一文了解算法交易策略:类型、步骤、建模思路和实施
算法交易策略简单来说就是用计算机语言(如 Python)编码的策略,用于执行交易订单。交易者将这些策略编码,以利用计算机的处理能力,以更高效的方式进行交易,几乎不需要干预。
无论你是初学者还是经验丰富的交易者,跟随这个指南踏上算法交易策略的旅程。它旨在赋予你必要的知识,帮助你在交易中取得成功。
从动量交易和套利,到做市和机器学习驱动的高频交易,我们通过实际案例和真实世界的交易算法应用进行学习。我们将探讨如何在实时市场中实施自动化交易系统,并且深入研究算法交易中的风险管理、优化技术、算法交易策略的回测以及数据获取等内容。
这个全面的指南是你值得依赖的资源,提供了专家驱动的见解,讲解简单明了。让我们通过这篇文章,进一步了解算法交易策略!
什么是算法交易?
“算法交易”这个术语听起来可能很复杂,但如果你有学习的决心和毅力,实际上是可以很容易实现的。
算法基本上是一组指令或规则,用于让计算机代表程序员(创建算法的人)采取行动。在交易领域,程序员就是具备至少一种计算机编程语言知识的交易者,这些语言包括 C、C++、Java、Python 等。
这种编程语言的知识是必需的,因为交易者需要用计算机能够理解的语言编写指令集。尽管算法交易的概念最初看起来可能很复杂,但只要有决心和正确的方法,它是可以管理的。对编程语言(如 Python 或 Java)的基础了解,对于交易者来说,创建能够有效执行交易的算法是至关重要的。
简而言之,在交易中,交易者将指令或规则提供给计算机,以便通过股票交易所自动执行交易订单,尽量减少人类干预。这就是算法交易。
什么是算法交易策略?
交易策略是由对金融市场有一定了解的交易者制定的,主要涉及:
进入市场(在价格有利时买入)
退出市场(在价格开始远低于预期时卖出)
这些策略被编码为程序指令集,以便为交易者带来有利的回报。这些指令通过编程语言(如 C、C++、Java、Python)提供给计算机,随后计算机可以生成信号并根据交易位置执行操作。
因此,这些策略被称为算法交易策略。
了解算法交易如何利用 Python 来帮助轻松开发复杂的统计模型。
在继续之前,快速浏览一下交易者和投资者常用的 15 种流行的算法交易策略,以自动化他们的交易决策。
算法交易策略的分类
目前使用的所有算法交易策略可以大致分为以下几类:
动量交易策略或趋势跟随策略
套利算法交易策略
做市算法交易策略
机器学习在交易中的应用
期权交易和期权交易策略
接下来,我们将简要介绍与每种算法交易策略相关的策略范式和建模思路。
动量交易策略
让我们来探索动量交易策略或趋势跟随交易策略的世界。
假设市场上存在一个特定的趋势,作为一个算法交易者,你正在跟随这个趋势。进一步假设,在某一周市场出现下跌。那么,你可以利用统计方法来判断这个趋势是否会持续,或者在接下来的几周内是否会发生变化,根据这些判断,你将决定下一步的行动。
基于市场趋势建立的算法交易策略是通过统计方法来跟踪趋势,这种方法称为动量交易,而所采用的策略被称为动量交易策略。实施这种算法交易策略的方式有很多,本文是基于新闻的交易方法论。
动量交易策略的策略范式
动量交易策略旨在通过利用市场波动来从现有趋势的持续性中获利。
“简单来说,就是高买高卖,反之亦然。”
那么我们如何实现这一目标呢?
**短期持仓:**在这种特定的算法交易策略中,我们将在股票上涨或下跌时进行短期持仓,直到它们显示出反转的迹象。这几乎与其他所有知名策略都是相悖的。
**价值投资:**价值投资通常基于长期回归均值,而动量投资则基于均值回归发生之前的时间差。
**动量:**动量是追逐表现,但以系统化的方式,利用其他因情绪决策而追逐表现的人。
对于任何历史上证明有效的策略,通常会给出两种解释:
要么该策略补偿了其所承担的额外风险,或者由于行为因素,导致存在溢价。你可以使用二次判别分析来创建或优化一个日内动量策略。
动量交易策略为何有效
投资者展现出一系列行为偏差和情绪错误,正是这些原因导致动量策略的有效性。然而,这说起来容易,但实际上趋势并不会永远持续,往往在达到顶峰时会迅速反转并结束。
动量交易比大多数其他策略具有更高的波动性,旨在利用市场的波动性。正确的买卖时机对于避免损失至关重要,因此需要使用适当的风险管理技术和止损策略。动量投资需要适当的监控和恰当的多样化,以防范严重的市场崩盘。
动量交易策略建模思路
首先,你需要知道如何检测价格动量或趋势。既然你已经进入了交易领域,你就知道趋势可以通过关注那些连续上涨的股票和ETF来检测,这些股票和ETF可能已经连续上涨了数天、数周甚至数个月。
例如,可以识别那些交易价格距离其52周高点不超过10%的股票,或者观察过去12周或24周的百分比价格变化。同样,如果想要寻找短期趋势,可以包含更短期的价格变化。
例如,在2008年,石油和能源行业在崩溃的过程中仍然连续被评为顶级行业。
动量交易策略的类型
我们还可以通过盈利来理解股票价格的变动。基于过去回报(价格动量策略)或盈利惊喜(被称为盈利动量策略)的策略利用了市场对不同信息的反应不足。
盈利动量策略:盈利动量策略可以从对与短期盈利相关的信息反应不足中获利。
价格动量策略:价格动量策略可以从市场对更广泛信息(包括长期盈利能力)的反应迟缓中获利。
策略模板:119-动量策略
套利交易策略
让我们通过一个例子来理解套利。如果我们假设一家制药公司将被另一家公司收购,那么该公司的股票价格可能会上涨。这一变化是由于收购这一企业事件引发的。如果你打算基于企业事件(如收购前或后)可能发生的价格不效率进行投资,那么你就是在使用事件驱动策略。
破产、收购、合并、分拆等都可以成为驱动这种投资策略的事件。这些套利算法交易策略可以是市场中立的,并且被对冲基金和专有交易者广泛使用。
统计套利交易策略
当由于价格错误报价而产生套利机会时,这对算法交易策略非常有利。尽管这样的机会存在的时间非常短暂,因为市场价格会迅速调整。这正是算法交易策略最佳应用的地方,因为自动化机器可以立即跟踪这些变化。
例如,假设每当苹果公司的股票价格下跌1美元时,微软公司的股票价格也会下跌0.5美元。现在,假设微软的价格尚未下跌,你可以选择卖出微软的股票来获利。
统计套利交易策略的策略范式
如果市场做市是利用买卖价差的策略,统计套利则试图从一个或多个资产的统计性错误定价中获利,基于这些资产的预期价值。更学术的解释是,将风险分散到一千到几百万笔交易中,在极短的持有期内,期望从大数法则中获利。统计套利算法主要基于均值回归假说,通常是成对出现的。
统计套利交易策略的建模思路
配对交易是被统称为统计套利策略的几种策略之一。在配对交易策略中,价格表现出历史共动性的股票根据基本面或市场基础相似性进行配对。该策略建立在市场中相对价格处于均衡状态的概念之上,而这种均衡的偏离最终会被修正。
当一只股票表现优于另一只股票时,表现优异的股票被做空,而另一只股票则被做多,期望短期的偏离最终会收敛。这通常可以对冲因不利市场变动带来的市场风险,即使得策略保持贝塔中立。
然而,头寸的总市场风险取决于每只股票投资的资本量和这些股票对该风险的敏感性。
在成熟市场中,套利机会很容易被识别,似乎个人投资者还有待开发的潜力。这个EPAT交易项目特别研究了中国的期货市场,使用卡尔曼滤波技术和统计套利。
策略模板:137-配对交易策略(Pairs Trading)
市场做市交易策略
为了理解做市交易,让我首先谈谈市场做市商。
市场做市商的定义:“市场做市商或流动性提供者是指公司或个人,他们在持有库存的金融工具或商品中同时报价买入和卖出价格,希望通过买卖差价获利。”(来源:维基百科)
做市商为在证券交易所上不常交易的证券提供流动性。市场做市商可以增强证券的供需关系。您可以在我们关于做市交易的详细文章中深入了解这一点。
让我们来看一个例子!
假设你有一个市场做市商马丁,他以500印度卢比的价格从市场上买入一项资产,并以505印度卢比的价格卖出。他会给你一个买卖报价为505-500印度卢比。虽然他的利润是5印度卢比,但在一天中,他还会进行大量交易,以获取可观的收益,并抵消价格波动带来的风险。此外,当马丁承担更高的风险时,利润的概率也会更高。
我发现迈克尔·刘易斯的书《闪电交易》在印度牛市中非常有趣,详细讨论了流动性、市场做市和高频交易等内容。你可以在阅读完这篇文章后去看看。
由于在进入或升级到算法交易时需要具备分析和量化能力,因此学习编程(至少部分)并建立可靠的系统,以及执行正确的算法交易策略,变得至关重要。自动化交易系统正在快速发展,人们需要时刻关注其周围发生的一切。
在这个领域中,投入时间进行量化交易教育将为你提供必要的技能和知识,以有效地应对和利用这些进步。
市场做市交易策略的范式
正如我之前提到的,市场做市的主要目标是为那些未在股票交易所交易的证券提供流动性。为了衡量流动性,我们会考虑买卖价差和交易量。
一些交易算法倾向于从买卖价差中获利。
例如,我们将在本节中再次提到我们的朋友马丁。作为市场做市商,马丁是一位流动性提供者,他可以在金融工具的买方和卖方同时报价,希望从买卖价差中获利。
马丁会承担持有他所报价的证券的风险,一旦收到订单,他通常会立即从自己的库存中出售。他可能会在几秒钟内寻求对冲的报价,反之亦然。
在处理流动性较差的证券时,价差通常更大,因此利润也更高。
例如,在这种情况下,马丁会承担更高的风险。市场中的一些细分领域由于缺乏流动性而缺乏投资者兴趣,因为投资者在任何时候都无法从一些小型股和中型股中退出。
像马丁这样的市场做市商非常有用,因为他们总是准备以他们报价的价格买入和卖出。实际上,大部分高频交易(HFT)都是被动的市场做市。策略同时存在于市场的两侧,彼此竞争,为那些需要流动性的人提供服务。
那么,何时这种市场做市策略最有利可图呢?
只要模型能准确预测未来的价格变化,这种策略就是有利可图的。
市场做市策略的建模思路
买卖价差和交易量可以一起建模,以获得流动性成本曲线,这代表了流动性接受者支付的费用。
如果流动性接受者仅在最佳买入价和卖出价执行订单,那么费用将等于买卖价差乘以交易量。当交易者超越最佳买入价和卖出价,进行更多交易量时,费用也会成为交易量的函数。
交易量的建模是困难的,因为它依赖于流动性接受者的执行策略。目标应该是找到一个与价格动态一致的交易量模型。
市场做市模型通常基于以下两种情况之一:
第一种市场做市模型:第一种模型关注于库存风险。该模型基于偏好的库存位置和基于风险偏好的定价。
第二种市场做市模型:第二种模型基于逆向选择,区分信息交易和噪声交易。噪声交易对市场没有任何看法,而信息交易则有。当流动性接受者的观点是短期的,它旨在利用统计优势实现短期利润。
在长期观点的情况下,目标是最小化交易成本。长期策略和流动性约束可以建模为短期执行策略周围的噪声。
在这个领域,抓住机会并及时行动是必要的,因此我们必须适应像机器学习这样的不断发展的科学。
机器学习交易策略
在基于机器学习的交易中,应用之一是预测在某一置信区间内短期价格波动的范围。使用人工智能(AI)的优势在于,初始软件由人类开发,而AI本身会开发模型并随着时间的推移不断改进。基于机器学习的高频交易算法可能很快就会出现曙光。
通过处理历史数据和实时数据,AI驱动的模型能够揭示微妙的关系,并以更高的准确度预测股票趋势。AI在股票交易中的应用越来越多,能够识别人类交易员可能忽视的模式。这种适应性使得交易策略能够更灵活地应对市场动态,从而在快速变化的交易环境中提供竞争优势。
许多基金依赖于由数据科学家和量化分析师构建的计算模型,但这些模型通常是静态的,即不会随着市场变化而变化。相比之下,机器学习算法交易模型能够以高速分析大量数据,并通过这种分析自我改进。
机器学习交易策略的建模思路
算法交易中的机器学习模型选择涉及对各种模型的仔细评估,以识别最合适和有效的模型,用于做出明智的交易决策。
一种名为“贝叶斯网络”的机器学习形式可以用于预测市场趋势,同时利用几台机器。
包含诸如“进化计算”(受到遗传学启发)和深度学习等技术的人工智能,可能会在数百甚至数千台机器上运行。
人工智能在交易中可以做什么?
它可以创建一个庞大且随机的数字股票交易者集合,并测试他们在历史数据上的表现。然后,它会挑选出表现最好的交易者,并使用他们的风格/模式来创建一组新的进化交易者。这个过程会重复多次,最终创建出一个能够完全独立操作的数字交易者。这些是一些重要的策略范式和建模思路。接下来,我们将逐步介绍构建算法交易策略的过程。
你知道吗?你可以在不写一行计算机代码的情况下构建机器学习策略!你可以通过BigQuant的可视化编程界面轻松实现这个策略。一定要立即查看哦!
期权交易策略
期权交易是一种交易策略,非常适合期望快速获得结果、以有限投资获取更高回报的交易风格。交易者可以创建自己的期权交易策略,对其进行回测,并在市场中实践。
策略模板:
DeepAlpha短周期因子研究系列之:DNN在量化选股中的应用
DeepAlpha短周期因子系列研究之:StockRanker在量化选股中的应用
DeepAlpha短周期因子研究系列之:随机森林在量化选股中的应用
DeepAlpha短周期因子系列研究之:XGBoost 在量化选股中的应用
DeepAlpha短周期因子系列研究之:CNN在量化选股中的应用
DeepAlpha短周期因子系列研究之:TabNet在量化选股中的应用
DeepAlpha短周期因子研究系列之:LSTM在量化选股中的应用
期权交易策略的类型
以下是一些不同类型的期权交易策略:
对角价差(Diagonal Spreads)
日历价差(Calendar Spread)
合成多头看跌期权(Synthetic Long Put)
多头组合(Long Combo)
熊市价差(Bear Spread)
熊市看涨阶梯(Bear Call Ladder)
脖子保护策略(Collar Options)
牛市看涨价差(Bull Call Spread)
蝴蝶价差(Butterfly Spread)
平值期权(Straddle Options)
翡翠蜥蜴(Jade Lizard)
铁蝴蝶(Iron Butterfly)
多头宽跨式(Long Strangle)
铁秃鹫(Iron Condor)
破翼蝴蝶(Broken Wing Butterfly)
策略木模板:【历史文档】策略示例-期权策略
算法交易中的风险管理
在算法交易策略中,风险管理是至关重要的,能够保护投资者免受潜在损失并确保算法交易策略的整体稳定性和成功性。算法交易策略依赖于复杂的数学模型和自动化操作,因此有效的风险管理对于应对可能时常不可预测的市场条件至关重要。
因此,一个全面的风险管理框架对于算法交易策略的可持续性和成功性至关重要。它确保能够适应市场动态并进行明智的决策。
以下技术可能会有所帮助:
风险缓解技术:
使用止损订单来限制单笔交易的损失。
通过在不同资产之间分散投资组合来分散风险。
动态调整:
持续监控和调整算法参数。
根据不断变化的市场条件进行适应,以实现有效的风险管理。
对不可预见事件的快速反应,以减少重大损失的可能性。
回测和模拟:
使用历史市场数据测试您的算法。
在各种场景下评估您的算法交易策略的表现,以识别其弱点。
根据测试中获得的见解优化算法,使算法交易策略更加稳健。
构建和实施算法交易策略
从算法交易策略到算法交易策略的分类,再到范式和建模思路以及期权交易策略(您可以报名参加我们的高级期权交易策略课程),现在我们来到了本文的这一部分,您将学习如何构建一个基本的算法交易策略。
我想这可能是您心中第一个浮现的问题。
关键是,您已经通过阅读本文开始了解算法交易策略的基础知识和范式。现在,我们的“乐队”引擎已经启动,是时候踩下油门了。
那么,究竟如何构建一个算法交易策略呢? 我们将逐步解释如何构建算法交易策略。
构建算法交易策略的步骤
简要描述将使您了解整个过程。
步骤 1 - 决定策略类型或范式
第一步是决定策略范式。可以是市场做市、基于套利、生成阿尔法、对冲或执行为基础的策略。
在这个特定实例中,我们将选择配对交易,这是一种统计套利策略,具有市场中立性(贝塔中立)并生成阿尔法,即无论市场如何波动都能获利。
步骤 2 - 确定统计显著性
您可以根据市场观点或通过可视化相关性(在配对交易策略的情况下)决定要交易的实际证券。确认所选证券的策略是否具有统计显著性。
例如,在配对交易中,检查所选配对的协整性。
步骤 3 - 构建交易模型
现在,编写逻辑代码,以便在您的策略中生成买入/卖出信号。对于配对交易,检查“均值回归”;计算配对价差的 z-score,并在预计其回归到均值时生成买入/卖出信号。可以在 BigQuant课程中详细学习均值回归策略。
决定“止损”和“止盈”的条件。
止损 – 止损单限制了投资者在证券头寸上的损失。它会触发一个订单以平掉现有的多头或空头头寸,以避免进一步的损失,并帮助消除交易决策中的情绪因素。
止盈 – 止盈单用于在有利方向上移动时自动平掉现有头寸,以锁定利润。
步骤 4 - 报价或成交策略
决定策略是“报价”还是“成交”是非常重要的。执行策略在很大程度上决定了您的策略将是激进还是保守。
报价 – 在配对交易中,您为一项证券报价,并根据该头寸是否被成交发送另一项的订单。在这种情况下,成交的概率较低,但您可以节省一侧的买卖差价。
成交 – 在这种情况下,您同时对两项证券发送市场订单。成交的概率较高,但同时滑点更多,您需要支付两侧的买卖差价。
在成交概率和滑点优化执行之间的选择,时间执行也是如此。如果您选择报价,那么您需要决定为哪些证券报价,这就是配对交易的运作方式。
如果您决定为流动性较差的证券报价,滑点将较小,但交易量会减少;而流动性较高的证券则增加了滑点的风险,但交易量会很高。
使用统计数据检查因果关系是达到决策的另一种方式,即改变哪个证券会导致另一个证券的变化,哪个是主导。因果关系测试将确定“领先-滞后对”;为领先的证券报价并覆盖滞后的证券。
第5步 - 回测与优化
你如何判断所选择的策略是好是坏?你如何评估你的假设?
在这里,回测算法交易策略成为评估基于历史数据设计的假设性能的重要工具。
如果回测结果和性能统计支持你的假设,那么可以认为这个策略是好的。因此,选择包含足够数据点的历史数据是很重要的。
这需要创建足够数量的样本交易(至少100笔以上),覆盖各种市场情景(牛市、熊市等)。确保你考虑到经纪费用和滑点成本。这将为你提供更现实的结果,不过在回测时你可能仍然需要做一些近似处理。
例如,在回测报价策略时,很难确定何时会成交。因此,常见的做法是假设以最后交易价格成交。
交易者通常采用复杂的回测方法进行稳健的算法评估,以便在将策略投入实盘前进行充分测试。这些步骤为你构建策略奠定了基础。
在回测时应该选择什么样的工具?
回测算法交易策略涉及大量的数据,特别是如果你打算使用逐笔数据。因此,你应该选择能够处理如此庞大数据负载的工具。
BigQuant是一个免费的平台,允许你回测算法交易策略、进行投资研究以及创建和优化算法交易策略,使用超过10年的数据。释放你的潜力,使用领先的算法交易平台。
你应该使用R还是MATLAB?
R在处理大量数据方面表现优秀,具有高计算能力,因此是回测的较好工具之一。此外,R是开源的且免费。而MATLAB也可以使用,但需要支付许可费用。
步骤 6 - 风险与绩效评估
“拥有伟大的力量就意味着要承担伟大的责任”好吧,我刚刚抄袭了本·帕克在《蜘蛛侠》电影中的名言(不是《惊奇蜘蛛侠》那部)。
但相信我,这句话 100% 是真的。无论你对自己的策略多么自信,或者它之前的表现多么成功,你都必须认真评估每一个细节。
在分析策略的绩效和风险时,有几个参数需要监控。以下是一些重要的指标/比率:
总回报(CAGR) – 复合年增长率(CAGR)是某项投资在超过一年时间段内的平均年增长率。
成交比率 – 订单与交易的比率。
每笔交易的平均利润 – 总利润除以总交易数。
每笔交易的平均亏损 – 总亏损除以总交易数。
最大回撤 – 任何交易中的最大损失。
回报的波动性 – “回报”的标准差。
夏普比率 – 风险调整后的回报,即每单位波动性或总风险的超额回报(相对于无风险利率)。
注意:将风险管理整合到算法交易系统中对于防范潜在损失以及确保策略的整体稳定性和成功至关重要。
算法交易在哪里应用
算法交易策略可以被任何具备金融市场经验和编程技能的交易者使用。这类交易者被称为算法交易者。算法交易者可以编写算法交易策略,以便在交易订单方面采取不同的行动。
算法交易策略可以执行复杂的数学计算来预测金融资产的价格。 算法交易策略可以预测市场走势。 可以通过算法交易策略生成交易信号。 风险管理也可以通过算法交易策略实现。 算法交易策略被以下机构使用:
对冲基金
投资银行
养老基金
自营交易商
进行做市的经纪商
使用算法交易策略的指南
选择合适的算法交易策略就像为您的投资旅程找到最佳路径。
选择算法交易策略:首先,选择一个与您的目标相匹配的策略——这可以是跟随市场趋势,利用价格修正,或者发现资产之间的价格差异。借助像 BigQuant这样的工具,您可以更轻松地开始,而无需成为编码专家,您可以简单地使用可视化元素来创建您的策略。
回测算法交易策略:一旦您选择了策略,在投入资金之前测试一下是很重要的。这称为回测。可以把它想象成在大赛前的练习——您希望看看您的策略在过去会表现如何。许多交易平台都有相关的工具。通过查看过去的结果,您可以弄清楚哪些有效,哪些可能需要调整。这有点像在没有实际风险的情况下从经验中学习。BigQuant 提供的关于回测交易策略的课程正是您优化交易的最佳选择。
监控您的算法交易策略:请记住,算法交易成功的关键是灵活应变。市场在变化,您的策略也应该如此。密切关注您的策略表现,不要害怕根据需要进行调整或尝试不同的方法。把这想象成操控您的船只——您想要在波涛中航行,随时调整,以便充分利用您的算法交易冒险。
优化您的算法交易策略:根据需要优化您的策略,然后继续。
从零开始学习算法交易
在线上有大量关于算法交易的课程,但找到符合您个人需求的课程是最重要的。
显然,从市场专家那里学习算法交易策略对您最有利。为实现这一目标,您的学习目标和课程内容需要完全同步,以免浪费时间在不必要的信息上。
算法交易书籍
您还可以进一步探讨市场参与者、交易方法、流动性、价格发现、交易成本等内容。
以下是一些关于算法交易的必读书籍,这些书籍是最受欢迎的,被广泛接受,作者都是行业的权威,提供了有趣的解释、发人深省的见解和无限的指导。探索我们的一本顶级算法交易书籍,以加深您的理解。
《交易与交易所:从业者的市场微观结构》——拉里·哈里斯
《市场微观结构理论》——莫琳·奥哈拉
《算法交易:获胜策略及其原理》——厄内斯特·陈博士
《算法交易与DMA:直接接入交易策略入门》——巴里·约翰逊
《统计学与计量经济学的肖姆大纲》——多米尼克·萨尔瓦托,德里克·里戈尔
《金融时间序列分析》——瑞伊·蔡
《金融市场技术分析:交易方法与应用的综合指南》——约翰·J·墨菲
《期权、期货及其他衍生工具》——约翰·C·霍尔
《动态对冲:管理普通和复杂期权》——纳西姆·尼古拉斯·塔勒布
算法交易策略的常见问题解答
在我们的各项交流活动中,我们遇到了一些最常见的问题。
问题1:我不是工程专业毕业生,也不是软件工程师或程序员。我对编程语言一无所知。那么我如何才能制定这样的交易策略呢?我已经退休了。采取某种方法或遵循某种方法对我的交易有帮助吗?有没有我可以用于交易的标准策略?
回复:我会把这个问题分成两部分。首先,如果你没有编程经验,但对统计学或交易策略有一些了解,那么最好的起点就是开始学习。你可以在宽客学院自主学习或者寻找客服小Q,他们可以分享很多帮助你入门的材料,这些材料也可以在我们自己的门户网站上找到。
因此,有很多这样的资源可以帮助你入门,然后你可以看看这是否让你感兴趣。好消息是,你提到你已经退休,这意味着你有更多的时间可以利用,但确保这是你真正感兴趣的事情也很重要。我通常不推荐任何标准策略。
没有任何标准策略能够让你赚很多钱。即使是最复杂的标准策略,你也需要进行一些修改,以确保能从中获利。如果它是标准的,那就是标准的原因,这意味着它不会生成任何收益。最好的建议是创建自己的策略,这一点很重要。
问题2:我们可以使用Python开发MACD背离吗?
回复:可以。几乎所有基于技术指标的策略都可以做到。
问题3:你见过的算法交易的最佳胜率是多少?
回复:关于算法交易,尤其是高频交易,有趣的地方在于,它并不在于你能产生的百分比回报。
我见过的策略在一个月内产生了50,000%的回报,但问题是,这些策略中的很多都不可扩展。那个特定的策略只在一个单一的合约上运行,考虑到你有那么少的保证金,即使你赚了一些可观的金额,它也不会具有可扩展性。
如果我们从所赚金额与庞大的基础设施的角度来看,考虑到它只在一个合约上运行,我不能获得很多利润。
因此,查看胜率并不是正确的看法,如果是高频交易或低频、中频交易策略,通常1.8到2.2的Sharpe比率是一个不错的比率。所以我们不能谈论回报,回报可以在没有定义风险的情况下存在,尤其是如果它是一个方向性策略,这并没有太大意义,这也是我给你提供Sharpe比率的原因,如果你正在扩大规模。
除了这些问题,我们在这篇文章中还涵盖了许多关于算法交易策略的问题。查看一下你的算法交易策略的疑问是否在这里,或者随时联系我们,我们很乐意帮助你。