當我在一家投資管理公司擔任系統(tǒng)開發(fā)工程師時，我了解到要在定量金融領域取得成功，您需要在數(shù)學，編程和數(shù)據(jù)分析方面表現(xiàn)出色。

可以將算法或定量交易定義為設計和開發(fā)統(tǒng)計和數(shù)學交易策略的過程。這是一個極其復雜的金融領域。

因此，問題是您如何開始進行算法交易？我將向您介紹五個應該學習的基本主題，以便為進入這個迷人的交易世界鋪平道路。我個人更喜歡Python，因為它提供了適當程度的自定義，開發(fā)的簡便性和速度，測試框架以及執(zhí)行速度。因此，所有這些主題都集中在Python for Trading上。

1.學習Python編程

為了使數(shù)據(jù)科學事業(yè)蒸蒸日上，您需要扎實的基礎知識。無論選擇哪種語言，都應該徹底理解該語言的某些主題。這是您應該在Python生態(tài)系統(tǒng)中掌握的數(shù)據(jù)科學知識：

環(huán)境設置?——包括創(chuàng)建虛擬環(huán)境，安裝所需的軟件包以及使用Jupyter Notebook或Google colabs。

數(shù)據(jù)結構?——一些最重要的pythonic數(shù)據(jù)結構是列表，字典，NumPy數(shù)組，元組和集合。我在鏈接的文章中收集了一些示例，供您學習。

面向對象的編程——作為定量分析人員，您應該確保自己擅長編寫定義了適當類的結構良好的代碼。在使用諸如Pandas，NumPy，SciPy等外部包時，您必須學會使用對象及其方法。

2.了解如何處理財務數(shù)據(jù)

數(shù)據(jù)分析是財務的關鍵部分。除了學習使用Pandas處理數(shù)據(jù)框外，在處理交易數(shù)據(jù)時還應注意一些特定主題。

如何使用Pandas探索數(shù)據(jù)

毫無疑問，Pandas是Python數(shù)據(jù)科學堆棧中最重要的軟件包之一。您可以使用軟件包中定義的功能完成幾乎所有主要任務。專注于創(chuàng)造dataframes，過濾（loc，iloc，query），描述性統(tǒng)計（摘要），加入/合并，分組，和子集。

如何處理時間序列數(shù)據(jù)

交易數(shù)據(jù)全部與時間序列分析有關。您應該學習重新采樣數(shù)據(jù)或重新索引數(shù)據(jù)，以將數(shù)據(jù)頻率從幾分鐘更改為幾小時，或者從一天的OHLC數(shù)據(jù)更改為一周的結束數(shù)據(jù)。例如，您可以使用重采樣功能將1分鐘時間序列轉換為3分鐘時間序列數(shù)據(jù)：

df_3min = df_1min.resample（‘3Min’， label=‘left’）.agg（{‘OPEN’： ‘first’， ‘HIGH’： ‘max’， ‘LOW’： ‘min’， ‘CLOSE’： ‘last’}）

3.如何編寫基本交易算法

從事定量金融工作需要對統(tǒng)計假設檢驗和數(shù)學有深入的了解。掌握多元演算，線性代數(shù)，概率論等概念將有助于您為設計和編寫算法奠定良好的基礎。您可以從計算股票價格數(shù)據(jù)的移動平均值開始，編寫簡單的算法策略（例如移動平均交叉或均值回歸策略）并了解相對強度交易。在實踐和理解基本統(tǒng)計算法如何工作這一小而重要的飛躍之后，您可以研究機器學習技術的更復雜領域。這些要求對統(tǒng)計和數(shù)學有更深入的了解。您可以從兩本書開始：《定量交易：如何建立自己的算法交易業(yè)務》—Ernest Chan博士《關于算法交易和DMA的書》—巴里·約翰遜（Barry Johnson）

4.了解回測

一旦完成交易策略的編碼，就不能簡單地用實際資金在真實市場中對其進行檢驗，對嗎？下一步是將該策略暴露于歷史交易數(shù)據(jù)流中，這將生成交易信號。然后，已執(zhí)行的交易將產生相關的損益（P&L），所有交易的累加將為您提供總的P&L。這稱為回測。回測要求您精通許多領域，例如數(shù)學，統(tǒng)計，軟件工程和市場微觀結構。您應該學習以下一些概念，以對回測有一個體面的了解：

您可以從了解技術指標開始。探索名為TA_Lib的Python包以使用這些指示符。

使用拋物線SAR等動量指標，并嘗試計算交易成本和滑點。

學習繪制戰(zhàn)略累計收益并研究戰(zhàn)略的總體績效。

影響回測性能的一個非常重要的概念是偏差。您應該了解優(yōu)化偏見，前瞻性偏見，心理寬容和生存傾向。

5.績效指標-如何評估交易策略

能夠簡潔地說明您的策略對您很重要。如果您不了解自己的策略，那么任何外部修改法規(guī)或政權轉移的機會都有，您的策略將開始表現(xiàn)異常。一旦您自信地理解了該策略，以下性能指標就可以幫助您了解該策略的實際優(yōu)缺點：

夏普比率?-啟發(fā)式地描述策略的風險/回報比率。它量化了您可以通過股本曲線經(jīng)歷的波動水平所獲得的收益。

波動性?-量化與策略相關的“風險”。夏普比率也體現(xiàn)了這一特征。基礎資產的較高波動性通常會導致股票曲線中的較高風險，并導致較小的夏普比率。

最大跌幅?-策略權益曲線上最大的峰谷整體下降百分比。由于最大回落受其影響，通常會結合動量策略進行研究。學習使用numpy庫進行計算。

容量/流動性?-確定策略可擴展性以增加資本。當戰(zhàn)略增加資本配置時，許多基金和投資管理公司會遭受這些能力問題的困擾。

CAGR-?衡量策略在一段時間內的平均增長率。它的計算公式為：（累計策略收益）^（252 /交易日數(shù)）— 1
責編AJX