1. Introduction to the Book-关于书本的介绍 QuantStart网站：专注于算法交易，还讨论了Python和c++中的定量开发。 书本内容的定位：提供零售交易员和专业量化交易员创建自动化、稳健盈利的根据Python语言编程的算法交易系统的框架体系。本书描述了算法交易系统的性质、如何获取和组织财务数据、概念以及如何实现一个执行系统。 本书面向的对象 ：面向有编程基础和自学能力，以及对算法交易有兴趣的零售交易员和专业的量化交易员。 先决条件 ：有一些主观交易的经验，一些编程背景，投资组合和策略优化的知识，一些数学知识。 软件和硬件的设备 ：操作系统可以是Windows, Mac OSX 或者Linux，Python的文本编辑器：Windows——Notepad++、Mac OSX——SublimeText、Linux——emacs。硬件：内存——至少1GB，硬盘——200GB以上。 书本框架：从一个想法到最终实现自动执行交易。 ● 为何使用算法交易：后面会提到关于算法交易的优势。 ● 交易系统的发展：从一个假设到实盘交易且持续评估。 ● 交易系统的设计：包括信号的继承，风险管理，绩效分析，头寸设置和杠杆，投资组合的优化和执行。 ● 交易系统的环境：Python的环境以及数据存储的环境。 ● 时间序列分析：均值回归、动量、波动性验证，这些统计方法组成了交易策略的基础。 ● 优化：对于算法的优化角度从讨论和举例的方式进行考虑。 ● 绩效评估：根据一些指标比如风险/盈利的值来进行评估。 ● 风险管理：风险产生的原因和对算法交易的影响会在后面讨论。 ● 交易策略的实现：根据统计和技术指标得出的策略会以例子的形式出现并进行评估和关于投资组合的细节优化。 ● 执行：连接经纪商进行自动交易。 本书不包含的内容：主观交易的技术分析，及Python编程的基础需要自己学习。 如何获取帮助：http://QuantStart.com。
2.What Is Algorithmic Trading?-何为算法交易？ 算法交易是由事先根据算法决定好的策略执行而没有人为因素的干扰。本节主要讨论算法交易的优势和劣势。 算法交易的优势 ● 历史性的评估：自动交易的策略可以根据回测历史数据被确定性评估，从而更好得发现策略在未来的潜在盈利能力。 ● 高效性：算法交易可以让交易员不需要盯盘从而节省时间，并且可以在同一个投资组合中使用多种交易策略。还能持续自动调节杠杆和风险因子的影响。这点普通交易员是做不到的。 ● 没有主观因素的输入：因为没有人为的主观影响，自动化交易没有贪婪和恐惧的情绪因素，可以很好得执行交易策略，但是可能因为一些外部因素导致盈利能力停止，比如政权更替。 ● 对比：系统化交易在统计的数据上不论是历史数据还是当前的交易数据都是可以从多个维度进行对比，因此可以在不同的策略中选取评估水平最好的策略，这比主观交易只对比盈利和亏损更好。 ● 高频：一些顶尖的盈利策略是通过超高频的交易实现，而这些操作人类无法完成。 劣势 ● 资金量的需求：算法交易在市场上的交易资金需求量更大，因为能够自动交易的经纪商通常对于资金需求更高。 ● 编程和科学的专业知识：算法交易员需要在编程方面有一定的能力，并且在建模的同时需要一些科学的专业知识，尽管python中有很多库帮助处理了很多问题，但是依然需要很多关于编程和科学的专业知识。 科学方法 对一些数据的行为进行假设，比如一个均值回归的假设，然后进行测试，使用包括ADF指标（检验时间序列的平稳性）、赫斯特指标（检验是否为有偏随机游动）以及方差比率的测试（波动率），最后进行分析根据测验与假设的符合性评估模型是否合适作为策略的依据。书中的所有策略都是根据观察假设得来。 为什么使用Python 前面是关于算法交易的优势，现在来讨论编程语言Python的优势。 ● 学习 ：python作为一门程序语言是比较简单的，可以快速入门。 ● 库：python有很多功能强大的库——Numpy（进行矢量操作，如数组，列表的处理）、Scipy（关于数学算法的一个库，包括一些拟合最优化，回归之类的数学算法）、Pandas（主要关于数据框的处理，以及时间序列的分析），statsmodel（关于统计模型）、scikit-learn（机器学习，关于策略的分析和评估）、IPython（交互发展）和matplotlib（画图库）。 ● 发展速度:Python的发展速度非常迅猛，且不会失去策略的健壮性。 ● 执行速度：虽然不能与C++速度一样，在执行的时候依然可以保持一个较高的速度执行。 ● 交易执行：Pyhton对于很多更大的经纪商是有插件帮助连接的，因此可以更好得执行算法交易。 ● 成本/适用范围：Python是开源免费的，且可以跨平台适用。 零售交易员是否有竞争力？ 零售交易的优势 ● 资金量：零售交易员因为资金体量小，更灵活。也可以在更小的市场操作。 ● 自由度：零售交易员可以根据自己的策略进行交易，而机构量化交易员则在交易策略上受到限制。 ● 市场影响：在一个有流动性的市场中，小体量的零售交易员受到市场影响比较小。 零售交易员的劣势 ● 杠杆：零售交易员受到杠杆的限制。 ● 流动性：在一些大宗商品的市场，零售交易员无法直接参与，只能通过配合经纪商参与，因此在流动性上减小。 ● 客户信息流：零售交易员在信息的获取方面不如机构的量化交易员，缺少从经纪商直接获取新闻信息的途径。 风险管理 零售算法交易员在风险管理这一块与基金量化交易不同，零售交易员不需要根据行业标准来管理风险，然而这样可能会使得零售交易员在风险管理这一块有些草率。 投资者关联 ● 场外投资者是零售商和大型基金的核心区别，作为零售交易员不需要考虑以下几点 ● 薪资结构：零售交易员只关心自己的绝对回报，没有一些资本的部署规则。 ● 规则和汇报：零售交易员不需要提供自己绩效报告，也没有规定的报告限制。 ● 标的比较：基金会被拿来对比一些标的比如标普五百，但是零售交易员没有被拿来与一些标的做对比。 ● 绩效费：作为零售交易员是不需要管理和绩效费的。 技术 零售交易员可以选择自己的技术堆栈，作为新型的语言Python支持端点对端点的结构，且需要的代码对比C++少很多。 然而这样的自由是需要代价的，零售交易员要么就是需要自己构建技术堆栈，要么外包，然而不管哪一种选择都是需要巨大的资金和时间成本。 | 
简体中文
English(英语)
日本語(日语)
Deutsch(德语)
Русский язык(俄语)
بالعربية(阿拉伯语)
Türkçe(土耳其语)
Português(葡萄牙语)
ภาษาไทย(泰国语)
한어(朝鲜语/韩语)
Français(法语)
