金融

什么是金融？
金融：就是对现有资源进行重新整合之后，实现价值和利润的等效流通。
通俗来说，金融就是你有钱，但对创业没有想法，将钱融给需要做大做强的公司，等到上市，市值翻倍，从中获利。
金融工具：在金融市场中可交易的金融资产（股票、期货、黄金、外汇、基金等），就是将钱融给别人的方式。

• 期货相当于现货，两人对货物的未来价格趋势的一种约定。
• 黄金稳定，当需要保值的时候一种投资。
• 外汇：跟汇率有关，波动太小，一般大公司操作
• 基金：基金经理，个人将钱交给基金经理，基金公司会吸纳各个散户的钱，基金公司通过各种投资，赚钱后分给投资者，风险小，收益不如股票
• 股票： 股份公司发给出资人的一种凭证，股票的持有者就是股份公司的股东。股票的作用是出资证明、证明股东身份、对公司经营发表意见。通过公司分红以及交易（卖掉一部分股份套现）获利。

上市/IPO：企业通过证券交易所公开向社会增发股票以募集资金。公司去证监会申请上市，证监会审核以规避所有风险，在证券交易所公开。
股票的分类：

• 股票按业绩分类：
  蓝筹股：资本雄厚、信誉优良的公司的股票
  绩优股：业绩优良的公司的股票
  ST股：特别处理股票，连续两年亏损或者每股净资产低于股票面值
• 股票按上市地区分类：
  A股：中国大陆上市（上海或者深圳证券交易所），人民币认购买卖（T+1，涨跌幅10%），股票波动不能大于10%，为了保护股民，有涨停跌停之说；T就代表交割日，今天买出去，明天才可以卖出去
  B股：中国大陆上市，外币认购买卖（T+1，T+3），T+3交收日，三天之后到账。
  H股：中国香港上市（T+0，涨跌幅不设限制）
  N股：美国纽约上市
  S股：新加坡上市

股票市场的构成

• 上市公司
• 投资者
• 证监会（决定能否上市）
• 证券业协会
• 交易所：处理各种各样的信息
• 证券中介机构：不向小股民小散户发售股票，证券交易所需要有席位，证券中介机构帮小股民代买股票，赚取席位费
• 交易所：
  上海证券交易所：只有一个主板（沪指）
  指数反映了大盘整体的趋势，整个市场假如有一万亿，七八千亿都在涨，通过趋势分析，大盘总体在涨。
  深圳证券交易所：
  主板：大型成熟企业（深成指）
  中小板：经营规模较小
  创业板：尚处于成长期的创业企业

影响股价的因素：公司自身因素、行业因素（最近人工智能发展的不错，很多公司会涨）、市场因素（是影响股价的最根本的因素）、心理因素、经济因素（国家的政策，利率 ）、政治因素

股票买卖（A股）
委托买卖股票：个人不能直接买卖，需要在券商开户，进行委托购买
股票交易日：周一到周五（非法定节假日）
交易时间：

1. 9:00-9:15 开门但不做竞价
2. 9:15-9:25 开盘集合竞价，让成交量最大
3. 9:30-11:30 前市，连续竞价时间
4. 13:00-15:00 后市，连续竞价
5. 14:58-15:00 深交所收盘集合竞价时间

金融分析：

1. 基本面分析
   宏观经济面分析：国家的财政政策、货币政策
   行业分析
   公司分析：财务数据、业绩报告等
2. 技术面分析：各项技术指标
   K线：
   
   阳线：代表股票在今天一天内是涨的，低开高走
   阴线：代表股票在今天一天内是跌的，高开低走
   MA（均线）：前若干天收盘的平均值
   KDJ（随机指标）
   MACD（指数平滑移动平均线）

金融量化投资

量化投资：利用计算机技术并且采用一定的数学模型去实践投资理念，实现投资策略的过程。
量化投资的优势：

• 避免主观情绪、人性弱点和认知偏差
• 选择更加客观 能同时包括多角度的观察和多层次的模型
• 即使跟踪市场变化，不断发现新的统计模型，寻找交易机会
• 在决定投资策略后，能通过回测验证其效果

量化策略
量化策略：通过一套固定的逻辑来分析、判断和决策，自动化地进行股票交易。

策略的周期：

• 产生想法、学习知识
• 实现策略：Python
• 检验策略：回测/模拟交易
• 实盘交易
• 优化策略/放弃策略

量化投资的方式：
自己编写：Numpy+pandas+Matplotlib
在线平台：聚宽、优矿、米筐、Quantopian
开源框架：RQAlpha、QUANTAXIS

简单策略编写

1、双均线策略

 from jqdata import *  def initialize(context):  set_benchmark('000300.XSHG') set_option('use_real_price',True)   set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003, close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock') g.security = ['601318.XSHG'] g.p1 = 5 g.p2 = 30 def handle_data(context, data): for stock in g.security:   df = attribute_history(stock, g.p2) ma10 = df['close'].mean() ma5 = df['close'][-5].mean() if ma10 > ma5 and stock in context.portfolio.positions :  order_target(stock,0) if ma10 < ma5 and stock not in context.portfolio.positions:  order(stock,context.portfolio.available_cash * 0.8) 

2、小市值策略

 from jqdata import *  def initialize(context):  set_benchmark('000002.XSHG')  set_option('use_real_price', True)    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock') g.security = get_index_stocks('000002.XSHG') g.q = query(valuation,indicator).filter(valuation.code.in_(g.security)) g.N = 20 run_monthly(handle, 1) def handle(context): df = get_fundamentals(g.q)[['code','market_cap','roe']]   df['market_cap'] = (df['market_cap'] - df['market_cap'].min()) / (df['market_cap'].max() - df['market_cap'].min()) df['roe'] = (df['market_cap'] - df['market_cap'].min()) / (df['market_cap'].max() - df['market_cap'].min()) df['score'] = df['roe'] - df['market_cap'] df = df.sort_values('score').iloc[-g.N:,:] to_hold = list(df['code']) to_hold = filter_paused_stock(to_hold)  for stock in context.portfolio.positions: if stock not in to_hold: order_target(stock,0) tobuy = [stock for stock in to_hold if stock not in context.portfolio.positions] if len(tobuy) > 0 : cash_per_stock = context.portfolio.available_cash / len(tobuy) for stock in tobuy : order_value(stock,cash_per_stock)  def filter_paused_stock(stock_list): current_data = get_current_data() return [stock for stock in stock_list if not current_data[stock].paused] 

3、均线回归策略

 from jqdata import *  def initialize(context):  set_benchmark('000300.XSHG')  set_option('use_real_price', True)   set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock') g.security = get_index_stocks('000300.XSHG') g.ma_days = 30  g.stock_num = 10  g.stock_num_t = 20   run_monthly(handle,1)  def handle(context): sr = pd.Series(index = g.security) for stock in sr.index : ma = attribute_history(stock,g.ma_days)['close'].mean() p = get_current_data()[stock].day_open ratio = (ma - p) / ma  sr[stock] = ratio  to_hold = sr.nlargest(g.stock_num.t).index.values to_hold = skip_paused_stock(to_hold) to_hold = to_hold[-g.stock_num:]   for stock in context.portfolio.positions: if stock not in to_hold: order(stock,0)  to_buy = [stock for stock in to_hold if stock not in context.portfolio.positions] if len(to_buy) > 0: cash = context.portfolio.available_cash cash_per_stock = cash / len(to_buy) for stock in to_buy: order_value(stock,cash_per_stock)  def skip_paused_stock(tobuy_list): current_data = get_current_data() return [stock for stock in tobuy_list if not current_data[stock].paused] 

4、布林带策略
布林线：由三条轨道线组成，其中上下两条线为价格的压力线、支撑线，在两条线之间为均线
计算公式：
中间线=20日均线
up线=20日均线+N×SD(20日收盘价标准差）
down线=20日均线-N×SD(20日收盘价标准差)
如果涨到压力线，会跌，卖出
如果跌到支撑线，会涨，买入