JOJO/agent

Fork 0

JOJO fea932425a chore: initial import

2025-11-14 16:44:12 +08:00

8.3 KiB

Raw Blame History

掘金量化交易完整指南

什么是掘金量化？

掘金量化是一个集数据、投研、实盘交易的一站式专业量化平台，致力于为专业量化投资团队提供服务，为量化策略师量身打造的专业工具。

平台核心特点

🚀 更快更专业

专业级服务: 面向专业量化投资团队
一站式解决方案: 集成策略研究、回测、仿真、实盘、分析完整生命周期
本地化终端: 策略最安全，数据本地存储

📊 数据服务

全面市场覆盖: 国内六大交易所 + 上海能源交易所
丰富数据类型:
- 股票数据：近10年日线/分钟线/Tick行情数据，及分红送配、行业、板块等数据
- 期货数据：股指期货、商品期货、主力连续数据
- 财务数据：A股公司近十年财务数据
- 指数数据：700+指数行情、成分股权重信息
本地化接口: 自由集成第三方数据

🔄 仿真交易

多品种支持: 股票、期货等多品种混合仿真
完整交易规则:
- 清算模块：分红送配、仓位结转、保证金追缴、到期交割
- 撮合模块：盘口五档 + 时间/价格优先队列撮合
- 委托模块：委托类型区分、价量逐档撮合、挂单冻结、委托合法性
真实规则仿真: 完全参照各交易所规则

🧪 回测系统

多频率支持: Tick/分钟/日频/自定义回测
多品种回测: 股票/期货/多品种混合回测
真实价格回测: 复权回测、连续合约回测
参数设置: 滑点、手续费率、成交比率、成交比例
缓存机制: 缓存回测数据，提升反复回测效率
详细报告: 多维度绩效分析报告 + 数据导出

💻 开发环境

内嵌IDE: 运行、调试、语法高亮、自动完成
多语言支持: Python, Matlab, C, C++, C#
外部编辑支持: 完美支持外部编辑器
事件机制: 策略以事件方式调度，集成数据事件、交易事件、时间事件
标准化模式: 模式切换回测/仿真/实盘，策略代码不需变动

🛡️ 风控系统

独立风控: 独立于策略，风控稳定性高
账户级风控: 每个账户独立设置风控指标
自定义风控: 风控接口 + 自定义添加风控规则
多重提醒: 微信、邮件、语音、界面提醒
风控触发行为: 警告、禁止开仓、禁止交易、强行平仓

📈 实盘交易

多通道支持: 标准柜台、极速柜台、期货柜台、PB与资管系统
低延迟: 交易信号直通柜台，微秒级系统延迟
多账户管理: 策略、账户多对多管理
消息通知: 实盘场景提供界面、短信、微信消息通知

常见量化策略类型

1. 趋势跟踪策略

双均线策略: 使用短期和长期移动平均线判断趋势
MACD策略: 基于MACD指标的金叉死叉信号
动量策略: 基于价格动量进行交易决策

2. 均值回归策略

布林带策略: 基于价格偏离布林带上下轨
RSI策略: 基于相对强弱指标的超买超卖
统计套利: 基于协整关系的配对交易

3. 套利策略

跨期套利: 同一品种不同到期月份的套利
跨品种套利: 相关品种间的价格差异套利
期现套利: 期货与现货之间的基差套利

4. 高频策略

做市策略: 提供双边报价赚取价差
抢单策略: 利用速度优势获取订单
统计套利: 短时间内的价格差异套利

5. 机器学习策略

因子选股: 使用多因子模型进行股票选择
情绪分析: 基于新闻、社交媒体情绪交易
深度学习: 使用神经网络预测价格走势

策略开发流程

第一步：策略构思

# 示例：简单的双均线策略框架
def initialize(context):
    context.security = '000001.XSHE'  # 平安银行
    context.short_period = 5
    context.long_period = 20

def handle_data(context, data):
    # 获取历史数据
    hist = history(context.long_period + 1, '1d', 'close')
    
    # 计算均线
    short_ma = hist['close'][-context.short_period:].mean()
    long_ma = hist['close'][-context.long_period:].mean()
    
    # 交易逻辑
    if short_ma > long_ma and context.portfolio.positions[context.security].amount == 0:
        order(context.security, 1000)
    elif short_ma < long_ma and context.portfolio.positions[context.security].amount > 0:
        order(context.security, -1000)

第二步：数据获取与处理

使用平台提供的API获取历史和实时数据
数据清洗和预处理
特征工程构建

第三步：策略回测

设置回测参数（时间范围、初始资金、手续费等）
运行回测并分析结果
优化策略参数

第四步：仿真测试

在仿真环境中测试策略
验证策略的稳定性
检查风险控制效果

第五步：实盘部署

小资金实盘测试
逐步扩大资金规模
持续监控和优化

平台使用指南

快速开始

注册账号: 访问掘金量化官网注册
下载终端: 下载并安装掘金量化终端
选择数据包: 根据需求选择基础版或期货版
创建策略: 使用内置IDE创建新策略
回测验证: 运行回测验证策略效果
仿真测试: 在仿真环境中测试
实盘交易: 连接实盘账户进行交易

策略模板

平台提供多种策略模板：

技术指标策略（MACD、KDJ、RSI等）
量化选股策略（多因子、alpha对冲等）
套利策略（跨期、跨品种、统计套利等）
高频策略（做市、抢单等）

数据接口

# 获取股票历史数据
data = history(symbol, frequency, fields, skip_paused, df)

# 获取财务数据
fundamentals = get_fundamentals(query_object, date)

# 获取当前行情
current_data = get_current_data(symbols)

优秀策略案例

1. 网格交易策略

策略原理: 在价格波动范围内设置网格，低买高卖
适用场景: 震荡行情
风险控制: 设置止损点和仓位控制

2. 多因子选股策略

策略原理: 综合多个因子（价值、成长、质量等）进行选股
因子选择: PE、PB、ROE、营收增长率等
组合构建: 等权组合或风险平价组合

3. 期现套利策略

策略原理: 利用期货与现货的基差进行套利
交易时机: 基差偏离正常范围时
风险因素: 基差风险、流动性风险

风险管理要点

1. 策略风险

过拟合风险: 避免过度优化参数
数据偷窥: 确保使用未来数据
幸存者偏差: 考虑退市股票的影响

2. 交易风险

流动性风险: 考虑冲击成本
操作风险: 系统故障、网络中断
市场风险: 极端行情下的表现

3. 风险控制措施

仓位控制: 限制单笔交易和总仓位
止损机制: 设置合理的止损点
分散投资: 多策略、多品种分散

学习资源

官方资源

掘金量化官网: https://www.myquant.cn/
策略集锦GitHub: https://github.com/myquant/strategy
官方文档: 详细的API文档和使用指南

学习资料

量化投资书籍: 《量化投资策略与技术》、《量化交易》
在线课程: 各大平台的量化投资课程
社区论坛: 掘金量化社区、量化投资论坛

数据源

Tushare: 免费的股票数据接口
聚宽: 量化数据平台
Wind: 专业金融数据终端

总结

掘金量化作为国内领先的量化交易平台，提供了从数据获取、策略开发、回测验证到实盘交易的完整解决方案。无论是初学者还是专业量化投资者，都能在平台上找到适合自己的工具和服务。

成功的量化交易需要：

扎实的金融和数学基础
编程和数据分析能力
严谨的策略开发流程
完善的风险管理体系
持续的学习和优化

建议初学者从简单的策略开始，逐步深入学习和实践，在实践中积累经验，最终形成自己的量化交易体系。

联系方式

官网: https://www.myquant.cn/
技术支持: 提供在线客服和技术支持
社区交流: 加入掘金量化社区，与其他量化投资者交流经验

8.3 KiB Raw Blame History Unescape Escape