- 综合排序
- 最热优先
- 最新优先
- 来自专栏渔夫
算法-股票交易
如果你最多只允许完成一笔交易（即买入和卖出一支股票），设计一个算法来计算你所能获取的最大利润。 注意你不能在买入股票前卖出股票。
96720发布于 2019-07-31 - 来自专栏信数据得永生
Python 算法交易秘籍（二）
拥有这些数据是算法交易的第一步。本文介绍如何获取金融工具列表。 准备工作 确保在 Python 命名空间中有 broker_connection 对象可用。请参考本章的技术要求部分进行设置。 例如，如果交易员 A从交易员 B购买股票X的 10 数量，而交易员 C将相同股票X的 20 数量卖给交易员 D，那么X的总交易量将是 10 + 20 = 30。 它不会是 10 + 10 + 20 + 20 = 60，因为交易对总交易量的贡献只计算一次。此数据是动态的，可能在交易时间内的任何时刻增加。 算法交易策略总是在历史数据上进行虚拟执行，以评估其在实际投资前的过去表现。这个过程被称为回测。历史数据对于回测至关重要（在第八章，回测策略中有详细介绍）。 根据算法交易策略的不同，您可能需要较短的蜡烛图间隔或较大的蜡烛图间隔。1 分钟的蜡烛图间隔通常是最小的可用蜡烛图间隔。此示例演示了金融工具一天的历史数据在各种蜡烛图间隔下的情况。
1.2K20编辑于 2024-05-11 - 来自专栏信数据得永生
Python 算法交易秘籍（一）
您还将揭示从零开始设计和执行强大的算法交易策略时所面临的挑战。后续章节将带您进行回测、模拟交易，最终进行真实交易，使用您从零开始创建的算法策略。 本书结束时，你将能够通过实现 Python 库来进行算法交易，从而使用 Python 进行算法交易生态系统中的关键任务。 第九章，算法交易 – 回测，介绍了如何使用两个策略编码示例来回测您自己的算法交易策略，其中包括常规订单和挂单。 第十章，算法交易 – 模拟交易，解释了如何在实时市场中使用两个策略编码示例来模拟交易您自己的算法交易策略，其中包括常规订单和挂单。 第十一章，算法交易 – 实盘交易，解释了如何在实时市场和真实资金中使用两个策略编码示例进行真实交易您自己的算法交易策略，其中包括常规订单和挂单。
2.7K50编辑于 2024-05-11 - 来自专栏量化投资与机器学习
算法交易，此篇足矣！
本期，公众号将对算法交易做一介绍，在后面的几期推文中，我们将展开对算法交易的技术应用、算法结构等进行讲解！ 前言 本文尝试以第三人称的视角解读算法交易。 把算法这个词拆开——“算法”和“交易”，这里的交易是指在资本市场上的买卖行为，而算法是个专业术语。如果你已经知道算法的含义，那下面一段可以跳过。 George Box 算法交易和自动化交易的差异 自动化交易往往和算法交易混淆，前者是完全自动化的交易过程，买入卖出完全由计算机编程决定，即整个指令是自动创建、提交（给市场）并被执行。 搭建入门级高频交易系统（架构细节分享） 简而言之，算法交易以编写好的算法为基础来执行，而高频交易主要指特定类型的超快速自动化交易。 智能算法交易系统 ? 时间范围可以基于日内（1分钟、5分钟、10分钟、15分钟、30分钟或每小时）、每天、每周、每月价格数据，可以持续数小时或多年。
3.6K24发布于 2019-07-15 - 来自专栏大数据文摘
《算法帝国》:被算法和算法交易改变的未来
图灵公司出版的《算法帝国》一书中介绍，2000年，华尔街通过计算机程序交易的比率不足美国股市交易量的10%；2008年上半年，自动化电子交易占了全美股市交易量的60%；现在，华尔街70%以上的交易依靠所谓的黑盒子或者算法交易 上海证券交易所CTO白硕，从算法和算法交易的角度探究算法如何改变未来并统治世界，以及算法交易在中国引发的技术生态变革。 算法交易的催化剂是共同市场的兴起，跨市场、跨品种的瞬间盈利机会，人已经没有办法抓住，只有算法交易才能抓住。业务上出现越来越复杂的关联，不用算法交易也很难把握。 特别是20多年前的算法交易或自动交易还很少，不到10%，可现在已经超过60%，而且还在快速增加，T3、T1，1/8、1/16的限制也早没了。 算法是人设计的，其“方针”总有“bug”和缺陷，所以算法交易的比例越高，越有限制交易速度的必要。
1.7K50发布于 2018-05-21 - 来自专栏岑玉海
RChain的跨分片交易算法
在以太坊的第一期的分片计划当中是没有跨分片交易的，交易只能存在于同一个分片的账户之间，也就是不能跨行转账。 那如何实现跨行转账呢？ 1.2 散列锁托管转移（Hash-locked escrow transfer） 爱丽丝和鲍勃要通过代币P来交易货物，他们需要以下的一个交易机制来保证： 1、爱丽丝拥有代币P有效 2、在交易过程当中，代币 P在爱丽丝的账户金额当中锁定，并且不能被其他交易使用 3、当得到了K次确认之后，交易执行成功 4、交易被取消的话，如果时间少于T，则代币会归还到爱丽丝的账户当中 ? 这个通知还包括了执行这个交易需要的key transaction-finalised(key=K) 当这笔交易已经完成之后通知双方。 在上述的例子当中，从"/a/b"转账给"/d"需要通过图中红色的分片 算法如下： 爱丽丝和鲍伯在不同的任意碎片之间的转移将执行以下算法: Let LCA-A be the depository of Alice's
1.3K20发布于 2018-07-05 - 来自专栏公众号：千与编程
LeetCode股票交易类算法题目总结（一次交易，两次交易，无数次交易）
在每一次我把刷算法题中经常遇到的一些算法题解进行整理总结。 要知道，手撕代码，也就是刷算法题的重要性在大厂面试中无可厚非，几乎所有大厂就有手撕代码环节，所以好好练习代码，刷题吧！ 我们第一篇就先聊聊算法题中的——股票交易类算法问题 股票交易题目内容如下： 1.买卖股票的最佳时机（一次交易）： (1) 暴力遍历法： （面试使用此法，容易回去等结果） 对于数组的最优条件的比较问题 ，最容易想到的就是暴力法，所谓暴力法就是对所有的股票买入与卖出交易情况进行枚举，依次进行逐一的交易利润的计算与统计，比较出来最大的交易利润。 ） 与上一道算法题不同之处在与本次股票交易需要进行两次交易所得利润的最大之和，也就是就是在整个的过程中，会有两次“买入卖出”的操作，你需要对两次股票交易所得利润求得计算利润的总和。 算法流程： (1)初始化股票交易的最大利润的总值sum=0; (2)比较今天的股票价格与前一天的股票价格，如果今天的股票价格比前一天的股票价格高，则说明可以带来正向收益，可以计算加入正向的最终收益。
1.1K10编辑于 2023-04-28 - 来自专栏五分钟学算法
10 大算法
什么是算法呢？ 简单的说，任何定义明确的计算步骤都可称为算法，接受一个或一组值为输入，输出一个或一组值。 1、有穷性，执行有限步骤后，算法必须中止。 2、确切性，算法的每个步骤都必须确切定义。 最早的数学算法可追溯到公元前1600年-Babylonians有关求因式分解和平方根的算法。 与早期的排序算法相比(如冒泡算法)，这些算法将排序算法提上了一个大台阶。也多亏了这些算法，才有今天的数据发掘，人工智能，链接分析，以及大部分网页计算工具。 02 傅立叶变换 和快速傅立叶变换 ? 链接分析算法一直是这个领域最让人费解的算法之一，实现方式不一，而且其本身的特性让每个实现方式的算法发生异化，不过基本原理却很相似。 你正在看的这个网页就是使用数据压缩算法将信息下载到你的电脑上。除文字外，游戏，视频，音乐，数据储存，云计算等等都是。它让各种系统更轻松，效率更高。 10 随机数生成算法 ?
58040发布于 2019-06-03 - 来自专栏量化投资与机器学习
算法交易系统架构，此篇足矣！
本篇推文将分三个部分由浅到深，为大家介绍算法交易系统架构的细节： 算法交易系统概述 算法交易系统要求（重点） 算法交易系统架构（超重点） 第一部分：算法交易系统概述 算法交易是使用计算机算法自动做出交易决策 算法交易系统最好使用由三个组件组成的简单概念架构来理解，这些组件处理算法交易系统的不同方面，即数据处理程序、策略处理程序和交易执行处理程序。这些组件与上述算法交易的定义一一映射。 第二部分：算法交易系统要求 算法交易系统（ATs）使用计算算法制定交易决策，提交指令，并在提交后管理指令。近年来，算法交易系统越来越受欢迎，目前已占据通过国际交易所进行的大部分交易。 算法交易作为一种服务（ATAAS）使散户投资者可以使用算法交易。本部分描述了专有的的买方机构使用算法交易系统的架构要求。 2、制定交易策略——指定新的交易规则和策略。交易规则由一个指标、一个不等式和一个数值组成，例如“市盈率”<10。交易规则被构造成一个决策树，以定义一个交易策略（如下图所示）。 ?
5.2K31发布于 2019-07-23 - 来自专栏机器学习AI算法工程
将机器学习用到算法交易中
实例三：强化学习与算法交易 最后，跟大家分享一个强化学习与算法交易的案例。 强化学习，也是和刚刚所看到的，朴素贝叶斯分类器非常不同的技术。 是关于算法交易的，它的目的很简单。就是假设我希望在H这个时间段内，比如说五分钟内，卖出V股，某个公司的股票，我应该怎么操作？具体怎么下单，比如说我一次卖多少股，以多少价格，多久的时候再买一次。 有经验的交易员，会不断优化下端的交易数量的价格。那么，有没有办法让计算机就像交易员一样，通过不断的操作获取经验，能够完成一个优秀的拆单方法呢？ 这个跟强化学习的目的比较类似。 比如说对于系统，能够返回的信息，包含着两个部分，如果一个机器在算法交易过程中，随时会看自己还剩多少时间，还剩多少股票需要卖。 亚马逊，英伟达和高通，选了一年数据训练这个机器的交易员。训练结束后，用剩下六个月来测试这个交易员的执行效果。 ?
1.3K80发布于 2018-03-13 - 来自专栏AI科技大本营的专栏
实战：基于技术分析的Python算法交易
Technical Analysis）来创建交易策略。 然而，这笔交易是次日执行的，价格可能会发生大幅变化。在 zipline 中，交易不会因为金额不足而被拒，但我们可以通过负的余额将其终止。 ，计算起始日期，以使投资者能在2016年的第一个交易日制定交易决策。 我们还对每一次交易做了标注，即在记号之后的第一个交易日执行此笔交易。 ? 这种策略的思想如下： 当 RSI 低于下限（30）时，买入股份 当 RSI 高于上限（70）时，卖出股份 %%zipline --start 2015-12-10 --end 2017-12-31 --
2.2K22发布于 2019-11-14 - 来自专栏币聪财经
币聪-以太经典暴涨近10%，免佣金交易密码应用Robinhood增加ETC交易
免佣金交易密码应用罗宾汉已经增加ETC的交易，根据周一官方公布，8月6日罗宾汉客户也可以投资于比特币（BTC），以太坊（ETH），比特币现金（BCH），莱特币（ LTC）和Dogecoin（DOGE Robinhood加密交易应用程序目前在美国19个州推出，于2018年2月推出，最初列出了比特币和以太坊，仅在四个州有售。 该山寨币排名第12，交易价格为18.34美元，在24小时内上涨近5％。 在美国主要的加密交易基金Coinbase宣布将在不久的将来在其平台上列出ETC之后，ETC在6月份上涨了 25％。 ETC支持的最终测试于上周开始，交易所宣布Coinbase Pro将于明天8月7日准备好进行ETC的入境转移。 更多优质内容：https://bsatoshi.com
1.4K30发布于 2018-08-07 - 来自专栏量化投资与机器学习
【精选】神经网络应用于算法交易
基于技术分析的投资策略 但这种交易策略有一个主要的缺陷：在震荡行情中，策略没有过多的触及信号并交易，这样我们也很难赚到钱。 那我们怎么应用机器学习去改善呢？ 我们来看下面的策略假设：在移动平均线金发生叉死叉的时刻，我们会对某些特征的变化做出预测，如果我们真的期望这个交叉点是可行的，我们便选择相信这个交易信号。 否则我们会跳过。 训练网络后，我们绘制收盘价，均线和垂直线的交叉点：红色线和橙色线代表我们要交易的点。绿色线代表我们不去交易的点。 Max Drawdown’, ‘2.28%’), (‘Drawdown Duration’, ‘204’)] Signals: 9 Orders: 9 Fills: 9 我们将如何使用“红色”和“橙色”交易信号 我们可以看到，策略减少了2次交易，并帮助我们减少了第一个drawdown，最终提高了几乎两倍的回报！
1.4K120发布于 2018-01-30 - 来自专栏数据STUDIO
基于机器学习分类算法设计股市交易策略
本文将使用最简单的KNN算法，基于真实的股票数据集来制定交易策略，并计算它所带来的收益。 Adi Close（调整后的收盘价〕 2017-03-09 35.799999 35.500000 35.770000 35.779999 37796652.0 33 418541 2017-03-10 使用分类算法制定交易策略 接下来，我们就使用上一步中定义的函数来处理下载好的股票数据，生成训练集与验证集，并训练一个简单的模型，以执行我们的交易策略。 现在就使用 KNN 算法来进行模型的训练，并查看模型的性能。 ） Return（对数收益） 2017-03-09 35.799999 ...... 1 NaN 2017-03-10 35.770000 ...... 1 -0.005043 2017-03-13 36.040001
1.5K30编辑于 2022-04-11 - 来自专栏用户5687508的专栏
数字货币量化交易之黄金指标算法【Python】
在这个教程中，我们将学习如何利用交叉指标预测加密货币市场的买入/卖出信号，并在教程结尾提供了完整的Python代码，在市场历史数据上利用此算法可以实现三倍的比特币收益回报率。 调用Yahoo Finance API时需要按顺序传入三个参数： 交易对代码（1） 开始日期+结束日期或期间（2） 间隔（3） 在我们的示例中，交易对代码（参数1）将为BTC-USD对。 7、算法实现 现在，我们的实时数据已经下载并存储在名为data的变量中。下一步包括计算我们的移动平均线 并设置买入和卖出信号。 step="days", stepmode="todate"), dict(step="all") ]) ) ) #Show fig.show() 10 利用已有的历史数据进行简单计算后，我们的算法可以在一周内获得7.1％的回报，而同期的比特币交易回报率则稳定在1.7％左右。 ---- 原文链接：基于交叉指标的加密货币量化交易 — 汇智网
4.5K30发布于 2021-05-10 - 来自专栏智能大数据分析
【深度学习优化算法】10：Adam算法
在AdaGrad算法中，我们通过对每个坐标缩放来实现高效计算的预处理器。 在RMSProp算法中，我们通过学习率的调整来分离每个坐标的缩放。 Adam算法将所有这些技术汇总到一个高效的学习算法中。 前者在实践中效果略好一些，因此与RMSProp算法有所区分。通常，我们选择 \epsilon = 10^{-6} ，这是为了在数值稳定性和逼真度之间取得良好的平衡。 data_iter, feature_dim = d2l.get_data_ch11(batch_size=10) d2l.train_ch11(adam, init_adam_states(feature_dim p.grad.data.zero_() hyperparams['t'] += 1 data_iter, feature_dim = d2l.get_data_ch11(batch_size=10 Adam算法在RMSProp算法基础上创建的，还在小批量的随机梯度上使用EWMA。 在估计动量和二次矩时，Adam算法使用偏差校正来调整缓慢的启动速度。
77610编辑于 2025-08-02 - 来自专栏数据科学与人工智能
【算法】10 种机器学习算法要点
小编邀请您，先思考： 1 你熟悉那些机器学习算法？ 2 你如何应用机器学习算法？ 常见机器学习算法名单 这里是一个常用的机器学习算法名单。 这些算法几乎可以用在所有的数据问题上： 线性回归 逻辑回归 决策树 SVM 朴素贝叶斯 K最近邻算法 K均值算法 随机森林算法 降维算法 Gradient Boost 和 Adaboost 算法 1、线性回归 更多请见：支持向量机的简化(http://www.analyticsvidhya.com/blog/2014/10/support-vector-machine-simplified/) 将这个算法想作是在一个 princomp(train, cor = TRUE) train_reduced <- predict(pca,train) test_reduced <- predict(pca,test) 10
82690发布于 2018-03-27 - 来自专栏域名资讯
域名quco.com近10万元被交易
在域名圈里，短字母域名向来不缺乏青睐者，因为其简短，好记，便于输入等优点，所以价格贵也情有可原。近段时间就有一枚字母域名quco.com以一口价98000元结拍。
2.9K50发布于 2018-01-16 - 来自专栏量化投资与机器学习
吐血干货 | 量化、算法、机器学习交易书单完整目录
这是一个很长的书单（100本+） “You wont become an algorithmic genius savant extraordinaire philanthropist billion
1.4K10发布于 2019-05-14 - 来自专栏深入浅出区块链技术
交易算法
本文作者：tony.ho[1] 大家好, 今天继续分享 Uniswap V2 的学习心得, 今天的内容是 Uniswap[2]的交易算法 Uniswap 核心思想 A * B = K 在不考虑手续费的情况下 个 tokenA 和 10 个 tokenB, 现在用户拿来 10 个 tokenA ,应该换到多少 tokenB 呢? 所以 A 的总供给应该是 20 个, tokenA 和 tokenB 总供给比例是 2:1 因为既然交易者拿了这 10 个 tokenA 来换 ,说明这部分筹码是浮动筹码, 需要进入市场流通的, 理应算入总供给 下面我们学习一下这个交易算法的实现代码 这个算法在两个地方都有实现, 一个是 core/UniswapV2Pair.sol 的 swap 函数: function swap(uint amount0Out fee-on-transfer 的币种, 调用 _swap 改成调用 _swapSupportingFeeOnTransferTokens 函数 OK, 今天的内容基本介绍了 pair 和 router 的交易算法
2.2K20编辑于 2022-05-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号