理财：量化分析平台，一个定投策略的实现

不得不说理财是一项基本的能力，从工作开始有意识地买了很多理财产品，股票，基金，p2p。仅仅基金就买过股票型，指数型，还有比较复杂的分级基金A/B。之前的购买大部分是尝试性的，漫无目的，更没有任何仔细的思量。似乎这叫做赌博更加合适。
经过这一年的尝试，渐渐确定了我的理财目标。几个原则：

• 作为非专业人员，不会花大量时间在这上面，如股票看盘

• 为自己风险可以偏大，为父母，风险可控。基本公式：

  理财资产（非固定收益类）/总资产=100-年龄
  在此基础上微调：

  • 自己:比例 > 75% —> 85%左右,40%回撤
  • 父母:比例 < 45% —> 40%，18%回撤

• 不投资不了解的产品，必须经过数据计算后投资

目标：

• 追求 > 10%的年化收益，目标为15%

这篇文章讲讲最近了解的金融数据的回测平台。简单来说就是指定策略然后使用历史数据技术模拟投资，查看结果。

国内的量化平台

基本了解了一下国内的策略平台功能比较弱，但是由于数据原因也没有其他好的选择。基本是两个平台

• UQER-优矿
• 聚宽

这两个平台十分相似，我怀疑是互相抄袭的，或者抄的国外的某平台，可是。。。。他们的数据也不全，很多数据只有2013年以后。

使用

这没什么可说的，其实就是Python语法+常用的数据处理lib+平台API，
对我而言，python使用的比较少，基本语法没有问题，但是一些输出处理的库就是否生疏了，比如numpy，spicy，panda等，这些库大大的方便我们进行数据运算和整合：

分析常用的lib

• numpy:主要提供了array数据结构(多纬度)，与元组/列表最大的区别是，它约束数组内的数据类型要相同，一些细微的操作也不通

  [4]*4 -->  [4,4,4,4]
  np.array([4])*4 --> array([16])

• spicy：向量和矩阵的相关操作，基本上算是一个高级的科学计算器,如计算逆矩阵，特征值等等功能,与线性代数相关。

• panda:金融计算的高级库，提供了Series和DataFrame两种高级的数据结果，前者理解成列，后者理解成表（一个表是由n个列组成的）。
• 高级的有：机器学习算法库等，这就不懂了
• 其他的自定义绘图库matplotlib等

基本功能

这两个平台都基于ipython提供了两种基本的功能：code和strategy。

jupyter与ipython：这个东西很有用，jupyter是一个网页交互器，对于脚本语言可以即可写，即可得到结果。ipython是一个接口可以让jupyter支持python的编译执行，可以缓存其他的语言如ruby。这个东西是学习python这些语言的强力助手，提供自动不全的公共，适合边学习边实验。

简单地说：

• code：纯洁的python运行环境，可以调用各种api，包括python自己的lib和金融平台提供的api。一个常见的流程是：使用平台api获取数据—>用python的数据处理工具处理—>写一下模板方法和变量（具体逻辑）—>import平台提供的回测库，调用回测api（需要把刚才写的模板方法和变量作为参数传入）—>拿到结果，用python的数据处理工具处理—>用python的绘图工具如matplotlib画出结果。优点是自由度高，缺点，必须要自己各种处理数据画图。

  bt, acct = quartz.backtest(start = start,end = end,\
               benchmark = benchmark,\
               universe = universe,\
               capital_base = capital_base,\
               initialize = initialize,\
               handle_data = handle_data,\
               refresh_rate = refresh_rate)
  # 下面绘图

• strategy：一个模板化的python环境，实现一下模板的方法和变量（与上面类似）：如在handle_data中判断然后下单，但是你不需要手动应用回测库开始回测，点击运行自动调研模板方法，绘制出图。

  start = '2014-01-01'                       # 回测起始时间
  end = '2015-01-01'                         # 回测结束时间
  benchmark = 'HS300'                        # 策略参考标准
  universe = ['000001.XSHE', '600000.XSHG']  # 证券池，支持股票和基金
  capital_base = 100000                      # 起始资金
  freq = 'd'                                 # 策略类型，'d'表示日间策略使用日线回测，'m'表示日内策略使用分钟线回测
  refresh_rate = 1                           # 调仓频率，表示执行handle_data的时间间隔，若freq = 'd'时间间隔的单位为交易日，若freq = 'm'时间间隔为分钟
  def initialize(account):                   # 初始化虚拟账户状态
      pass
  def handle_data(account):                  # 每个交易日的买入卖出指令
      return

核心的概念，就是在某个时机下单。
时机：

• 日间策略 — 函数每个交易日调用一次，注意，此时下单价格是开盘价格（优矿），框架一般认为必然成功
• 分钟策略 — 每一分钟调用一次，以市价（当前价格）/限价（限定某个）来下单，未必能买的到

下单：

• order(stk,100) 以当前价格买100股
• order_to(stk,100) 以当前价格买/卖，最后剩余100股
• 其他，按比例什么的，有些平台可以用价格去下单，如买1000块的股票。（内部应该也处理了取整）

一些坑

优矿平台：

• handle_data里下了单，但是账户信息不会离开变化（比如余额，持股），要下次调用handle_data的时候才变，注意理解！但是其他平台未必。
• account.universe中的股票的顺序个数都可能被修改！不是你传入的，他会过滤去重排序。
• 无法增加cash，记追加投资，就是不好实现定投（用策略不行，用code可以自己来）
• 只支持：股票，场内etf基金，一些场内债券，其他的如分级基金、普通的开放式基金都不支持。
• secID和ticker证券代码：前者是内部id，因为同一个证券号码可能有多个对应的东西
• 下单失败努力找原因。。比如，cash太少买不了一手

聚宽：
数据太少，比如etf，只有2014年12月的。。
优点是api比优矿完善的多！

实践

我使用code模式，实现了按月定投逻辑和定期按比例重新分配资产。这里下载。这里面用到一个很有用的库dateutil，可以方便的产生时间序列，比如每个月的最后一天，每年第几天等
分析结果用图表的形式表现出来：

总结

这些只是入门的内容，还有很多数据层面的东西要学习以及金融知识，比如那些指标是什么含义。今年有计划看一本金融类的入门书籍。理财是一个长期需要坚持的事情，从简单的策略做起，不断学习，优化，认识到不足，再优化。期望能脱离盲目，我相信，所谓坚持不懈，毫不动摇必须要有强大的学识基础。