正在加载视频...

视频加载失败

强烈推荐给想系统入门量化交易的朋友。 这套《Algorithmic Trading Using Python》全长 4 小时 33 分钟,是目前比较完整的 Python 量化从基础到实战课程之一。 为什么值得看? 最大特点是没有刻意剪掉错误,而是完整展示真实开发过程:API 报错、数据缺失、逻辑调试,直到策略最终跑通。 对于新手来说,这种带着问题一起解决的学习方式,比只展示最终结果的教程更有价值。 课程直接落地三类真实策略: 1️⃣ 等权重标普500(规避市值加权偏差) 2️⃣ 高质量动量选股(多周期 + 百分位评分) 3️⃣ 复合多因子价值筛选(避免单一估值陷阱) 完整流程覆盖: 真实金融数据获取 → 因子清洗 → 截面排序 → 股票分配 → 生成交易方案 整套流程可以作为学习量化研究框架的参考。 建议收藏,配合代码边看边练。 它最大的价值不是教你一个赚钱策略,而是让你理解专业量化研究从数据到策略的完整流程。 周末学起来吧。

161,888 次观看 • 3 个月前 •via X (Twitter)

14 条评论

龍 的头像
龍3 个月前

准确来说,普通人能接触的叫做多因子规则交易。无法深度学习,没有记忆功能的交易规则就是普通人搭建的交易系统。但是从学习的角度来说,尝试一下自动交易带来的快感也是不错的。

Adel Bucetta 的头像
Adel Bucetta3 个月前

systematic intro to quant trading is just the start

爱吃折耳根的Ace 的头像
爱吃折耳根的Ace3 个月前

Totally agree. A strategy is just the result, but the real edge comes from understanding the whole research process behind it.

Villain 的头像
Villain3 个月前

展示真實開發過程中的除錯與數據清洗才是精隨所在!建構 Python 量化策略時,除了邏輯調試,導入防守型停損機制與位階過濾,才能讓程式在實盤交易中屹立不倒。

Jackie | Game严厉的父亲 的头像
Jackie | Game严厉的父亲3 个月前

周末应该好好休息的

5starstar_ Classroom 的头像
5starstar_ Classroom3 个月前

@grok summeeize the video keypoint

Mark He 的头像
Mark He3 个月前

不错

Chesser 的头像
Chesser3 个月前

謝謝分享。睇睇是夠足料。

Praxis 的头像
Praxis3 个月前

学习

AI威哥摸金日记(欢迎互关) 的头像
AI威哥摸金日记(欢迎互关)3 个月前

看着这种复杂的的情况,就心理发颤

5starstar_ Classroom 的头像
5starstar_ Classroom3 个月前

@grok 用廣東話總結這段短片的精華

ruirui 的头像
ruirui3 个月前

收藏学习一下

魔牛 的头像
魔牛3 个月前

厉害了

Alex Zhang 的头像
Alex Zhang3 个月前

这个项目不是很成熟!

相关视频

终于有人把华尔街 20 年真实交易经验,拆成 13 章 Python 量化实战配方,连代码都一起开源了。 Python for Algorithmic Trading Cookbook,1.2K Stars,MIT 开源,Packt 官方配套代码仓库。 作者 Jason Strimpel 干过芝加哥对冲基金交易、摩根大通风险管理,还做过 APAC CIO,这套内容明显不是拿几个 Demo 拼出来的。 以前学量化,经常是数据一套教程、因子一套、回测一套,真正到 Broker 实盘又得重新找资料。 它不一样,直接按完整交易链路往下教:拿数据、做因子、回测、评估风险,最后接 Interactive Brokers 真正部署。 核心能力: 1️⃣ 市场数据:OpenBB、免费行情、期权等数据获取和清洗直接实战 2️⃣ 因子研究:从金融数据里构建 Alpha Factors,再把因子变成交易信号 3️⃣ VectorBT 回测:批量测试参数,还专门讲 Walk-forward Optimization 4️⃣ Zipline Reloaded:用事件驱动框架做更接近真实交易的策略回测 5️⃣ Alphalens + Pyfolio:因子表现、收益、Sharpe、回撤、风险全部继续拆 6️⃣ Interactive Brokers:从 API 配置、账户订单一路做到策略部署和真实交易环境 我觉得这套最有价值的,不是哪一个策略。 而是它把“一个 Python 量化策略到底怎么从想法走到市场”完整走了一遍。 数据 → 因子 → 回测 → 风险 → Broker → Live。 如果你正在学 Python 量化,又不想东拼西凑几十篇教程,这个仓库很适合从头啃一遍。 仓库:

爱吃折耳根的Ace

30,164 次观看 • 1 个月前

做股票量化,真没必要什么都从零开发 挖到 6 个很硬核的开源项目,分别负责数据、AI 研究、策略回测、组合优化、绩效分析和实盘交易。 以前想搭一套完整的量化系统,光数据接口、回测引擎、风控和交易执行就够折腾了。 现在不一样了,很多基础模块已经有成熟的开源实现。 分享 6 个值得研究的项目: 1. OpenBB|金融数据底座 把股票、宏观、期权等金融数据统一接入,Python 和 AI Agent 都能调用。 2. Microsoft RD-Agent|AI 自动研究 微软开源的 AI 研发 Agent,可以自动探索因子、设计模型并迭代研究方案。 3. vectorbt|策略回测 基于 NumPy、pandas 和 Numba 的高速回测框架,适合批量测试策略和参数。 4. PyPortfolioOpt|组合优化 把资产配置、风险平价、Black-Litterman 等组合优化方法封装好了。 5. QuantStats|绩效分析 策略跑完直接分析收益、Sharpe、最大回撤等指标,还能生成绩效报告。 6. QuantConnect LEAN|交易执行 支持股票、期货、期权、外汇和 Crypto,多资产回测和实盘可以使用同一套引擎。 这 6 个项目分开看是工具,按流程组合起来,就有了一套量化研究与交易系统的基础: 金融数据 → AI 因子研究 → 策略回测 → 组合优化 → 风险评估 → 交易执行 当然,不是下载安装到一起就能直接跑,数据和交易接口仍然需要适配。 但对个人量化开发者来说,最费时间的基础模块已经有现成的开源实现。 做股票量化、AI Trading、策略研究或者自动交易的,这 6 个值得一起收藏。

爱吃折耳根的Ace

25,965 次观看 • 1 个月前

做股票量化,其实真不一定非得拉一整支团队。 我把几个成熟的开源项目拼起来,一个人也能搭出一套比较完整的股票量化工作流: 数据获取 → 因子/模型研究 → 回测验证 → 模拟/实盘执行 我目前重点看的 5 个: Qlib 48k star 微软出的 AI 量化投研平台。因子研究、机器学习、Walk-forward 都比较完整,适合把一个交易想法真正做成预测模型。 vnpy 44.8k star 中文量化里绕不开的框架。股票、期货都能做,回测和实盘基本是一套逻辑,网关和文档也很成熟。 AKShare 22.3k star A股 / 港股 / 美股的数据入口。行情、基本面、指数成分这些都能拉,很多国内量化项目的数据层就是从它开始。 QuantConnect Lean 21.4k star 偏机构级的多资产量化引擎。事件驱动、历史数据、回测和券商对接都比较完整,美股生态尤其成熟。 easytrader 10.1k star 偏 A 股实盘执行。可以接同花顺、miniQMT、雪球组合,把策略最终落到真实交易这一步。 这 5 个组合起来,大致就是: AKShare 负责数据 → Qlib 负责研究和模型 → vnpy / Lean 负责回测与交易框架 → easytrader 负责 A 股执行。 它们当然替代不了专业量化团队,但对个人来说,已经足够把一套股票量化流程真正跑起来。 想自己系统搭一套股票量化工作流的,这几个项目值得收藏跑一下的。

爱吃折耳根的Ace

21,007 次观看 • 2 个月前

我去!华尔街量化基金花几百万年薪养的那帮研究员,手里最核心的武器——强化学习交易框架,被哥伦比亚大学团队直接开源了! FinRL,16.4K stars,全球首个金融强化学习开源框架。 以前想用强化学习做量化交易,要么从零搭 Gym 环境,要么照着论文自己造轮子。 FinRL 不一样,2020 年哥大团队开源,把「数据 → 训练 → 测试 → 交易」做成标准流水线,还带 15 个现成数据源。 核心能力: 1️⃣ 完整训练链路:数据处理、特征工程、训练、测试、回测,一套流程直接串起来 2️⃣ 内置 A2C、DDPG、PPO、TD3、SAC 等主流 DRL 算法,可以在同一市场环境里直接比较 3️⃣ 支持单股交易、多股票组合、资产配置、Crypto、A 股等不同金融任务 4️⃣ 市场环境会考虑交易成本、风险指标和仓位变化,不只是简单预测下一根 K 线 5️⃣ 自带 Benchmark,可以把强化学习策略和 DJIA、均值方差优化等传统方法放在一起比较 6️⃣ Jupyter 教程很多,从数据下载、训练 Agent 到回测结果,适合直接拆代码学整套流程 我觉得 FinRL 最有意思的地方,是它换了一个问题。 传统模型问:“明天涨还是跌?” FinRL 问:“在不断变化的市场里,现在到底该买多少、卖多少、还是继续持有?” 这才是强化学习真正适合交易的地方。 做强化学习量化、AI Trading Agent,或者想系统研究 DRL 怎么真正接进交易的,这个值得收藏。

爱吃折耳根的Ace

54,213 次观看 • 1 个月前

别急着买数据!这 6 个 Python 工具帮你搭建量化系统 很多人刚开始做量化,策略还没跑起来,就先把钱交给了数据商。 其实你缺的,可能不是付费数据,而是这几个实用的 Python 工具。 第一期先分享最常用的 6 个 1️⃣ yfinance 25k star 输入股票代码,就能从 Yahoo Finance 获取历史行情、分时数据、基本面、期权、外汇和加密资产。画 K 线、验证想法、快速回测,它通常是最省事的起点。 2️⃣ pandas-datareader 3.2k star 不只看股价,还能把宏观指标和 Fama-French 因子直接读进 Pandas。利率、通胀、市场因子,可以和资产价格放在一起研究。 3️⃣ Alpha Vantage 4.9k star 申请免费密钥后,就能调用股票、外汇、加密资产和常用技术指标。想快速获取 RSI、MACD 等数据,很方便。 4️⃣ Nasdaq Data Link 更像一个金融数据仓库,覆盖金融、经济和另类数据。平台既有免费资源,也有付费内容,研究时可以直接筛选免费部分。 5️⃣ Alpaca-py 1.5k star 官方 Python SDK,不仅可以获取市场数据,还能订阅实时数据流,并连接模拟交易。研究、信号和执行,可以逐步接到同一套流程里。 6️⃣ Finnhub 1.1k star 通过 REST 和 WebSocket 覆盖股票、外汇与加密资产,还能补充公司新闻和基本面信息,适合做实时监控和事件策略。 这 6 个工具,不只是简单收藏。 它们可以组合成一条完整的量化研究流程: 行情数据 → 宏观因子 → 策略研究 → 回测验证 → 实时监控 → 模拟交易 免费数据不一定适合直接实盘,但足够帮助你把量化研究系统搭起来。

爱吃折耳根的Ace

23,624 次观看 • 3 个月前

兄弟们!想自己做量化,最浪费时间的往往不是写策略。 而是数据去哪找、框架怎么选、回测用什么、机器学习怎么接,最后实盘又得重新拼一套。 这 6 个 GitHub 仓库,基本把量化从“找资料”一路铺到“回测和交易”。 1️⃣ awesome-quant 30K star 量化圈的资源总目录。数据源、技术指标、定价、回测、组合优化、风险分析全都分类整理好了,不知道用什么库先来这里找。 2️⃣ machine-learning-for-trading 21K star 21K Stars,机器学习做量化的一整套教材 + 代码。从金融数据、特征工程、模型训练,一路做到回测、风险和实盘部署。 3️⃣ quant-trading 11K star 11K star 现成策略仓库。配对交易、统计套利、MACD、布林带、VIX、期权、CTA 都有,最适合直接拆别人的策略思路。 4️⃣ Backtrader 23.3K star Python 量化回测老牌框架。策略写完先扔历史行情里跑,订单、仓位、手续费、指标这些基础设施都给你准备好了。 5️⃣ Zipline Reloaded 2K star Quantopian 当年那套事件驱动回测引擎的持续维护版。想研究专业回测框架到底怎么设计,这个很值得拆。 6️⃣ CCXT 44.2K star 做 Crypto 基本绕不开。100+ 交易所统一成一套 API,行情、K 线、订单簿、账户、下单不用每家交易所重新对接。 如果你刚开始搭自己的量化系统: awesome-quant 找工具 machine-learning-for-trading 学完整流程 quant-trading 找策略灵感 Backtrader / Zipline 跑回测 CCXT 接加密交易所 这套先吃透,比一上来自己从零造轮子省太多时间。 做股票量化、Crypto 量化或者准备自己搭交易系统的,这 6 个建议直接保持看。

爱吃折耳根的Ace

38,710 次观看 • 1 个月前

终于有人把 A 股选股、买卖择时和策略回测做成一套了! 12 套选股策略、8 套择时策略,覆盖 5000 多只 A 股,连资金流、股票评分和仓位风控都整合进去了。 这个开源项目就是 KHunter,一套基于 Python 的 A 股量化研究系统。 以前做 A 股量化,选股、技术分析、资金流向、策略回测都要分开处理,筛出股票后还得自己判断什么时候买卖。 这套系统直接把全市场选股、五维评分、择时交易和风险管理串起来,整个研究流程方便不少。 核心能力: 1️⃣ 12 套选股策略:涨停回马枪、金三角、龙头股、突破、超跌反弹等 2️⃣ 8 套择时策略:布林带、RSI、海龟、趋势回调缩量,辅助判断买卖时机 3️⃣ 五维股票评分:技术面、资金流、基本面、板块强度、事件驱动 4️⃣ 全市场数据:覆盖 5000+ A 股,自动更新行情,支持历史数据分析 5️⃣ 策略回测与风控:分析收益、胜率、最大回撤,结合 VaR 和大盘 ADX 控制风险 6️⃣ 可视化操作:Web 界面查看 K 线、策略信号、股票排名和候选股 更实用的是,比如先用涨停回马枪筛选股票,再结合资金流和板块强度评分,最后通过择时策略寻找入场机会。 它还支持根据大盘趋势调整开仓条件,不是筛出股票就直接买入。 做 A 股量化、自动选股或者 Python 策略开发的,这套值得收藏! GitHub:

爱吃折耳根的Ace

10,600 次观看 • 16 天前