当我在一家投资管理公司担任系统开发工程师时，我了解到要在定量金融领域取得成功，您需要在数学，编程和数据分析方面表现出色。
可以将算法或定量交易定义为设计和开发统计和数学交易策略的过程。这是一个极其复杂的金融领域。
因此，问题是您如何开始进行算法交易?我将向您介绍五个应该学习的基本主题，以便为进入这个迷人的交易世界铺平道路。我个人更喜欢Python，因为它提供了适当程度的自定义，开发的简便性和速度，测试框架以及执行速度。因此，所有这些主题都集中在Python for Trading上。
1.学习Python编程
为了使数据科学事业蒸蒸日上，您需要扎实的基础知识。无论选择哪种语言，都应该彻底理解该语言的某些主题。这是您应该在Python生态系统中掌握的数据科学知识：
- 环境设置 ——包括创建虚拟环境，安装所需的软件包以及使用Jupyter Notebook或Google colabs。
- 数据结构 ——一些最重要的pythonic数据结构是列表，字典，NumPy数组，元组和集合。我在链接的文章中收集了一些示例，供您学习。
- 面向对象的编程——作为定量分析人员，您应该确保自己擅长编写定义了适当类的结构良好的代码。在使用诸如Pandas，NumPy，SciPy等外部包时，您必须学会使用对象及其方法。
2.了解如何处理财务数据
数据分析是财务的关键部分。除了学习使用Pandas处理数据框外，在处理交易数据时还应注意一些特定主题。
如何使用Pandas探索数据
毫无疑问，Pandas是Python数据科学堆栈中最重要的软件包之一。您可以使用软件包中定义的功能完成几乎所有主要任务。专注于创造dataframes，过滤(loc,iloc,query)，描述性统计(摘要)，加入/合并，分组，和子集。
如何处理时间序列数据
交易数据全部与时间序列分析有关。您应该学习重新采样数据或重新索引数据，以将数据频率从几分钟更改为几小时，或者从一天的OHLC数据更改为一周的结束数据。例如，您可以使用重采样功能将1分钟时间序列转换为3分钟时间序列数据：
- df_3min = df_1min.resample('3Min', label='left').agg({'OPEN': 'first', 'HIGH': 'max', 'LOW': 'min', 'CLOSE': 'last'})
3.如何编写基本交易算法
从事定量金融工作需要对统计假设检验和数学有深入的了解。掌握多元演算，线性代数，概率论等概念将有助于您为设计和编写算法奠定良好的基础。您可以从计算股票价格数据的移动平均值开始，编写简单的算法策略(例如移动平均交叉或均值回归策略)并了解相对强度交易。在实践和理解基本统计算法如何工作这一小而重要的飞跃之后，您可以研究机器学习技术的更复杂领域。这些要求对统计和数学有更深入的了解。您可以从两本书开始：《定量交易：如何建立自己的算法交易业务》—Ernest Chan博士《关于算法交易和DMA的书》—巴里·约翰逊(Barry Johnson)
4.了解回测
一旦完成交易策略的编码，就不能简单地用实际资金在真实市场中对其进行检验，对吗?下一步是将该策略暴露于历史交易数据流中，这将生成交易信号。然后，已执行的交易将产生相关的损益(P&L)，所有交易的累加将为您提供总的P&L。这称为回测。回测要求您精通许多领域，例如数学，统计，软件工程和市场微观结构。您应该学习以下一些概念，以对回测有一个体面的了解：
- 您可以从了解技术指标开始。探索名为TA_Lib的Python包以使用这些指示符。
- 使用抛物线SAR等动量指标，并尝试计算交易成本和滑点。
- 学习绘制战略累计收益并研究战略的总体绩效。
- 影响回测性能的一个非常重要的概念是偏差。您应该了解优化偏见，前瞻性偏见，心理宽容和生存倾向。
5.绩效指标-如何评估交易策略
能够简洁地说明您的策略对您很重要。如果您不了解自己的策略，那么任何外部修改法规或政权转移的机会都有，您的策略将开始表现异常。一旦您自信地理解了该策略，以下性能指标就可以帮助您了解该策略的实际优缺点：
- 夏普比率 -启发式地描述策略的风险/回报比率。它量化了您可以通过股本曲线经历的波动水平所获得的收益。
- 波动性 -量化与策略相关的“风险”。夏普比率也体现了这一特征。基础资产的较高波动性通常会导致股票曲线中的较高风险，并导致较小的夏普比率。
- 最大跌幅 -策略权益曲线上最大的峰谷整体下降百分比。由于最大回落受其影响，通常会结合动量策略进行研究。学习使用numpy库进行计算。
- 容量/流动性 -确定策略可扩展性以增加资本。当战略增加资本配置时，许多基金和投资管理公司会遭受这些能力问题的困扰。
- CAGR- 衡量策略在一段时间内的平均增长率。它的计算公式为：(累计策略收益)^(252 /交易日数)— 1
