学习量化交易如何入门？
最近需要参加一个量化交易策略的比赛，但是对这方面还是不甚了解，鄙人有一定的交易经验和经济学知识，但是程序方面几乎没做过什么大的项目，希望可以给一些快速入门的经验和建议，不甚感激
按时间排序
我觉得任何学习都遵循“学习之道”的规律，下面与大家分享一下
学习之道本文从两个方面来谈学习之道：一、 如何掌握正确的学习方法？二、遇到困境该如何高效学习？
壹如何掌握正确的学习方法？第一步、要有正确的学习理念1.整体理论：把学习的能力看成是一个固定的不能再进步的状态，把成败归结于与生俱来、无法改变的能力水平。p.s.如我们日常生活中经常发生这样的事情：孩子数学考得特别好，家长会说这孩子真聪明； 数学没有考好，则会说这好孩子随他爸，他爸数学也不好。我们将个人的能力和事情的成败归结于与生俱来的无法改变的状态。2.渐进理论：事情都是可以改善的，认为世上无难事，只怕有心人，只要通过努力，一步一步、循序渐进就能获得成功。p.s. 数学考的不好，应该想如何将数学搞好并循序渐进的学习将数学考好。3.整体理论的人遇到困难更容易放弃，渐进理论的人遇到困难更愿意迎接挑战。我们应认识到我们有学习和改变的能力，这才是正确的学习理念第二步、学习的基本原则，就是“划小圈”1.学习误区：招式的收集者，学习套路和招式。2.正确方法：掌握“划小圈”理论，能够在短时间内掌握知识技能的核心。 p.s.真正的学习是掌握知识底层的规律，也就是说我们通过研究这些细节，研究那些细微的基础规律，去探究这些规律如何影响宏观的系统， 我们学习应该是将广度压缩而是增加深度。 第三步、提升学习能力的关键，是将基本原理打包、创建组块。1.利用大脑处理信息的能力，帮助大脑更轻松、更深入的理解和解决问题。2.“划小圈”是将外在技能细微分化并走向内在培养。P.S.:我们的大脑最多能处理4-7个组块，以开车为例：从新手到老司机的过程，就是把方向盘、刹车，离合、油门、档位等多种单独技能进行打包，建立一个完整的组块， 所以，老司机能够一边开车，一边听音乐以及跟人聊天同时展开。 贰遇到困境该如何高效学习？第一步、“接纳”。心平气和对待不完美1.“硬区域”与“软区域”硬区域：要求外界环境适应自己，提供一个满足自己要求的舒适空间软区域：接受任何外界环境和条件，主动适应环境2.接纳不完美，创造“软区域”面对不完美的外部条件，以接纳的心态去面对去适应，构建软区域。第二步、“利用”。把困难变成优势 把困境只当做困境，会让人不前进，甚至是放弃。真正的学习，是把困境当做督促我们进步的优势。p.s.大家都知道田忌赛马故事，齐国的大将田忌，有一次他与齐威王约定赛马。当时人们通常都把马分为上、中、下三等，然后相同等级的一一较量。可是，齐王每个等级的马都比田忌的马好， 旁边的孙膑给他出了一个点子，即“今以君之下驯与彼之上驯，取君之上驯与彼之中驯，取君之中驯与彼之下驯”。田忌按照这个点子果然取得了三局两胜，赢了齐王。第三步.“创造”。主动创造困难以激励自我逼自己在更差的环境中更好的完成任务，要比在有一个“硬区域”才能学习的效率要高的多。 总结：本文针对家长和孩子从两个方向谈了学习之道：1.掌握正确学习方法三步走--第一步：要有正确的学习理念即非整体理论而是渐进理论；第二步：学习的基本原则是“划小圈”即压缩宽度增加深度；第三步：将基本原理打包，创建组块。2.遇到困难该学习三步走： 接纳 --利用-- 创造下篇文章小编要与您分享最高效的学习方式是什么？学霸和学神之间有何区别？整体学习的方法的5个步骤是是什么？高效学习的4个要点在哪里？更多好文分享， 请关注“挑战好学生ESky”微信公众号， 我们与您 一起快乐学习，共同成长！
我要回答，不是因为我是大牛，恰恰相反我是个菜鸟。以下回答定期更新好了，借宝地当一个实盘记录。最好的学习就是实践，一言不合就是干。最能长姿势的永远是先亏欠，亏到肉疼。：写了一个期货日内交易系统，这就是CTA么？ 昨天正式上线，这两天各种bug，惨不忍睹，交易71手，手续费654，当前亏了 1000多。在知乎上看了好多大牛的分享，很多在系统开发时才能领悟，还有更多只能实践出真知。比如一个成熟的交易系统包括：1. 什么时候买 (开仓策略)2. 什么时候卖 (平仓策略)3. 如何做加减仓 (有行情时，只有重仓才能暴利)4. 仅有的这点保证金在不同品种间的分配 (资金管理)5. 止赢与止损挨个实现一遍，才知道钱难赚，屎难吃，并且当前还是吃屎中 :)
谢邀各位。实在不想码字，知乎上貌似码字不够多大家不甚喜爱……简单概括一下入门时遇到最现实的问题和解决办法：1.用什么平台实现自己的算法或者策略（妈的我一个做策略的真的不想编程）；2.数据从哪里来（妈的本本“量化教科书”策略教程都有一堆数据，我上哪找，编程小白怎么抓数据）；3.怎样回测（妈的好不容易写了个策略我该怎么评估）；4.怎样仿真交易和对接实时数据进行实盘交易。1.国内开发和引入了不少程序化交易平台，程序化实现交易策略算是大部分菜鸟入门的必经之路（除去那些做Alpha的愿意手动敲单，像我做十几个标的多时间频度还有日夜盘手动交易就是自虐）。但除非在机构里购买了使用权进行二次开发，不然那些平台实现的策略很有限。所以一般我们会用到Matlab（别吐槽我自己就用Matlab写了套交易系统，谁让我是数学专业而且算法复杂Matlab实现最方便），Python（主流呀），R，C++，C#，Java，零售的成熟平台有Apama，RTS等。我推荐Python吧……2.数据可以从Wind，Bloomberg甚至国泰安下载，也可以从一些国内零售平台弄，前两者质量高，但同样要注意数据清洗。想免费弄到多年的历史数据是不可能了～Bloomberg是一定要收费了……3.像国内TB，MC，金字塔等都可以实现回测和参数寻优，回测函数不需要自己编写，而且可以参考的绩效指标比你想象的还要多（不少你一辈子都不会看）。当然以上方法也是对菜鸟方便，还是踏踏实实学个Matlab，Python或者R吧，找虐的话C一族和Java编程你也可以去学。回测函数你可以上论坛找，也可以根据自己需求自己编写。4.好了，万事俱备只欠东风（别发梦了一不小心资本市场教你重新做人）。很多数据商如Wind都是有现成的API接口，对应相应的函数，参考一下文档就能写出实简单的交易系统。可以申请个Simnow账号模拟交易。不想编程？可以的～拿到大机构Offer就行，一般两个交易员配一个程序员。但完全不懂编程的话……做Quant有些困难了～至于入门教材什么的，置顶的回答里有不少，虽然分了什么基础和进阶。但我的建议是至少全看了，因为那全都只是很基础很基础的东西啦，我Quant生涯第一年就全看完了～祝大家，闷声发大财～
参见QuantStart
看楼主的经历，首要提高的是代码能力，直接找例子实战见效最快。量化分析师的python日记：策略及应用：研报复现：
【数学及衍生品：
如果是不懂编程技术的小白用户，推荐到果仁网（）学习量化策略，网站可以轻松让你创建量化策略，还有大量免费策略定义被分享出来供用户学习，很不错，适合入门学习。
入门容易修行难
量化也好，程序化也好都只是工具。要想入门，先得交易上道。我觉得交易上道需要1．建立自己的交易系统2．用钱和时间去验证交易系统3．要有自己的交易哲学指导交易4．用3年以上的时间巩固交易哲学5．在稳定赢利前要有其它收入来源6．心态从热血转变为平和，不单指交易
作为量化投资领域从业几年的老兵，关于量化投资入门，分工具篇和思路篇给题主一些借鉴：.............................................................. 工具篇 .....................................................................................对于入门工具，本人推荐使用Python，分享一封写给一个朋友的邮件，以此介绍一下在量化投资领域Python的一些学习资料。在实际操作中，虽然我们工作的回测系统和交易系统都不是基于Python的，但是作为起步学习量化投资的朋友，我个人比较推荐Python，这主要是由于：1. Python入门容易，上手快；2. Python作为一门开源的脚本语言，应用非常广泛，在数据处理方面又有许多library，我们模型前期的一些测试也都是用Python完成的；3. 目前量化投资领域基于Python的学习工具、开源资源非常多。首先，介绍一下Python入门的书籍：1. 首推《利用Python进行数据分析》，pandas的作者原先就职于AQR，pandas的开发初衷就是用来处理金融数据的；2. 《Python 3程序开发指南》3. 《Python数据分析基础教程：NumPy学习指南（第2版）》4. 相关tutorial基于Python的研究平台有以下一些，知乎上有大量关于这些平台的探讨，选择一个自己喜欢的，或者同时都用。国外：1. quantopian： ，其library在github开源：国内：1.
通联数据这家公司相当熟悉，也来我们公司路演过他们的产品，个人非常喜欢他们的工作方式和氛围。2. 3. 一些相关开源资源，非常敬佩作者们的开源精神，仔细阅读他们的代码，绝对会受益匪浅。1. 交易方面，用Python写的一个交易平台： ，作者在之乎上非常活跃与热心，其专栏有许多干活 2. 数据方面，用Python写的抓取数据的library： ，官方网站：.............................................................. 思路篇
.....................................................................................关于投资方法和思路，首当其冲的肯定是量化投资领域的经典著作：1.《主动投资组合管理：创造高收益并控制风险的量化投资方法》，该书问世已经20多年，一直是权威之作。两位作者都曾在BARRA供职10多年，BARRA的一些手册也是学习量化投资必备的，如：USE3、富国大拿李笑薇写的CHE2: Forecasting Chinese Equity Risk等；2.《证券组合定量管理：构建与管理证券组合的积极策略》；一堆学术期刊可以常常去浏览一下，也会有许多思路，作者常常看的有：Journal of FinanceJournal of Financial EconomicsReview of Financial StudiesJournal of Accounting and EconomicsReview of Accounting StudiesJournal of Accounting ResearchAccounting ReviewJournal of Financial and Quantitative AnalysisFinancial Analysts JournalFinancial ManagementJournal of Empirical FinanceQuantitative FinanceJournal of Alternative InvestmentsJournal of Fixed IncomeJournal of InvestingJournal of Portfolio ManagementJournal of TradingReview of Asset Pricing Studies经济研究经济学（季刊）金融研究管理世界会计研究投资研究我们在SSRN上也能找到一些行业前辈，可以follow，如：Clifford S. Asness，AQR的创始合伙人，Ari Levine，AQR，Lasse Heje Pedersen，AQR，Ananth Madhavan，BlackRock，Vinesh Jha，ExtractAlpha的CEO，Zura Kakushadze，Quantigic Solutions的 President，Igor Tulchinsky，WorldQuant的Founder and CEO，跑程序的时候可以去浏览一些热门blog：银行股的大拿flitter，《低风险投资之路》的作者David，可转债的大拿安道全：债券的大拿没钱又丑：期货用来复盘的blog：股市职业操盘专家，知名财经作家花荣：股海泛舟：股票狂人带头大哥777：Paul Wilmott：quantopian：The Trend is your Friend：Practical Quant：John Mauldin：Quantum Financier：Quantified Strategies：BlackRock Blog：Quant at Risk：卖方的研究报告不得不提一下，虽然说绝大多数报告的研究结果都不可信，过拟合算是比较轻微的现象，更有甚者是压根无法提供中间数据，但是从动机上讲，卖方研究员也同样有动力开发又好和又新的策略，卖方金工团队大的近20人，小的也有3、5人，这些智慧也不能忽视。最后要提的是，上述资料主要给我们提供一些思路，在投资实践中如何精炼出其中的金子，需要我们细心和用心的去挖掘，挖矿的过程常常是单调和枯燥的，但是当我们真正找到金子、或者单单是从一个思路衍生出另一个思路的时候又是喜悦的 ，希望题主和我一样，乐于其中
如果会编程的话可以尝试进行编制策略模型，如果不会编程又对量化比较感兴趣的话，可以来这个平台看看。
现在不是很多公司都有现成的软件来帮忙做量化吗。美国的那个tradestation不是说也引进到国内来了吗
量化学习，我个人习惯入门都是先看书，能沉得下心来。推荐下面几本书入门，都是专业性、技术性、趣味性兼备的好书！随便选个两三本来看，算是入门。既可以学习量化知识，又利于面试de时候…忽悠HR……量化入门1.
The Big Short: Inside the
Doomsday Machine
– Michael Lewis2.
More Money Than God: Hedge
Funds and the Making of a New Elite (Council on Foreign Relations Books
(Penguin Press))
– Sebastian Mallaby3.
How I Became a Quant: Insights
from 25 of Wall Street’s Elite
– Richard
Lindsey, Barry Schachter4.
Financial Engineering: The
Evolution of a Profession (Robert W. Kolb Series)
– Tanya Beder, Cara Marshall5.
The Quants: How a New Breed of
Math Whizzes Conquered Wall Street and Nearly Destroyed It
– Scott Patterson6.
Nerds on Wall Street: Math,
Machines and Wired Markets
Leinweber7.
The Complete Guide to Capital
Markets for Quantitative Professionals (McGraw-Hill Library of Investment and
– Alex Kuznetsov8.
Models.Behaving.Badly.: Why
Confusing Illusion with Reality Can Lead to Disaster, on Wall Street and in
– Emanuel Derman接下来，你要知道资本市场是如何运作的，包括金融衍生品定价、量化交易方法等等，当然，你还必须是个码农。C++、Python、MATLAB、R…金融数学这些书更偏向衍生品定价，也不需要都读，读个一两本经典的，比一开始就看论文、逛论坛靠谱！！！当然，要是你打算专门做衍生品定价（包括风险控制的计算）….尤其是风险控制的计算……..倍发科技欢迎你：）1.
Options, Futures, and Other
Derivatives and DerivaGem CD Package (8th Edition)
– John Hull2.
A Primer For The Mathematics Of
Financial Engineering, Second Edition
Dan Stefanica3.
Solutions Manual – A Primer For
The Mathematics Of Financial Engineering, Second Edition
– Dan Stefanica4.
Paul Wilmott on Quantitative
Finance 3 Volume Set (2nd Edition)
Paul Wilmott5.
More mathematical finance
– Mark Joshi6.
Mathematics for Finance: An
Introduction to Financial Engineering (Springer Undergraduate Mathematics
– Marek Capiski, Tomasz
Zastawniak7.
The Complete Guide to Option
Pricing Formulas
– Espen Haug了解金融衍生品定价、熟悉现有的交易系统渠道很多，然而量化的最最最核心在于how the “black box” operates！下面几本书会给你答案。1.
Inside the Black Box: The
Simple Truth About Quantitative Trading (Wiley Finance)
– Rishi Narang2.
Quantitative Trading: How to
Build Your Own Algorithmic Trading Business (Wiley Trading)
– Ernie Chan3.
Trading Systems: A New Approach
to System Development and Portfolio Optimisation
– Emilio Tomasini, Urban Jaekle4.
All About High-Frequency
Trading (All About Series)
– Michael
Quantitative Trading and Money
Management, Revised Edition
– Fred Gehm6.
Algorithmic Trading and DMA: An
introduction to direct access trading strategies
– Barry Johnson7.
Dynamic Hedging: Managing
Vanilla and Exotic Options
Nicholas Taleb8.
Option Volatility &
Pricing: Advanced Trading Strategies and Techniques
– Sheldon Natenberg9.
Trading and Exchanges: Market
Microstructure for Practitioners – Larry Harris计量经济学当然是重点，不会计量的宽客不是好宽客。前沿算法通常是充分利用时间序列分析进行预测，所以要成为一个牛逼的量化程序猿，必须很懂计量。建议至少看一本计量、一本时间序列分析，后面再补充。1.
Schaum’s Outline of Statistics
and Econometrics, 2nd Edition – Dominick Salvatore, Derrick Reagle2.
Introductory Econometrics for
Finance – Chris Brooks3.
Basic Econometrics – Damodar
Gujarati, Dawn Porter4.
Econometric Analysis – William
Time Series Analysis – James
Douglas Hamilton6.
Analysis of Financial Time
Series – Ruey S. TsayC++对于一个入门的宽客来说，C++真的很难，太复杂！！！太灵活！！！太长！！！可是它真的很灵活，底层控制很好，低延迟，交互….高频量化头牌，是它是它就是它~1.
C++ for Quantitative Finance –
Michael Halls-Moore2.
Sams Teach Yourself C++ in One
Hour a Day (7th Edition)
Liberty, Rogers Cadenhead3.
C++: A Beginner’s Guide, Second
– Herbert Schildt4.
Accelerated C++: Practical
Programming by Example
– Andrew Koenig,
Barbara Moo5.
Effective C++: 55 Specific Ways
to Improve Your Programs and Designs (3rd Edition)
– Scott Meyers6.
Introduction to C++ for
Financial Engineers: An Object-Oriented Approach (The Wiley Finance
– Daniel Duffy7.
More Effective C++: 35 New Ways
to Improve Your Programs and Designs
Scott Meyers8.
API Design for C++
– Martin Reddy9.
Effective STL: 50 Specific Ways
to Improve Your Use of the Standard Template Library
– Scott Meyers10.
The C++ Standard Library: A
Tutorial and Reference (2nd Edition)
Nicolai Josuttis11.
C++ Templates: The Complete
– David Vandevoorde, Nicolai
Josuttis12.
Modern C++ Design: Generic
Programming and Design Patterns Applied
– Andrei Alexandrescu13.
C++ Template Metaprogramming:
Concepts, Tools, and Techniques from Boost and Beyond – David Abrahams, Aleksey
Gurtovoy14.
The Boost C++ Libraries
– Boris Sch?ling15.
Beyond the C++ Standard
Library: An Introduction to Boost
Bj?rn Karlsson16.
C++ Concurrency in Action:
Practical Multithreading
– Anthony
Williams17.
Programming with POSIX
– David Butenhof18.
The C++ Programming Language,
4th Edition
– Bjarne StroustrupPython近几年，量化新宠，风头盖过C++、MATLAB、R…. 据我所知，很多基金公司使用python开发端到端的数据产品。语言结构清晰简单，库丰富，成熟稳定，科学计算和统计分析都很牛逼，尤其是策略回测。好掌握，难精通，库很多。如果你不知道学啥，就学它吧，绝对不亏。这类书很多，可以随便选两本开始学。1.
Learning Python: Powerful
Object-Oriented Programming – Mark Lutz2.
Programming Python – Mark Lutz3.
Think Python – Allen B. Downey4.
Beginning Python: From Novice to
Professional – Magnus Lie Hetland5.
Python 3 Object Oriented
Programming – Dusty Phillips6.
Python for Data Analysis – Wes
McKinney7.
Learn Python the Hard Way – Zed
MySQL for Python – Albert
Lukaszewski9.
Python Essential Reference (4th
Edition) – David M. Beazley10.Expert Python Programming – Tarek
Ziade11.Python Cookbook – David Beazley,
Brian K. Jones12.Pro Python System Administration –
Rytis SileikaMATLAB虽然Python用的越来越多，速度也比MATLAB快。但是呢，MATLAB作为前辈，也越来越灵活好用，库越来越丰富，许多宽客都在用。除了已经用熟了之外，很重要一点，MATLAB更适合构建策略的框架，它会让你少受各种策略之外bug干扰。1.
Matlab, Second Edition: A
Practical Introduction to Programming and Problem Solving – Stormy Attaway2.
Modeling Derivatives Applications
in Matlab, C++, and Excel – Justin London3.
Financial Risk Forecasting: The
Theory and Practice of Forecasting Market Risk with Implementation in R and
Matlab – Jon Danielsson4.
Stochastic Simulation and
Applications in Finance with MATLAB Programs – Huu Tue Huynh, Van Son Lai,
Issouf Soumare5.
Simulation and Optimization in
Finance + Website: Modeling with MATLAB, @Risk, or VBA – Dessislava
Pachamanova, Frank J. Fabozzi6.
Numerical Methods with MATLAB –
Amos Gilat, Vish Subramaniam7.
MATLAB: An Introduction with
Applications – Amos Gilat8.
An Engineers Guide to MATLAB
(3rd Edition) – Edward B. Magrab, Shapour Azarm, Balakumar Balachandran, James
Duncan, Keith Herold, Gregory WalshRR偏向于数学应用和学术研究，高校老师用的很多。1.
A Beginner’s Guide to R – Alain F. Zuur, Elena N. Ieno, Erik
Meesters2.
Introductory Statistics with R
– Peter Dalgaard3.
Introductory Time Series with R – Paul S.P.
Cowpertwait, Andrew V. Metcalfe4.
Data Manipulation with R – Phil
Data Mining with R: Learning
with Case Studies – Luis Torgo6.
R in Action – Robert Kabacoff7.
R in a Nutshell – Joseph Adler8.
The Art of R Programming: A
Tour of Statistical Software Design – Norman Matloff9.
R Graphics, Second Edition –
Paul Murrell10.
An R Companion to Applied
Regression – An R Companion to Applied Regression11.
R Cookbook – Paul Teetor12.
The R Book – Michael J. Crawley13.
The Essential R Reference –
Mark Gardener14.
R Graphics Cookbook – Winston
ChangExcel/VBAC++、Python、MATLAB、R，宽客必备之一。Excel才是应用最最最最最广泛的软件！金融绝大多数部门，都需要用到Excel，分析几千行数据你打算用Python吗？1.
Excel 2010 Power Programming
with VBA – John Walkenbach2.
Advanced modelling in finance
using Excel and VBA – Mary Jackson, Mike Staunton3.
Financial Analysis and Modeling
Using Excel and VBA – Chandan Sengupta4.
Microsoft Excel for Stock and
Option Traders: Build Your Own Analytical Tools for Higher Returns – Jeff Augen下午整栋写字楼停电，欢呼雀跃地提前下班……结果这篇回答从下午三点写到晚上九点！！！……补充：编程题库：宽客社区：、
转量化穷三代，炒股毁一生；
市场多变幻，劝君谨慎行。
都言量化好，恰似聚宝盆；
谁试谁知道，原来全是坑。
不懂基本面，也不看行情；
一张K 线图，回测吓死亲。
圣杯在我手，中国好模型；
只等钱生钱，荣耀我楣门。
凑齐十万块，先交易螺纹；
孰料实盘后，天天都揪心。
开仓就震荡，趋势总不临；
一旦止损后，行情每蹭蹭。
如此三番后，开始疑人生；
莫非有大户，专盯我模型？
劳资就不信，逆市不止损；
恰遇黑天鹅，账户一把清。
吃饭饭不香，睡觉觉不宁；
父母不敢诉，每每梦中惊。
别问哥是谁，哥乃过来人；
言罢遁地走，深藏功与名。
看时间题主是不是想参加京东的比赛?
大量链接预警，不喜勿入。大家可以点击查看教学贴，未来会提供更多，不定期更新Python入门 【散沙】Python科学计算系列 - B站链接 ：散沙-python数据分析教学视频：一些Python的入门学习资料 ： pandas的两种基本的数据结构series和dataframe ： Ricequant 平台入门教学
【Ricequant教学 1】 - Ricequant和策略交易IDE介绍 ：【Ricequant教学 2】- 开始编写第一个量化交易策略 ：
【Ricequant教学 3】 - 回测第一个量化交易策略 ：
【Ricequant教学 4】- 在python策略中使用Ta-lib计算技术指标 ：【Ricequant教学 5】 - 进行Fundamental查询来探索价值投资 & Screener功能 ：【Ricequant Research教学1】 - Research平台基本功能简介 技术分析指标及TALIB的使用SMA 入门策略 - 移动平均线 ： STOCH（KD指标） ：平均趋向指数ADX和动向指数DMI ： RSI指标 ： 趋势指标分享 － Aroon indicator ： Bollinger Bands应用 ：【价值投资】【财务分析】【基本面】Graham number 格雷厄姆数字价值投资法 ： 格林布拉特价值投资神奇公式 ：策略-迈克尔喜伟收益型投资 ： 投资成长型公司 ：growth investment 结合市场技术指标策略 ：在ricequant上用股票市盈率数据做反转策略回测 ： 基本面、高收益交集策略 ：
基本面选股器: Piotroski F-Score ranking system ：多因子策略（一） ：经典策略 经典策略
海龟交易系统的python完全版 ：趋势策略小试牛刀，海龟交易体系的构建 ：配对交易-paper-version ：配对交易（Revised Version） ：震荡行情利器——网格交易策略 ：轮动策略、ETF 相关性较低的ETF组合策略 ：ETF轮动策略 ：A股市场的ETF轮动策略 ：沪深300etf套利 ： a股etf秘史-转 ： 动量、趋势、反转
Worst-K策略 ： Dual Thrust 交易策略 ：比想象中效果要差的网格交易法 ：趋势还是反转-关于mfi和rsi的一些思考 ：舆情大数据滚雪球-雪球滚起来吧-到底我们是否能靠舆情事件赚钱呢 ： 一起举牌吧，A股举牌概念策略分享 ：论文、书籍、阅读材料等
【论文分享】量化交易领域经典学术论文 ： 开启你的量化之旅 | 量化投资学习资源 ：【Python教学】一些Python的入门学习资料，持续添加... ：
【paper分享】101个Alpha-World Quant ：[url]【学习资料】Python、R语言、计量经济学、投资书籍、研究报告等(Book+Video) ：
大部分答案在扯淡 给自己找个好团队 好师父是关键 所以你的目标是如何加入一个牛逼的交易团队 很多人连个wind账号都木有 还量个毛
推荐下，有能力看原版，求赞！求赞！求赞！
由于文章越来越长，排版越来越丑，所以决定把这个回答编辑成系列文章，放在专栏里面。所以此回答不再更新，请移步专栏。专栏链接如下：#################################### 序言 ####################################一直有朋友建议我写一点量化投资入门相关的内容。犹豫再三，也没下笔。因为很难写，很难有一套通用的学习路线。原因有三：一，每个人专业和基础都不一样。有的朋友对金融知识了若指掌，但苦于编程困难。有的朋友编程十分熟练，却不知道怎么做投资研究。不同的基础，需要学习的东西当然不一样。二，量化投资本身也是一个较杂的领域，你并不需要看完所有相关书籍。如果研究期货，你不需要知道期权的希腊字母是什么。如果研究股票，你也不需要知道期货怎么移仓换月。那么上来就啃John Hull的衍生品“圣经”，是不是费力不讨好？等学完所有相关的书籍，宇宙都毁灭好几次了。三，市面上书籍讲理论多，细节少，有用的更少。而实际上，业界真正的盈利点都来自于细节，而不是理论框架。而细节，别人是不会告诉你的（当然我也不会告诉你）。鉴于以上三点，用文字笼统描述量化投资怎么学习，实在是一件很困难的事情。所以我决定，不再笼统描述，而是细化到三种具体策略。这三种策略，也都是我自己实践过的。对于每种策略，尽量介绍省时省力，简单直接的入门方式。####################################
####################################这三种策略是：1. 期货CTA策略 2. 股票多因子策略3. 高频交易策略期货CTA策略：之所以把期货的CTA策略放在第一位，是因为此种策略上手相对容易。具体路线如下。########################
期货CTA策略·基础篇
########################期货从业资格考试。对于一个没有金融知识的朋友，此法乃是迅速搞明白期货市场的最佳方法。千万不要试图去看科班书籍，里面大量乏味的理论和公式一定会让大多数人半途而废。相信我，对基础知识来讲，期货从业资格教材的内容，已经完全够用。合格的标准很简单，至少把证考下来吧？几十块钱也不贵。学会三种以上的技术指标。入门做策略，没有比技术分析门槛更低的上手方式了。标准就是，你至少要明白均线和布林线是什么。为什么能用均线做趋势追踪策略，为什么能用布林线做反转策略等等。选取市面上至少一种第三方交易平台，学会编写简单的策略，并学会策略回测和用模拟帐户自动交易。编写的策略可以是市面上任何一个广为流传的策略，比如网格交易，海龟策略等等。这3步做完，你已经可以做一个demo版的策略，并且能够自动运行做模拟。但这远远不够，后面需要学习如何提升策略表现。########################
期货CTA策略·进阶篇·基本概念 ########################任何技能都需要循序渐进。建议先完成基础篇的内容，再学习以下内容。在基础内容中，我们已经完成了一个简单的策略（比如网格交易法，趋势跟踪策略等）。然而，当你实盘（模拟）交易一段时间后。可能会发现，回测还不错的策略，实际中不太管用（如果你的策略一直管用，那恭喜你）。这个时候，我们需要采取更多的措施来提升策略的表现。为了完成这个目标，我们需要学习更多的知识。首先要学习的是风险管理的基本概念。大多人的关注点是策略的收益，比如这个策略年化收益是40%。而对风险关注却很少，比如很少会关注收益是不是稳定。很多人以为风险管理是次要的，或者对于个人投资者来说，显得太“高大上”，似乎没什么用。其实不然。我认为风险管理的学习才是基础，如何预测收益才是后面的进阶学习。风险管理有两个重要概念，是需要牢牢掌握的。重要概念一，分散投资可以一定程度上降低风险。这就是俗话说的，”鸡蛋不要放在同一个篮子里面。这个概念适用面十分广泛。往大了说，我一直建议不要自己全职做投资，而是要找一个团队去工作。因为自己全职投资，相当于赌自己投资能成功，否则什么都没有了。而找一个团队工作，即使你投资研究上不成功，也有其它的地方贡献价值，不至于全输。所以除非是天才（当然有），自己全职投资的，大多是缺少基本风险管理意识的，做投资一般也不会成功。往细了说，对于投资策略，你不能只有一个信号，一套策略，做一个品种。理想的应该是多个信号，多套策略，对应多个品种。有的朋友会说，“与其做很多策略降低风险，还不如把一个策略的收益做的很好！” 我是不认同的。为什么呢？一是因为“做出一个很赚钱的策略”很难，而“做出多个普通的策略”却很容易。有容易的不做，为什么要去做难的？很多以为自己在研究如何把策略做得更赚钱，其实只是在过度拟合的圈圈里打转。二是因为分散投资有着更坚实的理论基础。在学术界，分散投资可以降低风险，这已经是共识。然而，对于如何才能有更好的收益，虽有争论，但主流还是倾向于认为收益不可预测。既然学术界那么多牛人都认为预测收益很难，那凭什么你那么牛，可以做到呢？所以，既然分散投资更为容易，而且理论基础更坚实，那为什么不先把这个做好呢？针对CTA策略的具体实践，就是学习更多指标，做出更多信号和策略，然后组合起来，而不是对着一种策略做到海枯石烂（貌似很多人会掉到这个坑里面）。具体操作，有空再接着讲。多讲一句无关的话，大部分人容易的没做，就想去做难的，要么是好高骛远，要么就是容易的也做不来，然后假装做难的，这样即使做不出来也不丢面子。比如很多人连基本的统计都不懂，就去搞“机器学习”。重要概念二，黑天鹅比大部分人想象的要多。纳西姆·塔勒布的畅销书《黑天鹅·如何应对不可知的未来》让“黑天鹅”概念深入人心。此书已成为华尔街人士的必读书籍。整本书的核心概念就是黑天鹅比我们想象的要多。换句话讲，金融市场中的极端情况，比我们想象的要多。学术界也早已证明，金融收益率的分布，并不是大部分人想象的正态分布，而是厚尾分布。此概念之所以重要，有两个原因。一、千万不要以为自己不会碰到黑天鹅，相反，一定要假设自己会碰到黑天鹅，并想好应对措施。这条几乎就是仓位管理的精髓。长期资本管理公司之所以垮掉，就是因为假设小概率事件不会发生。他们用模型计算出来的风险概率几乎可以忽略不计，但实际上发生的事情远超过他们的想象，并且一发不可收拾。所以无论做任何策略，一定要把未来的极端情况假设得比历史数据“更极端”。二、这个理论是几乎所有趋势跟踪策略（比如海龟策略）的理论基石。正是因为大部分人想象中的极端情况比实际发生的要少，才造就了趋势跟踪策略的长期有效性。这个推论稍微有一点复杂。这里作点简单介绍。对于任何一个金融品种，大部分时间都是处于振荡市中，发生单边趋势的概率是比较小的。但是，单边趋势的概率虽然小，也比大部分人想象的要多。所以每次单边趋势来的时候，一定会有大量的对手盘做趋势反转，这就使得趋势跟踪策略有机可趁。用学术点的话讲，市场对于单边趋势的定价，长期平均是低于“实际价值的”，趋势跟踪策略就是利用这个来进行“套利”。只不过这种“套利”是违反人类的普遍感觉的，所以做起来比较痛苦，能坚持的人并不多。到此为止，需要接受的就是两个概念。一是要分散投资，多策略，多品种。二是极端情况比我们想象的要多，要防止极端情况带来的损害，并利用极端情况来盈利。（未完待续）################################# 附录 - 回答评论 #################################评论里面有朋友提了很多好问题，把回答一并放在附录，供大家参考。能否推荐一个可编程第三方平台我们公司用的就是第三方交易平台，请问使用自己编写的交易平台跟第三方交易平台相比有什么好处呢？ 这两个都是关于交易平台的问题。一并说一下。交易平台市面上常见的第三方交易平台有：Multicharts（MC）、 TradeBlazer(TB)、 文华财经、金字塔。其中，除了金字塔以外，我都用过。第三方交易平台最大的优势就是省时省力。你不需要自己去收集清洗数据，也不需要编写复杂的回测引擎，更不需要自己调试各种Bug，而且有大量集成好的函数可供调用。然而缺点也很多。具体表现在：除了MC，大多平台没办法导入数据。如果数据有问题（这个问题其实很常见），你就没辙。如果你想测试平台没有的品种，也没办法。除了文华，都没办法自定义下单算法。当交易量大的时候，下单算法是必须品。很多限制很蛋疼。比如文华，日线只能用收盘价买卖。想改成开盘价，必须要引入高频数据，这样回测起来巨慢无比。编程语法并不统一。来回切换，需要学习不同的语法，浪费时间。像MC，居然没有官方的电子语法文档（官方群里的唯一语法文档，还是我搜到了上传的，估计是因为MC想卖他们的语法实体书，吐槽一下）。或多或少都需要收费。有的按年收费，有的按手续费比例收费。这也是一项显性成本。如果有BUG，他们不可能帮忙你迅速更改，只能忍。等等...所以结论就是，如果有条件，尽量还是自己开发回测交易平台。但对于入门新手，开发平台成本太高，并不值得。所以建议使用第三方平台。究竟推荐哪个平台，可以私信问我。这里就不打广告了。目前我自己也在做相关工作，实际中其实没有这么多数学的应用，不知想答主觉得数学在量化交易中起到什么作用呢？关于数学的作用有些研究，确实不用太多的数学。但有人号称加减乘除就够了，也是略显夸张。一般来讲，数学有三个作用：1. 看懂别人的模型。最简单的例子，如果你要做期权，总得明白Black-Scholes模型是怎么推导出来的吧？再举个例子，好几个第三方平台的EMA（Exponential Moving Average）递归算法都是错的，明显是错误理解了EMA的算法。数学不好，估计也看不出问题来。好多人还很天真地用着呢。再举个例子，市面上广为流传的“多因子模型”。貌似大多人的理解和原作者的意思是不太一样的。大多人以为“多因子”就是找到对收益有预测作用的因子，然后组合一下。这跟原作者的意思相差甚远。原作者之所以提出多因子模型，初衷是为了解决风险估计问题，而不是收益预测。也就是，当股票很多的时候，使用历史价格数据算出的协方差矩阵作为风险模型是存在很大问题的。而为什么会有问题，怎么做才能更好解决这个问题？搞懂这个，是需要数学功底的。大部分人看不懂，所以只能简单曲解为自己能理解的“因子预测收益”。2. 自己能抽象并建模。很多人使用技术指标来做策略，实际上是使用了他人抽象建模出来的模型。他人之所以要如此抽象建模，是为了描述某种市场现象，也许这种现象只是当时特有的现象。随着时间变化，市场当然也会不断变化。这个时候，就不能套用早已过时的指标。需要针对具体情况，自己发明指标来描述新的现象。而发明新指标，是需要数学建模能力的。3. 提供理论支撑，增加信心。研究的过程中，会遇到各种困难，要支撑自己继续，信心很重要。如果有完备的数学理论基础，信心会强很多。举个例子，关于做策略研究，一般有两种流派。一是找到有“现实经济意义”的模型，然后用数学公式描述之。二是不管什么“现实经济学意义”，直接用数据挖掘的方式寻找模式。这两种方法，各有信仰，也经常有人争论。但其实没有必要，该争的，早就有人争过了。因为早有对应的数学模型来描述这个问题。也就是贝叶斯统计。贝叶斯统计，简单而不严谨地讲，就是除了样本信息外，还必须有一个先验分布。这个先验分布可以是很主观的。实际上，这个先验分布其实就是对应了所谓的“现实经济意义”。如果明白这个。上面这个争论就显得没有必要。完全可以用贝叶斯统计模型把这两者结合起来。而且这个时候，你知道你的信仰背后是有强大的理论支撑的，也知道，与此理论相关的各种问题，一定是有人研究过的。这样你会对自己做的事情更有信心。微信公众号：小牛八卦关注小牛八卦，学习智能工具。
本小白目前自学中，使用的是python。 记录下自己的轨迹，希望30天后能够有个成果出来。 一起共勉！
---pandas 数据统计 ----tushare 股市数据接口 ----数据存储 csv ---python获取破新高的股票 --- 数据写入数据库
量化投资的学习需要太多的知识了，先mark下，数学、统计学、金融学、计算机、等等，在学习这些知识的同时，其实可以先动动手，我也是才接触量化投资，很多知识都不足，避免被这成吨的知识吓倒，我找到了一个挺好的平台用javascript语言写代码策略的（本人以前是干前端的），写好的在BotVS跑跑对量化学习增加了不少情绪，慢慢学吧自己差的太多。
已有帐号？
无法登录？
社交帐号登录