日入上万，Jack 年入百万？

冷不防 2022-10-13 12:37 105阅读 0赞

老读者应该知道，我炒股两年多了。

从最开始的基金，到后来的股票，金额一直不大，最多就加到30万。

涨势最好的时候，差不多**每天能有个近万的浮盈**，偶尔还有过浮盈**近两万**的时候。

![01968ec60fe123b5ea3769b4875f3265.png][]

自从今年2月份，股市开启困难模式后，这样的好日子就到头了。

年初，大几万的浮盈，也折损了大半，再加上今年计划要用到大钱，身体被掏空的那种。

![a6aa79523e9d09691aad440b103a5c67.png][]

股市投资这块就保守了很多，基本固定在10万左右的低仓位，重在参与了。

一直有读者想看我理财类的文章，最开始应允下来，后来仔细想了想。

你说，我一个技术类博主，写理财，**那不是不务正业吗**？

况且，我也不是学金融出身的，虽然凭运气在股市赚过一些小钱，但毕竟咱不是专业的，不敢乱指挥。

最近突然转念一想，**理财+技术，这个我可以啊**~

**我很喜欢学新知识**，不仅仅局限于计算机技术，时刻保持一颗好奇心，什么都想学点。

正好，近期打算出一篇**量化交易的视频**，探讨探讨人工智能技术，在投资股市这件事上的应用。

学着学着，我发现，这里面的水挺深，“我把握不住”。

量化交易，并没有我想像的那么好做，要学的知识有点多。

一个周末的时间，也就入了个门。

今天，先整理分享下，量化交易的基础知识，为视频做个热身。

## 量化交易 ##

量化交易就是，借助现代统计学和数学的方法，利用计算机技术来进行交易的证券投资方式。

主要涵盖的知识点如下：

![23772f10fc3e0e5a0f81f9dff4aa096d.png][]

数学、编程、金融、算法都得懂，哪里不会补哪里就行。

### 量化平台 ###

抓数据，写策略，在线交易，如果自己一个人来做，成本太高，不利于初期的学习。

我调研了一些量化分析平台，可以帮助我们聚焦到学习量化交易的策略学习上。

我觉得可以用来入门的平台有：

*  聚宽
 *  vnpy

量化交易的平台有很多，比如掘金、米筐、优矿等。

但适合入门的，可以直接看这聚宽和vnpy。

聚宽的社区比较活跃，有不少技术教程，适合新手入门。

> https://www.joinquant.com/study

这里的知识点，就有不少可以学习，同时还有很多大佬分享自己的策略。

vnpy推荐的原因在于它是开源的，可以系统学习如何构建一个量化交易系统。

> https://github.com/vnpy/vnpy

如果想自己实现一个量化交易的框架，可以从这里参考很多代码。

### 小试牛刀 ###

聚宽量化交易平台的使用，比较简单。

我们以这个平台为例，讲解一个简单的量化策略。

**我们回归问题的本质**，买股票无非两点：

*  买哪支股票
 *  何时买，何时卖

1、买哪支股票

投资者，选股票，最直接的就是看**财务报表**。

至少是包括资产负债表、损益表、现金流量表，这三表。

这里的数据就太多了，每个表都有各种各样的指标。

这些指标数据，在量化交易里，叫因子。

我理解，就是我们机器学习中，常说的特征，每一个因子都可以算作一个维度的特征。

我们可以，利用这些已知的数据，构建多维的特征数据，然后将它交给机器学习算法，让算法判断这只股票，值不值得购买。

这又回到了，做算法的老生常谈的问题，选择哪些特征，去拟合数据。

妥了，特征工程走起。

这些最底层的特征，属于一种基础的因子。

在量化交易中，还可以根据这些数据，计算出更“高维”的因子，即特征。

比如净资产收益率，英文缩写叫ROE。

净资产收益率就是**公司税后利润**除以**净资产**得到的百分比率。

即，净资产收益率=净利润/净资产

净利润，在利润表里，净资产，在资产负债表。

净资产收益率反映股东权益的收益水平，用以衡量公司运用自有资本的效率。

**指标值越高，说明投资带来的收益越高**。该指标体现了自有资本获得净收益的能力。

净资产收益率，就是通过一些“低维”的特征，计算出的“高维”的特征。

选股票，其实就是根据这些指标，选择出，你认为值得投资的股票。

为了简化策略，这里就简单的，单一的，利用这个净资产收益率ROE，作为我们的价值选股思想的指标。

简单暴力一点，计算当前所有股票的ROE，由大到小排序，选择top10，作为我们的股票持仓。

2、何时买，何时卖

投资者，都想**买在低点，卖在高点**。

10块钱买，100块卖，赚个差价，赚了90。

这个问题的本质就是：低买高卖。

但现实往往是残酷的。

![9c25543394ace629fc63cd3e3b0bc080.png][]

何时买，何时卖，在量化交易中，有个指标，阻力支撑相对强度，即RSRS。

了解，阻力支撑相对强度，首先要知道什么是阻力位和支撑位。

**阻力位**是指目标价格上涨时可能遇到的压力，即交易者认为卖方力量开始反超买方，从而价格难以继续上涨或从此回调下跌的价位；

**支撑位**则是交易者认为买方力量开始反超卖方，从而止跌或反弹上涨的价位。

阻力支撑相对强度是一种阻力位与支撑位的运用方式，它不再把阻力位与支撑位当做一个定值，而是看做一个变量，反应了交易者对目前市场状态顶底的一种预期判断。

我们按照不同市场状态分类来说明支撑阻力相对强度的应用逻辑：

**市场在上涨牛市中：**

*  如果支撑明显强于阻力，牛市持续，价格加速上涨
 *  如果阻力明显强于支撑，牛市可能即将结束，价格见顶

**市场在震荡中：**

*  如果支撑明显强于阻力，牛市可能即将启动
 *  如果阻力明显强于支撑，熊市可能即将启动

**市场在下跌熊市中：**

*  如果支撑明显强于阻力，熊市可能即将结束，价格见底
 *  如果阻力明显强于支撑，熊市持续，价格加速下跌

每日最高价和最低价是一种阻力位与支撑位，它是当日全体市场参与者的交易行为所认可的阻力与支撑。一个很自然的想法是建立最高价和最低价的线性回归，并计算出斜率。即：

![2021070623273378.png][]

当斜率值很大时，支撑强度大于阻力强度。在牛市中阻力渐小，上方上涨空间大；在熊市中支撑渐强，下跌势头欲止。

当斜率值很小时，阻力强度大于支撑强度。在牛市中阻力渐强，上涨势头渐止；在熊市中支撑渐送，下方下跌空间渐大。

RSRS指标的计算，有两种方法，第一种方法是直接将斜率作为指标值，第二种方法是在斜率基础上进行标准化。

以第二种方法为例，RSRS斜率标准分指标择时策略如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2M0MDY0OTU3NjI_size_16_color_FFFFFF_t_70][]

### 小试牛刀 ###

OK，买哪支股票，以及何时买，何时卖，这两个问题解决了，我们就可以开始写代码了。

这里需要先掌握，聚宽的使用方法，以及一些api。

这部分比较简单，直接平台的官方手册就行。

编写如下代码：

'''
    策略思路：
    选股：财务指标选股
    择时：RSRS择时
    持仓：有开仓信号时持有10只股票，不满足时保持空仓
    
    '''
    # 导入函数库
    import statsmodels.api as sm
    from pandas.stats.api import ols
    
    # 初始化函数，设定基准等等
    def initialize(context):
        # 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')
        set_parameter(context)
        ### 股票相关设定 ###
        # 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')
        
        ## 运行函数（reference_security为运行时间的参考标的；传入的标的只做种类区分，因此传入'000300.XSHG'或'510300.XSHG'是一样的）
          # 开盘前运行
        run_daily(before_market_open, time='before_open', reference_security='000300.XSHG') 
          # 开盘时运行
        run_daily(market_open, time='open', reference_security='000300.XSHG')
          # 收盘后运行
        #run_daily(after_market_close, time='after_close', reference_security='000300.XSHG')
        
    '''
    ==============================参数设置部分================================
    '''
    def set_parameter(context):
        # 设置RSRS指标中N, M的值
        #统计周期
        g.N = 18
        #统计样本长度
        g.M = 1100
        #首次运行判断
        g.init = True
        #持仓股票数
        g.stock_num = 10
        #风险参考基准
        g.security = '000300.XSHG'
        # 设定策略运行基准
        set_benchmark(g.security)
        #记录策略运行天数
        g.days = 0
        #set_benchmark(g.stock)
        # 买入阈值
        g.buy = 0.7
        g.sell = -0.7
        #用于记录回归后的beta值，即斜率
        g.ans = []
        #用于计算被决定系数加权修正后的贝塔值
        g.ans_rightdev= []
        
        # 计算2005年1月5日至回测开始日期的RSRS斜率指标
        prices = get_price(g.security, '2005-01-05', context.previous_date, '1d', ['high', 'low'])
        highs = prices.high
        lows = prices.low
        g.ans = []
        for i in range(len(highs))[g.N:]:
            data_high = highs.iloc[i-g.N+1:i+1]
            data_low = lows.iloc[i-g.N+1:i+1]
            X = sm.add_constant(data_low)
            model = sm.OLS(data_high,X)
            results = model.fit()
            g.ans.append(results.params[1])
            #计算r2
            g.ans_rightdev.append(results.rsquared)
        
    ## 开盘前运行函数     
    def before_market_open(context):
        # 输出运行时间
        #log.info('函数运行时间(before_market_open)：'+str(context.current_dt.time()))
        g.days += 1
        # 给微信发送消息（添加模拟交易，并绑定微信生效）
        send_message('策略正常，运行第%s天~'%g.days)
    
    ## 开盘时运行函数
    def market_open(context):
        security = g.security
        # 填入各个日期的RSRS斜率值
        beta=0
        r2=0
        if g.init:
            g.init = False
        else:
            #RSRS斜率指标定义
            prices = attribute_history(security, g.N, '1d', ['high', 'low'])
            highs = prices.high
            lows = prices.low
            X = sm.add_constant(lows)
            model = sm.OLS(highs, X)
            beta = model.fit().params[1]
            g.ans.append(beta)
            #计算r2
            r2=model.fit().rsquared
            g.ans_rightdev.append(r2)
        
        # 计算标准化的RSRS指标
        # 计算均值序列    
        section = g.ans[-g.M:]
        # 计算均值序列
        mu = np.mean(section)
        # 计算标准化RSRS指标序列
        sigma = np.std(section)
        zscore = (section[-1]-mu)/sigma  
        #计算右偏RSRS标准分
        zscore_rightdev= zscore*beta*r2
        
        # 如果上一时间点的RSRS斜率大于买入阈值, 则全仓买入
        if zscore_rightdev > g.buy:
            # 记录这次买入
            log.info("市场风险在合理范围")
            #满足条件运行交易
            trade_func(context)
        # 如果上一时间点的RSRS斜率小于卖出阈值, 则空仓卖出
        elif (zscore_rightdev < g.sell) and (len(context.portfolio.positions.keys()) > 0):
            # 记录这次卖出
            log.info("市场风险过大，保持空仓状态")
            # 卖出所有股票,使这只股票的最终持有量为0
            for s in context.portfolio.positions.keys():
                order_target(s, 0)
                
    #策略选股买卖部分    
    def trade_func(context):
        #获取股票池
        df = get_fundamentals(query(valuation.code,valuation.pb_ratio,indicator.roe))
        #进行pb,roe大于0筛选
        df = df[(df['roe']>0) & (df['pb_ratio']>0)].sort('pb_ratio')
        #以股票名词作为index
        df.index = df['code'].values
        #取roe倒数
        df['1/roe'] = 1/df['roe']
        #获取综合得分
        df['point'] = df[['pb_ratio','1/roe']].rank().T.apply(f_sum)
        #按得分进行排序，取指定数量的股票
        df = df.sort('point')[:g.stock_num]
        pool = df.index
        log.info('总共选出%s只股票'%len(pool))
        #得到每只股票应该分配的资金
        cash = context.portfolio.total_value/len(pool)
        #获取已经持仓列表
        hold_stock = context.portfolio.positions.keys() 
        #卖出不在持仓中的股票
        for s in hold_stock:
            if s not in pool:
                order_target(s,0)
        #买入股票
        for s in pool:
            order_target_value(s,cash)
    #打分工具
    def f_sum(x):
        return sum(x)
            
    ## 收盘后运行函数  
    def after_market_close(context):
        #得到当天所有成交记录
        trades = get_trades()
        for _trade in trades.values():
            log.info('成交记录：'+str(_trade))
        #打印账户总资产
        log.info('今日账户总资产：%s'%round(context.portfolio.total_value,2))
        #log.info('##############################################################')

左边写好代码，输入回测时间和金额就可以运行了。

![2126b50f6a9ab70475daec18ab9ffe79.png][]

我直接回测了2010年1月到2020年1月效果，投资十年的收益：

![8c6eb25b6b5d690605b67a3b67f4d8dd.png][]

直接起飞，初始资金50万，**赚了几百万，很稳！**

![038c9ba9049851a4b2b61f888a3c5115.png][]

我又回测了2020年1月到2021年6月，一年半的收益：

![1ba886987c3e55e47d0a57c88fea1754.png][]

跑输大盘8.35%，不过也没亏，年化率也能有个11.40%，还可以吧。

## 总结 ##

这个策略，没有用到历史数据，是根据当前的一些指标进行决策的。

投资理财，这方面的知识，还是要学习的，不投资股市，买个银行定期这些也挺好。

我们寒窗苦读，一方面就是想学有所成，赚钱，过个舒服的生活。

学校教我们各种基础知识，唯独很少直接地教我们，如何去赚钱，去理财，管理自己的财富。

所以，自学吧。人生在于折腾，各种知识都学学，挺好，挺有意思。

现在，虽然股市是困难模式，但是仍然有很多机会，我们也可以利用这个时间，补充自己的知识。

**本期硬核，喜欢的朋友，转发，点赞走一波，让我瞧瞧。**

**感兴趣，后面继续出。**

最后再送大家一本，**帮助我拿到 BAT 等一线大厂 offer 的数据结构刷题笔记**，是一位 Google 大神写的，对于算法薄弱或者需要提高的同学都十分受用：

[谷歌和阿里大佬的Leetcode刷题笔记][Leetcode]

以及我整理的 **BAT 算法工程师学习路线，书籍+视频**，完整的学习路线和说明，对于想成为算法工程师的，绝对能有所帮助：

[我是如何成为算法工程师的，超详细的学习路线][Link 1]

我是 Jack，我们下期见！

[01968ec60fe123b5ea3769b4875f3265.png]: /images/20221005/b1a9c5e30d89491c9a3e5c1fee526af6.png
[a6aa79523e9d09691aad440b103a5c67.png]: /images/20221005/e24e4120bb4b4e0487fc43a34673a3b1.png
[23772f10fc3e0e5a0f81f9dff4aa096d.png]: /images/20221005/77ca599e939c4664af9c771bfc005443.png
[9c25543394ace629fc63cd3e3b0bc080.png]: /images/20221005/6063d86daa7c4687b3e1a07769ad9a67.png
[2021070623273378.png]: /images/20221005/d8fec9592f524aaca6022a5fd4808414.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2M0MDY0OTU3NjI_size_16_color_FFFFFF_t_70]: /images/20221005/ca4b9561be9b40578973cb21424514aa.png
[2126b50f6a9ab70475daec18ab9ffe79.png]: /images/20221005/ec6741b0f7af43b2829a9a3e2def7927.png
[8c6eb25b6b5d690605b67a3b67f4d8dd.png]: /images/20221005/55c4a41466d84b75ac5d32d25340d62a.png
[038c9ba9049851a4b2b61f888a3c5115.png]: /images/20221005/b11010a8bf034de4958e14a1580d2ba9.png
[1ba886987c3e55e47d0a57c88fea1754.png]: /images/20221005/6b65b770f9df46ababd8f68ed2e73488.png
[Leetcode]: https://mp.weixin.qq.com/s/cb2BdbmjEHw_Pr2WLrpRug
[Link 1]: https://mp.weixin.qq.com/s/oQHXG2pdJXLQpeBsNQkPDA