今年新坑-金融量化分析

开始新的填坑计划，这个flag不会倒！！！

一年Get一个新技能

2018年学习总结

2018年我在技术方面的目标，是学习python。投入了不少的精力，在web开发、爬虫、数据分析、界面方面都有所涉及，最后也实现了用scrapy爬取数据，用flask做后台，输出了新闻app，web网站，小程序。

个人评价是70分，基本完成了学习目标，但是输出成果品质不够，总结的文章输出不够。本质上还是自己学的东西不够深入，另一方面，由于偏重于学习知识，实践意义偏弱，没有获得足够的正反馈。

2019年学习目标

今年目标还是Python，只不过会选择一个方向进行深入。

• 做Web后台。难度不高，门口低，可替代性强。不论php还是nodejs都容易做到同样的事。
• 做爬虫。这个相对还是有竞争力的，只不过单纯爬取到数据价值不大，还需要进行一系列的数据处理，才能拿来用。而现在有很多处理好的数据是可以用相对便宜的付费就拿来使用的。
• 做应用。这个python就完全没有竞争力了，python的ui比起其他语言就太渣了。
• 数据分析。目前算是python发展最迅速的一个方向，与机器学习和大数据结合后，既有深度也有广度，这是我选定的方向。

金融量化分析
数据分析的领域，细分下来也很多类别，在这里我选择了金融数据的量化分析。

• 金融数据都是标准的时间序列数据，相对于其他的科学计算类型，入门会更容易一些。
• 学习结果容易转换成果，最直接的就是建立自己的量化交易系统。

上半年的学习过程

• 1月份学习得到上听《交易员思维》给了我交易的概念，不仅仅是我们天天听到的投资。
• 2月在阅读《澄明之境》《海龟交易法则》之后，让我有了交易系统的概念。
• 3月阅读邢不行的博客《量化小讲堂》让我开始接触金融量化，写了一些简单的量化程序，构建自己的量化策略，在A股实盘测试后少量亏损，主要还是策略太简单，没有形成交易系统，实战意义太低。
• 4月知道了原来还有量化金融分析师这个角色，找到了相关资料，开始了系统的量化学习之路。大量回测后，得到一些有效组合，在B圈和A股开始了小规模的实盘操作，长期成果待验证。初步的量化思维和策略也让我避开A股四月份的大回撤。
• 5月开始了果仁、优矿等量化平台的学习和使用，主要是觉得自己写框架太累。玩了几个量化平台后，发现灵活性不够，最终还是以自己编写的交易系统为主，参考一下网上框架的一些架构方式。5月份A股没交易信号，基本空仓。但是抓住了B圈的收益。
• 6月份报名了9月底的量化金融分析师考试，开始了系统深入的学习。

上半年总结

• 上半年通过大量阅读和编写代码，经过大量回测，建立了两套简陋的交易系统，分别在A股和B圈的运行，短期效果还可以，长期效果待检验。
• 虽然还存在很多明显的缺陷，但是以我当前的知识储备，已经不足以完善它了，需要进一步提升自己的能力。

下半年的目标

• 通过9月份的量化金融分析师的考试，拿到证书。这个目标足够明确，也没有逃避的理由。
• 把当前的交易系统打造得更加成熟，获取到今年市场的利润，这是一个有长期价值的事情。
• 大量阅读金融和投资方面的书籍，弥补自己在金融领域的知识缺陷，金融量化毕竟是一个综合学科，并不只是写代码的事。争取今年能由业余选手进入专业领域，哪怕专业一段也算。

附录：量化金融分析师考纲

一. 量化投资策略理论(20%)
(一)量化投资基础
　　1 掌握量化投资的概念;
　　2 了解量化投资不同的编程语言和应用平台;
　　3 了解量化投资的一般决策流程;
　　4 熟悉中国主要金融市场及交易产品交易种类及交易机制;
　　5 掌握量化交易模型设计的基本框架。
　(二)量化交易策略理论基础
　　1 掌握多因子策略，了解国内外常用的因子类型，掌握因子在不同阶段的研究方法;
　　2 了解量化择时的思想;
　　3 了解无风险套利的思想;
　　4 了解基本面量化交易策略思想;
　　5 了解统计套利量化交易策略思想;
　　6 了解衍生品套利量化交易策略思想;
　　7 了解机器学习的基本概念、常见算法原理及其量化交易策略思想;
　　8 掌握机器学习的常用算法原理，如逻辑回归、支持向量机、决策树、KNN 等;
　　9 了解机器学习算法的评价方法;
　　10 了解舆情分析等其他量化交易策略思想;
　　11 了解高频交易策略的基本概念;
　　12 掌握事件驱动量化交易策略思想;
　　13 掌握技术指标类量化交易策略思想;
　　14 掌握 K 线概念，掌握常用技术指标，包括均线、CCI 指标、KDJ 指标等;
　　15 掌握常见的量化交易策略的评价方法。
　
　二. Python 语言的编程基础(30%)
　　(一)Python 核心语法基础
　　1 掌握数据的基本类型：整形、浮点型、字符串、布尔型的基本概念与运算，熟悉不同类型间的转换方式;
　　2 掌握核心数据结构：列表、字典、元组、集合的基本概念、运算、常用操作、常见方法;
　　3 掌握 Python 常用基本语法，包括模块的导入等;
　　4 掌握 Python 运算符及其优先级;
　　5 掌握基本控制结构：循环结构、分支结构的基本概念及使用方法;
　　6 掌握函数定义、参数传递与函数调用的基本概念;掌握全局变量、局部变量和作用域的基本概念;
　　7 熟悉异常处理的概念和基本方法;
　　8 掌握 CSV、HDF5、SQL、Excel 等形式文件的调用和存储。
　　(二)Numpy 数据处理
　　1 掌握 Numpy 模块向量化操作原理;
　　2 掌握 Numpy 模块基本数据类型及其常见创建方式;
　　3 掌握 Numpy 模块基本数据类型的常见操作方式，包括切片、索引、修改、数据清晰、结构调整、拼接等;
　　4 掌握 Numpy 模块数据统计常用函数与方法;
　　5 熟悉 Numpy 模块逻辑运算操作相关的函数或方法。
　　(三)Pandas 数据处理
　　1 掌握 Pandas 模块向量化操作原理;
　　2 掌握 Pandas 模块基本数据类型及其常见创建方式;
　　3 掌握 Pandas 模块的基础操作，如：排序、切片、索引、填充、累计计算、合并、对齐、存储等;
　　4 掌握分组与聚合运算;
　　5 熟悉多重索引与重构;
　　6 掌握缺失值的处理;
　　7 掌握 Pandas 模块时间序列处理的操作;
　　8 会应用 Pandas 模块进行数据处理、数据清洗、数据合并等操作;
　　9 会应用 Pandas 模块数据处理进行实战金融数据处理。
　　(四)面向对象基础
　　1 掌握面向对象和面向过程的区别;
　　2 掌握类和实例的基本概念;
　　3 掌握属性和方法的基本概念;
　　4 熟悉构成和继承的基本概念;
　　5 掌握面向对象编程的思想，具备运用面向对象的方法编写量化交易策略的能力。
　　(五)数据可视化
　　1 掌握使用 Matplotlib 绘制直方图、折线图、散点图;
　　2 掌握 Pandas 模块内置绘图函数;
　　3 掌握使用 Matplotlib 绘制净值曲线、股价相关性散点图等其他金融相关应用图形;
　　4 了解 Matplotlib 对数据做简单的描述性统计方法;
　　5 了解 Seaborn 等其他数据可视化第三方库
　　
　三. Python 量化交易策略实现与回测(40%)
　　1 掌握金融数据的获取方法，包括从互联网调取静态金融数据的常见方法和实时数据的获取方法;
　　2 掌握金融数据清洗方法;
　　3 掌握均线交易系统;
　　4 掌握基本技术指标的计算方法，包括调用函数进行数据处理或调用 Ta-lib 等库等方法;
　　5 掌握基于技术指标、指标系统的量化交易策略的编写;
　　6 熟悉产生交易信号的常见方法，掌握常见交易信号的计算;
　　7 熟悉策略持仓信号的常见方法，掌握策略持仓信号的计算;
　　8 熟悉股价收益率、策略累计收益、策略净值曲线的计算方法;了解常见策略评估指标的计算方法;
　　9 掌握策略编写的核心思想和方法;
　　10 掌握机器学习的各个算法的调用方法、使用原理，可以用来解决的实际问题;
　　11 掌握会引起回测和实盘交易收益产生巨大区别的原因和注意点;
　　12 熟悉策略的优化方法和优化思路，包括参数优化等;
　　13 熟悉策略风险控制的常见方法。
　　
　四. 量化实盘交易(10%)
　　1 熟悉量化交易系统的一般框架设计思路;
　　2 熟悉量化交易系统或平台的数据调取;
　　3 熟悉量化交易系统或平台的合约调取方法;
　　4 熟悉量化交易系统或平台的程序化下单方法;
　　5 熟悉交易的订单类型和相关实现方法;
　　6 了解实盘进行仓位控制的一般方法;
　　7 了解量化交易系统或平台实现程序化交易策略的一般方法