一文读懂量化交易行业
一文读懂量化交易行业前景如何?金融科技在中国的发展阶段，可以大致分为早期信息化阶段、互联网阶段、移动化阶段、智能化阶段和未来全面变革五个阶段。目前量化交易行业已经逐渐迈入“智慧金融”阶段，金融机构对科技人员、资源的投入逐渐加深。大数据、云计算、人工智能等前沿技术将进一步改造金融行业营销、风控、投研、投顾、产品创新、客户管理等环节。
一、FinTech和量化金融市场
1、FinTech和量化交易行业介绍
金融科技，来源于国外“Fintech”一词，即Finance+Technology的缩写，沃顿商学院将其定义为“用技术改进金融体系效率的经济行业”。
金融科技在中国的发展阶段，可以大致分为早期信息化阶段、互联网阶段、移动化阶段、智能化阶段和未来全面变革五个阶段。目前金融行业已经逐渐迈入“智慧金融”阶段，金融机构对科技人员、资源的投入逐渐加深。大数据、云计算、人工智能等前沿技术将进一步改造金融行业营销、风控、投研、投顾、产品创新、客户管理等环节。
在互联网技术逐步成熟的今天，以大数据、云计算、人工智能为代表的创新技术正正在席卷众多传统行业，金融业以其庞大的市场容量成为市场焦点。这一次，技术创新的核心目标将聚焦于信用、风控、投资等多个领域。因此，技术创新对于金融业的影响将愈加广泛和深入，这也是互联网金融和金融科技(Fintech)的重大差异。
随着大数据、云计算、人工智能对金融业的变革，传统的金融业正与信息技术、数学模型、数据分析相结合，向量化金融发展。量化金融包含量化交易、量化研究、量化定价、量化风控等各个方面。实际上，量化金融已经存在很长时间，如量化交易在海外已经有三十多年的历史，并且由于量化模型的纪律性和系统性，量化交易收益稳定，市场规模和份额不断扩大，得到了越来越多投资者的认可。
量化金融分析师从事行业非常广泛，包括投资银行、基金公司、券商金融工程、资产管理公司、私募公司、Fintech公司等。工作职能包括量化研究、量化交易、量化风控、数据结构和算法、系统开发和运维、模型和咨询等。根据Glassdoor统计，美国量化分析师的平均年薪已达到接近13万美元。下图展示了量化金融的行业和岗位分布情况。
资料来源：券商研报
在国外，AI量化交易已经屡见不鲜。据调研公司 LCH 在今年初出具的调研报告，美国业绩排前 20 的对冲基金，包括桥水基金、索罗斯基金，全部采用计算机根据算法自动交易。据国际基金评级机构 Morningstar 数据显示，截止 2017 年 7 月，机器人投顾管理的资产将近 3900 亿美元，而在七年前这项数字几乎为零。接下来的 10 年，机器人投顾管理的资产将达到 5 万亿美元。
在国内，根据Wind统计，2018年国内券商共有59家设有金融工程团队，共发布7425份研报，其中深度研报808份，研报累计阅读总量超过24万次。海通证券、天风证券、兴业证券的金融工程团队发布的研报总量位居前三。
资料来源：Wind
纵观目前阶段下的金融科技创新方向，我们认为，大数据、人工智能和区块链将是继互联网/移动互联网之后的Fintech发展的三大核心技术基础。如大数据可以运用于大数据贷款、反欺诈、用户画像和精准营销方面，人工智能可以运用于智能客服、智能投顾、智能风控等，区块链技术可以运用于对账与结算、电子合同、智能合约等。除此以外，还有云计算、数据库、爬虫技术等，都将对金融业产生进一步的变革与创新。
人工智能在金融领域中的应用，相较于大数据而言的核心突破在于深度学习、智能分析和智能决策。大数据、云计算、智能硬件以及后续的区块链技术等都是支撑人工智能上层技术的基础。在金融领域，人工智能主要有以下四类应用：①自动报告生成，②金融智能搜索，③量化交易，④智能投顾。
自动报告生成技术主要使用自然语言处理技术，广泛运用于投资银行、证券研究。在量化交易中，常运用机器学习、自然语言处理、知识图谱等作为量化策略的辅助。在资产管理行业中，智能投顾得到了越来越广泛的应用。
作为量化金融从业者，不仅需要过硬的编程技术和数学基础，更重要的是对金融市场的深刻理解，否则无论数学、编程多厉害，很可能在做无用功，不能得到好的效果。量化金融行业需要的是编程、数学和金融兼修的人才，因此如何进入量化金融行业是许多纯金融或纯理工背景的从业者感兴趣的话题。在这里我们推荐的量化金融的入门书籍有：《Python金融大数据分析》、《Python金融实战》、《Python金融数据分析》、《Algorithmic Trading》、《信号与噪声》等进行学习。此外，如果时间比较紧张，也可以通过报名量化金融分析师AQF课程进行系统性的学习，该证书目前为量化金融领域较为权威的水平认证证书，该证书可作为量化金融职业能力考核的证明，以及专业技术人员岗位聘用、任职、定级和晋升职务的重要依据。
金程量化金融分析师AQF实训项目
2、量化金融产品发展
量化交易在海外已有三十多年的历史，而国内量化基金的发展则明显滞后。在2010年之前，国内量化基金市场发展缓慢，公募基金产品以指数型基金为主，私募产品主要包括ETF套利和封转开套利等。量化基金真正为国内投资者所关注是在2008年金融危机期间，由于美国次贷危机，加上国内期指推出预期，许多海外量化从业人员归国寻找发展机会，为市场提供了大量专业化人才。到了2011年之后，量化基金开始快速发展，随着量化选股和多因子体系在国内落地以及股指期货和融资融券推出，公募基金中指数增强和主动量化型产品增多，量化对冲类产品如期现套利型产品得到快速发展。但2015年6月股指期货受限、保证金比例提升，使得量化对冲类策略受到了比较大的冲击，基金管理人开始向其他方向拓展，促进了如CTA、期权策略、FOF等量化产品的丰富。此外，商品期权、原油期货等衍生品陆续上线，量化基金开始从原来的低风险量化对冲策略转向主动量化策略。 截止2018年9月，国内私募量化基金管理规模估算约2000亿元，公募量化基金(不含被动指数型基金)产品规模约1200亿元。
资料来源：券商研报
截至2018年三季度，国内量化私募产品主要集中在市场中性策略、CTA策略、指数增强策略。
资料来源：券商研报
在Institutional Investor’s Alpha发布的全球对冲基金百强名单中，管理规模前10名中有多家机构以量化交易而出名。海外对冲基金中，量化策略规模占比估算约20-30%，与国内目前量化基金占比只有6%而言，国内量化基金仍有非常巨大的发展空间。长期而言，如果衍生品工具出现进一步的丰富和放松，可能是国内量化策略发展的重要拐点。
资料来源：券商研报
二、主流量化交易策略
1、资产收益的拆分
在介绍主流量化交易策略之前，需要先知道资产收益的拆分。资产收益通常可以拆分为Beta收益和Alpha收益，Beta为市场风险补偿，Alpha则是投资组合的超额收益。JPMorgan将传统的Alpha进一步拆分，其中将通过指数权重优化和选股优化等指数增强方式取得的超额收益称为Enhanced Beta，其中通过投资相关性较低的另类大类资产取得的超额收益称为Alternative Beta，剩下的Alpha收益才是无风险的超额收益True Alpha。
资料来源：券商研报
一般来说，主动型量化策略往往有较高的夏普比率，但策略容量小、成本高，被动型或指数型量化策略则相反。不同的量化交易基金追求不同的风险和收益，因此量化交易策略极为多样化，在此我们分享一些主流量化交易策略。
2、统计套利交易策略
统计套利就是基于某投资品种历史价格数据，寻找其价格规律，从而在一定概率上获取套利机会。常见思路是找出相关性较高的两个投资品种，根据它们之间长期均衡的协整关系，当价差偏离一定程度时，买入被相对低估的品种，卖空被相对高估的品种，等到价差回归均衡时平仓获利。有别于无风险套利，统计套利是根据资产的历史价格规律进行的风险套利，其风险在于资产间的这种协整关系在未来是否会继续存在。
统计套利主要包含跨资产套利、跨市场套利等。以跨境ETF套利为例，下图为iShares China Large Cap UCITS (FXC)跨境指数基金，该ETF的成分股为香港交易所上市的按市值排名前50只中国股票，即投资红筹股、大盘股。
资料来源：iShares
投资者既可以购买该ETF，也可以直接在香港交易所购买成分股。由于ETF和其成分股本质相同，因此ETF净值和成分股净值在长期应高度相关，存在协整关系。基于该协整关系，跨境ETF套利策略的思路为，当ETF净值和成分股净值价差超过一定水平时，买入相对低价的一方，等到价差回归正常后平仓获利。该ETF主要成分股及权重如下:
在量化金融分析师AQF中介绍了基于两只相关性较高的股票的配对交易策略。下图左为两只股票的收盘价走势图，可以看出两只股票价格高度相关;下图右为两股票价差图，当价差超过上限时买入低估股票，价差回归时再卖出获利，如果市场可以做空则可以获得双向收益。
资料来源：金程量化金融分析师AQF项目
3、CTA交易策略
CTA全称Commodity Trading Advisor，直译为商品交易顾问，一般指投资于期货的资产管理产品，因此也常称为期货管理基金。最早的CTA只投资于商品期货，后来CTA产品也投资于股指期货、期权、国债及利率衍生品等各类衍生品。
从全球看，目前CTA市场最主要的策略是系统化策略，也就是量化策略，系统化CTA基金几乎占全部CTA基金规模的90%。与国际市场不同的是，国内CTA产品中主观策略类产品数量略多于量化产品，但无论是主观策略产品还是量化产品，趋势型策略的数量都要远大于套利型策略。
资料来源：券商研报
根据Barclay Hedge统计，CTA市场规模在本世纪初经历了井喷式发展，从1980至2016年，全球CTA资产规模从3亿美元增加到3370亿美元，特别是从2002年至2010年期间，CTA市场规模从500亿美元迅速发展为超过三千亿美元。CTA市场的快速发展一个非常重要的原因是资产配置的需求，CTA与主流投资之间相关性非常低。根据巴克莱统计，CTA指数与SP500指数相关性极低，只有0.01相关，与债券的相关性是0.13，同时也拥有不错的年化收益率与夏普比率，因此随着资产管理规模的普遍扩大，寻求非相关的资产需求增大，CTA成为很多资产管理者的配置方向。海外长期数据显示，CTA策略与其他策略之间呈现出显著低相关性。除与宏观对冲、多策略等相关系数(分别为0.64、0.34)偏高外，与其他策略的相关系数均在0.2以下。
资料来源：券商研报
下图展现了两个FOF组合的净值曲线，投资组合A2为“60%股票多头+40%固定收益”，每年再平衡，投资组合B2为“40%股票多头+30%固定收益+30%CTA”，每年再平衡。可见加入CTA策略后FOF组合的年化收益率得到了明显提高，年化波动率和最大回撤下降，夏普比率从原先的0.98提高为1.52。
总体而言，国内CTA策略整体业绩表现较好。2013年1月至2018年8月，CTA策略私募基金指数年化收益率达17.01%，位列各主要策略首位。相对于股票多头策略而言，年化波动率和最大回撤均具有显著优势。夏普比例约为2，体现了较好的风险收益比。但生存者偏差和选择性披露因素可能导致CTA策略整体业绩被高。
资料来源：券商研报
根据估算结果，国内CTA策略私募基金在证券类私募基金中规模占比约1.2%，远远低于海外CTA策略对冲基金10~20%的水平。国内部分知名CTA管理人名单如下。
4、事件驱动策略
事件驱动策略是在提前挖掘和深入分析可能造成股价异常波动的事件基础上，通过充分把握交易时机获取超额投资回报的交易策略。可以用于事件驱动策略的事件有很多，如CEO或CFO的变更、派息、拆股、回购、定增、指数成分股调整、大股东增持等等，此类事件的特点是具有较为明确的时间和内容，能够对部分投资者的行为产生一定的影响，从而决定股价短期波动的因素。
例如高管增持事件，我们可以采用的一种策略是：在上市公司公布高管增持公告后，立刻买入并持有一个月，回测该策略是否存在超额收益。
我们也可以对高管增持事件进行一定的优化，如可以增持公告前跌幅最大的一组股票，公告后30日的累计超额收益约为5%，公告后60日的累计超额收益接近10%，其超额收益要比简单的高管增持事件明显。
资料来源：券商研报
对于公募基金业绩披露事件，如果某只股票被多数公募基金购买，则说明多数公募基金看好该只股票。根据业绩披露事件，可以构建高共识大小盘组合，即流通市值排在前50%的重仓股池子中，选择持有主动基金数目最多的前50只标的作为高共识大盘组合。而流通市值排在后50%的重仓股池子中，选择持有主动基金数目最多的前50 只标的构建高共识小盘组合。两个策略的回测收益如下图所示。
此外，我们也可以基于分析师评级作为事件驱动策略，如选取中证800股票池中，持续6个月有分析师发布含有目标价报告的股票。其思路是分析师持续发布含有目标价报告，说明该个股长期被分析师看好，基本面较优良。同时该策略对分析师报告的数量没有特别的约束，兼顾了大小市值的个股，对市场大小盘风格切换有较强的适应性。从策略回测收益来看，从2012 年至2018年，该策略年化收益超过20%，相对中证800 指数年化超额收益为10.45%。从换手率指标来看，该策略的年化换手率在4.5%上下波动，说明该组合的成分股平均持股时间较长，是一个精选个股、中长期持有的投资策略。
资料来源：券商研报
非常多的事件为传统因子分析提供了低相关度投资组合的机会，但是研究成本过高(特殊数据库、相关研究框架)阻碍了此前此类事件的研究。我们按照这种事件驱动思路实现了基于网络爬虫的券商评级事件驱动策略。通过爬虫技术，跟踪机构研报对个股的评级变化，当个股评级上调为“强烈推荐”时作为买入信号，等权持有股票一个月。该策略的回测效果如下：
该策略还可以进一步优化，如对分析师评级进一步分析，筛选出发布研究报告后个股表现最好和最差的分析师，给表现好的分析师给予更多的配置权重，给表现差的分析师给予更少的配置权重甚至零权重，从而获取更好的策略收益。
5、市场中性策略
市场中性策略是指同时构建多头和空头头寸以对冲市场风险，从而构成独立于大盘变动的股票组合。市场中性策略的通常做法是通过多因子模型选股确定多头股票组合，同时用空头股指期货等进行对冲，构建Beta接近于0的投资组合，从而只保留基金的Alpha收益。
该策略在中国的私募基金中占据了半壁江山，主要原因在于在中国牛短熊长，大部分时间处于熊市交易之中，构建市场中性策略则可以不受到大盘下跌带来的影响，只要基金经理有较强的Alpha能力就可以获得相对稳定的策略收益。但在应用该策略时，要注意使用股指期货空头时若股指价格贴水带来的额外对冲成本。
6、指数增强策略
传统投资策略一般分为主动投资策略和被动投资策略，被动投资往往选择跟踪某一指数，风险较低。然而全完被动跟踪指数往往收益也较低，因此指数增强策略(或称Smart Beta、Strategy Beta、Enhanced Beta)受到了越来越多机构投资者的欢迎。指数增强策略是指在被动跟踪指数的基础上，通过主动管理的办法如优化选股和优化权重，以达到获取超额收益或降低风险的目标，即“增强”指数的效果。
指数增强基金是指数型基金发展的新阶段，从全球市场看，指数增强策略普及度不断提高。根据ETF.com统计结果，截止2018年12月21日，美国有1025只Smart Beta ETF，总规模为8239亿美元;BlackRock预测到2020年，Smart Beta ETF的资产规模将达到1万亿美元。我国被动指数产品相较于海外市场比较滞后，从2006年华泰柏瑞红利ETF发行，截止2018年11月27日，国内共发行了68只指数增强型产品，累计规模245亿元。
指数增强策略从增强方式上主要有仓位控制(择时)、优化加权、优化选股(多因子模型)三种，三种思路在实践方式上都可以区分为“主动”和“量化”。其中仓位控制就是分析大盘走势，在上涨期间增加仓位权重，在下行过程中降低仓位以期获得择时超额收益;优化加权方法主要有等权重、最小方差、风险平价、最大分散度、基本面加权等;优化选股通常使用多因子模型在指数股票池中筛选预期收益好的股票以增加某些风险因子的暴露，比如我们以能显著有效的区隔市场特征的单一因子指标或多因子指标，如价值指标、成长指标、红利指标、混合财务指标等，作为选股依据，以此形成的组合能够为投资者提供暴露特定市场因子风险的工具，并相应获得该因子的超额回报。
比如在A股市场等权构建的沪深300组合比真实的沪深300指数表现要好，一个很重要的原因是A股小市值因子效应特别明显，长期来看小盘股相比大盘股有明显的超额收益。这样我们对组合的认识可以上升到因子层面，就可以选择特定证券使组合盯住某一特定的风险因子，这也是Smart Beta的一种思路。
除了以上三种主流方法，指数增强策略也可以通过配合衍生金融工具或其他方式增强，包括打新、股指期货、融资融券、期权、可转债等。如中证500指数增强产品常通过买入股指期货获得基差收益，同时降低资金占用率。
7、量化期权交易策略
不同于成熟的海外市场，我国期权市场才刚刚起步。2015年2月9日，我国首个场内期权产品上证50ETF期权合约正式上市交易，标志着我国资本市场期权时代的来临。2017年以来，期权市场逐渐发展壮大，豆粕和白糖期权上市交易且流动性日渐提升，上证50ETF期权成交量快速增长，预计未来还会有更多的商品期权、金融期权品种上市。随着期权品种数量的增加和流动性的提升，期权策略将会得到可观的发展。
期权策略产品和CTA策略产品、事件驱动策略产品等一样，和主流量化产品的相关度较低，有利于资产分散化投资。由于期权本身产品的复杂性，期权策略也是复杂多样的。期权策略主要有期权合成套利、期权买卖平价套利、期权价值边界套利、隐含波动率与实际波动率相对价值套利等，其中期权合成套利又包含了牛市价差、熊市价差、跨式期权、蝶式期权等等组合方式。
我们在此介绍一种基于50股指期权的Straddle波动率策略，策略思路为，当波动率连续极度收敛时(波动率小于历史波动率从小到大排序的10%分位点，因为波动率低时，构建Straddle策略的成本低)，挑选成本最低的、至少晚于下一月到期的Straddle组合进行建仓。建仓后一直持有代涨至持有到期，或下跌超过单笔交易最大值的20%时，移动止损。该策略回测收益如下：
8、机器学习技术和基本面结合策略
许多人认为机器学习技术是属于量化分析的范畴，与基本面分析是截然不同的两种分析方法，从而不可能有交叉的可能。然而实际上，机器学习技术也可以与基本面分析进行有效的结合。例如分析财务报表粉饰时，许多财务指标都可能预示公司财务报表可能存在粉饰情况，部分指标如下：
然而并不是所有指标都是有效的，使用机器学习技术，可以得出在分析上市公司年报是否粉饰造假的时候需要重点关注的几个指标，从而进行后续的基本面分析。
9、大数据与舆情分析策略
随着互联网的快速发展，人类进入大数据时代，可供分析和使用的数据大量增加。海量数据成为公司的基础资产，例如，美国专门有一些公司，购买无人机去全国各地侦查，可能要比国家统计局都要更早的知道全国经济发展的整体状况，就可以提前基于这条信息进行交易获利;再如用Google Map去看沃尔玛的停车场，去判断沃尔玛公司的股价和整体经济的消费水平。
在量化交易中，大数据与舆情分析策略使用NLP自然语言处理，对非机构化数据，如微博、twitter上的博文进行舆情识别和分析，从而作出投资决策。在大数据分析中，自然语言处理是最为困难的问题之一，如“It’s interesting.”并不是在说我觉得这很有趣，而是在说，我搞不懂发生了什么，这是怎么回事。NLP技术针对英语已经相对比较成熟，对中文的研究也在迅速发展中。
我们来看一个基于Google Trends的大数据舆情分析策略，下图为策略回测，可见基于Google Trends的策略远远优于单纯购买并持有。该策略的思想是，如果当周的“Debt”搜索量大于过去三周平均搜索量，则做空道琼斯指数，持仓一周;如果当周的“Debt”搜索量小于过去三周平均，则做多道琼斯指数。在国内，类似Google Trends的指数有百度指数等，可以作为搜索引擎指数进行投资。
金融科技Fintech和量化金融说到底是将前沿技术和量化方法应用到金融领域，提高金融业务的工作效率，提升金融产品的用户体验，提高投资的收益和稳定性。随着我国金融业的不断发展，Fintech和量化金融将成为未来金融业的发展方向，市场对于量化金融分析师的需求也会急速增加。提升自己的技术水平、丰富金融知识，才不会被时代潮流淹没。
AQF：量化金融分析师（简称AQF ，Analyst of Quantitative Finance）由量化金融标准委员会（Standard Committee of Quantitative Finance，SCQF）主考并颁证，是代表量化金融领域的专业水平证书。
AQF量化金融分析师实训项目学习大纲
1.1.1. 第一部分：前导及课程介绍
1.AQF核心课程
2.量化策略的Python实现和回测
3.整体代码介绍
1.1.2. 第二部分：量化投资基础
1.量化投资背景及决策流程
2.量化择时
3.动量及反转策略
4.基金结构套利
5.行业轮动与相对价值
6.市场中性和多因子
7.事件驱动
8.CTA_1（TD模型）
9.统计套利_低风险套利
10.大数据和舆情分析
11.机器学习
12.高频交易和期权交易
13.其他策略和策略注意点
1.1.3. 第三部分：Python编程知识
Python语言环境搭建1.Python语言环境搭建
Python编程基础1.python数字运算和Jupyter notebook介绍
2.字符串
3.Python运算符
4.Tuple和List
5.字典
6.字符串格式化
7.控制结构_1.For循环
8.函数
9.全局和局部变量
10.模块
11.Python当中的重要函数
Python编程进阶1.Numpy数据分析精讲
2.Pandas数据分析详解
数据可视化1.Pandas内置数据可视化
2.Matplotlib基础
3.Seaborn
金融数据处理实战1.数据获取_1.本地数据读取
1.数据获取_2.网络数据读取_1
1.数据获取_2.网络数据读取_2.tushare
1.数据获取_2_网络数据读取_3.文件存储
2.金融数据处理_1.同时获取多只股票
2.金融数据处理_2.金融计算
2.金融数据处理_3.检验分布和相关性
3.金融时间序列分析_1.Python下的时间处理
3.金融时间序列分析_2.Pandas时间格式
3.金融时间序列分析_3.金融数据频率的转换
4.金融数据处理分析实战案例_案例1
4.金融数据处理分析实战案例_案例2_多指标条件选股分析_1
4.金融数据处理分析实战案例_案例2_多指标条件选股分析_2
1.1.4. 第四部分：量化交易策略模块
三大经典策略1.三大经典策略_1.SMA
1.三大经典策略_2.动量Momentum
1.三大经典策略_3.均值回归
配对交易策略2.配对交易
技术分析相关策略3.量化投资与技术分析_1.技术分析理论
3.量化投资与技术分析_2.CCI策略的Python实现
3.量化投资与技术分析_3.布林带策略的Python实现_1
3.量化投资与技术分析_4.SMA和CCI双指标交易系统
3.量化投资与技术分析_5.形态识别和移动止损策略
大数据舆情分析策略4.大数据舆情分析策略_基于谷歌搜索的大数据舆情分析
CTA交易策略5.CTA交易策略_Aberration趋势跟踪系统
量化投资与机器学习6.量化投资与机器学习_1_机器学习算法原理_2_逻辑回归原理
6.量化投资与机器学习_1_机器学习算法原理_3_SVM算法原理
6.量化投资与机器学习_1_机器学习算法原理_4_决策树算法原理
6.量化投资与机器学习_1_机器学习算法原理_5_KNN算法原理
6.量化投资与机器学习_1_机器学习算法原理_6_神经网络算法了解
6.量化投资与机器学习_1_机器学习算法原理_7_K-means算法原理和算法总结
6.量化投资与机器学习_2_机器学习算法实现_1_数据集生成原理
6.量化投资与机器学习_2_机器学习算法实现_2_数据集可视化
6.量化投资与机器学习_2_机器学习算法实现_3_逻辑回归算法的python实现
6.量化投资与机器学习_2_机器学习算法实现_4_DT_KNN_NB算法的python实现
6.量化投资与机器学习_2_机器学习算法实现_5_SVM算法的python实现
6.量化投资与机器学习_3_机器学习算法实战_6_基于逻辑回归和SVM的股市趋势预测
1.1.5. 第五部分：面向对象和实盘交易
1.模块内容整体介绍
2.面向对象、类、实例、属性和方法
3.创建类、实例、方法
4._init_初始化方法
5.面向对象程序实例
6.继承的概念及代码实现
7.面向对象继承的实战案例
8.多继承和量化交易平台的面向对象开发思路
9.用面向对象方法实现股债平衡策略
1.1.6. 第六部分 实盘模拟交易
基于优矿平台的面向对象策略1.优矿平台介绍
2.优矿平台回测框架介绍
3.优矿框架之context对象、account和position对象
4.优矿其它重要操作
5.优矿之小市值因子策略
6.优矿之双均线策略
7.优矿之均值回归策略
8.优矿之单因子策略模板
9.优矿之多因子策略模板
10.优矿之因子数据处理：去极值和标准化
面向对象实盘交易之Oanda1.Oanda平台介绍和账户配置
2.Oanda账户密码配置和交易框架原理
3.Oanda链接账户并查看信息
4.Oanda API获取历史数据
5.Oanda市价单和交易状态查询
6.Oanda高级交易订单
7. Oanda其它高级功能
8. Oanda实战ADX策略全讲解：策略逻辑、数据读取、历史数据处理、可视化、实时数据和实时交易
9. Oanda通过实时数据API调取实时数据、resample
面向对象实盘交易之IB1.IB实战平台介绍及API安装调试
2.IB实战平台请求和响应远离、线程控制
3.IB响应函数wrapper讲解
4.IB请求函数及合约定义
5.IB程序化下单、仓位及账户查询
6.IB三均线交易_金字塔仓位下单控制模型实盘交易之策略原理、线程控制原理、策略结构总览、响应函数、交易信号、策略展示等全讲解。
1.1.7. 第七部分：基于优矿的进阶学习
1.1回测与策略框架
1.2评价指标
1.3.1量化策略设计流程简介
1.3.2择时策略举例（双均线）
1.3.3量化投资模板1.0选股和择时
2.1基于技术分析的量化投资
2.2.1技术指标简介
2.2.2 MACD择时策略
2.2.3 WVAD择时策略
2.2.4 RSI择时策略
2.2.5 MFI择时策略
2.2.6 CCI择时策略
2.2.7技术指标总结
2.3通道技术
3.1.1日期效应
3.1.2动量效应
3.2.1格雷厄姆成长投资
3.2.2积极投资策略
3.2.3价值投资策略
3.2.4小型价值股投资策略
3.3.1交易系统设计的一般原理
3.3.2均线排列系统
3.3.3金肯纳特交易系统
3.3.4海龟交易法系统
