量化交易python培训心得python培训量化交易python与量化交易培训
下载地址 https://share.weiyun.com/tIMc8ewb
资料目录 Python股票量化投资视频课程（25集完结）
Python股票量化策略培训预习材料（视频讲解+素材）
《Python机器学习与量化投资》电子书
《Python量化交易》.pdf
《Python与量化投资：从基础到实战》.pdf
《零起点TensorFlow与量化交易》.pdf
机器学习在量化投资中的应用研究_汤凌冰著 pdf
量化交易之路：用Python做股票量化分析(高清).pdf
量化投资以Python为工具.pdf
举例 双均线策略
双均线策略是最简单的 CTA 策略，相当于编程中的“Hello World！”，其运用场景是日均中长线交易，掌握好双均线策略有利于理解更加复杂的交易策略。
策略原理
对于每一个交易日，都可以计算出前 N 天的移动平均值，把这些移动平均值连成一条线，就叫作 N 日移动平均线。该策略用到两条均线，分别是快均线（5天均线）和慢均线（20 天均线）。当快均线上升穿过慢均线时，形成金叉，给出买入信号。反之，当快均线下跌穿过慢均线时，形成死叉，给出卖出信号。如图5-1 所示。
图 5-1 金叉和死叉形成
双均线策略的缺点是仅仅给出买卖信号，并无明确的过滤器和止损，故其稳定性不好。虽然使用该策略的玩家非常多，但是该策略已开始经逐渐失效了。
关于策略回测，在一般情况下，当拿到一组数据时：
第一步，用简单的向量回测方法来检测它是否有强的自相关性，如果数据在时间序列上表现出趋势，则适合使用 CTA 类策略。反之，如果表现出均值回归（即在一定价格区间上下震荡），则使用套利类策略。
第二步，当数据显示很强或者很弱的自相关性时，均需要更加精细化的策略回测，vn.py 提供了比较完整的策略回测模块，用户可以基于该模块进行数据回测。
vn.py 回测
（1）导入包。
pymongo 用于在 Python 环境中连接到 MongoDB 数据库，VtBarData 里保存了 K 线数据，DAILY_DB_NAME 是 vn.py 定义的 MongoDB 数据库存放日线数据的地方。
In[1]
#加载模块
%matplotlib inline
import tushare as ts
import pymongo #MongoDB 的Python 客户端
from datetime import datetime
from vnpy.trader.vtObject import VtBarData # vtObject 里面保存了所有交易平台用到的
#数据
from vnpy.trader.app.ctaStrategy.ctaBase import DAILY_DB_NAME #加载 vn.py 数据库
#常量
（2）获取数据。
ts.get_hist_data 通过 Tushare 把行情数据导入内存中。Sort_index()则可对时间序列进行重新排序，其顺序是从最老的数据到最新的数据，因为 Tushare 默认下载的数据排序是从最新到最老。
In[2]
# 定义合约代码
Symbol = '510050'
Exchange = 'SSE' #上交所
vtSymbol = '.'.join([symbol, exchange]) #股票（合约代码+交易所代码）
# 下载历史数据
data = ts.get_hist_data(symbol, '2017-01-01', '2018-01-01')
data = data.sort_index()
print u'数据下载完成'
（3）创建 MongoDB 连接。在 MongoClient 传入参数，第一个是 MongoDB 所在服务器的默认 IP（本机地址），第二个是默认端口 27017。然后返回客户端下的数据库对象，在数据库中查找 vtSymbol。
#创建MongoDB 链接
client = pymongo.MongoClient('localhost', 27017) #默认IP 和默认端口
collection = client[DAILY_DB_NAME][vtSymbol] #数据库中查找vtSymbol
collection.ensure_index('datetime') #保证索引的唯一性
print u'MongoDB 链接成功'
在 MongoDB 数据库中可以看见连接已经创建好了，如图 5-8 所示。
图 5-8 MongoDB 连接创建成功
|