作為一名老股民，我對金融市場一直都保持長期的關注。
最近我大量接觸量化交易相關的一切，發現市場力量還是蠻強大的，6年前的很多設想現在已經徹底變成現實，不得不承認市場從來不會等任何人。想好就要馬上行動，機會從來不會等任何人。
從模型的角度考慮，對沖**的出現可以說是最靠譜的，但是事實證明他的經營要求也是最高的。他最大的難度在於如何選擇產品，可以形成對沖的關係。這其實對於各種金融產品都需要了解，甚至是靈敏的嗅覺才能形成。
人工智慧的出現自然會更大程度上解放人腦，但是這需要過程，人類可以被替代到什麼程度呢？我之前以為人工智慧可以做到從0到1的輝煌進步。但是經過最近的學習我發現，實際上並非如此。從目前的情況來看，人工智慧解決了努力的問題，但是沒有解決方法與方法的關係問題，更沒有解決靈感的問題。人工智慧解決的還是形態判斷和策略的準確切換。在基於大量高效多型的策略的基礎上，人工智慧可以實現牛熊穿越。並且隨著學習能力的進化，不同形勢下的學習能力以及形態的判斷的能力都會不斷增強。可以在長期保持高效能狀態。這是人工智慧最為厲害的乙個方面。
但是做到這些，也需要對每種形態判斷，策略切換，每個策略的完備性築高起點，建好模型。
tushare這個是個開源專案，我發現裡邊的資料來源是採用封裝好的爬蟲方式，直接從各個開放的地方獲取。也有一部分是存在某個半公開的**上。
從此文可以知道，我們自己去尋找資料資源的方式也是如此。tushare無非是封裝起來。所以這裡要注意，我們必須做這麼幾件事情。
1知悉原始碼的位置，最好有一套檢查程式。
2不同**的原始碼，共同生成確定的無誤的資料。
tushare生成的資料直接就是pandas中的dataframes格式，這點非常好。
金融量化之tushare模組的使用
tushare是乙個著名的免費 開源的python財經資料界麵包。其官網主頁為 tushare 財經資料界麵包。該界麵包如今提供了大量的金融資料，涵蓋了 基本面 巨集觀 新聞的等諸多類別資料 具體請自行檢視官網 並還在不斷更新中。tushare可以基本滿足量化初學者的回測需求 環境安裝 pip in...
機器學習 量化交易
財經資料 import tushare import tushare as ts print 版本 tushare.version t ts.get hist data 000001 一次性獲取全部日 資料 ts.get hist data 600848 ktype w 獲取周 資料 ts.get ...
量化交易風險指標
風險指標資料有利於對策略進行乙個客觀的評價，主要風險指標包括 alpha值 解釋 0 策略相對於風險，獲得了超額收益 0策略相對於風險，獲得了適當收益 0 策略相對於風險，獲得了較少收益 beta值 解釋 0 投資組合和基準的走向通常反方向，如空頭頭寸類 0投資組合和基準的走向沒有相關性，如固定收益...