python量化投资
⑴ 量化投资中，MATLAB和python哪一个好
MATLAB在矩阵处理上的优势是Python无法比拟的。我曾使用MATLAB和Python实现同一个算法，特别是涉及到矩阵中的Symbol求导时。Python中使用Numpy、Sympy和Scipy进行处理，尽管Sympy中的Matrix功能强大，但在速度上却显得缓慢，且需要关注各种细节。例如，Sympy在处理Complex类型时无法自动expand，常常出现(1+I)(2I+1)这种结果，此时需要调用.expand来解决。相比之下，MATLAB能够让你更专注于模型的构建。
然而，Python在数据抓取、机器学习等领域拥有强大的第三方包，如Scrapy、Skikit-learn等，发展速度也非常快。因此，Python正逐渐成为量化投资领域的新兴力量。
综上所述，目前使用MATLAB是明智的选择，但未来可能会转向Python。这取决于你所面对的具体需求和项目背景。MATLAB在矩阵处理方面无可比拟的优势，使得它在当前的量化投资中占据主导地位，而Python则凭借其丰富的第三方库和快速的发展，有望在未来占据更大份额。
⑵ 【手把手教你】Python量化股票市场情绪指标ARBR
股票投资策略往往需要结合技能和原则，以实现持续的成功。长期而言，运气的好坏会相互抵消，因此，投资者在市场中取得稳定收益，需依赖自身的技能和遵循良好的原则。市场波动并非完全由基本面决定，公众情绪在很大程度上影响着股价变动。这种情绪波动是市场自然反馈与纠正过程的一部分。在市场顶部，多数交易者表现出乐观情绪，在市场底部则表现悲观。
投资者情绪是行为金融学研究市场异常现象的重要理论基础之一。它反映了投资者对金融资产的看法，包括乐观和悲观态度以及投机倾向。量化投资者情绪主要通过两种方式：直接调查投资者情绪，如问卷调查、多空调查等；以及通过市场交易数据进行统计处理，构建客观或间接指标。国内投资者情绪量化多采用后者，如中信证券通过主成分分析构建情绪指标，包括整体市盈率、市净率、换手率、上涨家数比下跌家数、小盘股相对大盘股的超额收益率、股票首发上市家数、新股上市首日涨幅、封闭式基金折价率和资金流动指标等。
本文以技术分析常用的情绪指标ARBR为例，使用Python进行计算和可视化分析，为量化择时策略提供基础。ARBR指标由人气指标（AR）和意愿指标（BR）构成，它们分别通过历史股价走势分析，反映市场多空双方力量对比，进而预测市场趋势。
AR指标衡量市场交易人气，当AR值升高至一定限度时，表明能量消耗殆尽，股价反转概率增大。BR指标反映市场交易意愿，基于“反市场心理”，在市场人气极度狂热时卖出，人气悲观时买进。双方的分界线为100，AR或BR超过100表示多方或空方优势，反之则表示弱势。
买卖信号和背离信号的判断依赖ARBR指标的曲线与股价走势的比较。例如，BR在AR之下运行，表明市场开始筑底，视为买进信号；BR小于40，AR小于60时，空方力量较强，但可能反转上涨，考虑买进。卖出信号包括BR大于400，AR大于180时的多方力量极强，但可能反转下跌；或BR快速上升而AR小幅下降或横盘，视为卖出信号。顶背离与底背离是ARBR指标的特殊信号，分别在股价高位和低位出现，提示短期内将反转。
在Python中，可以实现ARBR指标计算和图形化展示。通过分析上证综指、创业板指、沪深300和东方通信的价格及其ARBR指标250日曲线，结合上述应用法则，投资者可以进行更深入的分析。近期指数的ARBR指标与价格走势的背离值得特别关注。
股票市场中，力量的平衡与偏离对股价走势具有重要影响。ARBR指标通过开盘价、收盘价、最高价和最低价之间的关系分析多空力量对比，预测未来走势。尽管ARBR指标计算简单，易于理解，但其应用需要丰富的实战经验以作出准确判断。此外，该指标存在局限性，仅依赖历史价格信息，而忽略了成交量的重要性。
⑶ Python量化入门：Fama-French三因子模型
Python量化入门，Fama-French三因子模型是一种改进的金融模型，用于分析投资组合收益的多元影响因素。以下是模型的关键步骤和Python实战应用：
技术讨论，不构成投资建议！
Fama-French三因子模型弥补了CAPM模型的局限，它关注市值、市盈率（PE）、杠杆比例和账面市值比（BM）四个因素。Fama和French的研究发现，单个因子的解释力有限，组合使用时，市值和BM因子对其他因素的影响减弱。模型的核心是市场风险溢酬、市值效应（SMB，小市值优于大市值）和账面市值比效应（HML，高BM优于低BM）三个因子，形成多元线性回归模型。
在Python实战中，首先通过计算SMB和HML来构造投资组合，这可能需要一定时间的数据处理。接着，选择不同市值和PB水平的股票作为样本，对相关数据进行整合和探索。通过收益率时序图和多元线性方程求解，可以估计超额收益率（α）和因子的系数。通常，当p值小于0.05，说明因子对收益率有显着影响。
虽然理论与计算过程看似复杂，但实际应用中，数据处理可以自动化，以便更有效地进行投资策略分析。