笔者按：

最近看到大家对于量化的热情很高，想着自己阅读高等数学也有一段时间了，量化也有一些生疏了，所以还是要对量化进行总结和分析，原来自己曾经有一个关于Python基础，Python量化，Python机器学习的笔记，现在看来都过于凌乱，所以借着这个情况，对于量化进行重新梳理。笔者的量化之路的开启的领路书是蔡立耑先生的 《量化投资：以Python为工具》，这本书最大的好处就是厚【原谅笔者不厚道的笑了】，其实最主要还是重视基础，并且将统计学的内容进行讲解，而且通过Python编程进行了实现，其中还有一些不错的案例进行解释和说明，算是一本不错的书。虽然有一些代码的确跑不出来，有一定的错误，豆瓣评分也才6.3分，但是对于初学者的我们而言，是一本非常友善的书籍了。

Python与量化并不神秘，其实你可以当做是通达信的公式即可。

Python的量化本质与实质其实解决的只不过是读者提高了解市场的速度，扩大了读者对于市场广度的范围和能力，但需要指出的是，在盈利上的专业性【即圣杯】仍然需要读者仔细假设，思考，推论，验证，请不要过分迷信。Python只是工具，对于市场探寻仍然是我们自身的基础知识，专业知识以及长期交易形成的丰富经验，心理经验，并借此形成的逻辑判断，理性推导以及对于交易产生偏差的风险管理，头寸管理，如果我们忽视了这个要点，那么Python也不会给本身的投资带来任何好处和益处。

并不是说不学习Python就不能盈利，提高速度，按本书《量化投资技术分析实战-解码股票期货交易模式》的说法，我们可以专注于某几个领域进行深耕【这里笔者后面会详细解释】，毕竟在注册制的背景环境下，获得资金青睐的公司会越来越少，公司如果不自行振作，只会乱搞，必然会被淘汰，也就是说，成交量能够上眼的【一般的股市书籍是以换手率3%作为分界线】也很少。就如同当前我们面临的震荡市一样。

我们更加要注意的是如何通过学习量化，进一步理清我们的投资思路，投资逻辑，投资能力，使得自己脱胎换骨，摆脱【情绪】、【惯性】的混沌思维，将理性，客观的大旗树立在自己的大脑之上，并且借由量化对市场上的理论，人物进行证伪，一个有效的盈利模式是存在周期性的，生命期的，如果它不能被证伪，自然就是骗局，这就是量化的另一个功能了【系统化思维的建立，训练，识破骗局】。

本文的读书心得，仍然是自己的思考，不作为投资建议，投资参考，请读者自己进行鉴别。

第一章 量化投资入门建议与行业概况：

本章要点：【本章将通过对于量化所需要的知识结构，学习方式进行梳理，作为学习量化的前期准备和心理预期，从而提出对于该理论的成功性上的保留意见：是否存在持续盈利的可能，有保留的回测结果，以及通过相关指标对于策略进行证伪三个方面开展开。最后举例一些平台。】

1.1量化投资入门建议与行业概况（1）体验各类资产的择时模型，激发学习兴趣

【关于动能的解释】：

在单一时间序列模型上，动能容易被均线类【MA】，突破类【前期高点】模型所捕捉【择时选股模式】个股【择时】存在困难【请注意，这是一个非常重要的点】，除了少数大盘有持续的动能之外，大部分中小股不容易做择时，很容易追高，并在不利点位卖出。

笔者在自己的【按】中提到的，这就是为什么作者会将提出在择时上选择，够交易的个股不多的缘故所在，动能在我看来就是能够在一段时间，个股有足够的量能，有充分的振幅空间，便于投资者在交易中形成价差，从而进行盈利的这样子一个过程。但是个股如果自身实力不足，行情恶劣，一般这种行情的持续性所付出的代价和成本高昂的时候，对于主力背后的资金，合力资金都是一件吃力不讨好的事情。以【四川双马】、【美的集团】为例，

案例：

【四川双马】：

小市值股票涨幅剧烈，跌幅剧烈，市场变化巨大，回撤较大，中长线操作亏损严重量能剧烈，在随着价格上攻，换手率，成交量成倍增加行情结束后，因为没有后续题材或者故事支持，价格一路阴跌，量能消失不见，其活跃度维持，续存期间较短行情触发的比较苛刻，一般是在【大牛市】才有机会，受大盘影响较大成交量呈现出【正态分布】的特性

【美的集团】：

大市值放量温和，且持续性强回撤小，反弹力量充足可讲的故事，题材充足，市场认可度高熊市抗风险能力强，牛市更强行情触发相比较简单适合于中长线操作

其实只要简单的划分一下，比较一下，价格走势的不同，量能的不同，都足以使得我们远离很多垃圾股票，其实严格的划分，我们可选择标的其实是很少的。

类似【美的集团】这种在财经大V大财猫眼里是很不错的，他的选股模式一般是从1000亿市值以上进行划分的，主要的观察集中在20个大市值股票里面，所以选股这个东西，你要是没有标准和条件，那么你就会晕头转向，你要是有了选股的标准和条件，其实可以给你挑选的其实并不多。

所以还是要多看书，看别人的观点，从而提炼自己的判断和认知才是。

（2）语言与金融基础

【存在的问题】

面临新知识的挑战与压力，带来的彷徨和不安语言的选择，学习的艰难，交叉知识带来的压力语言实现策略的路径【策略-股票池-交易策略-买卖条件（循环，嵌套）-股票池的持续监控，动态管理（Python中的dict，list，dataframe等）的思考和部署

【解决的方法】：

写注释【自己写，看别人写】（3）探索股票和期货波动特征，尝试较为复杂的股票和期货模型

【笔者看法】：

根据作者的看法，量化最初是用于期货，数字货币的，但是对于这两类品种存在的很大的风险，所以请谨慎面对。期货的动能要比股票要更加明显，价差上的盈利效果会更加明显，但是这并不代表能够有能力去获取，尽管我们强调一个模型存在的价值是能够找到【圣杯】，但是在准入任何一个资产品种中，首先要梳理的就是风险管理，风险认识。

【作者看法】：

不换股，在单独股票上使用择时模型，则难以跑赢静态持有个股【选股】真正实盘程序化交易模型并不是从股票开始的，而是从期货开始的，特别是资金需求较低的商品期货【即杠杆，注意杠杆是加速财富毁灭的重要手段没有之一】作者给出了0.6-1年的时间学习本部分内容【对学习时间上进行了约束，安排】（4）做足单因子分析功课，然后切换到多因子学习学习高等数学【微积分，概率论与数理统计，线性代数】机器学习数据处理和特征工程科学的评估【因子】，从而得出因子的收益率的描述能力【但是我们需要指出的是，这里的描述只是一个关联关系，即A增长,B同时增长,但是A要想解释B的关系，必须是因果关系，即A增长，B增长，一旦去掉A这个因子，B不增长，或者B下降，或者其他因子无法解释这个关系的时候，那么我们就可以简单的认定为A影响B，存在因果关系，在日后的分析中，应当增强A权重比例】我们还应当指出的是，我们的投资者不善于总结和回顾，将自己的操作归纳于自己的【运气】或者不稳定的【能力】上面是非常危险的，可怕的。通过量化的学习，我们应当知道是，健全自己的投资全流程能力，将自己的投资意图，投资思维，清晰的表达出来，通过数据化处理方式进行严格的定义和取证，将【盘感】转变为切实的数学思维模式。1.2稳步上升的资金曲线是否存在

【作者观点】：

1.基于强壮稳健的投资逻辑

我们应当指出的是，在前文中，我们提到了【编程语言】，【高等数学（尤其是统计学）】，在这里，我们要熟悉【金融知识，金融交易制度】，才能提出符合市场逻辑走势的策略。

举例说明：

在1996年以前，我们的股市是涨跌幅无限制，在此之后，是涨跌幅10%，st股5%，在2020年则是新上市涨跌幅放开五天，创业板，科创板是涨跌幅20%，如果不对这个进行了解，那么我们的模型做出来的肯定是错误的。

这也是笔者想说的，【量化的本质】实际上市通过基础知识+编程语言去模拟仿生整个市场，毕竟市场开发出来的软件是存在一般性，不适合投资者的个性化交易，因此，在编辑中存在一定的差距，违和感。通过量化，熟悉市场，可以提高我们对于整个市场变化的把控能力，提高我们的分析能力，从而为我们对市场的深度挤出大量时间来进行思考和探索。

【策略的来源】：

市场上的一般性策略【如均线等】他人交流的【包括论坛，股吧等】金融研报【券商开发出来的新策略】股票软件公式【通达信，东财，同花顺等】数据挖掘【数据聚类等】自身对于股票现象的观察，总结，分析【即盘感】

【策略的思考】：

策略来源是建立在坚实的逻辑，严密的分析之上【即可证伪，可被验证，任何不能被验证的理论都是错误的】策略的认识上要【清晰地，辩证地】看待和理解，对于其中存在【逻辑错误，市场解释力度弱，没有持续性支撑的投资逻辑】可能会存在巨大的风险【所以接触任何人的思维，首先自己要有立场和判断，不要被人带节奏，这是对于自身资金的负责，也是防范骗局的能力需要，更是自己思维独立发展的一次良好契机】模型的解释能力上来讲，参数是否通用，以MA(C,20）为例，它能够在牛市上经受检验，熊市上的假信号则较多，如何通过约束条件对于假信号进行过滤，从而使得MA(C，20)这个简单的策略的生命周期更长一些【通俗来讲，就是模型和参数能够趟过牛熊，只是熊市信号少，交易少，牛市信号多，交易多而已】2.基于“时间的玫瑰”

【作者观点】：

推荐一本书《时间的玫瑰：但斌投资札记》任何投资都需要工具来辅助，借助工具来证实自己的判断，支撑自己的判断，工具的寿命的强大来源自设计者的逻辑和能力的要求，能够趟过牛熊。毕竟，牛市，熊市，震荡市等不同阶段的【市场背景，环境】之下，【波动率】和【波动特征】是不同的，我们要清楚一个事实，在【震荡市】，【熊市】中，大部分策略的回撤是正常的，是客观的存在的，只有极少部分的交易，投资高手才能做到在每个阶段都有不错的上升趋势和较低回撤表现。重视时间成本，这样子可以提高我们选股和择时的要求，以【四川双马】为例，一旦择时错误，想回本就真的需要更多的时间，而与同期的一年期定期相比，这样子的等待，无疑是双重的损失【在部分书籍中，一些观点提出，以一年期定期作为参考】。3.基于多资产多策略的配置

【笔者看法】：

不同的资产有不同的逻辑，不同的变化，而且存在一定的影响，制约关系，加上交易策略的不同，在策略的设计，部署上是有很大的差别的【比如：股市与可转债市场】多资产多策略的回报要求是对于我们在家庭，个体的资产配置和管理上进行全方位的覆盖和管理，这是比单个策略，单个量化要更高的要求，在这里还会涉及到【理财，理财规划】等概念，有兴趣的读者可以去参考学习一下。如果说我们只是投资一种，这个是肯定不行的，市场也有生命和周期的，不必要在一个地方吊死。多产品多策略的回报也要求我们，在对抗风险的能力上要有意识，通过组合投资，提高我们交易的抗风险能力，提高我们的收益稳健性，从而能够更好的规划我们的人生。多产品多策略的回报是一种更高级别的要求，对于我们的综合能力从单个资本市场放大到全资本市场的转换。1.3有保留地相信回撤结果

【作者观点】：

喂入模型的数据样本过少，样本对于总体的解释能力较弱

比如在解释【大盘股】，【中盘股】，【小盘股】的当前表现上，不可能只是以【中石油】单个的产品来解释，它不能解释金融，地产现在的强势，因此，样本过少，不利于得到正确的分析结论，同理，以st股来分析【中盘股】，【小盘股】，通过风格来解释市值也是不利的说明和作出正确结论的。

样本要充足，至少要能够覆盖到解释该市值划分中不同市值的表现上来，提高解释的能力。

笔者在以前的分析中很少提到新闻，就是因为相信技术分析的三大理论：市场行为包容消化一切信息市场以趋势方式演变历史会重演

正是因为奉行【市场行为包容消化一切信息】的逻辑和看法，所以笔者很少谈论财经类新闻，因为任何市场信息都已经反馈和包容在里面。

我们要知道的是策略的开发，交易系统的建立都是建立在一定的假设，通过假设建立理论，然后建立策略，通过实际表现来证伪假设，理论，从而到达一个逻辑上的闭环思考。

回测【虚拟盘】和实盘存在一定的差异：

我们只能无限去接近模仿市场，而不能代替市场，决定市场，这是任何投资者必须做到的，应当遵守的原则，当你成为市场的主力，代替市场，决定市场的时候，毁灭之日也就不远了。

美国的投资大师【李佛摩尔】就是在棉花一战中成为最后的庄家，最终惨败。

模型和参数是存在生命周期的，会随着市场的变化不断的生长-变化-发展-灭亡。这是任何事物都逃脱不了的宿命。样本和总体虽然相似，但是仍然只是【相似】，如果仅仅只是简单的，一次性的回测，并不能使得策略具备深刻的结构和践行理论的深度。对于样本而言，我们应当思考几个问题：

（1）样本内部数据的交易原则，交易成本，市场参与主体是否和目前的实盘一致【回测的时间和样本选取应当尽可能靠近当前的交易时间，服从当前的交易规则】

（2）在样本内数据上，单笔交易的利润贡献是否平稳，还是说来自于少数高盈利的交易？

（3）样本数数据的不同周期波动率，是否和日前的市场波动率相似？

服从市场，敬畏市场，与当前市场取得一致性结论，使得自己的投资思路与当前的市场重叠，一致。

（4）样本内数据是否质量低下，以及政策是否过度干预？

是否存在长时间的停牌导致的数据fillna【向下填充】之后，数据都是一样的，从而导致分析出来的结果差强人意等。

优化是否存在过拟合的情况，导致胜率达到100%的可能性。

【对策】：

如果存在以上几点与市场不符合的情况，则需要重新选择【样本】，重新调整【模型】、【参数】。同时要尽可能的解决一个很关键的问题，回测上的【高胜率】与实盘上的【差强人意】的矛盾点在哪里？说起来容易，做起来难，这需要【高度专注】和【长期的付出】才可以完成，要有长期战斗的心理预期和准备才可以。【过拟合】和【迷信量化】会导致【幸存者偏差】，从而作出错误的决策，一旦我们的思维相反，则量化迭代释放的破坏力也是惊人的。过度的依赖于历史数据，是定量管理的核心问题和导致模型崩溃的主要原因。因此，预判是很重要的。1.4常见评估指标、方法1.sharpe ratio【夏普比率】

夏普比率=策略年化收益率-（无风险回报率/策略回报率标准差）

【这里的无风险回报率可以用一年期定期，也可以用国债来衡量，甚至可以用逆回购的收益，都是可以的】

2.alpha【阿尔法】

alpha=r【p】-[r【f】+β【p】（r【m】-r【f】] 【公式一】

alpha=策略年化收益率-[无风险利率+β*（基准或者市场年化收益率-无风险利率）]

先计算β值，才能计算alpha值

3.beta【贝塔】

β=[策略每日收益与基准或者市场每日收益协方差]/[基准或者市场每日收益方差]

4.annualized returns【策略年化收益率】

ar=（策略最终价值/策略最初价值-1）/（回测交易日数量）*250

5.max drawdown【最大回撤比率】

md=max(1-（策略当日价值/当日之前资金最高价值））

6.sortino 索提诺比率

sortino=策略年化收益率-（无风险回报率/策略下行波动率）

7.information ratio【信息比率】

IR=（策略年化收益率-基准年化收益率）/策略与基站每日收益差值的年化标准差