股票交易数据分析与存取优化研究

发布时间：2020-06-11 23:46

【摘要】：量化交易分析越来越受到关注,成为计算机应用的热门领域。人们不再喜欢凭经验和感觉进行投资,而更多希望通过科学的数据分析结果来进行合理的资金安排。股票更是大众喜欢购买的投资产品,很多人都想对于股票交易数据进行分析和一窥量化交易门径。随着量化分析需求的扩大,出现了开放性量化投资平台,提供了股票交易数据分析相关功能,能够轻松在平台上实现量化交易策略并利用历史数据回测收益情况。但是平台提供的数据和操作有限,数据处理过程过于透明,不利于股票数据的直接分析和交易策略的制定,特别是数据单一,不利于策略有效性的认定,准确度不够,容易承担较大的风险。开放性平台只提供了行情日交易数据,是对一天的交易情况的综合性概括,隐藏了股票价格变化的细节规律,制定的策略只适合判断价格变化趋势。变化趋势与实际交易之间仍然存在一段需要研究的空间。显然日交易数据也无法满足在一天内进行多次交易的需求。本文从开放性量化分析平台入手,研究了平台的使用方法,分析了平台的功能性优势,总结了平台在数据预处理、交易模拟、策略制定和有效性判定上的不足。特别是计算机专业背景下对价格变化规律的深层次挖掘对数据精度提出了更高的要求,我们必须获取更细粒度的交易数据进行分析研究。然而粒度交易数据量远远大于行情日数据,原有的量化回测模型不支持细粒度交易数据的操作,也不能对大数据量进行有效回测。文中进一步提出设计新的指标驱动交易模型,将原始数据与策略回测相分离,对原始数据进行优化存储和处理之后,生成策略指标,最后由指标驱动策略回测,将计算量和优化工作集中在原始数据的存储和处理上。通过列存储分割数据表、差分运算降低数据量、自适应近似产生稀疏列,最终采用稀疏矩阵坐标存储思想,对数据进行压缩存储。同时采用内存压缩技术,降低大量数据内存置换成本,创新性的将数据以内存压缩形式保存在磁盘上,进一步减少文件读取输入时间。最后实验说明了计算效率的提高和存储空间的节省。本文实现了对股票交易数据的分析研究,并针对存在的问题进行优化设计。提出了新的交易回测模型,通过存储算法设计和文件读取方式优化提高了交易数据的存取效率,使得数据文件占用磁盘空间减少了49%,文件读取速度提高了48.8%。并且在确保不影响数据使用效果的前提下,将5分钟交易数据缩减了58.33%的数据量,逐笔交易数据缩减了96.6%。使得量化交易策略设计中可以有效使用细粒度交易数据,添加多维度指标判定和高频次交易功能,提高交易点判定准确性,降地风险,展现了部分计算机技术和思想在股票数据分析和存取优化上的应用。
【图文】：

回测,参数选择

handle_bar(context, bar_dict)函数是策略的核心，股票的买卖策略都在此函数中进行编写，当数据有更新时会自动自动触发调用此函数，按照策略指定的操作进行股票的交易。after_trading(context)：在每天交易结束后被执行，一些交易结束后的操作可以放在此函数中，比如日志记录等，一天只会被调用一次。拟定好量化策略后，开始测试策略的有效性，，并根据测试结果对交易策略进行修改和优化。网页版平台直接提供了各回测参数的选择按钮，我们只需要直接通过鼠标操作选择策略回测的的时间跨度、股票数量、基准合约等股票相关的参数来测试我们的策略的有效性。其中基准合约是作为股票收益情况对比的参数，基准合约的收益代表了市场的整体收益情况。网页版回测参数选择如图 2-2 所示。

回测,参数选择

拟定好量化策略后，开始测试策略的有效性，并根据测试结果对交易策略进行修改和优化。网页版平台直接提供了各回测参数的选择按钮，我们只需要直接通过鼠标操作选择策略回测的的时间跨度、股票数量、基准合约等股票相关的参数来测试我们的策略的有效性。其中基准合约是作为股票收益情况对比的参数，基准合约的收益代表了市场的整体收益情况。网页版回测参数选择如图 2-2 所示。图 2-2 回测参数选择Fig.2-2 Parameter selection of back measurement回测结果以图片形式展示。我们以组合投资中的格雷厄姆数字价值投资法策略回测了 2014 年 1 月 1 日至 2017 年 1 月 4 日的数据。结果如图 2-3 所示。
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F832.51;TP311.13

【参考文献】