用Python怎么做量化投资

Python022

用Python怎么做量化投资,第1张

本文将会讲解量化投资过程中的基本流程，量化投资无非这几个流程，数据输入------策略书写------回测输出

其中策略书写部分还涉及到编程语言的选择，如果不想苦恼数据输入和回测输出的话，还要选择回测平台。

一、数据

首先，必须是数据，数据是量化投资的基础

如何得到数据？

Wind：数据来源的最全的还是Wind，但是要付费，学生可以有免费试用的机会，之后还会和大家分享一下怎样才Wind里摘取数据，Wind有很多软件的借口，Excel，Matlab，Python，C++。

预测者网：不经意间发现，一个免费提供股票数据网站 预测者网，下载的是CSV格式

TB交易开拓者：Tradeblazer，感谢@孙存浩提供数据源

TuShare：TuShare -财经数据接口包，基于Python的财经数据包，利用Python进行摘取

如何存储数据？

Mysql

如何预处理数据？

空值处理：利用DataFrame的fill.na()函数，将空值（Nan）替换成列的平均数、中位数或者众数

数据标准化

数据如何分类？

行情数据

财务数据

宏观数据

二、计算语言&软件

已经有很多人在网上询问过该选择什么语言？笔者一开始用的是matlab，但最终选择了python

python：库很多，只有你找不到的，没有你想不到，和量化这块结合比较紧密的有：

Numpy&Scipy：科学计算库，矩阵计算

Pandas：金融数据分析神器，原AQR资本员工写的一个库，处理时间序列的标配

Matplotlib：画图库

scikit-learn：机器学习库

statsmodels：统计分析模块

TuShare：免费、开源的python财经数据接口包

Zipline：回测系统

TaLib：技术指标库

matlab：主要是矩阵运算、科学运算这一块很强大，主要有优点是WorkSpace变量可视化

python的Numpy+Scipy两个库完全可以替代Matlab的矩阵运算

Matplotlib完克Matlab的画图功能

python还有很多其他的功能

pycharm（python的一款IDE）有很棒的调试功能，能代替Matlab的WorkSpace变量可视化

推荐的python学习文档和书籍

关于python的基础，建议廖雪峰Python 2.7教程，适合于没有程序基础的人来先看，涉及到python的基本数据类型、循环语句、条件语句、函数、类与对象、文件读写等很重要的基础知识。

涉及到数据运算的话，其实基础教程没什么应用，python各类包都帮你写好了，最好的学习资料还是它的官方文档，文档中的不仅有API，还会有写实例教程

pandas文档

statsmodels文档

scipy和numpy文档

matplotlib文档

TuShare文档

第二，推荐《利用Python进行数据分析》，pandas的开发初衷就是用来处理金融数据的

三、回测框架和网站

两个开源的回测框架

PyAlgoTrade - Algorithmic Trading

Zipline, a Pythonic Algorithmic Trading Library

现假设有A, B, C, D, E五只股票的收益率数据((第二日收盘价-第一日收盘价)/第一日收盘价)), 如果投资人的目标是达到20%的年收益率,那么该如何进行资产配置,才能使得投资的风险最低?

更一般的问题,假设现有x 1 ,x 2 ,...,x n , n支风险资产,且收益率已知,如果投资人的预期收益为goalRet,那么该如何进行资产配置,才能使得投资的风险最低?

1952年，芝加哥大学的Markowitz提出现代资产组合理论(Modern Portfolio Theory，简称MPT)，为现代西方证券投资理论奠定了基础。其基本思想是，证券投资的风险在于证券投资收益的不确定性。如果将收益率视为一个数学上的随机变量的话，证券的期望收益是该随机变量的数学期望（均值），而风险可以用该随机变量的方差来表示。

对于投资组合而言，如何分配各种证券上的投资比例，从而使风险最小而收益最大？

答案是将投资比例设定为变量，通过数学规划，对每一固定收益率求最小方差，对每一个固定的方差求最大收益率，这个多元方程的解可以决定一条曲线，这条曲线上的每一个点都对应着最优投资组合，即在给定风险水平下，收益率最大，这条曲线称作“有效前沿” (Efficient Frontier)。

对投资者而言，不存在比有效前沿更优的投资组合，只需要根据自己的风险偏好在有效前沿上寻找最优策略。

简化后的公式为:

其中p 为投资人的投资目标,即投资人期待的投资组合的期望值. 目标函数说明投资人资产分配的原则是在达成投资目标 p 的前提下,要将资产组合的风险最小化,这个公式就是Markowitz在1952年发表的'Portfolio Selection'一文的精髓,该文奠定了现代投资组合理论的基础,也为Markowitz赢得了1990年的诺贝尔经济学奖. 公式(1)中的决策变量为w i , i = 1,...,N, 整个数学形式是二次规划(Quadratic Programming)问题,在允许卖空的情况下(即w i 可以为负,只有等式约束)时,可以用拉格朗日(Lagrange)方法求解。

有效前缘曲线如下图:

我们考虑如下的二次规划问题

运用拉格朗日方法求解,可以得到

再看公式(1),则将目标函数由 min W T W 调整为 min 1/2(W T W), 两问题等价,写出的求解矩阵为:

工具包: CVXOPT python凸优化包

函数原型: CVXOPT.solvers.qp(P,q,G,h,A,b)

求解时,将对应的P,q,G,h,A,b写出,带入求解函数即可.值得注意的是输入的矩阵必须使用CVXOPT 中的matrix函数转化,输出的结果要使用 print(CVXOPT.solvers.qp(P,q,G,h,A,b)['x']) 函数才能输出。

这里选取五支股票2014-01-01到2015-01-01的收益率数据进行分析.

选取的五支股票分别为: 白云机场, 华夏银行, 浙能电力, 福建高速, 生益科技

先大体了解一下五支股票的收益率情况:

看来，20%的预期收益是达不到了。

接下来,我们来看五支股票的相关系数矩阵：

可以看出，白云机场和福建高速的相关性较高，因为二者同属于交通版块。在资产配置时，不利于降低非系统性风险。

接下来编写一个MeanVariance类，对于传入的收益率数据，可以进行给定预期收益的最佳持仓配比求解以及有效前缘曲线的绘制。

绘制的有效前缘曲线为：

将数据分为训练集和测试集，并将随机模拟的资产配比求得的累计收益与测试集的数据进行对比，得到：

可以看出，在前半段大部分时间用Markowitz模型计算出的收益率要高于随机模拟的组合，然而在后半段却不如随机模拟的数据，可能是训练的数据不够或者没有动态调仓造成的，在后面写策略的时候，我会加入动态调仓的部分。

股票分析部分：

Markowitz 投资组合模型求解

蔡立专：量化投资——以python为工具. 电子工业出版社