基于人工智能的量化投资系统（1）量化投资特点及难点
量化投资系统平台的特点和难点 量化投资就是借助传统统计学、数学，以及近年的人工智能、机器学习方法，从海量历史数据中不断学习、预测、评估，寻找优化量化模型及策略，并纪律严明地按 照优化策略来指导投资，力求取得稳定的、可持续的、高于平均的超额收益及回报。 量化投资属主动投资范畴，本质是定性投资的数量化实践，理论基础是行为为…
基于人工智能的量化投资系统（2）开启建设之旅
“雄关漫道真如铁，而今迈步从头越” ——毛泽东《忆秦娥 · 娄山关》 关于为什么基于人工智能？什么是反脆弱系统？为什么要专注期货期权？等等问题。前面文章已有描述，参考： 阿岛格：关于金融交易的底层逻辑和个人机会 阿岛格：公鸡打鸣、人工智能及量化投资 阿岛格：人工智能有哪些误区？ 阿岛格：什么是黑天鹅和反脆弱？， 期权与股票哪个更容…
基于人工智能的量化投资系统（3）软/硬件准备
ADOD采样Ubantu Linux 环境及Python语言， 平台采样B/S构架（交易服务器用window系统）。 ADOD系统几乎全部选用免费第三方软件及模块。其中主要包括： 数据库： mongoDB及mySql 数据处理： pandas，numpy，scipy 金融工具： quantLib /taLib 深度学习：tens…
基于人工智能的量化投资系统（4）原始数据及预处理
数 据是整个系统的基础，大数据是量化金融的根本。相比传统数据，期权量化大数据： 数据规模大、更新快：大数据的数据量非常大，实时更新，不能用传统静态工具和传统数据库分析工具分析。 非结构化数据、维度高：传统数据主要在关系性数据库中分析，而大数据需要从更高维度挖掘和处理。 数据表征处理方式不同：为以后机器学习和样本模型化表征，需要…
基于人工智能的量化投资系统（5）实盘行情数据
1、期权合约及风险数据 实盘原始股票期权/期货期权行情数据，获取参考：阿岛格：低门槛搭建个人量化平台 — 第四天：实时数据 数据为每日原始实盘行情数据，包括每个合约的开盘、最高、最低、收盘及行权价格、持仓、交易量等数据，特别包括希腊值及风险参数（delta/gamma/theta/rho)等值。 数据格式为bson/json…
基于人工智能的量化投资系统（6）希腊值计算及绘制
为 后续系统灵活应用和模型研究，用第三方工具（QuantLib/Mibian）自行编码计算实时计算期权合约的希腊值 希腊值计算过程在0.001s内，保证在线实时显示、存储。希腊值包括： iv delta gamma theta vega rpho 实时绘制损益曲线及希腊值曲线。 源代码： #coding=utf-8 ''' MibianL…
基于人工智能的量化投资系统（7）波动率计算
波 动率计算 历史波动率：自行采用不同算法，包括 c2c 、parkinson 、garmanklass 、rsy 、yz 隐含波动率：自行采用QuantLib/Mibian 计算实时隐含波动率 波动率VIX(恐慌指数）：自行编码模块实时计算VIX指数（分钟/日级别） 实时日内分钟级别隐含波动率及VIX # 计算历史某一天…
基于人工智能的量化投资系统（8）保证金计算
期 权的卖权保证金计算很重要，以后对建模有较大影响，对实战中资金使用和风险管控也至关重要。卖权保证金计算计算如下（以50ETF为例）： 基本参数： M=0.12 N=0.07 PA=1.2 注：参数可能由于不同证券商而稍有不同 认购期权： 认购期权虚值=max（行权价-标的最新价，0） 认购期权初始保证金＝{合约最新价+Max（15%×…
基于人工智能的量化投资系统（9）数据指标及可视化
1. 基础指标T型表实时表现 根据实时数据及实时更新计算生成期权希腊指标值，通过adog web 平台，实现实时更新（秒级）的期权T型表。 2. 持仓量变化 设置不同阈值（历史天数、持仓最小变化、最小持仓 ），日级别表现持仓量变化。 持仓量变化代表卖方（机构方）市场观点。 3. 实时波动率曲面 表现实时波动率曲面的演化。 设置不同阈…
基于人工智能的量化投资系统（10）数据模型表征 | 数据矩阵
数据矩阵 每个时间的数据包括一系列的特征（input parameters）：包括如下 "feature": [ "close", ＃期权合约价格 "iv", ＃期权合约隐含波动率 "delta", ＃期权合约delta "chica…
基于人工智能的量化投资系统（11）数据模型表征 | 模型样本分组结构
1、 模型样本分组结构 为下面AI学习，将数据样本分成三组： train set：模型学习使用 test set： 模型验证回测使用 predict set：模型预测使用 其中每个单元矩阵M按时间序列排列，有5个历史数据，及1个标签数据。 2、模型样本采样分布 模型学习将随机提取一系列（batch size）的单元矩阵作为样本。 随机按…
基于人工智能的量化投资系统（15）交易仿真平台
模 拟交易平台 adogTrader 包括： 根据历史数据和完全实境的交易条件的模拟交易平台 数据模块 Maket_info 持仓模块 Holding 交易模块 SimuTrader 分析模块 Analysis 以下回测参数及曲线定义如下： 1. theory pv 曲线…
基于人工智能的量化投资系统（12）模型和训练 | 强化学习模型
强化学习模型 强化学习（Reinforcement Learning）是让计算机实现在特定的情况下，通过不断地尝试,从错误中学习,最后找到规律,找到可以获得最大回报的行为。强化学习有四个基本组件， 包括输入：环境（States），动作（Actions），回报(Rewards)以及输出：方案（Policy）。和监督学习不…
基于人工智能的量化投资系统（13）模型和训练 | 多智能体强化学习
多智能体强化学习 为什么需要多智能体（multi-agent）学习 梯度下降算法寻优方法类似从山顶放置小球向下滚，希望寻找最快最好的路径，到达最低的谷底。 每个智能体每次只使用一个小球，学习训练并使用一条路径，重复多次。而多个智能体类似放置一群小球，同时分别学习训练并使用各自的多条路径，向下滚动过程 中互相联系通信，相互告…
基于人工智能的量化投资系统（14）模型和训练 | 协同学习及选拔机制
1. 协同学习及选拔机制 在原始模型训练基础上进行选拔，不同阶段提拔更多优秀模型进入专家组进行实战： 海选训练阶段： 多轮基础网络训练，多轮强化学习，优胜劣汰，保留足够成员，保留多样性基因。 多线程同时训练。 pool = [] for dir in all_subdir: if '-' not in di…
基于人工智能的量化投资系统（15）模型和训练 | 集成学习
集 成学习Esemble Learning是在综合阶段进行集成。这里采用投票加权平均，进行综合比较。 例如： 2020-06-18，模型18-x modelers 建议方案选取的合约的集中度高，具有较高可靠性 2020-06-08建议: 见下图： 白点：卖出某合约，大小表示不同权重w 红点：改策略次日收益，大小表示不同获益 再观察长期…
基于人工智能的量化投资系统（16）模拟及回测 | 模型评估
1、 单模型评估 例如 13-seller14 模型 从上图看到： theory pv 曲线 /model pv 曲线 /simu pv 曲线保持几乎一致性 确认模型理论计算、模拟环境与实境交易条件的一致性 相比50ETF标的涨跌起伏，模型（例13-seller14）策略平缓上升且有正收益 2、多模型评测 选取较好模型进入精英组 精英组…
基于人工智能的量化投资系统（17）模拟及回测 | 风险防控
1. 心理承受 图中： 很多Agent 仍然回撤大 大多成员都有盈利的业绩，但特色不同，有的平缓稳健(seller_2)，有的积极冒进（如seller_17) seller_17模式的高收益在实际操作中是不可能实现的，因为巨大的波动使得心理无法承受 seller_2模式在实际操作中是也无法实现的，因为长期不动使得信心丧失 2、灾…
基于人工智能的量化投资系统（18）模拟及回测 | 止损策略
1. 止损策略 考虑buyer对冲，叠加不同止损策略（slw_1/slw_2/slw_3） ”符合某止损条件”指：方差{Buy x, sell y} 指某买入合约亏损x%（价格1-x%) 或某卖出合约亏损y%（价格1+y%) 时候全部清仓该合约 {Buy 1, sell 999} 指不采取止损策略 风险防控，考虑不同止损…