量化交易主要有哪些经典的策略？[亲测有效]

“量化投资”是指投资者使用数理分析、计算机编程技术、金融工程建模等方式，通过对样本数据进行集中比对处理，找到数据之间的关系，制定量化策略，并使用编写的软件程序来执行交易，从而获得投资回报的方式。其核心优势在于风险管理更精准，能够提供超额收益。

那些靠数学模型分析金融市场，并用复杂的数学公式和计算机在稍纵即逝的市场机会中挖掘利润的投资家则被称为宽客（Quant）。在如今的量化投资领域，已经有了无数模型系统软件，在强大的Python语言和数据库的支持下，量化投资早已不再是一个神秘的领域。

量化交易是数量金融学（注1）中一个极其艰深复杂的领域。若要通过面试或构造你自己的交易策略，就需要你投入大量的时间学习一些必备知识。不仅如此，它还需要你在MATLAB、R或Python至少一门语言上具备丰富的编程经验。随着策略交易频率的增加，技术能力越来越重要。因此，熟悉C/C++是重中之重。
　　一个量化交易系统包括四个主要部分：
　　策略识别：搜索策略、挖掘优势（注2）、确定交易频率。回溯测试：获取数据、分析策略性能、剔除偏差。交割系统：连接经纪商、使交易自动化、使交易成本最小化。风险管理：最优资本配置、最优赌注或凯利准则、交易心理学。
　　我们首先来谈谈如何识别一个交易策略。
　　策略识别
　　所有量化交易流程都肇始于一个初期研究。这个研究流程包括搜索一个胜率差策略、检验它是否适合你可能正在运作的策略组合、获取任何测试策略时所需数据、努力优化策略使其收益更高且（或）风险更低。如果你是一个“散户”交易员，一定要清楚自己的资金是否充足，以及交易成本对策略的影响。
　　通过各种公开数据搜索可盈利的策略实际上十分简单，并没有大家想的那么难。研究学者会定期发表理论交易结果（虽然大多为交易成本总额）。一些数量金融学主题博文也会详细讨论策略。交易期刊还会简报一下基金管理公司使用的一些策略。
　　你可能会问，个人与公司怎么可能愿谈他们的可盈利策略，特别是当他们知道，如果其他人“复制相同的策略”，长期而言它终将失效。原因就在于，他们通常不会透露具体的参数以及他们所使用的调参方法，而这些优化技能才是把一个表现平庸的策略调成一个回报丰厚的策略所需的关键技术。实际上，若要创建你自己的、独一无二的策略，一个最好的法子就是寻找相似的方法，尔后执行你自己的优化程序。
　　我这里提供几个网站，你可以藉此寻找策略性思想：
　　SocialScienceResearchNetworkarXivQuantitativeFinanceSeekingAlphaEliteTraderNuclearPhynanceQuantivity
　　你所看到的很多策略都可归入均值回归交易策略、趋势跟随或动量交易策略两类。均值回归策略试图利用这么一个事实：“价格序列”（如两个关联资产的价差）存在一个长期均值，价格对均值的短期偏离终将回归。动量交易策略则试图“搭上市场趋势的顺风车”，利用投资心理和大基金结构信息在一个方向积聚动量，跟随趋势直至回归。
　　定量交易还有一个重要方面，即交易策略的频率。低频交易（LowFrequencyTrading,LFT）通常指持有资产超过一个交易日的策略。相应地，高频交易（HighFrequencyTrading,HFT）通常指持有资产一个交易日的策略。超高频交易（Ultra-HighFrequencyTrading,UHFT）指持有资产的时常达秒级与毫秒级的策略。虽然散户可以进行HFT与UHFT交易，但也只是在你掌握了交易“技术栈”（注3）与订单簿动力学（注4）的详细知识后才有可能。本篇入门文章，我们不会对这些问题做任何深入探讨。
　　策略或策略集合一旦确定，现在就需要在历史数据上测试其盈利能力，这就进入了回溯测试的工作范围。
　　回溯测试
　　回溯测试的目标是提供证据，佐以证明通过以上流程所确定的策略，无论是应用于历史（训练）数据还是测试数据（注5）均可盈利。它可以反映该策略未来在“真实世界”中的预期表现。由于种种原因，回溯测试不能保证一定成功。这或许就是量化交易最为微妙之处，由于它包含了大量的偏差，我们必须尽尽力仔细审查并剔除它们。我们将讨论几种常见类型的偏差，包括先窥偏差（注6）、幸存者偏差（注7）与优化偏差（亦称“数据窥视偏差”，注8）。回溯测试中其他几个重要方面，包括历史数据的可用性与清洁度、真实交易成本及可靠回测平台上的决定。我们会在后续“交割系统”一节深入讨论交易成本。
　　策略一旦确定，我们就需要获取历史数据，并藉此展开测试，如有可能还可改进策略。现在卖数据的很多，所有资产类型的数据都有。通常，数据的质量、深度、时间间隔不同，其价格也不同。刚入门的量化交易员（至少零售等级）最初使用雅虎金融板块（YahooFinance）的免费数据就行。对于数据供应商，这里不再赘言。我想重点谈一谈处理历史数据时，时常遇到的问题。
　　对于历史数据，人们主要关心的问题，包括数据精度或清洁度、幸存者偏差、应对如分发红利、拆分股票等公司行为的调整。
　　精度与数据整体质量有关，无论数据是否包含错误。有时错误容易识别，比如使用一个窄带滤波器（注9），就可以找出时间序列数据中的“窄带”并更正它们。其他时候，错误又很难甄别，经常需要根据多个数据供应商提供的数据进行对比检查。幸存者偏差通常是免费数据集或廉价数据集的一个”特征“。对于一个带有幸存者偏差的数据集，它不包含已经不再交易的资产数据。不再交易的证券，则表示已经退市或破产公司的股票。如果数据集中含有此类偏差，策略在此数据集上的测试表现可能比在”真实世界“里表现的更好，毕竟历史”赢家“已经被预先筛选出来，作为训练数据使用。公司行为即公司开展的常引发原始价格阶梯形变化的”逻辑“活动，它不应该计入价格收益。公司分发红利和拆分股票行为是引发调整的两个常见行为，二者无论发生哪一种，都需要进行一个”回调“的流程。我们一定要留心，不要把股票拆分和真实收益调整混为一谈。许多交易员在处理公司行为时都碰过壁！
　　为了开展回溯测试，我们必须使用一个软件平台。你可以选择一个专门的回测软件如Tradestation，一个数值平台如Excel或MATLAB，或者一个用Python或C++完全自主实现的平台。对于Tradestation（或类似平台）、Excel或MATLAB，我不作过多介绍。我比较推崇的是创建一个内部技术栈。这么做的一个好处是可以实现回溯测试软件与执行系统的无缝集成，甚至还可以添加一些高级的统计策略。对于HFT策略，更应该使用自主实现的系统。
　　在做系统回测时，一定要量化表示系统性能。定量策略的“业界标准”度量为最大资金回挫与夏普比率。最大资金回挫表示一段时间（通常一年）内账户资金曲线从波峰至波谷的最大跌幅，常使用百分比表示。由于大量的统计因素，LFT策略比HFT策略的资金回挫更高。历史回测会显示过去的最大资金回挫，它能够较为贴切地反映策略的未来资金回挫情况。第二个度量指标是夏普比率，它被启发式地定义为“超额收益均值与超额收益标准差的比值”。这里，超额收益表示策略收益超出某个预定基准，如标普500或三月期短期国债（收益）的额度。注意人们通常不使用年化收益指标，因为它忽略了策略波动性的影响，而夏普比率却考虑到了这一点。
　　如果经过回测，策略的夏普比率很高且其最大资金回挫已经最小化，则可以认为它趋于无偏，下一步就是要搭建一个交割系统。
　　交割系统
　　交割系统是一个方法集合，由它来控制交易策略生成的交易列表的发送和经纪商的交割行为。事实上，交易可以半自动、甚至全自动生成，而执行机制可以手动、半自动（即“点击一次交割一项”）或者全自动。尽管如此，对于LFT策略，手动和半自动技术却比较常见；对于HFT策略，则必须创建一个全自动交割机制，由于策略和技术彼此依赖，还要经常与交易指令生成器紧密相接。
　　在搭建交割系统时，我们需要考虑几个关键因素：连接经纪商的接口、交易成本（包括佣金、滑动价差与价差）最小化、实时系统与回测时系统性能的差异。
　　联系经纪人的方法有很多，你可以直接电话联系他，也可以通过一个全自动高性能的应用程序接口（API）实现。理想情况，就是希望交割交易的自动化程度尽可能高。这样一来，你不仅可以脱开身集中精力进行深入研究，还能运行多个策略、甚至HFT策略（实际上，如果没有自动化交割，HFT根本不可能）。前面说过的几种常用回溯测试软件如MATLAB、Excel和Tradestation，对于LFT策略或简单策略都是不错的选择。但是，如果要做真正的HFT，你就必须要构造一个用高性能语言（如C++）编写的内部交割系统。说个我的亲身经历，以前受聘于一家基金管理公司，我们有一个十分钟的“交易周期”，每隔十分钟下载一次新的市场数据，然后根据这十分钟的信息进行交割。这里用的是一个优化的Python脚本。对于任何处理分钟级或秒级频率数据的工作，我相信C/C++更理想。
　　在一家大型的基金管理公司，交割系统的优化通常不在量化交易员的工作范围。但是，在小点的公司或高频交易公司，交易员就是交割人，所以技术面越广越好。你要想进一家基金管理公司，一定要记住这一点。你的编程能力不说比你的统计学和计量经济学禀赋更重要，至少也同样重要！
　　另外一个属于交割系统的重要问题是交易成本最小化。一般地，交易成本由三部分构成：佣金（或税收）、损耗与价差。佣金是向经纪商、交易所和证券交易委员会（或类似政府监管机构）支付的费用；滑动价差是你的预期交割价位与真实交割价位的差值；价差则是待交易证券的卖出价与买入价之差。注意价差不是常数，它依赖于市场当前流动性（即买单和卖单数量）。
　　交易成本是决定一个策略是高夏普比率且盈利丰厚，还是低夏普比率且极不盈利的关键。根据回溯测试正确预测未来的交易成本很具有挑战性，你需要根据策略频率，及时获取带有卖出价与买入价信息的历史交易数据。为此，大型基金管理公司量化交易的整个团队都专注于交割优化。当基金管理公司需要抛售大量交易时（原因五花八门），如果向市场“倾泻”大批股票，会迅速压低价格，可能都来不及以最优价格交割。因此，纵使遭受损耗风险，基金管理公式也会选择使用算法交易，通过“打点滴”的方式向市场出单。此外，其他策略如若“捕到”这些必要性条件，也能利用市场失效（获利）。这是基金结构性套利的内容。
　　交割系统最后一个主要问题关系到策略的实时性能与回测性能的差异。这种差异由多种因素造成，比如我们在“回溯测试”一节已经深入讨论过的前窥偏差与最优化偏差。然而，对于有些策略，在部署之前不易测得这些偏差。这种情况对于HFT最为常见。交割系统和交易策略本身均可能存在程序错误，回溯测试时没有显现却在实时交易时出来捣乱。市场可能受到继交易策略部署后的一场政变的影响，而新的监管环境、投资者情绪与宏观经济形势的变化也均可能导致现实市场表现与回溯测试表现的差异，从而造成策略盈利性上的分歧。
　　风险管理
　　量化交易迷宫的最后一块是风险管理程序。风险包含我们之前谈论的所有偏差。它包括技术风险，比如所有在交易所的服务器突然发生硬盘故障。它还包括经纪风险，如经纪商破产（此说并非危言耸听，最近引发恐慌的明富环球就是一个例子，注10）。总而言之，它覆盖了几乎所有可能干扰到交易实现的因素，而其来源各不相同。目前已经有成套的书籍介绍量化交易策略的风险管理，本人也就不再对所有可能的风险来源做详细说明。
　　风险管理还包括投资组合理论的一个分支，即所谓的“最优资本配置”，涉及到如何将资本分配给一组策略、如何将资本分配给策略内不同交易的方法。这是一个复杂的领域，依赖于一些高级数学知识。最优资本配置与投资策略杠杆通过一个名为凯利准则（注11）的业界标准建立联系。本文是一篇入门文章，我在此不详谈其计算。凯利准则对策略收益的统计性质做过一些假设，但是它们在金融市场中并不一定成立，交易员因此在实现时通常会有所保留。
　　风险管理的另外一个关键成分涉及到交易员自身心理因素的处理。尽管大家都承认，算法交易若无人为干涉，不太容易出现问题。交易员在交易时，稍不留神仍然可能会掺入许多认知偏差。一个常见的偏差是厌恶规避，当人发现损失已成定局，其所带来的痛苦，可能会麻痹人的行为，不能做到及时抛盘止损。类似地，由于太过忧心已经到手的收益可能赔掉，人们可能也会过早抛盘收利。另外一个常见的偏差是所谓的近期偏好偏差：交易员太看重近期事件而非长远地看问题。此外，当然不能落下“恐惧与贪婪”这对经典的情绪偏差。这两种偏差常导致杠杆不足或杠杆过度，造成爆仓（账户资产净值近乎为零或更糟）或盈利缩水的局面。

：

我们可以先把交易策略大体分成三类：1）股票策略 2）宏观策略 3）套利策略。其中，股票策略和宏观策略的收益主要来自投资目标的实际价值（absolute value）的变化，而套利策略的收益来自一对或一组投资目标的相对价值（relative value）的变化。这三者不是完全的独立，比如套利策略也有应用于股票市场，宏观资产配置也会借鉴股票策略中基本面分析方法。之所以这么分是因为三者有各自显著的特点。下面我们来逐一介绍：

1）股票策略：股票策略主要指的是单一的应用于股票市场的交易策略。按照人的主观和计算机在策略的参与程度，我们把股票策略分成主动权益投资和主动量化投资。这里的主动投资更准确的翻译是决定型交易，之所以称为主动权益投资，是因为这是业界一般的称呼。主动权益投资主要是靠投资者的主观判断，他们通过对行业和企业的深入调查，形成自己的投资逻辑，然后进行筛选股票。这里又根据交易的限制分为多空策略，做多策略和做空策略。这里提一下做空策略（见于国外），只做空的投资者往往会把目标锁定在，那些对外披露的报告和实际表现不符的公司，然后去调查该公司的财务状况是否作假。该策略类型的代表就是浑水公司（Muddy Waters Research）。

相较于主动权益投资，主动量化投资是把自己的逻辑输入计算机，通过计算机的快速运算，来构建自己的投资组合。它和主动权益投资的区别体现在研究的深度和广度上。量化投资依赖于数据。换句话说，对于那些不是以数据形式存在的信息（比如与他人的谈话），计算机是没法获得的，也无法转化成交易信号。从这个角度来看，量化投资对单一股票的研究深度不如主动权益投资。但是，借助于计算机的快速处理能力，量化投资所构建的自动化模型，能在短时间内消化各种类型的数据信息，并且把它转换成有价值的交易信号。从这个角度来看，量化投资在研究的广度上比主动权益投资更具有优势。在中国的股票市场，目前主要存在的量化交易策略是多因子选股模型（具体不在这里做介绍）和一些基于流动性的高频交易策略。前者更适用于资金规模大的公募基金，后者则适用于追求短期高回报的私募基金。

2）宏观策略：宏观策略的投资范围不局限于单一类型的市场，而是进行全类型市场的投资。这一类型的策略又可以分成以期货为投资工具的CTA策略，和宏观资产配置策略。CTA策略是动量策略的代表作。动量策略又称作趋势型策略。它研究的是价格的变化趋势，基于行为金融学，找到价格变化背后的规律（动量和反转），通过趋势变化的规律赚取收益。CTA通过期货标的物，可以把自己的投资范围扩大到各个类型的资产，这样的目的是为了分散动量策略本身的高风险。宏观资产配置策略多被一些全球资产管理公司以及投行（如德意志银行）采用。策略主要研究的是宏观经济的变化，然后做多或做空某一区域的所有类型的市场。比如如果某资产管理公司相信中国经济会持续高速增长，它就会做多中国的股指，做多中国的国债，做多与中国贸易有关联的大宗商品等等。

3）套利策略：套利在这里是一种方式，因此它理论上可用于不同类型的市场。对于固收类产品，因为未来的现金流动比较固定，所以其价格与到期时间，利率，通胀，信用利差之间的关系更为确定。借助这个特点，投资者能更容易找到固收类产品之间的关系，也产生出更为多样的套利策略。另外，在海外市场，固收类产品有着更丰富的结构特性和相应的衍生品（如CDS）作为辅助，所以相应的策略比国内市场更为多样。事件驱动类的套利一般用在兼并收购这类事件，通过预测事件是否成功，从而做多或做空与参与者相关的股票，债券等产品。

当然，策略的分类方式不是固定的。本篇只是借助《Efficiently Inefficient》的对冲基金策略的分类方式对几个常见的交易策略进行了介绍。细化到量化交易的策略，可以包括股票市场的多因子选股模型，高频交易，CTA，宏观资产配置，固定收益套利等。像高频交易，固定收益套利这类的策略，底下还有很多细分的量化交易策略。具体的，可以看看专门这方面的书籍。

下面就来讲讲几种经典的策略：

传统计算方式：

1. 布林带：

布林带的计算主要依赖于 “moving average（MA），即移动平均” 和 “moving standard deviation，移动均方差”

如上图所示，移动平均就是取一个小窗口（20天）来计算一个均值，再取下一个 20 天计算一个均值，直到整个时间序列中的最后一个 20 天窗口（红色线条）。通过 20 天的窗口，将整个时间序列上的数据进行平滑，得到一个大趋势。

同理，移动均方差就是取一个小窗口（20天）来计算一个均方差（σ），如下图所示。这里的 σ 代表了每天这个 stocks 偏离正常趋势的幅度。

John Bollinger 在 1980 年提出了这个布林带理论来指示买卖点信号，他使用了 2σ 作为正常偏离范围，而当 daily price（一般为每日的 adjusted close，之后有时间我会来解释这个 adjusted close）跌出 2σ 范围的之后，反弹回去碰到 2σ 位置的时候指示了买点信号。相应地，daily price 涨出 2σ 范围后跌回的时候，则为卖点信号。

这只是一个最简单的基础模型，在部分情况下能够得到较好的成果，但是我们也需要考虑各种各样不同的情况。模型中的 20 天窗口以及 2σ 的范围都是值得我们继续调参，回测的部分。OK，我们接着往下看。

备注：pandas.stats.moments.rolling_mean 可以用来计算这个 :)

1. a 与 b 因子回归分析

刚刚的模型是关于单信号的，在 stocks 选择中，有一个不可忽视的抉择在于，选哪只股票。

这里的一个基础概念是：daily returns，每日的 daily price 基于昨天的变化率：(price[t]-price[t-1])/price[t-1]。计算得到一个基于昨天价格的变化百分比，以中国 a 股市场为例，就是一个 -10%～10% 的区间。

当有了两只股票的 daily returns 之后，就可以把两只股票的 daily returns 绘制在一张散点图上，每一个点都代表了某一天两只股票的 daily returns，在上右图中，x 轴是 SPY 股票，y 轴是 XYZ 股票。该图体现了这两只股票在大部分的时间区间内呈现一致的盈利模型，仅有一个点（上左图中右边的红框）中两者的走势呈现反向的趋势。

*散点图体现了两只股票的走势关系，并移除了价格本身差异的影响，因为这里仅含%的变化趋势，也是我们关心的盈利部分。*

如果我们将大盘（即市场综合走势）作为自变量 x，个股的走势作为应变量 y，并对散点图做线性回归（Linear Regresson）分析，得到 y = bx + a。

式中，b 为个股对市场作出的反应，a 为正表示个股表现往往强于市场，a 为负表示个股表现往往弱于市场。同时，我们也可以对该线性回归计算 r2，表示了 b 对市场反应的有效性，因为 r2 越高表明两个股价变化的相关性越强。

上述分析方式不仅适用于个股与大盘的关系分析，也适用于个股与个股的关系分析。

1. 夏普比率和投资组合

当选择多个股票的时候，我们的回报则变成一个投资组合，即一个股票池里面具体挑选哪几只股票，如何配比。当评价一个投资组合的时候，我们需要了解两个参数，

• 夏普比率（sharpe ratio，SR）：一个同时考虑日均回报及波动风险的评价指标，一个优秀的投资组合是具有高日均回报及低波动风险的投资组合。

图中，红色 stock 的 SR 就比蓝色的 SR 要高；

上式就是 SR 的计算公式，daily_returns 就是投资组合的日回报，daily_risk 可以采用三月期国债利率、年利率估算或者在无先验经验的情况下，许多人会使用 0% 的假设。

年利率估算的的时候，通常就是将年利率 10% 的风险平分到每一天，则每日的 daily_risk=

式中 252 代表每年有 252 个交易日。

1. 优化函数调整投资组合配比

现在我们有了投资回报模型 daily returns，投资组合评价夏普比率，就可以建立优化模型了。

假设我们选了 4 个优质股票，通过 a 和 b 因子分析发现，他们和大盘跑下来，都比较强势。如何进一步细化四个优质股票的配比呢？

• 初始化 4 个股票都买 25%；
• 计算四个股票的 daily returns总和；
• 得到夏普比率的计算模型 f(daily_returns)；
• 通过优化模型来习得最优夏普比率的四只股票配比；

优化模型，这里推荐 SciPy.optimize 函数，具体的项目可见 http://quantsoftware.gatech.edu/MC1-Project-2

尽管上述模型只考虑了 buy-hold 模型，即买入-持有模型；但在回测过程中，通过每个月的调整，依然可以取得优于人脑直接配置的方式，是一种优化后的配股策略；

这里的内容在前面介绍的第一本书中有涉及，python for finance。想了解更详细的内容，可以关注 Udacity 的「AI 量化投资」课程。如果大家对如何做对冲，以及如何使用机器学习模型来选择买卖点有兴趣，我们之后也可以深入写相关的内容。
资料分享
推荐一些量化投资学习资料（持续添加中…）
推荐一些Python入门学习资料（持续添加中…）
【资料分享】Python、研究报告、计量经济学、投资书籍、R语言等！(Book+Video)

全部提供下载链接，可到社区下载，其中包括

一、python for 量化

1. 像计算机科学家一样思考Python
2. [Python标准库].Doug.Hellmann.扫描版
3. 《Python科学计算》.(张若愚)
4. 用Python做科学计算
5. 利用Python进行数据分析
6. Python数据分析基础教程：NumPy学习指南（第2版）
7. NumPy攻略 Python科学计算与数据分析
8. A Practical Guide To Quantitative Portfolio Trading
9. Data Structures and Algorthms Using Python
10. Mastering Python for Finance
11. Practical Data Analysis with Python by Anita Raichand
12. Python Data Analysis
13. Python Data Visualization Cookbook
14. Python.for.Finance(oreilly版)
15. Python for Quants Volume I

二、R for 量化

1. R语言入门
2. R语言编程艺术
3. R语言实战 中文版
4. 使用R进行数据分析与作图
5. Introduction.to.R.for.Quantitative.Finance
6. Quantitative Trading with R Understanding Mathematical and Computational Tools from a Quant’s Perspective
7. Mastering R for Quantitative Finance
8. Mastering Predictive Analytics with R
9. 金融数据分析导论：基于R语言

三、Quant Interview Books

1. 150 Most Frequently Asked Questions on Quant Interviews
2. [Mark Joshi]Quant Job Interview Questions And Answers
3. [Xinfeng Zhou]A practical Guide to quantitative finance interviews
4. Frequently-Asked-Questions-Quant-Interview
5. Heard on the Street Quantitative Questions from Wall Street Job Interviews
6. The 200 Investment Banking Interview Questions ＆ Answers You Need to Know
7. …

四、投资阅读书籍

1. algorithmic trading winning strategies and their rationale
2. barra handbook US
3. Encyclopedia of Trading Strategies(交易策略百科全书)
4. Inside the Black Box －A Simple Guide to Quantitative and High Frequency Trading（2nd.Edition）
5. NASSIM Taleb-Dynamic Hedging
6. Options Futures and Other Derivatives 8th – John Hull
7. Quantative Trading Strategies
8. Quantitative Equity Portfolio Management：Modern Techniques and Applications
9. Quantitative Trading How to Build Your Own Algorithmic Trading Business
10. Quantitative Trading How to Build Your Own Algorithmic Trading Business
11. 《New Trading Systems and Methods》 Perry J.Kaufman 4th Edition.pdf
12. 《专业投机原理》 完整版 (美).维可多·斯波朗迪
13. 保本投资法 不跌的股票(高清)
14. 打开量化投资的黑箱
15. 股市趋势技术分析（原书第9版-珍藏版）
16. 海龟交易法则
17. 解读量化投资：西蒙斯用公式打败市场的故事
18. 解密对冲基金指数与策略
19. 精明交易者 – 考夫曼
20. 量化交易 如何建立自己的算法交易(高清)
21. 量化交易策略—利用量化分析技术创造盈利交易程序
22. 量化数据分析 通过社会研究检验想法
23. 量化投资策略-如何实现超额收益alpha
24. 量化投资策略与技术修订版
25. 期权投资策略 第4版(高清)
26. 数量化投资：体系与策略
27. 通往金融王国自由之路
28. 统计套利(中文版)
29. 网格交易法 数学+传统智慧战胜华尔街
30. 我是高频交易工程师：知乎董可人自选集 (知乎「盐」系列)
31. 主动投资组合管理 创造高收益并控制风险的量化投资方法（原书第2版）(高清)
32. 走出幻觉走向成熟金融帝国文集

五、计量经济学

1. 金融计量学从初级 到 高级建模技术
2. 哈佛教材 应用计量经济学 stata
3. 高等计量经济学 李子奈等编着
4. 蔡瑞胸-Analysis of Financial Time Series- Financial Econometrics(2002)金融时序分析
5. Phoebus J. Dhrymes, Mathematics for Econometrics, 4e
6. Osborne,Rubinstein-A Course in Game Theory
7. Model Building in Mathematical Programming(5e)
8. Hayashi – Econometrics
9. Gujarati-Essentials of Econometrics计量精要
10. Akira Takayama – Mathematical Economics
11. A Handbook of Time-Series Analysis, Signal Processing, and Dynamics – 1999
12. 2013年金融数学
13. Angel de la Fuente 经济数学方法与模型(上财版2003)
14. 《经济学的结构–数学分析的方法(清华版)》Eugene Silberberg, Wing Suen
15. Kamien & Schwartz, Dynamic Optimization(2ed,1991)
16. CSZ – An Introduction to Mathematical Analysis for Economic Theory and Econometrics(草稿版)

六、研究报告

1. 国信证券金融工程
2. 大券商2016年年度投资策略报告
3. 光大证券
4. 海通证券
5. 申万大师系列
6. 他山之石系列
7. 中信证券
8. 广发证券

视频：

1. python
2. R语言基础、进阶、七武器（quantmod、ggplot2….）
3. 金融工程 89集 郑振龙 厦门大学
4. 金融时间序列分析

Python编程
【量化投资利器Python】基本语法
【量化投资利器Python】基本语法
【量化投资利器Python】基本语法
【量化投资利器Python】基本类库-Pandas入门1之数据结构
【量化投资利器Python】基本类库-Pandas入门2之数据处理
【量化投资利器Python】基本类库-Pandas进阶
【量化投资利器Python】条件与循环-if、while、for
【量化投资利器Python】神奇的迭代器和解析
【量化投资利器Python】基本语法
【量化投资利器Python】基本类库
【教程】自定义python库
【算命师系列】2：6000倍！平台上最快的取数据方法和最慢的取数据方法之间居然能差6000倍！
API文档的详细介绍
JoinQuant 心得——股票行情数据【1.21更新】
JoinQuant 心得——时间持仓资金数据
JoinQuant 心得——基本面数据
JoinQuant 心得——订单
JoinQuant 心得——回测功能性完善
JoinQuant 心得——数据存取
JoinQuant 心得——小技巧
Talib
Ta-Lib用法介绍！
指标计算和形态识别的编程利器——TA-Lib
在量化投资中具体的使用例子
量化投资学习【TA-LIB】之MACD
量化投资学习【TA-LIB】之Bollinger Bands
量化投资学习【TA-LIB】之STOCH（KD指标）
量化投资学习【TA-LIB】之ATR
量化投资学习【TA-LIB】之RSI
研究型文章
【QLS】线性回归
【QLS】线性相关分析
【QLS】斯皮尔曼秩相关系数
【QLS-6】过拟合
【QLS7】参数估计的不稳定性
量化投资学习【QLS-8】之模型设定
【QLS9】回归模型假设的违背
【QLS10】回归分析
【QLS12】套利定价理论
【QLS15】最大似然法（MLE）
【QLS16】ARCH和GARCH
【QLS17】多空策略
【QLS19】动量交易策略
【QLS20】度量动量
配对交易策略
凸优化(Convex Optimization)介绍！
【机器学习】时间序列波动率估计
【机器学习】上证指数十年走势
交易策略中的参数优化问题
被动型投资 – 韭菜Hulk
不同市场对同一指数的追踪
机器学习
【机器学习】时间序列波动率估计
【机器学习】上证指数十年走势
【机器学习】缠论中的线性回归
【机器学习】非参数型聚类分析
深度学习简介
SVR预测股票开盘价
【机器学习方法研究】——思路整理、支持向量机
量化缠论系列
【量化缠论】之分型、笔、线段识别
【量化缠论】应用之维克多1-2-3法则(回测提速版)
【机器学习】缠论中的线性回归
笔的新定义 【机器学习】非参数型聚类分析
完整策略型文章
价值投资
【苍老师推荐】价值投资 — 成长股内在价值投资
价值投资 — 三一投资管理公司价值选股法
价值投资–低估价值选股策略
技术指标
【神父做量化】bias策略加强版，多股票，仓位管理，止损，胜率统计
量化投资学习【指标学习level1】之多股票KD指标
上下影线代码样例
量化投资学习【经典指标】—简易波动指标（EMV）
量化投资学习【经典指标和K线图系列】之5——能量潮OBV
【原力觉醒】
量化投资学习【经典指标和K线图系列】之1——指数平滑均线
量化投资学习【TA-LIB】之Bollinger Bands
量化投资学习【经典指标】之人气指数（AR）
【神父做量化】CCI指标
Bollinger Bandit Strategy
双线RSI择时轮动策略
双因子加指标模型
经典策略
量化投资学习【常见策略】1-羊驼1（每天持有收益率前n的股票）
量化投资学习【常见策略】2-羊驼2（表现最优入池）
量化投资学习【常见策略】3-羊驼3（随机入池）
把社区基础文档里的羊驼和均线策略合并了一下
量化投资学习【常见策略】6-海龟交易系统
【经典策略系列】之 Dual Thrust 交易策略
【经典策略系列】之 Volume-weighted Moving Average 交易策略（增强修改版）
【经典策略系列】之周规则交易策略（使用分级移动止盈、移动止盈方法，以及新api–run_daily等的用法）
【网格交易策略
【滚动复利策略】的量化实现
神奇的鳄鱼法则交易系统——避开盘整，抢占趋势先机
【回测来啦】——鳄鱼法则交易系统，15年至今114%
引起广泛讨论的小市值小市值&低股价
小市值股票轮动策略
小市值改进-超跌
持仓1只股票的小市值策略
持仓10只股票的小市值策略
【淡手辑略】低开买（跌停不买），高开卖（涨停不卖）——Total Returns 73984.45%
小市值策略【收益40000%】
小市值策略，剔除了停牌，st，*st，加了简单的止损【收益340000%】
小市值策略的探索性研究（一）
小市值策略的探索性研究（二）
小市值策略的探索性研究（三）重要！有进展了！戳进来戳进来！
线性回归
线性回归的趋势跟踪系统
钟摆系列2，3，4
均线策略
量化投资学习——行业龙头股均线（收益率填坑优化版）
多均线策略 – 宏观经济占卜师
【简单的多均线择时策略】那个天台排队的孩子，我给你讲个故事
钟摆策略系列
钟摆理论的量化模型实现
钟摆理论2—
钟摆系列3—
【钟摆系列4】多股票市值中枢动态平衡
配对轮动
配对交易 – 以回测期间两股的股价比值的均值作为价值中枢
在配对交易的基础上增加了协整判断（每隔一段时间更新股票组合）
银行股配对交易
银行股低PB轮换策略
银行pe、pb轮动策略
指数轮动模型（更新模型2016年2月13日）
二八轮动2.0 – 韭菜Hulk
动量度量-ETF轮动
基于卡尔曼滤波器的银行搬砖
Markowitz Markowitz with regularization term
Adaptive Asset Allocation
带收益预测的Markowitz动态平衡策略
Classical Markowitz portfolio optimization
动态平衡
草帽路飞: A股市场大数据挖掘之1：股份行动态再平衡 一直以来，很多人将量化交易和技术分析混为一谈。作为一名坚定的价值投资理念追随者，我对技术分析的诸多模型嗤之以鼻，但关于量…
数据挖掘程序在此
单只股票动态平衡
多只股票动态平衡
热点分析
赶上牛市打新股策略好的不要不要的
举牌概念买买买！
统计了一下熔断的历史数据，我对小头爸爸报以深刻的同情
春节抢红包攻略，我已经开抢了，你随意~~
如果明天大盘开始反弹，你选哪只股票？
我发现了一个惊人的秘密： 月底容易暴跌，特别是25日以后！