Ⅰ 國內支持股票期貨期權基金交易的量化平台都有哪幾家
目前國內量化交易平台主要有掘金量化、優礦、聚寬、米筐、訊投、國泰君安、同花順、龍軟、TB、京東量化、Big、雷礦等等。
專業度較高應該是掘金量化、訊投、優礦
用戶量較大應該是聚寬米筐
人工智慧：Big
Ⅱ 優礦上能不能同時買入hs300中的股票同時做空股指期貨
應該不能
Ⅲ 如何用quartz signal快速實現worldquant 101 alpha
優礦的500萬實盤在如火如荼地進行中，我們已經看到有礦友利用經典的機器學習演算法和新的Quartz Signal模塊對於優礦上現有因子的利用進行探索，但是對於大多數信號/因子研究者來說，尋找新的Alpha依然是其孜孜以求的目標。
如何去尋找新的Alpha因子的靈感成為擺在量化研究者面前無法迴避的問題。
我們注意到，Zura Kakushadze 等人最新發表的論文101 Formulaic Alpha(http://papers.ssrn.com/sol3/papers.cfm?abstra…) 里提到了很多基於價量數據構建的"Alpha"因子，為我們提供了很多新的靈感。
本文將先簡單介紹論文中提到的Alpha因子表達式語法以及含義，之後會介紹如何用Quartz Signal便捷地實現這些Alpha，最後會提供2個在論文中出現並且效果不錯的Alpha因子供大家參考。
Formulaic Alpha簡介
研讀過上文提到的論文，我們發現，論文中提到的Formulaic Alpha就是用一個表達式來表示一個Alpha因子：
· 寫出的表達式是在每一個調倉日對每一支股票按照該表達式進行計算
· 例如：1/close; 對universe中每一支股票，計算1/closePrice，然後此向量被標准化，即除以其數值的總和（所有數值相加的結果為 1）。這將為所有股票創建了一個基於「權重」的向量，每個權重代表投資組合中投資於該股票的資金比例
· 其支持的數據有：open(開盤價)/close(收盤價)/high(最高價)/low(最低價)/vwap(日內交易量加權價格)/returns(單日收益率)等等
我們認為這種Formulaic Alpha的表達形式有以下特點：
· 表達簡潔，但隱藏了太多細節，用戶無法看到具體的調倉信息
· 受限於表達式表達能力的不足，提供了豐富的內置函數，幫助用戶完成了cross-sectional信息的處理
內置函數
· 可分為橫截面函數和時間序列函數兩大類，其中時間序列函數名多為以ts_開頭
· 大部分函數命名方式較為直觀
· abs(x) log(x)分別表示x的絕對值和x的自然對數
· rank(x)表示某股票x值在橫截面上的升序排名序號，並將排名歸一到[0,1]的閉區間
· delay(x,d)表示x值在d天前的值
· delta(x,d)表示x值的最新值減去x值在d天前的值
· correlation(x,y,d) covariance(x,y,d)分別表示x和y在長度為d的時間窗口上的Pearson相關系數和協方差
· ts_min(x,d) ts_max(x,d) ts_argmax(x,d) ts_argmin(x,d) ts_rank(x) sum(x,d) stddev(x,d)等均可以通過函數名稱了解其作用
· 更多地函數解釋可以參考論文的附錄
Quartz Signal模塊簡介
正如API幫助文檔中提到的，Signal模塊是優礦為方便因子/信號研究者提供的工具，將用戶從與信號研究無關的數據獲取、下單邏輯中抽離出來，用戶可以將精力集中於按照自己的思路開發新的信號。
使用Signal自定義信號的通用實現過程如下：
def foo(data, dependencies=['PE&# 39;], max_window=4):
return data['PE&# 39;].mean()
# in initialize(account)
a = Signal("signal_a", foo)
account.signal_generator = SignalGenerator(a)
# in handle_data(account)
account.signal_result['signal_a']
我們可以將Quartz Signal的使用過程分為四個步驟：
定義實現信號邏輯的函數（在上例中即為foo函數）
在initialize函數中定義Signal，在實例化Signal類時將信號名字和描述函數作為參數傳入
在initialize函數中將需要使用的信號注冊到account.signal_generator中，可以注冊多個信號
在handle_data中通過account.signal_result獲取計算好的信號值
我們重點介紹一下用戶需要完成的信號描述函數：
信號描述函數實際上是用戶在每一個調倉日對於可以獲得數據的處理邏輯
信號描述函數名可以按照Python函數的命名規范任意定義，但其參數必須為一個非關鍵字參數data，兩個關鍵字參數dependencies和max_window
dependencies的參數格式必須為str構成的list，list的元素為該函數中需要使用的因子名稱，具體支持因子列表參考幫助文檔
max_window的參數格式為int，表示用戶希望用到過去max_window天的因子數據
data則是根據dependencies和max_window，Quartz Signal模塊幫助用戶取到的數據，其格式為一個dict，key為因子名稱，value為max_window*universe_length的Pandas DataFrame
信號描述函數的返回值必須為一個長度與data中每一元素列數相同的Pandas Series
如下圖所示：
上圖描述的就是data的結構，其中data只有一個元素，其key為"PE"，value就是上圖表格所示的Pandas DataFrame，具體地，其columns為universe的secID，其index為%Y%m%d格式的日期字元串
Quartz Signal v.s. Formulaic Alpha
由上述描述可見，使用Quartz Signal模塊可以便捷地實現Formulaic Alpha，同時相比Formulaic Alpha表達式有以下優勢：
更加直觀：
o用戶在預先定義信號描述函數時，就可以明晰地定義自己需要的因子數據和時間窗口
o用戶可以在Quartz框架中靈活定義自己的調倉頻率和下單邏輯，並可以直觀地看到每次調倉的股票列表
更加靈活：
oFormulaic Alpha限制了表達式的計算結果必須代表相應股票在投資組合中的權重，而Quartz Signal並沒有此限制，用戶可以在handle_data中按照自己的想法任意處理信號值
o信號描述函數的data是以Pandas DataFrame的格式傳入的，這樣用戶就可以在函數中同時看到橫截面數據和時間序列數據，為用戶提供了更多可能
更加強大：信號描述函數的data是以Pandas DataFrame的格式傳入的，Pandas豐富的內置函數可以幫助我們完成較復雜Formulaic Alpha表達式才能完成的任務（見最後一個示例）
更多數據：Quartz Signal不僅支持openPrice/closePrice/highPrice/lowPrice/turnoverVol等價量信息，還支持PE、RSI等更豐富的因子
下面我們就用Quartz Signal模塊實現了一個論文中提到的Formulaic Alpha:
用Quartz Signal實現一個Formulaic Alpha
以WebSim論文中alpha 53為例，其原始表達式為:
(−1∗delta((((close−low)−(high−close))/(close−low)),9))
化簡可得，((close - low) - (high - close)) / (close - low)的9日之前值-當前值
繼續化簡可得：(2∗close−low−high)/(close−low)
我們深入研究該因子可以發現：
(2∗close−low−high)/(close−low)=1−(high−close)/(close−low)
前面的常數1可以通過delta消掉，其實可以簡化為(high−close)/(close−low)的現值-9天之前的值
而(high−close)/(close−low)本身則代表了收盤價在日內波動中的位置，可以看做是買入意願的一種體現
我們強烈建議大家在實現這些Formulaic Alpha因子之前先花一些精力去理解其經濟含義，不僅可以加深對其原理的理解，在某些時候還可以簡化實現。
我們以論文中的Alpha 26為例，其原始表達式為：
−1∗ts_max(correlation(ts_rank(volume,5),ts_rank(high,5),5),3)
我們當然可以按照其原始表達式一步步地先對過去5天的成交量和最高價進行排名，再取相關系數；但是較熟悉Pandas DataFrame內置函數或者統計知識較豐富的研究者可以發現，correlation(ts_rank(volume,5),ts_rank(high,5),5) 其實就是在計算Spearman Rank Correlation Coefficient，使用DataFrame內置的corr(method="spearman")函數就可以完成計算，可以大大提高開發效率。
在我們的模擬的過程中發現，如果按照原公式進行計算，無論是long還是short的結果都跑不贏大盤，同時對於成交量和最高價相關性較高的股票將會是市場追逐的熱點股票，應該分配更大的權重。
所以在上述代碼中我們將原Formulaic Alpha前面的負號去掉。
當然，對於論文中出現的某些因子可能較難於理解其經濟學意義，我們鼓勵大家用Quartz Signal將其實現之後發到社區上與大家一起討論。
對於Quartz Signal模塊有哪些不盡如人意的地方也可以反饋給我們，幫助我們持續改進。
Ⅳ 為什麼優礦的策略跑起來都很成功，是因為哪些因素沒有考慮到
題主說的量化學堂中的策略是一個小市值而且回測區間比較短，所以曲線看著還行，這個初衷是為了讓礦友對因子選股有個概念，沒有做更多精細的處理。
至於其他的疑問我簡單的回答一下
上面有提到手續費和滑點等，優礦的回測框架中都是有考慮的。
交易稅費 commission
滑點 slippage
在真實的證券成交環境下，下單的點位和最終成交的點位往往有一定的偏差，訂單下到市場後，往往會對市場的走向造成一定的影響。比如買單會提高市場價格，賣單會降低市場價格。
優礦為了更真實地模擬策略在真實市場的表現，增加了滑點模式，用於處理市場沖擊問題。
默認為slippage = Slippage(value=0.0, unit='perValue')
為了保障這些數據的連續性，優礦上已做前復權處理，在回測框架中使用回測框架提供的行情數據（比如 account.get_history）、回測框架在成交撮合時使用的行情數據，都已做前復權處理。
還有倖存者偏差、前視偏差、極端情況我們都提供了函數或者例子幫忙處理。
上面溫如提到了數據的問題，我司有100多人的數據隊伍在進行數據的生產及清洗，這些數據在優礦上大多是不收費提供使用的，也許我們不是最好，但我們一直在力求變的更好。
投資從來不是件容易的事，只希望通過自己的努力能幫助大家提升研究效率、降低運營成本，找尋alpha的路上能更加順暢一些。
Ⅳ 股票投資的優點跟缺點都有哪些
高收益以及還高風險，可能有大多數人在說到股票的優缺點時第一個反應就是這個，但作為入行N＋1年的老股民，我想說的是，股票的優缺點可不是這幾個字就能概括的，這就給大家詳細講講！
開篇之前，我先給大家送上一個福利，看看我精選的3隻牛股當中，有沒有合你心水的：【絕密】機構推薦的牛股名單泄露，限時速領！！！
一、股票投資的優點
股票是股份公司為籌集資金而發行給股東作為持股憑證，並藉以取得股息和紅利的一種有價證券。
一般來說，購買股票具有以下優點：
（1）流動性相對來說比較強，變現也很快：只要有賣的想法，隨時隨地都能把持有的股票賣出，在下個交易日不僅可以收到股款，還能收到現金。
（2）安全性較強：這怎麼說也是受相關部門監管的，屬於正規的市場交易方面錢財也不用去憂心。
（3）有可觀收益：只要一開始能買到優質的股，並且有著正確的投資理念，那麼想要高收益的回報，可能性非常高！
然而A股市場上流動著諸多的股票，怎麼知道哪只股票的收益比較高呢？不妨直接點擊這里，即有專業的股票分析師為你分析股票發展潛力怎樣，值不值得買入！【免費】測一測你的股票當前估值位置？
二、股票投資的缺點
而投資股票也具有以下缺點：
（1）不確定因素多：股票市場不確定性的因素非常多。如同2015年的股災令人瑟瑟發抖，可以說是「千股跌停」！這場突如其來的災難，很多投資者一夜暴負！
（2）高收益隨之而來的就是高風險：在購買股票後，公司成長或交易市場波動都能夠帶來利潤，而股東都能夠分享到，但也要一起承擔公司運作方面的錯誤導致的風險。
（3）進入要求多：投資股票，不像是買菜吃飯，需要我們去掌握專業知識、投資經驗等的投資管理能力，而且還要有良好且穩定的投資心態。要是沒有這些知識儲備跟經驗，盲目跟進的話，很容易造成損失！
在平時，可以多看看這個股市播報，了解股市的最新資訊，及時了解股票相關的信息，增加自己的知識儲備，規避虧損風險。【股市晴雨表】金融市場一手資訊播報
應答時間：2021-08-26，最新業務變化以文中鏈接內展示的數據為准，請點擊查看
Ⅵ 優礦怎麼獲取同一天所有股票的開盤價
想要獲取同一天所有股票的開盤價的話，直接在你的交易軟體上就可以直接看的，就有開盤價一欄，而且還可以智能排序，很方便的，不知道的話可以教你。
Ⅶ AI都能炒股了，以後就要拼誰的演算法牛了
人工智慧量化交易平台宣布獲得數百萬人民幣融資。據悉，本輪融資將主要用於團隊建設、產品開發和硬體設備投入。
是一家基於人工智慧的量化投資公司，成立於2017年10月，主要將技術應用於量化投資領域，實現低風險高收益的投資回報。
中國私、公募基金規模呈大跨步發展，截止2018年2月底，中國私募基金規模已達12.01萬億元，公募資金規模已達12.64萬億，在控制風險的前提下，提高獲得投資收益的效率，是公、私募投資最大需求，國外盛行的量化交易越來越被國內機構所接受。
在量化交易這個領域，目前已有不少項目：私人量化交易平台JoinQuant、RiceQuant以及優礦，為量化交易領域提供核心演算法支持的眾加，量化策略商城微量網、以量財富為代表的量化理財平台，以及為量化投資者提供智能交易和分析工具的名策數據。
量化交易策略的建立是量化交易的重要環節。目前主要方式有兩種，一種是輸入與這套邏輯相關聯的因子，比如歷史表現、公司財務數據、宏觀經濟數據、上下游供應商數據等眾多參數，建立一套模型，以算出標的上漲或下跌的概率，並生成投資組合和調倉策略。隨著近幾年人工智慧興起，不少人開始選用機器學習等方式，輸入眾多因子，讓AI自己生成策略。
創始人兼CEO龐表示，的做法則不同，是用神經管網路替代原來用邏輯和策略構建的數學模型，通過輸入股票相關數據，利用訓練不同結構的神經網路來實現機器自主的量化交易。想做量化交易界的Deepmind（研發阿爾法狗的團隊），成為中國的基金。
目前，的首個產品A股機器人「狗」已上線，應用於國內二級市場的投資，產品已實盤測試8個月。數據顯示，狗實盤業績顯著，在2017年11月A股普跌的情況下(中證1000跌幅超4%)，狗依然實現了5.23%的收益，最大回撤控制在2.7%，並在2018年1月底上證指數大跌12%的情況下，智富狗做到了提前清盤避險，業績明顯優於大盤。
投資人黃表示：「人工智慧是非常好的提高效率的方式，非常關注人工智慧在各個領域的應用，我們認為以為代表的、基於神經網路的人工智慧量化交易平台，能極大地提高大型的高頻交易的效率。人的精力有限，一個再好的操盤手也不可能同時看2000支股票，但機器能輕易辦到。」
Ⅷ 投資股票的優缺點是什麼
高收益以及還高風險，可能大家在一說到股票的優缺點時第一個反應就是這個，作為一名入行許多年的老股民，股票的優點和缺點可不能只用這幾個字概括，這就聽我給大家娓娓道來！
開篇之前，我先給大家送上一個福利，看看我精選的3隻牛股當中，有沒有合你心水的：【絕密】機構推薦的牛股名單泄露，限時速領！！！
一、股票投資的優點
股票是股份公司為籌集資金而發行給股東作為持股憑證，並藉以取得股息和紅利的一種有價證券。
一般來講，購買股票有以下幾點優點：
（1）流動性比較強，變現快：假設想賣，基本上都能把持有的股票賣出去，在下個交易日除了可以收到股款之外，還可以獲得現金。
（2）安全性很不錯：畢竟這就是有相關部門監管的正規市場，在交易的時候，風險方面也不用太過憂心。
（3）收益可觀：只要投資決策是正確的，並且能挑選到優秀股，那麼收益不會太差的！
可是A股市場上有好多的股票，怎麼知道哪只股票的收益比較高呢？不妨直接點擊這里，即有專業的股票分析師為你分析股票發展潛力怎樣，值不值得買入！【免費】測一測你的股票當前估值位置？
二、股票投資的缺點
而投資股票也具有以下缺點：
（1）不確定因素多：股票市場不確定性的因素非常多。打個比方永遠忘不了的2015年股災，可以說是「千股跌停」！尤其是對於投資者來說，真的是毀滅性的災難！
（2）高收益伴隨高風險：購買股票後，公司成長或交易市場波動帶來的利潤股東都能夠憑藉手中的股票分享到，公司運作方面帶來的錯誤而導致的風險是需要一起來擔負的。
（3）進入要求較高：投資股票，不像是買菜吃飯那樣子，是需要掌握一定的專業知識、投資經驗等的投資管理能力的，投資心態還要是良好且穩定的。假設沒有這些知識儲備和經驗的話，隨便亂選的話，虧損的幾率會很大！
閑暇時，可以多看看這個股市播報，了解股市的最新資訊，及時了解股票相關的信息，增加自己的知識儲備，規避虧損風險。【股市晴雨表】金融市場一手資訊播報