星星之火,可以燎原!

Thoughts, stories and ideas.

策略研究

0手续费交易对值得被重视

6月,币安推出了几个0手续费交易对,紧接着Dydx交易所也跟进了。 dydx 交易所, 用户交易额的不同,手续费也不同 和币安不同,币安仅仅减免少量几个交易对的手续费。 DYDX则根据用户的交易额的不同,手续费可能是 0% ~ 0.1% 不等。 * 月交易量小于10w U 或者 大于 5000w U的用户是免手续费的; * 介于10w ~ 5000w 的用户是手续费的主要贡献者。 真的有点类似我们社会的中产阶级,穷人阶级太穷了无法收割,富豪阶级富可敌国,收割不了。 那么0手续费交易(对)值得薅吗? 我们做一下实验。 手续费差之毫厘,收益失之千里 下面是同一个由AI驱动的策略。 按万分之0.5 (0.005%) 手续费计算, 也就是几乎忽略手续费,2022年初至八月底 获得了679.48倍收益 (是679.48倍,不是679.48%,没错!)。 下图按万二五(
16 min read
策略研究

中国大A股的几种赢家,你是哪一种?

最近看到一篇文章,题“为什么大A股市场容量比期货市场容量大数十数百倍?”。哈哈,因为A股市场的绝对赢家们有多种手段从市场提走资金啊,市场有多少人来送钱,赌·场的owner们就可以通过发新股、定向增发再解禁等方式拿走多少钱。 市场热情高涨,来送钱的人多的时候发新股和解禁就会更频繁一些。市场冷淡时,发新股和解禁就会暂时放缓,对不对?是不是事实? 而期货市场,赌·场的owner们要从市场提取财富就没有A股中那么多。那么丰富的手段了。 A股的绝对赢家是谁? A股参与者的财富最终会流向何处? 大A股加密币1.1券商和各大收手续费的金融机构,国家得先保障养活这帮人,才会有下文的发行市场和流通市场。币圈没有和券商同级的中间商机构,直接投资者<=>交易所。 1.2印花税。没有保护费要交。1.3IPO公司首次发行时拿走的财富,后面参与无限增发的风投机构。 首次ICO不需要庞大的队伍提供服务,只需要程序员复制代码,10分钟搞定;数量有限的,没法无限增发。1.4 参与市场的各种证金、养老金、保险金、大财团/银行等国家队,人家球员和裁判(货币政策和财政政策制定者,拧货币水龙头的人)是同一伙人,
3 min read
商业分析

元宇宙-本届人类文明的救赎

假定一个社会,之前每个成年人平均每周工作50小时就可以养活这个社会的全部人口。现在生产力和技术提升了,每个成年人平均每周工作10小时就可以养活这个社会的全部人口了,那………, 为什么要设计一个人需要工作那么多时长赚钱才能生存的社会制度, 然后政客得抓破头想方设法创造就业机会? 马克思的《资本论》有答案吗?这正是加拿大、美国、中国和许多国家正在面临的问题。
10 min read
Ai Featured

quant的全新时代:机器人智能+人类智慧

简单地说,如果我们买入/持有近段时间跑赢大盘指数的股票,那么收益曲线也会跑赢大盘。 如下图是一只近期跑赢大盘的股票,无论是在A、B、C、D点买入,无论买入点是基于基本面、技术面、消息面、X面,无论是根据股评大师们口中的金叉、死叉、OOXX、X叉,无论是打算做长线、短线、X线,在个股跑赢大盘期间,收益曲线都是跑赢大盘指数的🙂。 相反,如果我们买入/持有近段时间跑输大盘指数的股票。。。基本面、技术面、消息面、X面。。。金叉、死叉、OOXX、X叉。。。长线、短线、X线,在个股跑输大盘期间,收益曲线都是跑输大盘指数的🙂。 总的来说 买入/持有近段时间跑赢大盘指数的股票,那么收益曲线也会跑赢大盘; 买入/持有近段时间跑输大盘指数的股票,那么收益曲线也会跑输大盘指数<- 天呐,这不是21世纪最废的废话了吗??!! 没错,这篇文章就是研究这个问题的: 假如我们要求即将买入(无论是基于什么原因买入)的股票在近期是跑赢大盘的,并且在股票不再跑赢大盘指数了的时候卖出(即便后面还有上涨空间,但只要它跑输大盘就要卖出了,避免它拖累收益曲线跑输大盘指数) 会是一副什么样的情景呢? 下面开始做
10 min read
Ai

弱人工智能否帮助无知小散从市场获利?答案是:甚至能帮助小狗获利

在上一篇 《弱人工智能助力量化交易: 低门槛个人投资者和小机构就能用,并非高盛 摩根的特权》 [https://blog.litup.me/quant-ai-is-here-to-help/]中,因为交易机会过少,而且策略是单向做多,获利并不丰厚。 本次尝试用更短线的策略增加交易机会试试, 下面notebook中使用了rsi震荡指标的单向做多策略,策略逻辑大致是rsi6指标从下方上穿36.88时买入,从上方向下穿越65时卖出,再配合主动止盈 和 暴跌止损的因子。 结果验证了《道氏理论》所指出:“短期的价格波动是随机的”:交易机会是增加20倍不止,但是收益曲线和大盘指数基本同步,在测试集中还跑输了大盘指数。<- 还赔了点交易佣金和手续费? 也就是说如果请无知的猴子、黑猩猩或者宠物小狗来随机炒股大概也是这种不亏不赚的水平。 如果某同学炒股亏了, 很可能是除了无知之外,还融入了人类的情绪, 比如贪婪和恐惧。 下面看看基于机器学习的 abupy 裁判(UMP) 是如何改善这种“不赚钱”策略的。 ps: 先读《弱人工智能助力量化交易: 低门槛个人投资者和小机构就能用,并非高盛 摩根
2 min read
Ai Featured

弱人工智能助力量化交易: 低门槛个人投资者和小机构就能用,并非高盛 摩根的特权

the question > to believe, or not to believe, this is the question. 信, 还是不信,这是个问题。 ------ 鲁迅 (我没说过哦)。 我们经常在书上、网上、电视上看到各路股评大师分享着各类战法,例如跳空缺口大家都听说过吧! > 跳空缺口是指股价开盘价高于昨天的最高价或低于昨天的最低价,使K线图出现空档的现象。 普通缺口:特点就是很快被回补,价格在几天之内就会回补 突破缺口:当价格和成交量伴随跳空(向上或者向下)跳出震荡区,则预示着新趋势的形成 衰竭缺口:缺口没有很快回补,走势也反复无常,最终慢慢的回补缺口,预示着市场走势将可能剧烈的反转 信还是不信,这本身就已经是个问题了。 再说,即便是信,比如: 如果上周有一个向上跳空6%的缺口,它是否有支撑力度呢? 如果缺口出现在两个月前呢,还有支撑力度吗? 如果缺口出现在12个月前呢? 或者这个缺口只是跳空了1%呢,
6 min read
machine learning

一行command搭建机器学习环境,包括 Tensorflow家族, PyTorch家族, Keras, Sklearn和 Jupyter, VS Code, Tensorboard等开发工具

这篇博文的终极目标不是单纯教大家一行command搭建机器学习环境,它的终极目标展示docker的威力,让大家早日离开“解放前”的日子,早日投入docker的环抱。 docker是什么? Docker allows you to package an application with all of its dependencies into a standardised unit for software development. 先演示一行command版 确保docker已经在本地机器安装并处于运行中,然后在控制台执行: docker run -d -p 8080:8080 --name "ml-workspace" -v "${PWD}:/workspace" --env --shm-size 512m --restart always mltooling/ml-workspace:latest 稍等几分钟(首次运行需要下载2G左右的镜像文件)
5 min read
books

一条大路通罗马:机器学习与量化交易重要书籍

这个主题已经有人在github 和 知乎总结过了,但是他们整理出来的资源太多太多了, 就好像你要找一本或者几本关于一个主题的书,有人带你到图书馆前说:“你要找的书都在里面了” 。。。 有意义吗!! 条条大路通罗马,其实很多时候我们只想要一条少走弯路的。 这就是这篇博文存在的意义。 重点 阿布著的《量化交易之路》 python编程基础 Wes McKinney的《Python for Data+Analysis, 2nd Edition》: 有点枯燥和抽象, 没读完,当工具书备查。 数学 机器学习 阿布著的《机器学习之路》 何海群的《零起点 TensorFlow 与量化交易》 交易学 John J. Murphy著、丁圣元 译的《金融市场技术分析》 《海龟法则》 Alexander Elder 的《以交易为生》:学到很多,但书中最后一部分不赞同 -– 作者不知道世界上有一种程序员的生物专门解救重复枯燥的劳作。
2 min read
machine learning

关于机器学习任务分层降难度的思考

笔者是研究量化交易的,使用标榜机器学习的量化交易框架Abupy。 所以前段时间学习的历程是这样的: * 从KNN开始学习基础概念、工具和术语 -> 学习评估指标(ROC曲线、AUC、F1、召回率等) 和模型调试方法 -> 尝试各家学说(逻辑分类、决策树、svm、以及多种模型融合)提高模型评分。 * 回到Abupy,发现我们只要了解svm,按照一个固定模式(继承一个Python class并实现抽象方法)提供描述特征的class,Abupy框架即可完成训练并用于指导新的的交易。并没有很复杂的东西。 * 接着学习了DNN + CNN,也是按照: 先熟悉工具(Keras + TensorFlow和Caffe)和术语 -> 学习评估指标和模型调试方法 -> 尝试各家学说提高模型评分 的套路。结果发现DNN + CNN擅长图片等2D、3D数据场景,在量化金融领域暂时找不到用武之地。 * 目前在研究RNN,在寻找RNN在时间序列数据强大能力是否能服务于量化金融。可能会参考Ernest P. Chan 的《Machine
3 min read