當我在一家投資管理公司擔任系統開發工程師時，我了解到要在定量金融領域取得成功，您需要在數學，編程和數據分析方面表現出色。

可以將算法或定量交易定義為設計和開發統計和數學交易策略的過程。這是一個極其復雜的金融領域。

因此，問題是您如何開始進行算法交易？我將向您介紹五個應該學習的基本主題，以便為進入這個迷人的交易世界鋪平道路。我個人更喜歡Python，因為它提供了適當程度的自定義，開發的簡便性和速度，測試框架以及執行速度。因此，所有這些主題都集中在Python for Trading上。

1.學習Python編程

為了使數據科學事業蒸蒸日上，您需要扎實的基礎知識。無論選擇哪種語言，都應該徹底理解該語言的某些主題。這是您應該在Python生態系統中掌握的數據科學知識：

環境設置?——包括創建虛擬環境，安裝所需的軟件包以及使用Jupyter Notebook或Google colabs。

數據結構?——一些最重要的pythonic數據結構是列表，字典，NumPy數組，元組和集合。我在鏈接的文章中收集了一些示例，供您學習。

面向對象的編程——作為定量分析人員，您應該確保自己擅長編寫定義了適當類的結構良好的代碼。在使用諸如Pandas，NumPy，SciPy等外部包時，您必須學會使用對象及其方法。

2.了解如何處理財務數據

數據分析是財務的關鍵部分。除了學習使用Pandas處理數據框外，在處理交易數據時還應注意一些特定主題。

如何使用Pandas探索數據

毫無疑問，Pandas是Python數據科學堆棧中最重要的軟件包之一。您可以使用軟件包中定義的功能完成幾乎所有主要任務。專注于創造dataframes，過濾（loc，iloc，query），描述性統計（摘要），加入/合并，分組，和子集。

如何處理時間序列數據

交易數據全部與時間序列分析有關。您應該學習重新采樣數據或重新索引數據，以將數據頻率從幾分鐘更改為幾小時，或者從一天的OHLC數據更改為一周的結束數據。例如，您可以使用重采樣功能將1分鐘時間序列轉換為3分鐘時間序列數據：

df_3min = df_1min.resample（‘3Min’， label=‘left’）.agg（{‘OPEN’： ‘first’， ‘HIGH’： ‘max’， ‘LOW’： ‘min’， ‘CLOSE’： ‘last’}）

3.如何編寫基本交易算法

從事定量金融工作需要對統計假設檢驗和數學有深入的了解。掌握多元演算，線性代數，概率論等概念將有助于您為設計和編寫算法奠定良好的基礎。您可以從計算股票價格數據的移動平均值開始，編寫簡單的算法策略（例如移動平均交叉或均值回歸策略）并了解相對強度交易。在實踐和理解基本統計算法如何工作這一小而重要的飛躍之后，您可以研究機器學習技術的更復雜領域。這些要求對統計和數學有更深入的了解。您可以從兩本書開始：《定量交易：如何建立自己的算法交易業務》—Ernest Chan博士《關于算法交易和DMA的書》—巴里·約翰遜（Barry Johnson）

4.了解回測

一旦完成交易策略的編碼，就不能簡單地用實際資金在真實市場中對其進行檢驗，對嗎？下一步是將該策略暴露于歷史交易數據流中，這將生成交易信號。然后，已執行的交易將產生相關的損益（P&L），所有交易的累加將為您提供總的P&L。這稱為回測。回測要求您精通許多領域，例如數學，統計，軟件工程和市場微觀結構。您應該學習以下一些概念，以對回測有一個體面的了解：

您可以從了解技術指標開始。探索名為TA_Lib的Python包以使用這些指示符。

使用拋物線SAR等動量指標，并嘗試計算交易成本和滑點。

學習繪制戰略累計收益并研究戰略的總體績效。

影響回測性能的一個非常重要的概念是偏差。您應該了解優化偏見，前瞻性偏見，心理寬容和生存傾向。

5.績效指標-如何評估交易策略

能夠簡潔地說明您的策略對您很重要。如果您不了解自己的策略，那么任何外部修改法規或政權轉移的機會都有，您的策略將開始表現異常。一旦您自信地理解了該策略，以下性能指標就可以幫助您了解該策略的實際優缺點：

夏普比率?-啟發式地描述策略的風險/回報比率。它量化了您可以通過股本曲線經歷的波動水平所獲得的收益。

波動性?-量化與策略相關的“風險”。夏普比率也體現了這一特征。基礎資產的較高波動性通常會導致股票曲線中的較高風險，并導致較小的夏普比率。

最大跌幅?-策略權益曲線上最大的峰谷整體下降百分比。由于最大回落受其影響，通常會結合動量策略進行研究。學習使用numpy庫進行計算。

容量/流動性?-確定策略可擴展性以增加資本。當戰略增加資本配置時，許多基金和投資管理公司會遭受這些能力問題的困擾。

CAGR-?衡量策略在一段時間內的平均增長率。它的計算公式為：（累計策略收益）^（252 /交易日數）— 1
責編AJX