資、技術指標、配對輪動、機器學習等)、研究型文章等

『貳』 量化投資入門需要掌握的基礎金融量化模型有哪些

由於國內金融市場尚不完備，一些衍生品交易受到限制，所以相較國回外市場，能用到的答數學/統計學知識也要少一些。對於非理工背景的投資者，需要補充基礎的高等數學，線性代數，概率論，統計學，最優化理論等等學科的知識，這些內容可以在高校教科書中找到。對於一些新興的利用機器學習的交易策略，還需要了解一些數據挖掘的知識。但既然是入門，這部分自然不是必要的。
感受資產累積的愉悅，體驗深謀遠慮的滿足。游俠股市，智慧與謀略的虛擬股市，讓您的智慧不再寂寞。

『叄』 量化投資模型如何開發的

量化的模型開發大致分為以下幾個環節：
①數據處理，看你用什麼工具，R還是內Matlab還是python，或者是c++，最容好是工具本身的格式，這樣速度會快的多，比如Rdata，或matlab的mat格式，或者python的npy格式，或者c++的二進制格式，還有就是你要用什麼數據，分鍾數據，切片數據，還是tick數據，根據你的需求不同進行處理。

②指標建立，這個工作可以看成問題的關鍵，如何建立指標，你的思想是什麼，都來源於此，舉個簡單的均線指標，matlab，就是ma=movavg(data,length)
③模型回測，據我理解就是一個大循環:
if time>9. && time<15 && close(i)>ma(i) && p!=1
buy
else
sell
if p==1 && 止損條件
平倉
等等
④計算收益
然後根據收益，夏普比率等，改條件，重復上面的工作。

總結：
開發模型的步驟一般是：數據處理、尋找因子、回測驗證、實盤模擬、風險歸因。

備註：
數據處理：去極值、標准化、中性化；數據預處理。
尋找因子：尋找Alpha、尋找收益波動比因子、另外優礦上提供了近400個因子因子可以自己驗證。

『肆』 量化交易有哪些重要的模型

您好，

1. Alpha策略模型
   Alpha策略包含不同類別：
   
   按照研究內容來分，可分為基本面Alpha（或者叫財務Alpha）和量價Alpha。業內普遍不會將這兩種Alpha完全隔離開。但是不同團隊會按照其能力、擅長方向以及信仰，在做因子上有所偏向。有的團隊喜歡用數據挖掘的方式做量價因子，而有的團隊喜歡從基本面財務邏輯的角度出發，精細地篩選財務因子。
   
   按照是否對沖可以分為兩類。全對沖的叫做Alpha策略，不對沖的在市面上常被稱作指數增強策略。二者所用模型一樣，但後者少了期貨的對沖。缺少對沖有壞處也有好處，壞處是這種策略的收益曲線是會有較大的回撤。但好處方面，在大漲的年份，這種策略的表現會特別好；從長期看, 公司可以賺取BETA分紅收益, 並且可以吸引看好指數的客戶。相比之下而對沖Alpha策略一般在大牛市中會遠遠跑輸指數；此外不對沖的好處是節約資金，對沖的Alpha策略至少要放20~30%的資金在期貨端用來做保證金。
   
   2.CTA策略模型
   關於CTA策略，
   
   CTA策略的特點是收益風險比相對Alpha來說會較低。但是在行情較好的年份收益可能會很高，尤其是在早期。而且，無論是在編程還是策略上，CTA入門的難度相對來說都是最低的。
   

請採納

『伍』 量化交易都有哪些主要的策略模型

研究量化投資模型的目的是找出那些具體盈利確定性的時空價格形態，其最重要手段的概率取勝，最重要的技術是概率統計，最主要的研究方向是市場行為心理。那麼我們在選擇用於研究的參數時，也應該用我們的經驗來確定是否把某技術參數放進去，因為一般來說定性投資比較好用的參數指標對量化投資同樣適用。
量化投資區別於傳統定性投資的主要特徵在於模型。我打個比方，我們看病，中醫與西醫的診療方法是不同，中醫是望、聞、問、切，最後判斷出的結果，很大程度上基於中醫的經驗，主觀定性程度大一些；西醫就不同了，先要病人去拍片子、化驗等，這些都要依託於醫學儀器，最後得出結論，對症下葯。中醫對醫生的經驗要求非常高，他們的主觀判斷往往決定了治療效果，而西醫則要從容得多，按事先規定好的程序走就行了。量化投資就是股票投資中的西醫，它可以比較有效地矯正理智與情緒的不兼容現象。
量化投資的一般思路：選定某些技術指標（我們稱之為參數，往往幾個組成一組），並將每一個參數的數據范圍進行分割，成幾等份。然後，用計算機編程寫出一段能對這些參數組對股票價格造成的影響進行數據統計的程序，連接至大型資料庫進行統計計算，自動選擇能夠達到較高收益水平的參數組合。但是選出這些參數組後還不能馬上應用，因為這里涉及到一個概率陷阱的問題，比如說，有1到100這一百個數字放在那裡，現在讓你選擇，請問你選到100的可能性是多大？是的，就是1/100，如果較幸運你選到了100並不能說明你比別人聰明，而是概率的必然。所以，在進行統計時要特別關注統計的頻率與選出的結果組數量之間的關系。在選出符合要求的參數組後我們還應留出至少三年的原始市場數據進行驗證，只有驗證合格後才能試用。

量化投資原始數據策略：我們選用96年後的市場數據，因為96年股市有過一次交易政策改革（你可以自己查詢了解一下），為了不影響研究結果我們不採納96年以前的數據進資料庫。 量化投資研究的硬設備：高計算性能電腦，家用電腦也可以，不過運算時間會很長，我曾經用家用電腦計算了三個月時間才得到想要的數據。
統計方法：可以選用遺傳演算法，但我在這里陪大家做的是比較簡單的模型，所以採用普通統計方法就可以了。
用於量化研究的軟體：我採用的是免費的大型資料庫MYSQL，ASP網路編程語言，以及可以設置成網路伺服器的旗艦版WIN7操作系統。

『陸』 做量化模型Matlab，R，Python，F#和C++到底選擇哪一個

MATLAB是matrix&laboratory兩個詞的組合，意為矩陣工廠（矩陣實驗室）。是由美國公司發布的主要面對科學計算、可視化以及互動式程序設計的高科技計算環境。它將數值分析、矩陣計算、科學數據可視化以及非線性動態系統的建模和模擬等諸多強大功能集成在一個易於使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案，並在很大程度上擺脫了傳統非互動式程序設計語言（如C、Fortran）的編輯模式，代表了當今國際科學計算軟體的先進水平。來源於網路：

Matlab有非常高的知名度，尤其在國內使用的人很多，很多大學都開設了這門課，很多人寫論文都使用Matlab。由於Matlab歷史比較早，並不是純面向對象語言（盡管後來也支持面向對象編程），無法跟Java、C#這類面向對象語言相比，但Matlab有非常廣闊的資源，學習資料比較多，容易上手。
由於Matlab是解釋執行的，所以性能低下，對於性能要求很高的高頻策略模型不適合。

R是統計領域廣泛使用的誕生於1980年左右的S語言的一個分支。可以認為R是S語言的一種實現。而S語言是由AT&T貝爾實驗室開發的一種用來進行數據探索、統計分析和作圖的解釋型語言。最初S語言的實現版本主要是S-PLUS。S-PLUS是一個商業軟體，它基於S語言，並由MathSoft公司的統計科學部進一步完善。後來Auckland大學的Robert Gentleman和Ross Ihaka及其他志願人員開發了一個R系統。由「R開發核心團隊」負責開發。 R是基於S語言的一個GNU項目，所以也可以當作S語言的一種實現，通常用S語言編寫的代碼都可以不作修改的在R環境下運行。 R的語法是來自Scheme。R的使用與S-PLUS有很多類似之處，這兩種語言有一定的兼容性。S-PLUS的使用手冊，只要稍加修改就可作為R的使用手冊。所以有人說：R，是S-PLUS的一個「克隆」。 來源於網路：

R在學術界使用廣泛，一般的時間序列分析書的程序代碼都是R實現的。因此，R有廣泛的用戶基礎，網上資源非常多。還有一點非常重要，R是免費開源的，這使得R應用非常多。很多海歸Quant他們就用R構建策略模型。

R也是解釋執行的，效率低下，所以高頻策略不適合。

Python (是一種面向對象的解釋性的計算機程序設計語言，也是一種功能強大而完善的通用型語言，已經具有十多年的發展歷史，成熟且穩定。Python 具有腳本語言中最豐富和強大的類庫，足以支持絕大多數日常應用。
Python 語言的特點：
簡單、易學、免費、開源、豐富的庫。
Python是解釋執行的，效率低，所以高頻策略不適合。

F# 由微軟發展成為微軟.NET語言提供運行環境的程序設計語言。Visual f#是多元化編程語言，它支持函數式、命令式和面向對象的混合編程風格。Visual F# 可用於開發應用程序或用 F# 碼為其他 .NET 應用程序做必要的擴充。 F# 是 .NET 編程語言家族中第一個基於 Ocaml 並十分類似於它的函數語言。來源於網路：

F#是微軟專門為科學計算和數據分析開發的語言，非常適合開發數學演算法，並與.NET高度集成，可以使用.NET的廣泛資源。
F#與Matlab、R、Python相比，性能比這幾種語言高，但沒有C++高，因為它是不編譯成本地代碼的，是一種中間語言，需要安裝.NET Framework。
F#的不足是缺乏資源庫，目前網上資源還比較少。但一般的高頻策略都能適用（超高頻除外）

C++這種語言不用說了，最大的優勢是性能，對於超高頻的策略，只能用C++編寫。
但缺點也比較明顯，就是學習難度較大，學習曲線比較陡，需要下很多功夫才行。

綜上所述，Matlab、R、Python這幾種語言，適合做模型研究和測試，在研究和測試階段可以採用上面這三種語言。他們的資源相對較多，可以直接使用。但到執行策略時，就不能使用這三種語言了，只能使用F#或C++了，對於超高頻並對性能要求非常高的策略，就只能使用C++了。

『柒』 量化交易模型為什麼要進行回測模擬

量化交易模型的回測模擬模擬目的在於證實不靠譜的策略系統，但是不能證實能賺錢的策略系統，因此回測模擬雖然不能的證實賺錢的策略，但具有一定的指導意義。

『捌』 量化模型是什麼意思

量化模型，是把數理統計學應用於科學數據，以使數理統計學構造出來的模型得到經驗上的支持，並獲得數值結果。這種分析是基於理論與觀察的並行發展，而理論與觀測又通過適當的推斷方法而得以聯系。

一個完整的量化模型包括哪些？

近幾年，量化投資在國內興起，但在很多人眼裡，量化投資彷彿是一個非常神秘的新事物。而實際上，量化投資的無非就是寬客通過計算機語言，將交易策略布置到一個量化系統中，然後進行回測和實戰的過程。量化投資的本質還是投資者的智慧，只是實現過程中運用到計算機這一工具。

寬客們到底是如何系統的構建一個完整的量化模型的？可以肯定的是，寬客跟普通投資者一樣，也在觀察市場，產生一些普通投資者也會想到的想法，當寬客產生一些想法時，他們會通過計算機去驗證他們的想法是否靠譜或者是能否帶來收益。而作為普通投資者，實現想法往往是困難的，如同普通投資者在投資或炒股過程中，發現在15分鍾K線圖，上升趨勢中股價跌破MA169後便會進入調整。普通投資者只是感覺，而寬客可以通過編寫程序然後在市場的歷史數據回測，驗證這個想法是否靠譜。

一個簡單的想法編寫成簡單的程序，這明顯不能稱作為量化模型，但這卻是任何一個量化模型的來源，即人的想法。完整的量化模型應當包括：策略模型、風險模型、交易成本模型、投資組合構建模型、執行模型，如下圖：

投資組合構建模型：投資組合構建模型在於構建一個能創造最大盈利的投資組合。主要分為：基於規則的投資組合構建模型和基於優化的投資組合構建模型。基於規則的投資組合構建模型主要分三類：相等頭寸加權，相等風險加權，信號驅動型加權。其中前兩類分別保證了投資組合的每個個股頭寸相等和所承擔的風險相等。第三類根據信號強度來加權，投資組合中個股與策略模型設定的條件越接近則賦予的權重越大，這是合理決定頭寸規模的最佳途徑。

執行模型：執行模型是實施量化模型的最後一個環節，如果沒有執行模型，那麼整個量化模型並沒有存在的意義。執行模型中訂單執行演算法是最關鍵的，其主要目的是，以盡可能低的價格，盡可能完整地完成想要交易的訂單。具體的執行演算法包括：採用何種訂單類型，採用進取訂單還是被動訂單，採用大訂單還是小訂單。對於資金量比較小的寬客，執行模型往往是比較簡單的，一旦出現信號，其所需成交量的並不需要太大。而對於資金量較大的寬客來說，執行模型是比較復雜的，需要根據實際情況來選擇合適的下單方式。

以上就是量化模型的整個系統框架，其中任何一個部分都發揮至關重要的作用，因此一個完整的能盈利的量化模型是非常有價值的。

『玖』 如何開發量化投資模型

4.如何進行量化投資
一個量化投資的交易系統主要包括三個部分，阿爾法模型、風險模型和交易成本模型。
阿爾法模型旨在預測寬客所考慮金融產品的未來趨勢；
風險模型旨在幫助寬客投資不太能帶來收益但會造成損失的敞口規模；
交易成本模型用於幫助確定從目前的投資組合到新的投資組合的交易成本。
目前對於量化交易的研究重點大都集中在對阿爾法模型的研究上。
阿爾法模型
阿爾法模型是量化交易系統的第一個重要組成部分，主要是為了尋找盈利機會。
阿爾法是希臘字母α的音譯，常用於量化表述投資者的盈利能力或投資者得到的與市場波動無關的回報。
阿爾法模型分為：
趨勢形、回復型、技術情緒型、價值型/收益型、成長型和品質型
趨勢型和均值回復型交易策略都依賴價格數據；純技術情緒型的策略比較少見通常都只作為一個輔助因子；而價值型/收益型、成長型和品質型策略都基於基本面數據
趨勢跟隨策略
趨勢跟隨策略是基於以下基本的假定：在一定時間內市場通常朝著同一方向變化，據此對市場趨勢做出判斷就可以作為制定交易策略的依據。常見於期貨市場，最常用移動平均線交叉來定義趨勢。
均值回復策略
均值回復策略的基本理論認為，價格圍繞其價值中樞而上下波動，判斷出這個中樞以及波動的方向便足以捕捉到交易機會。統計套利是用的最多的均值回復策略，認為價格出現背離類似股票的價值終究會縮小到合理的區間范圍。
技術情緒型策略
這一類策略沒有明確的經濟理論支撐，主要通過追蹤投資者情緒相關指標來判斷預期回報，如交易價格、交易量以及波動性指標等。比如觀察期權市場的認沽認購量和隱含波動率做現貨的擇時，再者就是高頻交易通過限價指令簿的形態來判斷近期市場情緒。
價值型/收益型策略
價值型策略主要用於股票交易。這類策略認為市場傾向於高估高風險資產的風險，而低估低風險資產的風險。因此，在適當的時間買入高風險資產和賣出低風險資產，就可以獲得收益。常用的指標有PE（市盈率）、PB（市凈率）等，常應用於股票多空。
成長型策略
成長型策略試圖通過對所考慮資產以往的增長水平進而對未來的走勢進行預測。他認為價格上漲通常都是存在趨勢的，價格上漲最快的產品通常比同類產品更具有優勢，他要求投資者能盡早判斷公司的股價處於增長期，從而捕捉到公司的股價未來更大的上漲幅度。宏觀上常見於外匯市場，例如持有經濟迅速增長的國家的外匯，這些國家的利率比經濟增長緩慢或處於復甦期的經濟體要高；股票市場通常用EPS等指標度量。
品質型策略
這類策略的支持者認為，在其他條件相同的條件下最好買入或持有高品質的產品而做空或減少持有低品質的資產。這類策略比較看重資金的安全，受宏觀市場影響比較大，常用的指標有杠桿比率、收入波動比、管理團隊水平和欺詐風險。
不管是什麼類型的策略最終受益都體現在交易中關於買賣時機的把握和持有頭寸選擇的技巧。
https://uqer.io/community/list 這個社區裡面有很多關於量化的策略，也有很多牛人，可以和他們多討論討論的。

『拾』 如何建立一個股票量化交易模型並模擬

研究量化投資模型的目的是找出那些具體盈利確定性的時空價格形態，其最重要手段的概率取勝，最重要的技術是概率統計，最主要的研究方向是市場行為心理。那麼我們在選擇用於研究的參數時，也應該用我們的經驗來確定是否把某技術參數放進去，因為一般來說定性投資比較好用的參數指標對量化投資同樣適用。
量化投資區別於傳統定性投資的主要特徵在於模型。我打個比方，我們看病，中醫與西醫的診療方法是不同，中醫是望、聞、問、切，最後判斷出的結果，很大程度上基於中醫的經驗，主觀定性程度大一些；西醫就不同了，先要病人去拍片子、化驗等，這些都要依託於醫學儀器，最後得出結論，對症下葯。中醫對醫生的經驗要求非常高，他們的主觀判斷往往決定了治療效果，而西醫則要從容得多，按事先規定好的程序走就行了。量化投資就是股票投資中的西醫，它可以比較有效地矯正理智與情緒的不兼容現象。
量化投資的一般思路：選定某些技術指標（我們稱之為參數，往往幾個組成一組），並將每一個參數的數據范圍進行分割，成幾等份。然後，用計算機編程寫出一段能對這些參數組對股票價格造成的影響進行數據統計的程序，連接至大型資料庫進行統計計算，自動選擇能夠達到較高收益水平的參數組合。但是選出這些參數組後還不能馬上應用，因為這里涉及到一個概率陷阱的問題，比如說，有1到100這一百個數字放在那裡，現在讓你選擇，請問你選到100的可能性是多大？是的，就是1/100，如果較幸運你選到了100並不能說明你比別人聰明，而是概率的必然。所以，在進行統計時要特別關注統計的頻率與選出的結果組數量之間的關系。在選出符合要求的參數組後我們還應留出至少三年的原始市場數據進行驗證，只有驗證合格後才能試用。
量化投資原始數據策略：我們選用96年後的市場數據，因為96年股市有過一次交易政策改革（你可以自己查詢了解一下），為了不影響研究結果我們不採納96年以前的數據進資料庫。
量化投資研究的硬設備：高計算性能電腦，家用電腦也可以，不過運算時間會很長，我曾經用家用電腦計算了三個月時間才得到想要的數據。
統計方法：可以選用遺傳演算法，但我在這里陪大家做的是比較簡單的模型，所以採用普通統計方法就可以了。
用於量化研究的軟體：我採用的是免費的大型資料庫MYSQL，ASP網路編程語言，以及可以設置成網路伺服器的旗艦版WIN7操作系統。