1.vn.py快速入门6 - 开发第一个量化策略
2.利用gplearn遗传规划生成期货cta策略
3.Quant 应该学习哪些 Python 知识
4.基于VN.PY的策策略CTA策略入门心得
5.Python之路 11 双均线策略的3种回测方法
6.客观地说用一创聚宽做股票量化很合适啊

vn.py快速入门6 - 开发第一个量化策略

       欢迎来到vn.py社区的快速入门教程系列的第6篇，我们将开始实践编程部分。代码假设你对Python有一定基础，策策略如果没有，代码推荐《笨方法学Python3》作为入门书籍。策策略在此教程中，代码简单表白网站源码我们将使用Visual Studio Code (VS Code)，策策略一个由微软开发的代码开源编程编辑器，配合其丰富的策策略插件，成为我们的代码编程工具。

       首先，策策略下载并安装VS Code，代码点击官网链接，策策略安装完成后，代码找到左侧导航栏底部的策策略Python插件并安装。虽然我们推荐VS Code，但PyCharm、WingIDE、Vim或Visual Studio等其他IDE也适用，遇到问题时，可以切换回VS Code，因为教程中的所有操作都是通用的。

       接下来，理解用户目录的概念，通常位于C:\Users\你的用户名，这是vn Trader默认的运行时目录。vn Trader会在该目录下创建.vntrader文件夹存放配置和临时文件。同时，CTA策略会在strategies文件夹中寻找用户自定义策略，Windows用户需在C:\Users\你的用户名\strategies创建这个文件夹。

       在strategies文件夹下创建名为demo_strategy.py的策略文件，然后用VS Code打开。策略类开发从定义CtaTemplate基类开始，它是所有CTA策略的基础，提供事件处理和操作函数的框架。

       策略类中，需要定义参数和变量，参数是策略逻辑中的固定数值，变量则用于存储策略执行过程中的中间状态。定义完成后，需添加到对应的参数和变量列表中，以便策略引擎管理。

       在vn.py中，交易逻辑由事件驱动，比如K线推送。对于双均线策略的DemoStrategy，我们只需在on_bar函数中处理K线数据，如使用ArrayManager计算均线指标并进行金叉或死叉判断。策略的执行涉及开仓、平仓操作，以适应双均线策略的交易逻辑。

       实盘交易时，需要自己合成K线，vn.py的BarGenerator工具可以帮助完成这个任务。在策略的__init__函数中初始化BarGenerator，并提供on_bar回调。每当收到Tick更新，更新BarGenerator，BarGenerator会在K线走完时触发on_bar函数，执行交易逻辑。

       以上就是东软接口源码vn.py快速入门的实践部分，如需了解更多内容，欢迎关注vn.py社区的微信公众号获取更多资讯。

利用gplearn遗传规划生成期货cta策略

       春节期间，我决定深入研究期货交易策略，决心通过全面探索来发掘潜在的因子。于是，我在假期里花费了两天时间，选择了gplearn这一工具进行实验。

       gplearn是Python中最成熟的符号回归算法，它作为监督学习的一种，目标是揭示隐藏的数学公式，以预测目标变量。在这个实验中，我选择了2万根ETH合约的分钟K线数据作为基础。

       在构建因子的过程中，我尝试了两种策略。华泰研报推荐的方法是方法二，我认为两者有相似之处。方法一是利用talib提供的众多函数，直接融入到模型中。方法二是参考了Allen Chi在CSDN博客中的高频因子挖掘技术。

       接下来，我开始对数据进行切割，进行自变量和应变量的训练。这个过程可能需要秒到秒，甚至更长，具体时间取决于数据量的大小。评估模型的效果，我选择了Spearman相关性作为主要指标，另一种方法则是自定义评估函数，以追求收益率优化的最优解。

       经过一系列的训练和评估，我最终绘制出学习曲线，成功地获得了最佳的策略结果。这次实验不仅提升了我对期货交易策略的理解，也展示了gplearn在生成CTA策略中的潜力。

Quant 应该学习哪些 Python 知识

       1. 如果还需要Deep Learning方面的东西的话，可以考虑Theano或者Keras。这两个东西可能会用在分析新闻数据方面。不过不是很推荐使用这类方法去做量化模型，因为计算量实在是太大，成本很高。

       2. 交易框架方面，除了vn.py，还推荐PyAlgoTrade框架，github上可以搜到。私以为这个框架比vn.py牛逼太多了，毕竟是一个在金融IT领域混迹近年的老妖的作品，架构设计不是一般的优秀。

       3. 国内的话，ricequant是个不错的选择，虽然使用的是Java，但是团队我见过，都是做金融IT出身的，基本上都有7、8年以上经验，底层功底非常扎实，做事情都很靠谱。现在他们也在考虑把SDK扩展到Python这边。

       4. 国内的行情和交易接口，使用的是自己的协议（比如CTP接口使用的是FTD协议），而不是国际上广泛使用的FIX协议，并且都不开源。如果需要连接行情，还需要考虑将接口SDK为python封装一下。（修改：评论中有人提到很多券商也开放了FIX接口，不过似乎是在内网使用）

       5. 有人谈到数据库了，这里我也说一下，对于高频tick级别的数据，其量级可以达到每天TB级别，普通的关系数据库是扛不住的。如果试图使用传统的关系数据库，比如Oracle之类的可以省省了。对付这种级别的数据，采用文件系统+内存索引会更好。不过这种场景，一般也就是机构里面能碰到了，个人quant可以不用考虑。

基于VN.PY的CTA策略入门心得

       CTA策略简介与VN.PY入门指南

       CTA策略，即商品交易顾问（Commodity Trading Advisor），是量化投资领域中重要组成部分，相较于股票量化策略，CTA策略能提供更稳定的收益与更低的风险。通过CTA策略的对冲性和高频性，市场波动趋于平滑，使得对冲做得好时，能无视大盘波动。

       开发CTA策略时，选择适合的工具极为关键。市面上的可编程交易软件如TB或MC，价格不菲且语言小众，开发复杂。在比较了多种选项后，VN.PY成为了CTA策略开发的首选平台。本文将为读者介绍VN.PY的入门心得，旨在快速帮助大家了解VN.PY并上手开发，而不涉及策略的深度开发。

       一、VN.PY安装

       安装VN.PY主要依赖于VNStation，用户可在官网上下载最新版进行安装，版本为2.5.1。安装目录默认为C:\vnstudio。业绩小程序源码需要注意的是，VNStation自带Python包，建议使用VSCode作为开发IDE，且本地Python环境应保持干净，避免与其他环境混用。此外，VN.PY的源代码位于C:\vnstudio\Lib\site-packages\vnpy目录下，与GitHub上的源代码存在差异，建议使用vnpy目录下的源代码。

       二、启动VNStation

       启动VNStation前需创建策略代码目录，一般在C:\Users[用户名或Administrator]\strategies下。启动VNStation后，选择VN Trader Pro，配置底层接口为CTP或CTP测试，选择上层应用时，通常选择CTA自动交易模块与CTA回测研究模块。设置运行目录与策略代码目录保持一致。

       三、CTA回测与策略

       在使用CTA回测或CTA策略前，需要进行数据准备。VNTrader提供RQData数据或本地数据库服务。启动CTA回测功能，选择策略，输入本地代码与回测条件，点击开始回测。回测页面显示各项指标，如账户净值、盈亏分布等。回测过程中，注意理解初始化日的限制、平今仓手续费设置以及优化参数等。

       四、策略调试与学习资源

       策略调试可选择命令行或Jupyter notebook方式。通过VN Studio Prompt启动VN Station，运行命令行调试，或在Jupyter notebook中导入策略进行调试，修改相关参数，运行代码。学习资源方面，VN.PY公众号视频教程、官网项目文档、知乎频道、蜗牛博客与《Python量化交易》书籍均可作为深入学习的参考资料。

Python之路 双均线策略的3种回测方法

       对于每一个交易日，都能计算出前N天的移动平均值，然后将这些平均值连起来，形成一条线，称为N日移动平均线。

       在双均线策略中，我们使用两条均线，快均线（例如：5日均线）和慢均线（例如：日均线）。当快均线上升穿过慢均线时，形成金叉，给出买入信号。反之，当快均线下降穿过慢均线时，形成死叉，给出卖出信号。然而，趋势形成指标源码双均线策略并非一个可靠的CTA策略，它只提供买卖信号，没有明确的过滤器和止损，因此稳定性较差。而且因为越来越多的人了解并使用它，策略已经逐渐失效。尽管以前很多前辈能用它赚到很多钱，但现在单纯想靠双均线策略赚钱太难了。

       由于策略的简单性，它可以作为一个很好的策略回测方法的入门，被称为量化领域的‘Holle World！’

       通常，当我们得到一组数据时，第一步是使用简单的向量回测方法来检测它是否有强的自相关性。如果数据在时间序列上表现出趋势，则适合使用CTA类的策略。反之，如果表现出均值回归（即在一定价格区间上下震荡），则使用套利类策略。

       第二步，当数据显示很强的自相关性或很弱的自相关性时，需要更精细化的策略回测，Python中可以使用事件驱动引擎来进行事件化回测或基于vn.py框架的策略回测。

       以下用上证ETF（）为例。

       导入包，使用Tushare获取数据，然后用sort_index()改变其时间排序方式，再计算每天的价格变化。

       计算两条均线，分别是5日移动均线和日移动均线。使用rolling()函数：滚动窗口的周期是5，不取中间数（FALSE）。

       从下图中可以观察到，ma5是从第5个交易日才开始有的（统计的是前4天的收盘价，加上今天的收盘价），而ma是从第个交易日才开始产生的。因此，到2月6日所有数据才完整起来，同时从这天起（个交易日）开始产生交易信号。

       清除空值，从2月6日开始统计。

       通过交易信号计算持仓情况。如果快均线上穿慢均线，即ma5>ma时，产生买入信号。因为ma5和ma是今天收盘时才刚刚统计出来的，所以其交易信号需要明天开盘时执行。

       每天盈亏=当日持仓*当天价格变化。

       当仓位发生变化时，如做多变成做空，会产生手续费。手续费=开仓的总数（这里是2万股）*当日收盘价*手续费率（万分之三）。

       净盈亏=每天盈亏-手续费。

       最后计算累计盈亏。

       绘图。

       测试表明双均线策略并不理想。图中显示2.3万的本金，在年全年只能盈利2千左右。

       以下为双均线策略的事件化回测。

       这里我们需要使用事件驱动引擎。精简ui影视源码

       事件驱动：当一个新的事件来临时候，我们会做一些事情并把某些结构固定下来，在这样一个框架下，你不可能获得未来的数据。只要细节的盈亏计算代码不出现问题，不应该包含任何未来函数。

       导入包，因为我使用的是Python2，这里使用一个新的库__future__，即把下一个新版本的特性导入到当前版本。这里是导入Python未来支持的语言特性division（精确除法）。

       获取当天价格变化。

       定义缓存结构，初始化输入的参数。

       定义类（每天盈亏结果），在类中再次初始化参数，然后定义各参数的逻辑关系。

       现在开始运行回测。

       df.iterrows()生成Python迭代器，enumerate()当传入一个迭代器作为参数时，会返回当前迭代变量的基数情况。在迭代的过程中，dataframe每一行是一个日期外加2个字段（close和change），所以会以table的形式返回每一行。所以在table中，第一个元素就是日期，然后是当日收盘价和差价。然后是遍历下面的内容。

       将数组中的老数据平移一格（将当前最新的收盘价插入数组最后位置上，更新到最新的情况）。

       如果尚未有个数据点缓存数量，则continue后面的逻辑则不执行。当积累到个信号后，开始正式的计算。

       计算双均线策略的交易信号。

       回测跑完后，现在要通过累计收益来显示策略结果。

       该图和上图用向量回测得到的结果差不多。

       以下为双均线策略的基于vn.py框架的回测。

       首先，搭建vn.py运行环境。

       详细，请看《懒人包：vn.py安装图文详解》（更新至v1.9.0）。

       安装好之后开始跑回测。

       导入包。

       In[1]

       获取数据。

       In[2]

       创建MongoDB连接。在MongoClient传入参数，第一个是MongoDB所在服务器的默认IP（本机地址）和第二个是默认端口。然后返回client下的数据库对象，在数据库中查找vtSymbol。

       在MongoDB数据库中可以看见collection已经创建好了。

       将数据插入历史数据库。

       最后一行：

       update_one 保证其唯一性（所谓数据库的唯一性，就是这个键是已知的时候，这个键对应的数值是唯一的，若重复插入时候，要么报错，要么新的值把老的值给覆盖掉），所以在重复插入，新的值把老的值给覆盖掉。

       { '$set':bar.__dict__} flt出现的时候做一个更新。

       用upsert=True，意思为当数据已经存在的时候，去覆盖它，upsert=False则是当数据已经存在的时候，不做任何操作。

       In[3]

       开发策略。

       导入策略模板文件中的策略模板对象。

       In[4]

       下面分别是构造函数，初始化策略，启动策略，停止策略和收到Tick推送。

       具体的双均线策略就出现在onBar函数上。

       因为是策略回测而不是实盘，所以下面都pass了。

       在策略类设置完之后，下面开始加载回测引擎。

       In[5]

       设置产品相关参数。

       让我们看看双均线策略回测结果。

       首先是参数输出，盈利是2千多，交易日从2月6号开始，最大回撤达%，这是纯双均线策略的特点，过于钝化，需要结合有效离场指标来降低亏损。

       最后是绘图结果。

       总盈亏图有些出错，应该是从2月初开始交易的，但是大致的图形都与上两幅符合。

       从双均线策略回测效果看来，vn.py的回测并不具有优势，需要导入很多库，而且策略框架写起来很麻烦。但是，vn.py对于自己手写，第一个好处就是杜绝未来函数，而且vn.py设计之初只是用于实盘交易，所以其回测与实盘公用一套代码是第二优点。最后是对于要用到多个技术指标的通道突破策略，或者多策略+多品种回测，在已有框架下写策略显然要比自己手写要轻松。

       感谢@Chandler Chan的提醒，由于那时候刚刚学Python没多久，把初始化天数和一些参数搞错了，导致vn.py回测得到的图形和上2种方法的图有相当程度的不同。现已完善得差不多。

客观地说用一创聚宽做股票量化很合适啊

       我一直在寻找一个值得信赖的股票量化交易接口，我的需求其实并不复杂。

       有人向我推荐了聚宽，起初我还有点犹豫，但深入了解后，我最终决定接受它。

       我通常不赞成使用Python进行交易，因此我更倾向于C++的接口。然而，由于股票程序化受到严格的监管，如果每个散户都使用C++接口，并没有太好的解决方案。因此，我最终选择了聚宽的Python接口。

       我之前一直纠结的一个问题是，聚宽只提供1G的内存。这对研究高频策略，如1分钟K线、分笔数据等，显然是不够的。但另一方面，我们可以独立于聚宽进行研究，将回测好的策略上传到聚宽，仅使用其交易功能，这实际上是很划算的。

       聚宽解决了股票程序化的合规问题，没有资金限制，且提供1分钟K线和分笔数据，实盘只是时间问题。1分钟K线也可以用于高频策略，无需纠结。聚宽目前没有年费，对散户来说非常划算，其他平台通常需要收取-的费用。

       聚宽采用云端部署，节省了部署的麻烦。对于普通散户来说，最好免除所有这些成本，只收取手续费。一创聚宽确实满足了这一需求，手续费仅为万分之二点五，非常划算。

       实盘支持1分钟和日线，虽然不支持逐笔数据，但普通策略是可行的。1分钟数据也可以用于高频策略。我认为普通散户可以配置一些大盘蓝筹股，进行趋势增强，无需限制T+0，只需关注短趋势即可。

       许多做T+0的股票都是跌跌不休的，不会长期持有。普通散户无法用股指对冲，因此最好老实做蓝筹+趋势增强。

       聚宽现在每人可以上传一个策略，有兴趣的可以关注微信公众号babyquantFinance或添加微信babyquant，看看这个是否值得尝试。这类趋势策略类似于期货CTA/日内非高频策略，只需重新拟合和调整参数即可。我认为股票市场比期货市场更大，人傻钱多。

如何评价vnpy量化回测?

       vnpy量化框架在体验上表现出色，是值得推荐的开源量化工具。在使用过程中，可能会遇到版本选择上的困惑，确保使用的是VeighNa量化社区的vn.py版本。在搭建个人量化平台时，vn.py的回测功能尤为重要，可以通过其提供的CTABacktester引擎对策略进行回测，并将结果直观地展示在平台上。

       在安装vnpy时，下载最新的开源软件包，并按照指示逐步安装，确保与所使用的Python版本兼容。在vnpy的run.py中，插入代码开启CTABacktester，需要在全局配置中输入自己的mongoDB数据库的用户名、密码等链接信息。随后，打开CTA回测界面，确保已将所需的历史行情数据导入数据库，以进行高效回测。

       回测数据包含起始资金、结束资金、总收益率、年化收益、最大回撤等多个关键指标，帮助评估策略的有效性。通过修改vn.py代码，可以将回测功能集成至个人量化平台，实现策略的自定义开发与回测。

       为了提供更直观的策略展示，可以设计个性化的量化平台Web页面，并定义特定的策略，如EMaStrategy。通过在vnpy中创建策略文件（如“ema_strategy.py”）并集成至CTABackTesting中，实现策略回测。利用plotly解决方案，自定义输出结果和表现形式，生成html格式的可视化图表，以直观展示回测结果。

       为了比较不同策略的表现，可以同时进行多策略回测。通过vnpy的回测引擎和plotly的图形化输出，可以便捷地在个人量化平台上进行策略评估与分析，优化投资决策。若有任何问题，欢迎访问adog.net.cn/news获取更多资源或加入“知shi星球（阿岛格）”进行深入讨论。

cta和算法交易有什么区别?如何系统学习cta策略?

       CTA交易策略，全称是商品交易顾问策略，是一种通过期货、期权等衍生品进行中短期投机的投资方式。CTA策略偏重于基于技术信号、市场特征的中短期操作，旨在从传统股票、债券之外的资产类别中获取收益。CTA策略通常包括趋势跟踪和均值回归两种类型，以及主观CTA与量化CTA两大分支。量化CTA依赖计算机模型进行交易决策，而主观CTA则由投资经理根据研究和风险管理策略作出决策。

       CTA策略的执行周期较短，有时甚至为日内平仓，对价差敏感，要求快速执行和较低成本。量化CTA策略可能基于技术分析的图表、趋势追踪、动量指标和随机指标，也可能基于基本面因素如能源供给、就业数据等经济数据。主观型CTA策略的核心是人，决策过程包含了对市场现像的分析和未来走势的预测，但最终决策由交易员作出，可能面临情绪干扰。

       CTA策略在市场中混合运用不同策略，以适应不断变化的市场环境。高频做市策略、日内交易策略、中长线策略等是常见的CTA策略实例，各具特点，适用于不同市场环境和投资者偏好。

       在进行量化交易时，基础数据的获取、清洗、分析至关重要。量化交易与传统交易有本质差异，但本质上都是寻找可重复的市场现象，利用其预测未来走势以获取收益。计算机的加入显著增强了运算能力，使得传统技术面和基本面分析成为可能。

       量化交易的实现需要具备一定编程基础和经验，常用语言包括C++、C#、Java、MATLAB、R和Python等。Python以其强大功能和易学性成为量化交易领域流行的选择，尤其因其成熟的工具链和与C++的兼容性，使得在实现CTA策略时可以高效利用性能优化的底层代码。

       在使用Python进行量化交易时，需要注意其在多线程执行、静态类型检查方面的限制，以及代码重构时的痛苦。然而，Python的解释性语言特性、丰富的库支持以及相对快速的执行速度使其成为实现CTA策略的理想选择。对于性能要求较高的高频策略，C++可能更为合适。

       实现CTA策略的平台如MultiCharts，提供从策略编写、数据回测到自动化下单的全方位支持，能够满足股票、期货、期权等多种交易需求。MultiCharts支持多数据源、多周期、多商品的图表分析，并提供丰富的指标、警告功能和回测报告，帮助交易者优化策略并实现自动化交易。

       ALPHA ZONE为新手交易员提供了集学习和实践于一体的平台，包括量化交易和CTA策略的学习资源、交易经验分享以及模拟盘交易比赛。通过与MT4交易平台授权的wetrademarket进行交互，交易员可以实践CTA策略并积累经验。ALPHA ZONE还推荐了MQL4作为入门编程语言，适合自动化交易策略的实现。

       总之，CTA交易策略与量化交易之间存在紧密联系，通过学习和实践，交易员可以利用技术、数据和自动化工具实现高效的市场分析与决策，从而在复杂多变的金融市场中获取收益。

DeepAlpha通用因子挖掘：支持GPlearn遗传算法和深度强化学习挖掘因子（代码+数据下载）

       原创文章第篇，专注“AI量化投资、个人成长与财富自由”。

       按惯性每周五咱们会迭代版本，今天也不例外。

       年前咱们更新到quantlab3.6:

       Quantlab3.6：后续产品化的思考

       Quantlab3.5代码发布：因子表达式及Alpha因子库实现 | 超参数优化（代码+数据）

       本周的重点是gplearn在因子挖掘上的应用，重点是CTA场景。

       gplearn遗传算法应用于CTA因子挖掘：手把手教程（代码+数据下载）

       gplearn系列：使用因子rank ic评估因子性能（代码+数据）

       大家知道，原生的GPLearn并不适合挖掘因子，主要存在以下几个问题：

       1、gplearn只支持单标的，在CTA策略单标的可以，但单标的下挖掘的因子，很容易过拟合。

       2、内置的函数不适合金融量化因子，需要自己扩展。而且原生的扩展，不支持常数项，比如SMA()，这个就是常数。

       3、原生的fitness是ic和Rank IC，不支持夏普比或者卡玛比率这种。

       4、而且网上能用的代码有限，版本鱼龙混杂，不成体系，或者文档不全。

       5、传统的因子挖掘方法大多基于遗传规划（Genetic Programming）方法，这类方法具有收敛速度慢、超参数难以调优等局限；

       网上的代码都是“暴改”之后的，且没有文档，demo未必能跑通。

       我给大家跑通了一份，但是基于qlib的，与DeepAlpha同构，后续以这份代码为蓝本了。

       大家直接pip install -r requirements.txt即可（python 3.8）

       基于A股的qlib数据也会打包给大家，置于~/.qlib/qlib_data/cn_data_rolling目录下：

       代码已经发布至星球：AI量化实验室——量化投资的星辰大海

       1、支持GPLearn, DSO以及强化学习的版本。

       2、数据目前的A股全量数据，qlib格式。

       3、支持多支股票同时挖掘。

       4、支持多因子联合评测。

       AI量化实验室——量化投资的星辰大海