1.通达信也可以挑战talib技术分析库了
2.Barra模型因子的源码构建及应用系列七之Liquidity因子
3.四、使用QuantLib Python评价期权(3)

通达信也可以挑战talib技术分析库了

       TA-Lib，源码即技术分析库，源码是源码一个广泛流传的开源库，支持多种编程语言接口，源码如C/C++、源码卡券回收商城 源码Java、源码Perl、源码Python和% Managed .NET等。源码

       TA-Lib库包含多种指标，源码涵盖了股票、源码期货交易软件中常用的源码技术分析指标，例如MACD、源码RSI、源码KDJ、源码动量指标和布林带等。

       TA-Lib可分为个子板块：Overlap Studies（重叠指标）、Momentum Indicators（动量指标）、博乐达半源码Volume Indicators（交易量指标）、Cycle Indicators（周期指标）、Price Transform（价格变换）、Volatility Indicators（波动率指标）、Pattern Recognition（模式识别）、Statistic Functions（统计函数）、Math Transform（数学变换）和Math Operators（数学运算）。

       在Python环境下，安装TA-Lib非常简单，只需一行命令即可完成。

       在Python中，使用TA-Lib计算收盘价简单移动平均数SMA的方法如下：

       计算收盘价动量，时间周期为5的方法如下：

       TA-Lib还提供了一种统一的API调用接口，可以直接导入函数或通过名称实例化。

       调用函数的方式与函数API相同。

       TA-Lib支持的指标包括多个技术指标，分为不同的芋道源码评价函数分类。

       以下是TA-Lib的全部介绍和使用方法。

       TA-Lib的缺点可能是性能问题。

       我测试了另一款Tulip技术分析库的性能，发现tulip的性能远超TA-Lib。

       关于Tulip如何战胜TA-Lib，原因有以下两点：

       第一点：为了性能，Tulip在程序中广泛采用宏来替代常规函数，这可能导致代码难以理解，改bug复杂等问题。

       第二点：Tulip为了保证接口的普适性，在正式计算之前进行了一系列的施法咏唱，导致代码冗长。

       为了获取tulip的强大性能，设计了通达信适用的tulip技术分析dll，能够调用全部tulip的函数。

       通达信现在也能够享受到高级技术分析库的全部优点了。

       Tulip的念佛挖矿源码源码已经编写通用的DLL，能够在通达信和大智慧中随意调用。

       以上DLL都是可以付费含代码出售的。

       如果想学习DLL的编写方法，有付费的《通达信》编写DLL的教程。

Barra模型因子的构建及应用系列七之Liquidity因子

       在构建Barra模型系列文章的篇章中，我们深入探讨了因子构建及应用，前文已详尽地介绍了Size、Beta、Momentum、Residual Volatility、NonLinear Size及Book-to-Price因子的构建与应用。此系列文章的第七部分，我们将关注于Liquidity因子的构建与应用。

       Liquidity因子在Barra模型中的计算方法包含三个关键子因子：月度换手率、季度换手率与年度换手率，各子因子权重分别为0.、0.、lightshope最新源码0.3。该因子的换手率通过成交量与流通股本的比率计算，通过T天的加总求得对数形式，具体换手率的计算周期分别为月度天、季度天、年度天。

       通过使用alphalens对Liquidity因子进行分析（年-年3月5日），我们发现：各调仓周期下的alpha收益均为负数，而5天调仓周期下的beta收益为正且最高；Liquidity因子的最大分组与最小分组均贡献负收益，且最大分组的负收益远超最小分组。进一步分析信息系数，IC均值与IC标准差在不同调仓频率下差异不大，平均IC仅为-0.，低于0.的阈值，显示了该因子的选股能力有限。从分组收益图可见，Liquidity因子表现出两端负收益、中间正收益的特征，这表明过高的或过低的换手率均会导致平均收益的下降。

       基于因子分析，Liquidity因子的收益能力不佳，若作为单因子策略应用，预期回测收益同样较差。然而，为了后续对Barra模型个因子进行综合分析，我们依然编写了代码以备后续使用。接下来，我们将深入探讨Liquidity因子的回测分析。

       回测时间设定为年1月1日至年3月5日，采用全A股作为回测品种（剔除ST股、停牌股与一年内的次新股），初始资金设定为万。手续费采用双边万二佣金与单边千一印花税（总计千1.4，即双边万7）作为计算依据，滑点设定为双边千1.，最大持仓数量限制为只股票。

       策略净值曲线显示波动较小，在下跌阶段（年7月-月）具备较强的抗跌能力，在随后的反弹阶段亦展现良好的进攻能力，整体表现较为稳健。然而，从历史回测数据来看，Liquidity因子的收益虽能跑赢大盘指数，但未能创造正收益。年化收益率为-1.%，最大回撤率为-.%，夏普比率-0.，胜率仅.%。总体而言，尽管Liquidity因子在构建与应用中展现出一定的分析价值，其收益表现与预期仍有较大差距。

       总结而言，本期文章详细探讨了Liquidity因子在Barra模型中的构建与回测分析，揭示了其在策略应用中的收益特点与潜在局限性。读者可通过掘金量化社区获取本期策略源码，进一步探索因子在实际投资决策中的应用与优化。

四、使用QuantLib Python评价期权(3)

       在QuantLib Python中，期权价格的精确计算依赖于市场参数的正确设置。从源码的#至#，我们可以解析市场数据对象的三个核心：报价(Quote)、利率期限结构(YieldTermStructure)和波动性期限结构(VolatilityTermStructure)。它们共同构建了一个描述资产价格变化的随机过程(StochasticProcess)。

       首先，在#，我们设定标的资产初始价格S0为.，通过SimpleQuote对象QS来封装市场价格，这有助于控制价格变动的机制，适应现实中动态的市场。Quote对象使用懒加载技术，以低成本实现价格联动。在#，我们创建Quote对象的引用h_QS，它的握柄功能允许高效地操作对象内容，并确保联动机制的灵活性。

       接着，#到#分别定义了利率、收益和波动性期限结构。例如，使用Shibor报价得到资金成本r，生成FlatForward对象rTS。利率期限结构的核心是提供特定时间点的利率信息。#和#则创建了波动性期限结构volTS，用于描述波动性随时间和执行价格变化的市场情况。

       在#，通过上述的握柄，我们构建了一个GeneralizedBlackScholesProcess对象，用于期权定价。这仅是QuantLib中处理复杂随机过程的一种方式，实际应用中可能需要更复杂的模型，如HestonProcess。

       关于进一步的课程安排，作者计划在年4月和7月开设Python和C++的QuantLib实操课程，课程强调实战应用，适合有一定基础的业界从业者。课程分为三阶段，涵盖期权定价模型、局部波动率模型和GPU金融程序开发，详细大纲将在月日前发布，感兴趣的人可通过电子邮件或WeChat与作者联系报名。