【Python 量化交易实战】动手实战

量化投资需要把数据、策略、系统、执行 4 个方面综合起来形成一个有机整体。


更新历史

  • 2021.11.23:完成阅读及读后感

读后感

这本书相对来说会比较贴近程序员的视角,有一些公式但是不是很多,有一些代码但不算特别复杂,不过依赖于特定平台就感觉不是很好,因为很容易过时和不兼容。

阅读笔记

注:本书写于 2019 年,很多因子放到今天已经不一定有效了。

前言

  • 量化投资需要把数据、策略、系统、执行 4 个方面综合起来形成一个有机整体
  • 量化投资是一种新兴的系统化的金融投资方法,它综合利用现代金融、计算机、数学以及其他相关行业的知识和方法(包括行为学、心理学等),把投资理念、科学离线和实际数据量化为客观的数学模型。

一 走进量化投资

  • 量化投资一般有三个模型
    • 大类资产配置模型,根据大类资产配置决定股票和债券的投资比例
    • 行业模型,按照行业配置模型确定超配或低配的行业
    • 股票模型,依靠股票模型挑选股票
  • 系统性表现在“三多”
    • 多层次,包括在大类资产配置、行业选择、精选个股三个层次上都有对应取舍模型
    • 多角度,核心投资思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度
    • 多数据

第 2~5 章是 Python 和掘金量化平台的介绍,略

六 多因子策略

  • 技术分析是针对股票的特定走势与价格趋势做出分析策略,主要根据某个特定时间段的开盘价、收盘价、最高价与最低价以及特定时间段的成交量等基本因素做出分析结果
  • 基本面分析是基于公司本身的素质,对影响公司估价走势的基本因子进行处理和排序,生成可以被量化统计的结果数据

因子是什么

  • 因子就是在选择一只股票时,能够帮助你做出决定的一个因素
  • 对于国内 A 股,长时间表现出色的因子
    • 规模因子:小市值因子
    • 技术因子:动量反转因子
    • 预测因子:预测收入的因子
      • 规模因子,如总市值、流通市值、自由流通市值
      • 估值因子,如市盈率(TTM)、市净率、市销率、市现率、企业价值倍数
      • 成长因子,如营业收入同比增长率、营业利润同比增长率、归属于母公司的净利润同比增长率、经营活动产生的现金流金额同比增长率
      • 盈利因子,如净资产收益率(ROE)、总资产报酬率(ROA)、销售毛利率、销售净利率
      • 动量反转因子,如前一个月涨跌幅、前 2、3、6 个月涨跌幅
      • 交投因子,如前一个月日均换手率
      • 波动因子,如前一个月的波动率、前一个月的振幅
      • 股东因子,如户均持股比例、户均持股比例变化、机构持股比例变化
      • 一致性预测因子,如研报或者分析师预测当年净利润增长率、主营业务收入增长率、最近一个月预测净利润上调幅度、最近一个月预测主营业务收入上调幅度、最近一个月上调评级占比
  • 因子的量化选择
    • 基于 IC 值的多因子计算方法。对于多时间段的 IC 均值来说,当其值大于 0.05 时,就认为是有效,大于 0.1 就是特别好。如果小于 -0.05,也可以反向使用,即绝对值越大,因子越有效
    • IR 信息比率代表因子在历史上表现的稳定性 IR = IC mean / IC std

七 带技术指标的多因子策略

  • 如何通过机器实现阿尔法因子的挖掘、测试和应用是很有意义的
  • RSRS 因子
  • 波动率因子
  • 构建一个基于指数的增强组合的步骤如下
    • 根据自己的目标找到对应特征的指数
    • 综合采用多个因子增强指数的特征

多因子策略,就是根据各个因子的大小对股票进行打分,然后按照一定的权重加权得到一个总分,最后根据总分再对股票进行筛选。

九 回归分析基础

  • 回归分析预测法是在分析市场现象自变量和因变量之间相关关系的基础上,建立变量间的回归方程,并将回归方程作为预测模型,根据自变量在预测期的数量变化来预测因变量的关系,大多表现为相关关系
  • 回归分析预测法是一种具体的、行之有效的、实用价值很高的常用预测方法,多用于中短期预测
  • 实战回归分析:短时间开盘价与收盘价之间的关系
    • 用前 7 日的开盘价和收盘价做线性拟合
    • 根据当日的开盘价去预测当日的收盘价
    • 如果当日开盘价比当日预测的收盘价低就买入,否则卖出
  • 可以用 Tensorflow 训练 LR 模型来判断是否买卖

十 回归模型的经典应用

  • 更多的回归模型应用于对股票的基本面数据进行分析,例如经典的 CAPM 模型、Fama-French 三因子模型以及最新的 PB_ROE 模型
  • 重点关注 Fama-French 和 PB_ROE 模型
  • Fama-French: Ri = ai + biRm + siE(SMB)+liE(HMI)+εi
  • PB = 股价/账面价值
  • ROE =[(净利润-优先股股利)/期初普通股股东权益]*100%

十一 配对交易的魔力

  • 配对交易是一种经典的量化交易策略,配对交易首先要找到合适的配对交易资产标的,而在筛选配对资产的过程中,需要充分掌握一些基本的统计学知识
  • 配对交易实际上就是一种基于统计学的统建建模过程
  • 协整性的第一步是对序列进行平稳性检验。一般来说,平稳性分为严平稳性和弱平稳性
  • 一般说的平稳性是弱平稳性。在时间序列分析中,常用“单位根检验”来判断一个过程是否为弱平稳性
  • 配对交易的算法
    • 找出具有较强相关性的股票,建立配对股票模式。这样一般要求其相对系数大于 0.95
    • 分别检验配对标的的平稳性,一般来说,股票都不会直接是平稳性序列,因此在其基础上检验配对的股票是否具有同阶差分协整性
    • 做系数回归分析,确立系数和截距值
    • 用单位根检验新生成的残值差是否平稳,若平稳,则两个时序是协整的,否则结束,实验失败
  • 策略:当残差大于 2 倍标准差时,买入 X 股,当残差小于 -2 倍标准差时,买入 Y 股票