分类
交易信号

基于这个指标的策略效果更好

基于这个指标的策略效果更好

信息网络传播视听节目许可证:0908328号 经营证券期货业务许可证编号:913101046312860336 违法和不良信息举报:021-34289898 举报邮箱:[email protected]

基于这个指标的策略效果更好

美国桥水投资公司创始人瑞·达利欧解释如何建立一个目标收益率为10%、波动率为10-12%的投资组合。

无风险收益 – 通常指的是现金收益,但无风险收益应该是最能中和你想要管理的风险的利率(例如,如果投资者要求的是实际收益率,那他应使用通胀挂钩债券的收益率)。

从贝塔获取的收益 – 不同资产类别中超过无风险收益的超额收益。例如,如果无风险收益率为2%,股票的预期收益率为7%,则股票的预期贝塔收益率为5%。与指数挂钩的股票投资组合的总收益可被分解为无风险收益和贝塔收益。

从阿尔法获取的收益 – 管理人的价值贡献部分,是管理人偏离贝塔所取得的收益。

图 1:各类资产的预期收益和风险水平

图2:各类资产和投资组合的预期收益和风险水平

图3:与传统资产组合具有相同风险的全天候资产组合

图4: 与传统资产组合具有相同收益率的全天候资产组合

图5:优化的阿尔法投资组合的构成

一个投资组合的总收益等于所投资的资产类别的收益,再加管理人的阿尔法收益。无论阿尔法来自于与资产类别相同的市场还是不同的市场,这个概念都同样成立。独立地选择资产类别(贝塔)和阿尔法来建立的投资组合,不一定比按照传统方法管理的投资组合的风险更高;按照传统方法,阿尔法与贝塔来自于相同的市场。但是,从最好的来源选择阿尔法,以此建立一个更加分散化的阿尔法投资组合,并正确地实施阿尔法叠加策略,你可以获得更高的风险调整后的阿尔法收益。

瑞·达利欧是总部位于美国康涅狄格州韦斯特波特的美国桥水投资公司的总裁兼首席投资官。

金融危机爆发以来的业绩压力测试

为何全天候平衡风险的方法经受住了2008年的压力测试

重要信息披露和其他信息

桥水中国研究部采用来自公开、非公开和公司内部的数据和信息,包括来自桥水中国实际交易的数据。信息来源包括澳大利亚统计局(Australian Bureau of Statistics)、资产国际公司(Asset International, Inc.)、巴克莱资本有限公司(Barclays Capital Inc.)、彭博财经社(Bloomberg Finance L.P.)、CBRE, Inc.、CEIC 数据有限公司(CEIC Data Company Ltd.)、Consensus Economics Inc.、核心逻辑公司(Corelogic, Inc.)、Costar 房地产信息公司(Costar Realty Information, Inc.)、CreditSights, Inc.、信贷市场分析有限公司(Credit Market Analysis Ltd.)、交易逻辑公司(Dealogic LLC)、DTCC Data Repository (基于这个指标的策略效果更好 U.S.), LLC、Ecoanalitica、EPFR Global、欧亚集团有限公司(Eurasia Group Ltd.)、欧洲货币市场机构(European Money Markets Institute)、Factset 研究系统公司(Factset Research Systems, Inc.)、《金融时报》有限公司(The Financial Times Limited)、GaveKal 研究公司(GaveKal Research Ltd.)、全球金融数据有限公司(Global Financial Data, Inc.基于这个指标的策略效果更好 )、Guidepoint Global, LLC.、《哈佛商业周刊》(Harvard Business Review)、哈沃分析有限公司(Haver Analytics, Inc.)、加拿大投资基金学会(The Investment Funds Institute of Canada)、洲际交易所(Intercontinental Exchange (ICE))、投资公司协会(Investment Company Institute)、国际能源署(International Energy 基于这个指标的策略效果更好 Agency)、Lombard Street Research、麦盖提市场经济学公司(Markit Economics Limited)、Mergent 有限公司(Mergent, Inc.)、Metals Focus Ltd.、穆迪分析有限公司(Moody’s Analytics, Inc.)、MSCI 有限公司、美国全国经济研究局(National Bureau of Economic Research)、经济合作与发展组织(Organisation for Economic Co-operation and Development)、养老金及投资研究中心(Pensions & Investments Research Center)、RealtyTrac, Inc.、RP 数据有限公司、Rystad 能源公司(Rystad Energy, Inc.)、标普全球市场情报公司(S&P Global Market Intelligence Inc.)、SentixGmbh、上海万得信息技术股份有限公司(Shanghai Wind Information Co., Ltd.)、Spears & Associates, Inc.、美国道富银行(State Street Bank and Trust Company)、新鸿基金融(英国)(Sun Hung Kai Financial (UK))、汤森路透(Thomson Reuters)、东京证券交易所(Tokyo Stock Exchange)、联合国(United 基于这个指标的策略效果更好 Nations)、美国商务部(US Department of Commerce)、伍德麦肯兹有限公司(Wood Mackenzie Limited)、世界金属统计局(World Bureau of Metal Statistics)以及世界经济论坛(World Economic 基于这个指标的策略效果更好 Forum)。虽然我们认为来自外部来源的信息是可靠的,但我们不对其准确性承担责任。

基于这个指标的策略效果更好

图片描述

分解量化模型可以看到模型是通过各种策略来实现的,常见的策略有均线策略、Alpha策略、布林带策略、海龟策略、动量策略等等,也包括自主开发的策略,不过要良心的声明下凡是公开的、用的人多的策略,基本也就不赚钱了,当然并不影响我们学习这些策略从中借鉴其中的精髓,站在巨人的肩膀上看问题。策略层再往下分解则是我们熟悉的 Python、Pandas、Matplotlib、NumPy、统计学、数学模型这些基础工具。我们会讲解Pandas、NumPy、TA-Lib 等专用库实现股票交易策略的设计,也会讲解使用 Matplotlib 库实现股票交易的可视化图形,同时在交易策略设计中会讲解数学模型、统计学相关的知识。

数据是量化策略的基础,关于数据的获取,我们会讲解使用 Tushare、Pandas 数据抓取模块来获取金融数据,也会介绍 Pandas、NumPy 库对原始数据进行规整化的处理。

图片描述

对于基础工具部分的学习需要声明一下,由于本专栏的主题更侧重于基础工具在实际场景的应用,因此提取基础工具在量化交易应用中的重点和难点进行针对性介绍,而对于像 Python 中常用语法、函数等使用方法的知识内容建议同学们结合网络或者书籍查阅来辅助学习。

关于 TA-Lib、Tushare 之类的工具库本身的优势即是提供简单的 API 供使用者调用,我们的讲解也是围绕着实际应用场景,在交易策略设计中进行详细介绍。

  1. 管理概率==理性交易(对应第 2 节)
  2. 线性回归拟合股价沉浮(对应第 22 节)
  3. 最大回撤评价策略风险(对应第 18 节)
  4. 寻找最优化策略参数(对应第 19 节)
  5. 标记 A 股市场涨跌周期(对应第 15 节)
  6. Tushare Pro 接口介绍(对应第 15 节)

6. 课程环境

本专栏全部的例程都分别在 基于这个指标的策略效果更好 Python 2.7.5 和 Python 3.7.1 上通过调试,以适应 基于这个指标的策略效果更好 Python 2 和 Python 3 的学习环境,对于 Python 2.7.5 和 Python 3.7.1 之间的语法变动,我们会在对应的例程中说明,比如提示在 Python 3.7.1 中必须调用 print() 函数用于打印(注意圆括号)。

第三方库依赖于某个 Python 版本,需要在对应的 Python 版本下安装pandas、Tushare、TA-Lib、Matplotlib、Statsmodels 等工具库。我们可以使用 pip 安装包管理工具安装,也可以下载源码文件,在当前位置执行 python setup.py install 安装。对于第三方库的调整笔者也会在使用时提示,比如从 Matplotlib 2.2.0 版本开始, matplotlib.finance 已经从 Matplotlib 中剥离了,需要单独安装 mpl_finance 这个库( pip install mpl_finance )。

当然,建议最好是安装 Anaconda 来管理 Python 基于这个指标的策略效果更好 环境。Anaconda 具有跨平台、包管理、环境管理的特点,无论在平台兼容性还是库版本兼容性上都更有保证。大家可以参考笔者在慕课网手记板块的文章《Python基础系列讲解-安装步骤》来搭建开发环境。

实验数据实时流和离线批处理

Fork me on GitHub

请求的实验信息会以tag的形式记录在生产环境的请求日志中,形如: layer1_layer2_layer3_. _layerN。 请求日志会落地到广告数据总线系统,再由广告实时流系统进行消费、数据清洗、实验效果指标计算等工作。由于广告系统是多业务指标系统,包括售卖率,ECPM, CTR, ACPE,负反馈率、财务消耗计算等。广告实时流系统还需要日志的关联工作,比如关联广告互动日志,广告负反馈日志。实时流的计算的结果,会落地到druid系统,方便实验效果数据的快速检索和二度加工。实验效果实时指标数据计算延迟控制在一定的范围内(5分钟)。