量化交易模型用什么语言编程

『壹』 量化交易都有哪些主要的策略模型

随着量化交易的发展，单一技术指标的策略会面临失效的问题。所以现在的策略都是复合型的。
经典量化交易策略(包括价值投资、技术指标、配对轮动、机器学习等)、研究型文章等

『贰』 量化投资入门需要掌握的基础金融量化模型有哪些

由于国内金融市场尚不完备，一些衍生品交易受到限制，所以相较国回外市场，能用到的答数学/统计学知识也要少一些。对于非理工背景的投资者，需要补充基础的高等数学，线性代数，概率论，统计学，最优化理论等等学科的知识，这些内容可以在高校教科书中找到。对于一些新兴的利用机器学习的交易策略，还需要了解一些数据挖掘的知识。但既然是入门，这部分自然不是必要的。
感受资产累积的愉悦，体验深谋远虑的满足。游侠股市，智慧与谋略的虚拟股市，让您的智慧不再寂寞。

『叁』 量化投资模型如何开发的

量化的模型开发大致分为以下几个环节：
①数据处理，看你用什么工具，R还是内Matlab还是python，或者是c++，最容好是工具本身的格式，这样速度会快的多，比如Rdata，或matlab的mat格式，或者python的npy格式，或者c++的二进制格式，还有就是你要用什么数据，分钟数据，切片数据，还是tick数据，根据你的需求不同进行处理。

②指标建立，这个工作可以看成问题的关键，如何建立指标，你的思想是什么，都来源于此，举个简单的均线指标，matlab，就是ma=movavg(data,length)
③模型回测，据我理解就是一个大循环:
if time>9. && time<15 && close(i)>ma(i) && p!=1
buy
else
sell
if p==1 && 止损条件
平仓
等等
④计算收益
然后根据收益，夏普比率等，改条件，重复上面的工作。

总结：
开发模型的步骤一般是：数据处理、寻找因子、回测验证、实盘模拟、风险归因。

备注：
数据处理：去极值、标准化、中性化；数据预处理。
寻找因子：寻找Alpha、寻找收益波动比因子、另外优矿上提供了近400个因子因子可以自己验证。

『肆』 量化交易有哪些重要的模型

您好，

1. Alpha策略模型
   Alpha策略包含不同类别：
   
   按照研究内容来分，可分为基本面Alpha（或者叫财务Alpha）和量价Alpha。业内普遍不会将这两种Alpha完全隔离开。但是不同团队会按照其能力、擅长方向以及信仰，在做因子上有所偏向。有的团队喜欢用数据挖掘的方式做量价因子，而有的团队喜欢从基本面财务逻辑的角度出发，精细地筛选财务因子。
   
   按照是否对冲可以分为两类。全对冲的叫做Alpha策略，不对冲的在市面上常被称作指数增强策略。二者所用模型一样，但后者少了期货的对冲。缺少对冲有坏处也有好处，坏处是这种策略的收益曲线是会有较大的回撤。但好处方面，在大涨的年份，这种策略的表现会特别好；从长期看, 公司可以赚取BETA分红收益, 并且可以吸引看好指数的客户。相比之下而对冲Alpha策略一般在大牛市中会远远跑输指数；此外不对冲的好处是节约资金，对冲的Alpha策略至少要放20~30%的资金在期货端用来做保证金。
   
   2.CTA策略模型
   关于CTA策略，
   
   CTA策略的特点是收益风险比相对Alpha来说会较低。但是在行情较好的年份收益可能会很高，尤其是在早期。而且，无论是在编程还是策略上，CTA入门的难度相对来说都是最低的。
   

请采纳

『伍』 量化交易都有哪些主要的策略模型

研究量化投资模型的目的是找出那些具体盈利确定性的时空价格形态，其最重要手段的概率取胜，最重要的技术是概率统计，最主要的研究方向是市场行为心理。那么我们在选择用于研究的参数时，也应该用我们的经验来确定是否把某技术参数放进去，因为一般来说定性投资比较好用的参数指标对量化投资同样适用。
量化投资区别于传统定性投资的主要特征在于模型。我打个比方，我们看病，中医与西医的诊疗方法是不同，中医是望、闻、问、切，最后判断出的结果，很大程度上基于中医的经验，主观定性程度大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。中医对医生的经验要求非常高，他们的主观判断往往决定了治疗效果，而西医则要从容得多，按事先规定好的程序走就行了。量化投资就是股票投资中的西医，它可以比较有效地矫正理智与情绪的不兼容现象。
量化投资的一般思路：选定某些技术指标（我们称之为参数，往往几个组成一组），并将每一个参数的数据范围进行分割，成几等份。然后，用计算机编程写出一段能对这些参数组对股票价格造成的影响进行数据统计的程序，连接至大型数据库进行统计计算，自动选择能够达到较高收益水平的参数组合。但是选出这些参数组后还不能马上应用，因为这里涉及到一个概率陷阱的问题，比如说，有1到100这一百个数字放在那里，现在让你选择，请问你选到100的可能性是多大？是的，就是1/100，如果较幸运你选到了100并不能说明你比别人聪明，而是概率的必然。所以，在进行统计时要特别关注统计的频率与选出的结果组数量之间的关系。在选出符合要求的参数组后我们还应留出至少三年的原始市场数据进行验证，只有验证合格后才能试用。

量化投资原始数据策略：我们选用96年后的市场数据，因为96年股市有过一次交易政策改革（你可以自己查询了解一下），为了不影响研究结果我们不采纳96年以前的数据进数据库。 量化投资研究的硬设备：高计算性能电脑，家用电脑也可以，不过运算时间会很长，我曾经用家用电脑计算了三个月时间才得到想要的数据。
统计方法：可以选用遗传算法，但我在这里陪大家做的是比较简单的模型，所以采用普通统计方法就可以了。
用于量化研究的软件：我采用的是免费的大型数据库MYSQL，ASP网络编程语言，以及可以设置成网络服务器的旗舰版WIN7操作系统。

『陆』 做量化模型Matlab，R，Python，F#和C++到底选择哪一个

MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂（矩阵实验室）。是由美国公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。来源于网络：

Matlab有非常高的知名度，尤其在国内使用的人很多，很多大学都开设了这门课，很多人写论文都使用Matlab。由于Matlab历史比较早，并不是纯面向对象语言（尽管后来也支持面向对象编程），无法跟Java、C#这类面向对象语言相比，但Matlab有非常广阔的资源，学习资料比较多，容易上手。
由于Matlab是解释执行的，所以性能低下，对于性能要求很高的高频策略模型不适合。

R是统计领域广泛使用的诞生于1980年左右的S语言的一个分支。可以认为R是S语言的一种实现。而S语言是由AT&T贝尔实验室开发的一种用来进行数据探索、统计分析和作图的解释型语言。最初S语言的实现版本主要是S-PLUS。S-PLUS是一个商业软件，它基于S语言，并由MathSoft公司的统计科学部进一步完善。后来Auckland大学的Robert Gentleman和Ross Ihaka及其他志愿人员开发了一个R系统。由“R开发核心团队”负责开发。 R是基于S语言的一个GNU项目，所以也可以当作S语言的一种实现，通常用S语言编写的代码都可以不作修改的在R环境下运行。 R的语法是来自Scheme。R的使用与S-PLUS有很多类似之处，这两种语言有一定的兼容性。S-PLUS的使用手册，只要稍加修改就可作为R的使用手册。所以有人说：R，是S-PLUS的一个“克隆”。 来源于网络：

R在学术界使用广泛，一般的时间序列分析书的程序代码都是R实现的。因此，R有广泛的用户基础，网上资源非常多。还有一点非常重要，R是免费开源的，这使得R应用非常多。很多海归Quant他们就用R构建策略模型。

R也是解释执行的，效率低下，所以高频策略不适合。

Python (是一种面向对象的解释性的计算机程序设计语言，也是一种功能强大而完善的通用型语言，已经具有十多年的发展历史，成熟且稳定。Python 具有脚本语言中最丰富和强大的类库，足以支持绝大多数日常应用。
Python 语言的特点：
简单、易学、免费、开源、丰富的库。
Python是解释执行的，效率低，所以高频策略不适合。

F# 由微软发展成为微软.NET语言提供运行环境的程序设计语言。Visual f#是多元化编程语言，它支持函数式、命令式和面向对象的混合编程风格。Visual F# 可用于开发应用程序或用 F# 码为其他 .NET 应用程序做必要的扩充。 F# 是 .NET 编程语言家族中第一个基于 Ocaml 并十分类似于它的函数语言。来源于网络：

F#是微软专门为科学计算和数据分析开发的语言，非常适合开发数学算法，并与.NET高度集成，可以使用.NET的广泛资源。
F#与Matlab、R、Python相比，性能比这几种语言高，但没有C++高，因为它是不编译成本地代码的，是一种中间语言，需要安装.NET Framework。
F#的不足是缺乏资源库，目前网上资源还比较少。但一般的高频策略都能适用（超高频除外）

C++这种语言不用说了，最大的优势是性能，对于超高频的策略，只能用C++编写。
但缺点也比较明显，就是学习难度较大，学习曲线比较陡，需要下很多功夫才行。

综上所述，Matlab、R、Python这几种语言，适合做模型研究和测试，在研究和测试阶段可以采用上面这三种语言。他们的资源相对较多，可以直接使用。但到执行策略时，就不能使用这三种语言了，只能使用F#或C++了，对于超高频并对性能要求非常高的策略，就只能使用C++了。

『柒』 量化交易模型为什么要进行回测仿真

量化交易模型的回测仿真模拟目的在于证实不靠谱的策略系统，但是不能证实能赚钱的策略系统，因此回测仿真虽然不能的证实赚钱的策略，但具有一定的指导意义。

『捌』 量化模型是什么意思

量化模型，是把数理统计学应用于科学数据，以使数理统计学构造出来的模型得到经验上的支持，并获得数值结果。这种分析是基于理论与观察的并行发展，而理论与观测又通过适当的推断方法而得以联系。

一个完整的量化模型包括哪些？

近几年，量化投资在国内兴起，但在很多人眼里，量化投资仿佛是一个非常神秘的新事物。而实际上，量化投资的无非就是宽客通过计算机语言，将交易策略布置到一个量化系统中，然后进行回测和实战的过程。量化投资的本质还是投资者的智慧，只是实现过程中运用到计算机这一工具。

宽客们到底是如何系统的构建一个完整的量化模型的？可以肯定的是，宽客跟普通投资者一样，也在观察市场，产生一些普通投资者也会想到的想法，当宽客产生一些想法时，他们会通过计算机去验证他们的想法是否靠谱或者是能否带来收益。而作为普通投资者，实现想法往往是困难的，如同普通投资者在投资或炒股过程中，发现在15分钟K线图，上升趋势中股价跌破MA169后便会进入调整。普通投资者只是感觉，而宽客可以通过编写程序然后在市场的历史数据回测，验证这个想法是否靠谱。

一个简单的想法编写成简单的程序，这明显不能称作为量化模型，但这却是任何一个量化模型的来源，即人的想法。完整的量化模型应当包括：策略模型、风险模型、交易成本模型、投资组合构建模型、执行模型，如下图：

投资组合构建模型：投资组合构建模型在于构建一个能创造最大盈利的投资组合。主要分为：基于规则的投资组合构建模型和基于优化的投资组合构建模型。基于规则的投资组合构建模型主要分三类：相等头寸加权，相等风险加权，信号驱动型加权。其中前两类分别保证了投资组合的每个个股头寸相等和所承担的风险相等。第三类根据信号强度来加权，投资组合中个股与策略模型设定的条件越接近则赋予的权重越大，这是合理决定头寸规模的最佳途径。

执行模型：执行模型是实施量化模型的最后一个环节，如果没有执行模型，那么整个量化模型并没有存在的意义。执行模型中订单执行算法是最关键的，其主要目的是，以尽可能低的价格，尽可能完整地完成想要交易的订单。具体的执行算法包括：采用何种订单类型，采用进取订单还是被动订单，采用大订单还是小订单。对于资金量比较小的宽客，执行模型往往是比较简单的，一旦出现信号，其所需成交量的并不需要太大。而对于资金量较大的宽客来说，执行模型是比较复杂的，需要根据实际情况来选择合适的下单方式。

以上就是量化模型的整个系统框架，其中任何一个部分都发挥至关重要的作用，因此一个完整的能盈利的量化模型是非常有价值的。

『玖』 如何开发量化投资模型

4.如何进行量化投资
一个量化投资的交易系统主要包括三个部分，阿尔法模型、风险模型和交易成本模型。
阿尔法模型旨在预测宽客所考虑金融产品的未来趋势；
风险模型旨在帮助宽客投资不太能带来收益但会造成损失的敞口规模；
交易成本模型用于帮助确定从目前的投资组合到新的投资组合的交易成本。
目前对于量化交易的研究重点大都集中在对阿尔法模型的研究上。
阿尔法模型
阿尔法模型是量化交易系统的第一个重要组成部分，主要是为了寻找盈利机会。
阿尔法是希腊字母α的音译，常用于量化表述投资者的盈利能力或投资者得到的与市场波动无关的回报。
阿尔法模型分为：
趋势形、回复型、技术情绪型、价值型/收益型、成长型和品质型
趋势型和均值回复型交易策略都依赖价格数据；纯技术情绪型的策略比较少见通常都只作为一个辅助因子；而价值型/收益型、成长型和品质型策略都基于基本面数据
趋势跟随策略
趋势跟随策略是基于以下基本的假定：在一定时间内市场通常朝着同一方向变化，据此对市场趋势做出判断就可以作为制定交易策略的依据。常见于期货市场，最常用移动平均线交叉来定义趋势。
均值回复策略
均值回复策略的基本理论认为，价格围绕其价值中枢而上下波动，判断出这个中枢以及波动的方向便足以捕捉到交易机会。统计套利是用的最多的均值回复策略，认为价格出现背离类似股票的价值终究会缩小到合理的区间范围。
技术情绪型策略
这一类策略没有明确的经济理论支撑，主要通过追踪投资者情绪相关指标来判断预期回报，如交易价格、交易量以及波动性指标等。比如观察期权市场的认沽认购量和隐含波动率做现货的择时，再者就是高频交易通过限价指令簿的形态来判断近期市场情绪。
价值型/收益型策略
价值型策略主要用于股票交易。这类策略认为市场倾向于高估高风险资产的风险，而低估低风险资产的风险。因此，在适当的时间买入高风险资产和卖出低风险资产，就可以获得收益。常用的指标有PE（市盈率）、PB（市净率）等，常应用于股票多空。
成长型策略
成长型策略试图通过对所考虑资产以往的增长水平进而对未来的走势进行预测。他认为价格上涨通常都是存在趋势的，价格上涨最快的产品通常比同类产品更具有优势，他要求投资者能尽早判断公司的股价处于增长期，从而捕捉到公司的股价未来更大的上涨幅度。宏观上常见于外汇市场，例如持有经济迅速增长的国家的外汇，这些国家的利率比经济增长缓慢或处于复苏期的经济体要高；股票市场通常用EPS等指标度量。
品质型策略
这类策略的支持者认为，在其他条件相同的条件下最好买入或持有高品质的产品而做空或减少持有低品质的资产。这类策略比较看重资金的安全，受宏观市场影响比较大，常用的指标有杠杆比率、收入波动比、管理团队水平和欺诈风险。
不管是什么类型的策略最终受益都体现在交易中关于买卖时机的把握和持有头寸选择的技巧。
https://uqer.io/community/list 这个社区里面有很多关于量化的策略，也有很多牛人，可以和他们多讨论讨论的。

『拾』 如何建立一个股票量化交易模型并仿真

研究量化投资模型的目的是找出那些具体盈利确定性的时空价格形态，其最重要手段的概率取胜，最重要的技术是概率统计，最主要的研究方向是市场行为心理。那么我们在选择用于研究的参数时，也应该用我们的经验来确定是否把某技术参数放进去，因为一般来说定性投资比较好用的参数指标对量化投资同样适用。
量化投资区别于传统定性投资的主要特征在于模型。我打个比方，我们看病，中医与西医的诊疗方法是不同，中医是望、闻、问、切，最后判断出的结果，很大程度上基于中医的经验，主观定性程度大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。中医对医生的经验要求非常高，他们的主观判断往往决定了治疗效果，而西医则要从容得多，按事先规定好的程序走就行了。量化投资就是股票投资中的西医，它可以比较有效地矫正理智与情绪的不兼容现象。
量化投资的一般思路：选定某些技术指标（我们称之为参数，往往几个组成一组），并将每一个参数的数据范围进行分割，成几等份。然后，用计算机编程写出一段能对这些参数组对股票价格造成的影响进行数据统计的程序，连接至大型数据库进行统计计算，自动选择能够达到较高收益水平的参数组合。但是选出这些参数组后还不能马上应用，因为这里涉及到一个概率陷阱的问题，比如说，有1到100这一百个数字放在那里，现在让你选择，请问你选到100的可能性是多大？是的，就是1/100，如果较幸运你选到了100并不能说明你比别人聪明，而是概率的必然。所以，在进行统计时要特别关注统计的频率与选出的结果组数量之间的关系。在选出符合要求的参数组后我们还应留出至少三年的原始市场数据进行验证，只有验证合格后才能试用。
量化投资原始数据策略：我们选用96年后的市场数据，因为96年股市有过一次交易政策改革（你可以自己查询了解一下），为了不影响研究结果我们不采纳96年以前的数据进数据库。
量化投资研究的硬设备：高计算性能电脑，家用电脑也可以，不过运算时间会很长，我曾经用家用电脑计算了三个月时间才得到想要的数据。
统计方法：可以选用遗传算法，但我在这里陪大家做的是比较简单的模型，所以采用普通统计方法就可以了。
用于量化研究的软件：我采用的是免费的大型数据库MYSQL，ASP网络编程语言，以及可以设置成网络服务器的旗舰版WIN7操作系统。