算法交易系统构建与量化策略回测分析.pdfVIP

Python金融应用

量化投资系统构建与策略回测

讲师：Kevin（北风网)

概述

算法，一般被定义为使用自动化的系统来进行，其用一种预先设定的方

式运行，通常没有人为的干预。“没有人为干预”这一点是非常重要的。算法策

略是在开始之前进行设计的，在的时候没有任何的人工干预。与常规交

易相比，算法的优势体现在：

◦验证：这是设计算法程序实现的最大优势就是它的业绩可以由数据来进

行验证，人们往往期望这种业绩可以代表将来。数据验证的过程称为回测，回测使得

策略的统计特性被决定，了关于策略是否可以获利的重要信息。

◦有效性：算法在多数时候比的方法更为有效，完全自动化的系统不经常需要人们

去市场的价格行为或者是消息。这使得投资者可以有时间开发的策略，来实现获

利。对于风险管理来说，算法实施系统化的策略，可以动态的对杠杆以及风险因子进

行调整，有效的对实时市场的动态做出反应。这在中是不容易实现的，因为者通

常不能连续的计算风险，而必须在观测市场镇南关有所间断

◦没有性投入：所谓性投入指的是对头寸进行的调整。的时候因为恐惧和贪婪

可能导致过多的，系统化中这种情况比较少，提升了策略的业绩。只是在出现某

些大的变化的时候，需要对参数进行调整。

◦可比较：系统化了和目前业绩的统计信息，可以方便的计算价值的增长，风险，

频率等指标，这样方便我们去比较业绩。这与在中只能根据PL来比较业绩是有差

别的，那里可能存在回撤的风险。

◦高频：高频需要较高的效率，必须自动化的进行，有很多高频的频率是超过

了人们的反应。这样的策略只能用算法进行处理。

概述

算法的缺点

◦资本的需求：算法需要大量的投入，支持算法的佣金通常较高，

虽然目前已经有了一定的改变。另外，获取日内的数据通常也是不便

宜的。每月大300至500之间。而且还需要稳定的互联网连接和速

度较快的电脑。

◦编程和：虽然有一些现成的系统化平台，例如Quantopian，

QuantConnect以及TradeStation可以帮助我们减轻编程的，但是有的

并不支持实时。这样通常还是需要系统化者具有一定的编程和科

学建模技术。在本课程的学习中，介绍一些不同的策略，如果

你掌握有一些数值建模的技术，那么对于建模部分的介绍会发现比较容易

理解。大部分的技术在Python中都可以直接实现，节省了大量的开发时间

，我们要做的就是将数据分析与执行库结合在一起来构建算法系统。

概述

科学方法：本课程对于算法的介绍是基于科学方法。科学方法的过程首

先是提出一个问题，这个问题通常是基于我们在市场上的观测。这样的问题

最终是形成了一个假设，例如“GLD和GDX之间的价差是否有均值回复的特性

？”，这个问题的原假设通常是没有均值回复的行为。

在做出了假设，就需要进行推断，判断GLD-GDX这个时间序列是否是平稳

的，为了检验假设，我们就需要统计检验，这里检验平稳性应当是使用

AugumentedDickey-Fuller检验，Hurst指数检验或者方差比检验。

检验的结果对于原假设所问题给出了统计，是关于原假设是否应

当在一定显著性水平下被。如果上面问题中的原假设没有被，则表

明两个ETF之间没有稳定的关系。这种检验的过程是分析的过程，通常我们需

要得到的是