星星之火，可以燎原!

Thoughts, stories and ideas.

Ai

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，
w.z. • 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》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 摩根的特权》 才容易看懂这篇哦。 以下是Jupyter notebook 研究过程：
w.z. • 2 min read
Ai

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，
w.z. • 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/
w.z. • 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。
w.z. • 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
w.z. • 3 min read
work remote

聚合器-work remotely专题

关于远程工作/分布式工作的一切。 重点 一个分布式的办公场地是构建公司最高效的方式 WordPress.com、Jetpack和WooCommerce的母公司Automattic的CEO Matt分享分布式办公的概念和实践经验: 在新的窗口中观看（中英字幕）   gitlab - 一家完全以远程办公存在的公司 看，人家的概念和实践经验。   还有，你正在读的这篇博文所使用的博客系统是ghost，也是一个以远程办公存在的公司 Our virtual headquarters is in Singapore, but we're a fully remote team spread all over the world. Between us, we cover 4 continents, 5 nationalities and 6 languages. All the work we
w.z. • 1 min read
strategies

一个交易策略的诞生（二）：消失的艺术

本文讲述行情不好时从市场中消失的重要性， 所以 “消失的艺术” 意思是 the art of "be gone"（教你如何消失）, 不是lost art（不复存在的艺术）。 接上一期研究《一个交易策略的诞生》 。 回顾上一期的研究： ✅ 使用个股自身的均线过滤 ⬜️ 使用大盘指数的均线过滤 ⬜️ 使用个股自身的MACD指标过滤 ⬜️ 使用大盘指数的MACD指标过滤 ⬜️ 使用个股自身的ADX指标过滤 ⬜️ 使用大盘指数的ADX指标过滤 发现关于探测大趋势的指标选择上的研究才完成了1/6 。 没关系，这并不是重点，也不影响我们这一期的研究。 在上一期中 发现胜率小于50%， 也就是说超过50%的交易是亏损的， 利润是由少数交易创造的。 如果我们能找到亏损的交易都集中在哪里并且在未来的交易中放弃它们，理应能提高整体收益。将交易分类： ✅ 牛市中追涨买入 ✅ 牛市中低吸买入 ✅ 熊市中追涨买入 ✅ 熊市中低吸买入--预计失败 ⬜️ 震荡市场中追涨买入 ⬜️ 震荡市场低吸买入 研究看看它们的获利效果如何。 为什么是如此分类？ 这是基于笔者的assumption，并没有什么经典的理论指引我们这么做。我们也可以做基于其它维度的分类分析，前提是得有足够时间。 使用沪深300指成分股研究
w.z. • 7 min read
Docker

一条大路(捷径)通罗马：一种利用docker进行微服务架构的可行方案

当我们要做一件的常常发现有诸多的方法和工具可以实现，也就是"条条大路通罗马"， 寻找最优工具和方法的过程也会花费很多精力和时间，有一种“明明知道条条大路通罗马，却不知道接下来怎么走的感觉” 。在微服务架构方案中也何尝不是如此！ 本文隐去了漫漫长途的探索和横向对比，直接给出其中一种可行方案，也是通往罗马的捷径。 本文默认读者朋友至少研究过微服务（可以没有真实使用过），了解微服务架构的基本概念，和单体的不同，以及需要address的issue。 如果没有，可以尝试先读： Microservice Architecture (Examples and Diagram) Introduction to microservices architectures monolith-vs-microservices 7 Things to Consider While Moving to a Microservices Architecture 4 Challenges You Need to Address with Microservices Adoption Microservices
w.z. • 14 min read
策略研究

一个交易策略的诞生

简单了解一下量化交易 如果你对量化交易的概念还不是很熟悉，可以先阅读 一张煎饼果子告诉你什么是程序化交易、算法交易、量化投资、高频交易、 统计套利，留意文末煎饼果子的比喻。 如何设计量化交易策略？ 已经讲得很明白了。看完文字介绍，下面我们来动手演示一下整个过程。 开始 下面开始使用abupy回测引擎演示 ，关于 abupy研究的环境的搭建，请参阅《以量化金融研究工具为例: Docker到底给开发人员/测试工程师/数据科学家带来了什么？》 第一步，利用现成指标构建逻辑 上面的文章《如何设计量化交易策略？》提到的第一步是利用现成指标构建逻辑。 好的，我们先去找一个现有的技术指标，我找到了一个cci顺势指标。 根据文中的介绍，cci指标的用法是这样子的： 1、如果CCI指标一直上行突破了100的话,表示此时的股市进入了异常波动的阶段,可能伴随着较大的成交量,可以进行中短线的投资者,此时的买入信号比较明显. 2、反之如果CCI指标向下突破了-100,则代表此时的股市进入了新一轮的下跌趋势,此时可以选择不要操作,保持观望的态度面对市场. 3、如果CCI指标从上行突破100又回到100之内的正常范围,则代表股价这一阶段的上涨行情已经疲软,投资者可以在此时选择卖出.反之CCI突破-100又回到正常范围,则代表下跌趋势已经结束,观察一段时间可能有转折的信号出现,
w.z. • 14 min read
quant finance

以量化金融研究工具为例: Docker到底给开发人员/测试工程师/数据科学家带来了什么？

我们经常看到关于docker的介绍，例如： https://us-west-2.console.aws.amazon.com/ecs/home?region=us-west-2#/getStarted 例如： https://www.aliyun.com/product/eci https://www.aliyun.com/product/containerservice# 听起来都很牛B! 但是在日常工作中docker给我们带了来什么呢？ 假如使用docker之前每天的工作是996.icu, 使用docker之后也是996.icu, 那么我们为什么还要学习和使用一个新的工具呢？ 本文展示一下在docker下的日常工作是什么样的，让你决定要不要学这个强大的新工具。 本文只演示docker对我们日常工作的改变，并不讲解docker的底层原理，for that, 请参阅: 如何搞懂容器的核心技术点？ 《Demystifying Containers 101: A Deep Dive Into Container Technology
w.z. • 14 min read