C#量化交易接口程序

网格交易算法

六 大数据模型 6.1 市场情绪分析 通联情绪指标策略 互联网+量化投资 大数据指数手把手 6.2 新闻热点 如何使用优矿之“新闻热点”？ 技术分析【3】—— 众星拱月，众口铄金? 七 排名选股系统 7.1 小市值投资法 学习笔记：可模拟（小市值+便宜 的修改版） 市值最小300指数 流通市值最小股票（新筛选器版） 持有市值最小的10只股票 10% smallest cap stock 7.2 羊驼策略 羊驼策略 羊驼反转策略（修改版） 羊驼反转策略 我的羊驼策略，选5只股无脑轮替 7.3 低价策略 专捡便宜货(新版quartz) 策略原理 便宜就是 alpha 八 轮动模型 8.1 大小盘轮动 · 新手上路 -- 二八ETF择时轮动策略2.0 8.2 季节性策略 Halloween Cycle Halloween cycle 2 夏买电，东买煤？ 历史的十一月板块涨幅 8.3 行业轮动 银行股轮动 申万二级行业在最近1年、3个月、5个交易日的涨幅统计 8.4 主题轮动 快速研究主题神器 6

billpwchan / futu-algo API参考文档 特征 基于FutoOpenD和FutuOpenAPI开发 低延迟交易支持（最高1M级别） 每日库存过滤和电子邮件通知 策略回测和报告 问题 发行版 重要提示：现在，程序仍处于Alpha阶段。 版本指导 FutuAlgo发布 Futu OpenAPI规范 0.0.2-alpha.x 4.0 部署方式 先决条件：配置文件（Config.ini） [FutuOpenD.Config] Host = Port = WebSocketPort = WebSocketKey = TrdEnv = [FutuOpenD.Credential] Username =

最后来看划分为 30 等份的情况。图 5.30 展示了将所有股票按照多因子模型的预 期收益大小划分为 30 等份，每一等份中的股票又按照等权重进行组合时，30 个等份 各自的平均月度收益情况。第 1 等份的月均收益率同样也是 30 个等份中的最高值， 为 2.89%，第 30 等份的月均收益率也是 30 个等份中的最低值，为-0.25%。其他等份

基于神经网络的股票价格预测算法论文

由交易者，针对交易者。 vn.py是一套基于Python的开源量化交易系统开发框架，于2015年1月正式发布，在开源社区6年持续不断的贡献贡献步伐成长为全功能量化交易平台，目前已有金融机构用户已经超过600家，包括：私募基金，证券自营和资本管，期货资本管和子公司，高校研究机构，自营交易公司，交易所，代币基金等。 全新的《 vn.py全实战进阶》系列在线课程，已经在官方微信公众号[ vnpy-community ]上线，覆盖CTA策略（已完成），支出幅度交易（更新中）等内容。购买请扫描下方二维码关注后，点击菜单栏的【进阶课程】按钮即可： 在使用vn.py进行二次开发（策略，模块等）的过程中有任

简单的统计报告就在这个压缩包中。同时包括支持分析的公开数据，可供检查和二次开发使用。 数据采集自网络公开数据，可作为学习交流参考，不要作为投资依据！ （ 数据报告依赖的数据： baseinfo:基础数据（曾用名、上市日期、股票ID） daily：日线数据 GP：股评数据 LH：龙虎数据 ）

适用人群: 一、短线炒币者 主要功能: 一、实时监测交易对 二、自动统计建仓均价 三、自动买入卖出设置 四、盈利后立即停止策略 五、查看统计盈利记录

图 5.3 基本的单因子选股策略框架 因子的值来预测下一期或者下一段时间的收益率。这里选用简单的线性回归来完成预 测工作，如下式所示： , 1 1 N t n n t n r a b f     其中 t r 是时刻 t 的股票收益率， , 1n t f  即为 t-1 时刻下第 n 个因子的大小， a 和 n b 是回 归式中的系数。进行交易决策的时间点为 t 时刻初、t-1 时刻末，因此回归式左边为预 测值，回归式右边的所有成分则都是决策点下的已知信息。在预测出每一支股票在时 刻 t 的收益率之后，按照收益预期值从大到小进行排序，然后选取排在前列的股票作 为当前可以建仓的股票。 需要特别说明的是，在某些量化交易策略的相关资料当中，会把对于不同股票而 言取值一致的回归系数 n b 称之为风险因子，而将具体的股票特征值 , 1n t f  称之为各支 股票在因子上的溢价。这主要是因为学术界在套利定价理论等研究的基础上，形成了 一种约定俗成的叫法，其中风险因子对于所有资产应该保持一致，而因子溢价则各有 不同。不过在量化选股策略中，对比本节所使用的称谓，这种叫法以及其他一些叫法 并不是非常直观，因此不予以使用。如果读者在阅读其他资料时碰到不一样的名称， 只需对号入座弄清准确含义即可。 a 和 n b 等参数的优化和拟合，书中使用的是法玛与麦克贝斯给出的一种线性回归 估计方法。如果可以获得 T 个时间段的因子数据以及相应的下一期股票收益率数据， 那么对于上面的线性回归式而言，一共可以进行 T 次估计，表示如下： , , 1 1 N t t n t n t n r a b f     , 1,...,t T 相比起上一个回归时， a 和 n b 的形式略有变动。 t a 和 ,n t b 代表一共可以得到 T 组 a 和 交易决策时的因子大小 选入 不选入 排序 前列 其他