• Posts tagged "blotter"

Blog Archives

Posted:
Aug 10, 2016
Tags:
Comments:
1 Comment

R语言量化投资常用包总结

用IT技术玩金融系列文章，将介绍如何使用IT技术，处理金融大数据。在互联网混迹多年，已经熟练掌握一些IT技术。单纯地在互联网做开发，总觉得使劲的方式不对。要想靠技术养活自己，就要把技术变现。通过“跨界”可以寻找新的机会，创造技术的壁垒。

金融是离钱最近的市场，也是变现的好渠道！今天就开始踏上“用IT技术玩金融”之旅！

关于作者：

  • 张丹(Conan), 程序员Java,R,Nodejs
  • weibo：@Conan_Z
  • blog: http://blog.fens.me
  • email: bsspirit@gmail.com

转载请注明出处：
http://blog.fens.me/r-quant-packages/

quant-packages

前言

总是被很多的人问，为什么用R语言做量化投资，R、Python、Matlab比起来哪个更好？其实，答案很简单，你哪个用的熟就用哪个，工具是用来提升效率的，结果才是你会得到的。认准一门语言，坚持把它做好你就会成长。

每个领域，每种编程语言都用推动它前进的人，跟上牛人的脚步，你慢慢地也会变牛。

目录

  1. 为什么用R语言做量化投资？
  2. 常用量化投资工具包

1. 为什么用R语言做量化投资？

R做量化投资到底有哪些优势呢？最主要的一点，就是R语言有很多第三方包的支持。通常编程语言的设计，都是为了解决软件开发和程序实现的问题。但R语言在开始时，就被设计为主要解决数据的问题。量化投资就是对数据进行各种数据处理、数据分析，从而找到数据的规律。所以，有很多从事量化投资的人，把R语言用来构建量化交易的模型，进行回测，风险管理等，最后把研究成果开源并贡献给R语言的社区，为后面的人提供了非常大的帮助。

相比Python来说也有很多的第三方包的支持，这些第三方大部分提供是Web开发，数据爬虫，系统管理，数据库调用，数学计算等，这些都是属于通用的软件需求，而非某个行业的数据需求。当某个Python大神，开始关注量化投资领域，并用Python实现了一套量化的程序库，后面的人就会进入这个领域，只是沿着大神的路线走，等待下一个大神的出现。所以本质上，Python是面向程序设计的语言，而R是面向数据的语言。

R语言在量化投资领域，已经有很多年的积累，很多的算法已经成型。从投资研究到交易分析，再到风险管理，有着完整的体系结构。我们同样可以沿着前人走出来的路，快速学习，快速搭建出量化投资的系统来。对于有IT但背景缺乏金融知识的人来说，有很多的部分知识上手比较困难，同时看不太懂各种统计指标，对学习造成了很大的阻力。这其实是你深入到具体地某个行业后，都会面临的问题。行业知识和数学知识才是最难的，只有突破了，你才能打开认知新领域的方法。

R语言让我们更接近数据，同时提供了各种数学统计的工具，又有大量由第三方贡献的行业知识库，所以我会选择R语言，我会把R语言作为最好的工具，进行量化投资的分析。

2. 常用量化投资工具包

R语言在金融领域提供了很多的金融计算框架和工具，当你具备金融理论知识和市场经验，你可以利用这些第三方提供的技术框架来构建自己的金融模型。我们可以从CRAN上找到各种的金融项目，访问R的官方网站 (https://cran.r-project.org/)，找到Task Views 菜单里的 Finance标签。

task

金融领域涉及范围是非常广的，包括银行业、保险业、信托业、证券业、租赁业等。金融行业都具有指标性、垄断性、高风险性、效益依赖性和高负债经营性的特点。量化投资是证券投资的一个很细分的专业领域，涉及到的金融工具包其实并不是太多。我们其实能把这些工具包研究好了，就可以方便地做量化的模型和交易了。

如果我们想用R构建自己的量化交易系统，你需要用到5方面的R语言工具包：数据管理、指标计算、回测交易、投资组合、风险管理。

quant-lib

  • 数据管理：包括数据集抓取、存储、读取、时间序列、数据处理等，涉及R包有 zoo(时间序列对象), xts(时间序列处理), timeSeries(Rmetrics系时间序列对象) timeDate(Rmetrics系时间序列处理), data.table(数据处理), quantmod(数据下载和图形可视化), RQuantLib(QuantLib数据接口), WindR(Wind数据接口), RJDBC(数据库访问接口), rhadoop(Hadoop访问接口), rhive(Hive访问接口), rredis(Redis访问接口), rmongodb(MongoDB访问接口), SparkR(Spark访问接口),fImport(Rmetrics系数据访问接口)等。
  • 指标计算：包括金融市场的技术指标的各种计算方法，涉及R包有 TTR(技术指标), TSA(时间序列计算), urca(单位根检验), fArma(Rmetrics系ARMA计算), fAsianOptions(Rmetrics系亚洲期权定价), fBasics(Rmetrics系计算工具), fCopulae(Rmetrics系财务分析), fExoticOptions(Rmetrics系期权计算), fGarch(Rmetrics系Garch模型), fNonlinear(Rmetrics系非线模型), fOptions(Rmetrics系期权定价), fRegression(Rmetrics系回归分析), fUnitRoots(Rmetrics系单位根检验) 等。
  • 回测交易：包括金融数据建模，并验证用历史数据验证模型的可靠性，涉及R包有 FinancialInstrument(金融产品), quantstrat(策略模型和回测), blotter(账户管理), fTrading(Rmetrics系交易分析)等。
  • 投资组合：对多策略或多模型进行管理和优化，涉及R包有 PortfolioAnalytics(组合分析和优化), stockPortfolio(股票组合管理), fAssets(Rmetrics系组合管理)等
  • 风险管理：对持仓进行风险指标的计算和风险提示，涉及R包有 PerformanceAnalytics(风险分析),fPortfolio(Rmetrics系组合优化), fExtremes(Rmetrics系数据处理)等。

基于上文中列出的R包，我们可以选择使用独立地第三方R包来构建我们的量化交易的系统，也可以选用完整的Rmetrics体系来构建量化交易的系统。这两类R包也可以混合使用，如果在混用时，由于他们基于的时间序列的底层对象是不一样的，那么类型转换的时候，可以你需要花点功夫处理一下。

上文中列出的R语言，并不是所有的R语言量化投资的R包，仅仅我关注的一些包。还有很多其他的，比如用于配对交易的包PairTrading；在Github上发布的，我并没有发现的R包等。

对于我自己来说，倾向于用独立地第三方R包来做量化交易系统，会用到其中的几个独立的R包。这样选择的主要原因有2个，一是中国市场比较特别，很多规则并不完全符合世界的标准。比如，股票T+1交易就是全球唯一的。另外一点是第三方的开源包，有一些可能有错误，所以你不应该把程序完全依赖于第三方包，要有独立的思考和判断，第三方包只是给我们提供了便利性。

那么常用的第三方R包的组合为：zoo, xts, TTR, quantmod, FinancialInstrument, quantstrat, blotter, PortfolioAnalytics, PerformanceAnalytics。这其中的任何一个包，都可以被替换或自己实现，从而保证自己量化交易系统的独特性。引用国外量化的教材上的一张图，国外用R来研究量化交易已经体系。

quantitative-analysis

图片摘自Introduction to Trading Systems，作者Guy Yollin。

本系列文章，稍后将对整个量化体系的金融R包进行全面的介绍，并加上我自己的理解。量化相关R包介绍的相关文章列表，持续更新中。。。

数据管理

策略模型

量化交易一条程序员可以利用技术优势，突破自己过上幸福生活的一条路，很艰难也很兴奋。我会一直坚持，希望路上的朋友一起加油！

转载请注明出处：
http://blog.fens.me/r-quant-packages/

打赏作者