| 来源：交易极客
量化投资模型的开发步骤一般是：数据处理、寻找因子、回测验证、实盘模拟、风险归因。
数据处理：去极值、标准化、中性化；数据预处理。
寻找因子：寻找Alpha；寻找收益波动比因子
风险归因：简单策略归因，大家有时间可以慢慢研究
其实，除模型开发之外，交易系统的构建、回测系统、风控和数据清理等每个部分都很关键。比如数据处理，你用的工具是Matlab还是R，或者c++以及python，如果是工具本身的格式速度会快很多，就像python的npy格式，或者c++的二进制格式。再有就是根据你的不同需求用什么数据，切片数据、分钟数据或者tick数据。每一块都可以是一个坑。
而量化的模型大致可分为：
1.趋势形、回复型，都依赖价格数据。
2.价值型/收益型、成长型和品质型，此类型策略都基于基本面数据。
3.技术情绪型，较少见，通常都只作为一个辅助因子。
趋势跟随策略
趋势跟随策略是基于以下的基本假定：市场在一定时间里通常朝着同一方向变化，据此对市场趋势做出判断，就可以作为制定交易策略的依据。定义趋势通常用移动平均线交叉来定义趋势。
MACD移动平均线示例
MACD（Moving Average Convergence and Divergence)是Geral Appel 于1979年提出的，利用收盘价的短期（常用为12日）指数移动平均线与长期（常用为26日）指数移动平均线之间的聚合与分离状况，对买进、卖出时机作出研判的技术指标。从双移动平均线发展而来的，由快的移动平均线减去慢的移动平均线。MACD的意义和双移动平均线基本相同。但阅读起来更方便。
指标应用法则：
1.DIF向上交叉MACD，买进；DIF向下交叉MACD，卖出。
2.DIF连续两次向下交叉MACD，将造成较大的跌幅。
3.DIF连续两次向上交叉MACD，将造成较大的涨幅。
4.DIF与股价形成背离时产生的信号，可信度较高。
5.MDA、MACD、TRIX三者构成一组指标群，互相验证。
当MACD从负数转向正数，是买的信号。当MACD从正数转向负数，是卖的信号。当MACD以大角度变化，表示快的移动平均线和慢的移动平均线的差距非常迅速的拉开，代表了一个市场大趋势的转变。ＭＡＣＤ是Geral Appel 于1979年提出的，它是一项利用短期（常用为12日）移动平均线与长期（常用为26日）移动平均线之间的聚合与分离状况，对买进、卖出时机作出研判的技术指标。
公式算法:
短期EMA：短期（例如12日）的收盘价指数移动平均值（Exponential Moving Average）
长期EMA：长期（例如26日）的收盘价指数移动平均值（Exponential Moving Average）
DIF线：（Difference）短期EMA和长期EMA的离差值
DEA线：（Difference Exponential Average）DIF线的M日指数平滑移动平均线
MACD线：DIF线与DEA线的差
参数：SHORT(短期)、LONG(长期)、M天数，一般为12、26、9。指数加权平滑系数为：
短期EMA平滑系数：2/(SHORT+1)
长期EMA平滑系数：2/(LONG+1)
DEA线平滑系数：2/(M+1)
DIF从下而上穿过DEA，买进；
相反，如DIF从上往下穿过DEA，卖出。
mport quartzimport quartz.backtest as qbimport quartz.performance as qpfrom quartz.api import *import pandas as pdimport numpy as npfrom datetime import datetimefrom matplotlib import pylabimport talibstart = datetime(, 1, 1)end = datetime(, 1, 22)benchmark = 'HS300'#universe = ['601398.XSHG', '600028.XSHG', '601988.XSHG', '600036.XSHG', '600030.XSHG',#'601318.XSHG', '600000.XSHG', '600019.XSHG', '600519.XSHG', '601166.XSHG']universe = set_universe('SH50')capital_base = 200000refresh_rate = 1window = 1initMACD = -10000.0histMACD = pd.DataFrame(initMACD, index = universe, columns = ['preShortEMA', 'preLongEMA', 'preDIF', 'preDEA'])shortWin = 26 # 短期EMA平滑天数longWin = 52 # 长期EMA平滑天数macdWin = 15 # DEA线平滑天数def initialize(account):account.amount = 10000account.universe = universeadd_history('hist', window)account.days = 0def handle_data(account):account.days = account.days+1for stk in account.universe:prices = account.hist[stk]['closePrice']if prices is None:returnpreShortEMA = histMACD.at[stk, 'preShortEMA']preLongEMA = histMACD.at[stk, 'preLongEMA']preDIF = histMACD.at[stk, 'preDIF']preDEA = histMACD.at[stk, 'preDEA']if preShortEMA == initMACD or preLongEMA == initMACD:histMACD.at[stk, 'preShortEMA'] = prices[-1]histMACD.at[stk, 'preLongEMA'] = prices[-1]histMACD.at[stk, 'preDIF'] = 0histMACD.at[stk, 'preDEA'] = 0returnshortEMA = preShortEMA*1.0*(shortWin-1)/(shortWin+1) + prices[-1]*2.0/(shortWin+1)longEMA = preLongEMA*1.0*(longWin-1)/(longWin+1) + prices[-1]*2.0/(longWin+1)DIF = shortEMA - longEMADEA = preDEA*1.0*(macdWin-1)/(macdWin+1) + DIF*2.0/(macdWin+1)histMACD.at[stk, 'preShortEMA'] = shortEMAhistMACD.at[stk, 'preLongEMA'] = longEMAhistMACD.at[stk, 'preDIF'] = DIFhistMACD.at[stk, 'preDEA'] = DEAif account.days > longWin and account.days%1 == 0:#if DIF > 0 and DEA > 0 and preDIF > preDEA and DIF < DEA:if preDIF > preDEA and DIF < DEA:order_to(stk, 0)#if DIF < 0 and DEA < 0 and preDIF < preDEA and DIF > DEA:if preDIF < preDEA and DIF > DEA:amount = account.amount/prices[-1]order_to(stk, amount)上证指数上的MACD线指标实例：from CAL.PyCAL import *# DataAPI.MktIdxdGet返回pandas.DataFrame格式sh_index = DataAPI.MktIdxdGet(indexID = "000001.ZICN", beginDate = "0101", endDate = "0731")# calculate DIF, DEA, and MACDinitMACD = -1000.0sh_index['shortEMA'] = initMACDsh_index['longEMA'] = initMACDsh_index['DIF']= initMACDsh_index['DEA'] = initMACDsh_index['MACD']= initMACDshortWin = 12longWin = 26macdWin = 9index = sh_index.indexfor i in range(0, index.shape[0]):if i == 0:sh_index['shortEMA'].iloc[i] = sh_index['closeIndex'].iloc[i]sh_index['longEMA'].iloc[i] = sh_index['closeIndex'].iloc[i]sh_index['DIF'].iloc[i]= sh_index['shortEMA'].iloc[i] - sh_index['longEMA'].iloc[i]sh_index['DEA'].iloc[i] = sh_index['DIF'].iloc[i]sh_index['MACD'].iloc[i] = sh_index['DIF'].iloc[i] - sh_index['DEA'].iloc[i]else:sh_index['shortEMA'].iloc[i] = sh_index['closeIndex'].iloc[i]*2.0/(shortWin+1) + sh_index['shortEMA'].iloc[i-1]*(shortWin-1)/(shortWin+1)sh_index['longEMA'].iloc[i] = sh_index['closeIndex'].iloc[i]*2.0/(longWin+1) + sh_index['longEMA'].iloc[i-1]*(longWin-1)/(longWin+1)sh_index['DIF'].iloc[i]= sh_index['shortEMA'].iloc[i] - sh_index['longEMA'].iloc[i]sh_index['DEA'].iloc[i] = sh_index['DIF'].iloc[i]*2.0/(macdWin+1) + sh_index['DIF'].iloc[i-1]*(macdWin-1)/(macdWin+1)sh_index['MACD'].iloc[i] = sh_index['DIF'].iloc[i] - sh_index['DEA'].iloc[i]sh_index = sh_index.set_index('tradeDate')# plot datapylab.figure(figsize=(15,6))pylab.plot(sh_index.index, sh_index.closeIndex)pylab.plot(sh_index.index, sh_index.longEMA)pylab.plot(sh_index.index, sh_index.shortEMA)pylab.legend([u'ShangZheng Index', u'long period EMA', u'short period EMA'], loc = 'best', fontsize = 12)pylab.grid()pylab.figure(figsize=(15,6))pylab.plot(sh_index.index, sh_index.DIF)pylab.plot(sh_index.index, sh_index.DEA)pylab.plot(sh_index.index, sh_index.MACD)pylab.legend([u'DIF line', u'DEA line', u'MACD signal'], loc = 'best', fontsize = 12)pylab.grid()
拓展阅读：
1.一个量化策略师的自白（好文强烈推荐）
2.市面上经典的量化交易策略都在这里了！（源码）
3.期货/股票数据大全查询（历史/实时/Tick/财务等）
4.干货| 量化金融经典理论、重要模型、发展简史大全
5.从量化到高频交易，不可不读的五本书
6.高频交易四大派系大揭秘
