小白快速入门量化交易的推荐自学路径
老话说，没出正月都是年，我在这儿给大家拜个晚年，祝大家晚年幸福！
农历新年还没有过完（元宵没到），大家都已经陆陆续续回到工作岗位上，年初立的flag要执行起来。
每当这个时候，很多萌新开始学习量化，但有相当一部分最终没有"上岸"，从入门到放弃，从然后到没有然后，并不是因为他们不够聪明或不够努力，原因有很多，我觉得大部分只是方向或方法没对。
特别是对于没有编程基础的萌新，为了入门量化，先买了一本Python编程书，看着看着就昏昏欲睡，这个很正常，这的确很无趣，因为这只是为了学习而学习，记住了很多知识，却感觉无法落地。
就跟很多国人从小学到大学学了十几年的英语一样，记住语法单词只是为了考试，觉得很无趣，要是说你附近有一群漂亮的外国妹子，你要用英语去勾搭她们，是不是就来劲了。
一开始，你只能一个一个单词往外蹦，什么"helllo"啊，什么"welcome"啊，什么"beautiful"啊，可能一个主谓宾的整句都说不了，加上肢体语言，不妨碍你们的大体沟通。
跟她们混久了，听着相互之间的沟通，慢慢就会短句了，再过久一些，不仅长句复合句会了，连口语发音味道儿都正了。
你瞧瞧，同样是学英语，为什么一个是无趣至极，一个是相当来劲呢，他们之间的差别主要在哪里？
我个人觉得主要是两点：一是目的动机，二是即时反馈。
高效率做事讲究"以终为始"，要紧扣目标，不要走弯路跑偏了，以考试为目的，not cool，因为大部分人感觉自己都是被动应付考试，勾搭妹子，very cool，因为你觉得自己在做一件自己认可且有趣的事情。
你以提高考试分数作为学习目标，但是努力学习到分数明显提高之间有非常大的时间间隔，也就是你要在这段长时间里面忍受无趣，而跟外国友人学英语，学了马上就能用，别人提了一个新词儿"pretty"，你转头就能对妹子说"you look so pretty today"，换来莞尔一笑，也就是这种即时反馈，将无趣碎片化了，从忍受变为享受。
用高大上的话来说就是"正向飞轮"，在这个学习的过程中，你学了一个知识点，然后学以致用完成了一件小事儿，完成这个行为给你带来了满足感和正反馈，激励你乐乐呵呵学新的知识点，如此反复循环，像滚雪球一样，滚着滚着你就不知不觉入门了。
那学量化交易也是如此，首先要想清楚自己为什么要学量化。
是看到媒体宣传量化对冲基金赚钱，自己也想从事该行业？
看到身边有人学习量化交易，自己也想学习一下？
自己有投资想法，想形成交易系统，并用量化分析方法验证其准确性？
自己已经有稳定的盈利系统，想解放双手和坚持纪律性，用程序化自动交易？
学量化的动机和目的是什么都可以，关键是看自己的渴望掌握这项技能的程度，为自己的学习赋予自己认可的意义。
比如说，你学量化纯粹是为了赚钱，入门量化需要学100个知识点，你预计将来可以提高交易胜率，多赚或少亏10w，这样一个知识点就相当于多赚或少亏1000块钱，这样一换算，是不是学习动力就足一点了。
学习量化，为了投资赚钱可以，为了谈资装X也可以，为了勾搭宽客也可以，只要自己足够认可足够渴求就可以了，这样咱就能保持着未来燎原的星星之火。
接下来，最重要的就是营造能有即时正反馈的学习过程，形成正向飞轮，入门量化就跟滑滑梯似的。
上面都是虚头巴脑的大道理，都是自己浅薄的想法，以下正式唠唠具体的学习路径：
投资想法 -> 量化基础 -> 量化平台 -> 量化策略
这是抽象的概括，下文会把每个步骤详细讲讲，这里需要确定快速入门的学习原则：适度学习，够用就行。
2021版《新华字典》中，收录了13000多个汉字，而日常生活中只需要用到其中3000多个，也就是说，不用啃完编程书籍等大部头才可以开始，按常用按需学习就行。
一、投资想法
很多人做量化，都是因为自己有初始的投资想法，想验证正确性提高交易胜率，或想解放双手追求效率，全自动程序化盯盘交易，量化跟人工智能AI一样，都是手段，用来实现自己想要的目的，不是为了量化或AI本身而学习。
有初始的投资想法，在开始学习的时候有一个好处，就是可以在学习量化时有的放矢，听到相关的知识点的时候，脑子就会在想，我想要的功能能不能这样实现。比如，你想实现均线交易策略，那么你在学习pandas模块时，听到rolling和mean函数，就会有“确认过眼神，找到对的人”的赶脚。
如果在投资想法这边还是没有感觉，不介意的话可以看看我之前的文章，里面很多策略想法都是从交易书籍、研报论文和市场观察中发现的。
股票&ETF相关策略：
商品期货相关策略：
二、量化基础
这里面主要包含两大部分，一个是量化通识，另一个是编程基础。
关于量化通识，看量化故事类的书籍都可以有所了解，以前我也列过一个书单。
如果没有那么多时间，想快速了解量化投资的方方面面，开始的时候只看这本就够了。
关于编程基础，因为不同量化平台的编程语言都不一样，这里只好拿在量化界广泛使用的Python举例。
对于Python的快速学习，墙裂推荐廖雪峰老师的Python教程，不仅免费写得非常简单易懂，而且每个小节之后，都有编程互动小题目给你即时反馈，非常有趣，不用再想着自己啃完编程大部头再去编写策略，教程链接：
https://www.liaoxuefeng.com/wiki/1016959663602400
廖老师的教程非常详尽，连Web开发都讲了，但是再次重申咱的快速入门学习原则：不贪多，够用就行。对于量化基础而言，学到“错误、调试和测试”章节就可以了，后面等有时间再看。
遗憾的是，里面没有讲到量化常用的numpy和pandas模块，这个可以在学了廖老师课程之后，再单独度娘学习一下。
三、量化平台
对于量化初学者而言，不建议自己搭建量化框架/平台，应该以实现量化策略为主，把数据获取清洗、回测框架搭建和对接实盘接口等工作交给专业团队打理，因此强烈建议使用现成的第三方量化平台，这里给大家推荐一些。
如果你打算做股票量化交易，可以选择以下5个量化平台，在他们的官网的“帮助中心”里面，都可以找到对应的上手教程和策略模板。
聚宽JoinQuant：
https://www.joinquant.com
优矿Uqer：
https://uqer.datayes.com
米筐RiceQuant：
https://www.ricequant.com
掘金量化：
https://www.myquant.cn
迅投QMT：
http://www.thinktrader.net
如果你打算做期货/期权/大饼的量化交易，可以选择以下5个量化平台。
交易开拓者TB：
http://www.tradeblazer.net
vn.py：
https://www.vnpy.com
文华：
https://www.wenhua.com.cn
金字塔：
https://www.weistock.com
MultiCharts：
https://www.multicharts.cn
TB研究策略和回测什么的都是免费，只有开启实盘时才会在基础手续费上加收一些，以个人观察，现存的很多系列源码，都是以TB居多。
vn.py是一款基于Python的开源量化交易系统开发框架，后来更名为VeighNa，不过大伙儿还是习惯地称之为vn.py。由知乎量化大V『用Python的交易员』开发，定位是量化交易平台，提供从交易API对接到策略自动交易的完整解决方案，对接了国内外诸多不同类型的金融市场：证券、期货、期权、外汇、数字货币等。
后面三个就都是收费的了，优点就是编程相对简单一些，缺点就是贵，大家也可以去看看。
四、量化策略
有了编程基础，又选定了量化平台，恭喜你，你终于有能力实现自己最初的投资想法了，量化策略是投资想法的逻辑化和程序化展现。
由于每个人的投资想法不尽相同，只好举一个简单的双均线交易策略为例进行描述，因为“双均线”这是一个接触到投资交易，都基本会听过的词儿，“专家”告诉你在金叉的时候买，在死叉的时候卖，那实际效果到底是怎么样的呢？
在聚宽JoinQuant量化平台上，拿茅台作为交易标的，咱定义5日均线和20日均线在出现金叉的时候，第二天一开盘就全仓买入，出现死叉时，就把所有持仓全部卖出，策略代码如下。
# 导入函数库from jqdata import *# 初始化函数，设定基准等等definitialize(context):# 交易的股票 g.stock = '600519.XSHG'# 长短均线参数 g.short_len = 5 g.long_len = 20# 设定沪深300作为基准 set_benchmark('000300.XSHG')# 开启动态复权模式(真实价格) set_option('use_real_price', True)# 过滤掉order系列API产生的比error级别低的log log.set_level('order', 'error')# 打开防未来函数 set_option('avoid_future_data', True)# 股票类每笔交易时的手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱 set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')# 开盘时运行 run_daily(stock_trade, time='open', reference_security='000300.XSHG')## 开盘时运行函数defstock_trade(context): stock = g.stock short_len = g.short_len long_len = g.long_len# 获取股票的收盘价# 当取日线数据时, 不包括当天的, 即使是在收盘后，没有未来 data = attribute_history(stock, long_len+1, '1d', ['close'])# 计算双均线数据 data['ma5'] = data['close'].rolling(short_len).mean() data['ma20'] = data['close'].rolling(long_len).mean()# 昨日MA5和MA20数值 ma5 = data['ma5'].iloc[-1] ma20 = data['ma20'].iloc[-1]# 前日MA5和MA20数值 pre_ma5 = data['ma5'].iloc[-2] pre_ma20 = data['ma20'].iloc[-2]# 取得当前的可使用的资金 cash = context.portfolio.available_cash# 如果昨日出现金叉，则今日开盘买入if (pre_ma5 < pre_ma20) and (ma5 > ma20) and (cash > 0):# 用所有资金买入股票 order_value(stock, cash)# 输出买入信息 log.info(">>> %s 买入 %d 股 %s" % (str(context.current_dt), context.portfolio.positions[stock].today_amount, stock))# 如果昨日出现死叉，则今日开盘全部卖出elif (pre_ma5 > pre_ma20) and (ma5 < ma20) and (stock in context.portfolio.positions.keys()):# 输出卖出信息 log.info("<<< %s 卖出 %d 股 %s" % (str(context.current_dt), context.portfolio.positions[stock].total_amount, stock))# 卖出所有股票,使这只股票的最终持有量为0 order_target(stock, 0)如果已经看完廖老师的前几章课程，这代码就大概能看懂七七八八了，剩下的再结合平台的API说明就能全部弄清楚了。
大概的实现流程就是，在初始化函数initialize中设置了交易标的、策略参数和交易费率，以及定义了一个每天在开盘运行的函数stock_trade，并且开启了“防未来函数”功能。在stock_trade函数里面，计算昨天和前天的5日均线和20日均线，如果金叉就买入，死叉就卖出。
运行策略，就会不断输出自定义的交易信息。
并且在运行过程中，收益率曲线也在不断地生成。
大家觉得这个回测绩效怎么样？双均线策略算有效吗？你可以自己贴代码跑回测试试，同时再调整交易标的和双均线参数试一试，一般情况下回测很快，不需要一个东的时间。
虽然我这里以JoinQuant策略为例，但所有量化平台的实现逻辑都是想通的，你只需要定义自己的函数，告诉系统“你要在什么时间？交易什么标的？交易数量是多少？”，你只要解决这3个“什么”的问题，所有的量化平台你都可以玩得转了。
如果你能完全理解并且复现这个双均线策略，可以说明量化已经初步入门了，接下来要转起“正向飞轮”，实现和玩转更多策略，把多标的交易加进去，把基本面数据加进去，把滑点设置加进去，把仓位控制加进去......
等你回测出心仪的策略效果，接着上模拟盘跟踪，然后就是实盘，接着就是不断迭代优化，慢慢地就变成合格宽客，最后就变成量化大神了。
2023，量化入门，早成大神！！！
★
往期回顾
★
------量化社群------
------量化策略------
------心得杂谈------
Tip：点击关键字可以直接查看对应文章。
END
如果对本文有疑惑，或是想聊聊
亦或是围观朋友圈当点赞之交
点我，让我们一路同行
吃瓜吐槽写代码
(微信号:iquantman)
添加好友后，私信『666』
送你一些量化小福利
人工回复慢请见谅~
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明：以上内容为用户推荐收藏至CareerEngine平台，其内容（含文字、图片、视频、音频等）及知识版权均属用户或用户转发自的第三方网站，如涉嫌侵权，请通知[email protected]进行信息删除。如需查看信息来源，请点击“查看原文”。如需洽谈其它事宜，请联系[email protected]。
版权声明：以上内容为用户推荐收藏至CareerEngine平台，其内容（含文字、图片、视频、音频等）及知识版权均属用户或用户转发自的第三方网站，如涉嫌侵权，请通知[email protected]进行信息删除。如需查看信息来源，请点击“查看原文”。如需洽谈其它事宜，请联系[email protected]。