不止于技术指标alpha-rptr蒙特卡洛、Heston等量化模拟函数详解【免费下载链接】alpha-rptrA trading bot for automated algorithmic trading on Binance Futures, Bybit, BitMEX and FTX written in python.项目地址: https://gitcode.com/gh_mirrors/al/alpha-rptralpha-rptr 是一个用 Python 编写的加密货币期货自动交易机器人支持 Binance Futures、Bybit、BitMEX 与 FTX 四大交易所。除了 100 常用技术指标外它的src/indicators.py模块还内置了一整套量化模拟函数——包括蒙特卡洛模拟、Heston 模型、跳跃扩散、Ornstein-Uhlenbeck 过程等随机模拟工具。对新手来说这意味着你不仅能用历史回测验证策略还能用概率模拟预演未来成千上万种可能的市场路径提前看清策略的真实风险。上图是 alpha-rptr 自带的 Matplotlib 可视化输出其中最下方的hurst面板和PSD面板正是由本文要讲的量化分析函数实时计算绘制出来的——同一份收盘价数据既能算均线也能做概率与混沌分析这正是该项目不止于技术指标的地方。一、为什么技术指标之外还需要量化模拟技术指标SMA、MACD、RSI……描述的是已经发生的行情而量化模拟函数回答的是未来可能怎样蒙特卡洛模拟用随机数重排交易胜负顺序评估策略在最坏运气下的回撤与破产风险Heston 模型让波动率本身也有波动更真实地模拟资产价格路径跳跃扩散模型在平滑扩散基础上叠加突发事件如插针、爆仓行情OU / CIR / 布朗运动金融随机过程的三大基础构件可用于建模均值回归与波动率所有函数都集中在 src/indicators.py 中README 将其归类为Probability Distributions and Simulations概率分布与模拟函数作用monte_carlo_simulation()蒙特卡洛模拟账户净值增长heston_model()Heston 模型模拟股价路径jump_diffusion_model()跳跃扩散模型模拟股价路径ornstein_uhlenbeck_process()模拟均值回归的 OU 过程cir_process()模拟方差/利率类的 CIR 过程brownian_motion()/brownian_bridge()布朗运动 / 布朗桥路径bessel_process()Bessel 过程路径detrended_fluctuation_analysis()去趋势波动分析DFApsd()功率谱密度PSDshannon_entropy()香农熵衡量分布的不确定性二、蒙特卡洛模拟函数让策略经历1000 种市场剧本monte_carlo_simulation()位于src/indicators.py约 1441 行是整套函数里对实盘交易者最实用的一把压力测试仪。你只需要告诉它策略的几个关键统计量它就能批量生成净值曲线并自动绘图、统计回撤参数含义新手建议start_equity起始资金如 1000 USDTwin_rate胜率直接用回测结果如 0.55profit_to_loss_ratio盈亏比平均盈利 ÷ 平均亏损risk_per_trade_input单笔风险占净值比例常用 0.011%num_simulations模拟次数≥1000 才有统计意义num_steps每个剧本的交易笔数如 200 笔randomize_winrate胜率随机扰动幅度模拟胜率漂移推荐开启compounding是否复利计算两种都试一遍它的巧妙之处在于自动输出风控结论跑完后图表图例会直接显示最大回撤Max Drawdown、平均回撤、平均净值与峰值净值占比——换句话说胜率 55% 的策略连亏 40 笔时会不会爆仓这个问题一次调用就能给出答案。三、Heston 模型参数详解模拟波动率也会波动的市场真实市场中波动率不是恒定的暴跌时波动放大、平静时收敛。Heston 模型正是为此而生——它用两条联动的随机路径分别刻画价格与波动率。heston_model()src/indicators.py约 1353 行的参数可这样理解initial_price/initial_volatility期初价格与波动率mean_reversion波动率回归长期均值的速度越大回归越快long_term_volatility波动率的长期中枢volatility_of_volatility波动率的波动率控制波动率自身的随机性强度correlation价格与波动率之间的相关性负相关能再现暴跌伴随高波动的杠杆效应对新手最直观的理解Black-Scholes 假设波动率是直线Heston 把它变成了一条会自己抖动的曲线因此模拟出的价格路径在风暴期会出现更尖锐的波动簇。四、跳跃扩散与三大随机过程给路径加意外jump_diffusion_model()约 1396 行在标准布朗扩散上叠加泊松跳跃——jump_intensity控制跳跃发生频率jump_mean/jump_std控制跳跃方向与幅度。非常适合模拟加密市场常见的瞬时插针。ornstein_uhlenbeck_process()均值回归的经典模型偏离越远拉回的力越大适合建模价差回归、利率类变量。cir_process()与 OU 类似但波动项与自身水平成正比天然非负常用于波动率与利率建模。brownian_motion()/brownian_bridge()一切金融随机过程的基石布朗桥额外要求路径在终点回到指定值适合约束型模拟实验。bessel_process()多维随机游走距离的演化模型是波动率类过程的另一种视角。五、进阶分析工具Hurst 指数、DFA、PSD 与香农熵除了模拟模块里还有一组市场体检函数可与策略画布叠加使用hurst_exponent()Hurst 指数。结果 0.5 暗示趋势延续0.5 暗示均值回归——可直接作为开仓过滤器lyapunov_exponent()刻画时间序列的混沌程度指数为正说明市场对初始条件敏感detrended_fluctuation_analysis()DFA多尺度去趋势波动分析识别不同时间窗口下的长程相关性psd()功率谱密度看能量集中在哪些频率上帮助挑选合适的 K 线周期shannon_entropy()香农熵量化概率分布的不确定性以参考策略 src/strategies/MACDLongOnly.py 为例它每根 K 线都会计算hurst_exponent(close)并通过self.exchange.plot(hurst, hurst, r, False)画成独立面板——也就是文章开头那张图里红色的 hurst 曲线。六、如何快速上手运行 alpha-rptr只需三步即可开始git clone https://gitcode.com/gh_mirrors/al/alpha-rptr cd alpha-rptr pip install -r requirements.txt然后查看所有运行模式python main.py --help项目支持五种模式实盘、交易所测试网--demo、回测--test、超参数优化--hyperopt与纸面交易--stub。回测结束后项目会生成orders.csv并自动同步到内置的HTML5 Workbench在html目录执行python3 -m http.server 8000 --cgi后访问本地 8000 端口可视化界面如下⚠️风险提示参考策略仅用于教学演示不构成实盘建议。任何策略在投入真实资金前请务必先用蒙特卡洛模拟与测试网做足压力测试并以小仓位长期验证。小结alpha-rptr 把蒙特卡洛模拟、Heston 模型、跳跃扩散等通常只存在于量化研究库中的函数直接集成进了交易机器人的指标模块让历史回测 概率模拟 混沌分析可以在同一个策略文件里完成。对新手而言建议的学习路径是先用回测拿到胜率和盈亏比 → 用monte_carlo_simulation()做风险压测 → 再用 Hurst/DFA 判断市场状态最后才考虑实盘。【免费下载链接】alpha-rptrA trading bot for automated algorithmic trading on Binance Futures, Bybit, BitMEX and FTX written in python.项目地址: https://gitcode.com/gh_mirrors/al/alpha-rptr创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 不止于技术指标：alpha-rptr蒙特卡洛、Heston等量化模拟函数详解
不止于技术指标alpha-rptr蒙特卡洛、Heston等量化模拟函数详解【免费下载链接】alpha-rptrA trading bot for automated algorithmic trading on Binance Futures, Bybit, BitMEX and FTX written in python.项目地址: https://gitcode.com/gh_mirrors/al/alpha-rptralpha-rptr 是一个用 Python 编写的加密货币期货自动交易机器人支持 Binance Futures、Bybit、BitMEX 与 FTX 四大交易所。除了 100 常用技术指标外它的src/indicators.py模块还内置了一整套量化模拟函数——包括蒙特卡洛模拟、Heston 模型、跳跃扩散、Ornstein-Uhlenbeck 过程等随机模拟工具。对新手来说这意味着你不仅能用历史回测验证策略还能用概率模拟预演未来成千上万种可能的市场路径提前看清策略的真实风险。上图是 alpha-rptr 自带的 Matplotlib 可视化输出其中最下方的hurst面板和PSD面板正是由本文要讲的量化分析函数实时计算绘制出来的——同一份收盘价数据既能算均线也能做概率与混沌分析这正是该项目不止于技术指标的地方。一、为什么技术指标之外还需要量化模拟技术指标SMA、MACD、RSI……描述的是已经发生的行情而量化模拟函数回答的是未来可能怎样蒙特卡洛模拟用随机数重排交易胜负顺序评估策略在最坏运气下的回撤与破产风险Heston 模型让波动率本身也有波动更真实地模拟资产价格路径跳跃扩散模型在平滑扩散基础上叠加突发事件如插针、爆仓行情OU / CIR / 布朗运动金融随机过程的三大基础构件可用于建模均值回归与波动率所有函数都集中在 src/indicators.py 中README 将其归类为Probability Distributions and Simulations概率分布与模拟函数作用monte_carlo_simulation()蒙特卡洛模拟账户净值增长heston_model()Heston 模型模拟股价路径jump_diffusion_model()跳跃扩散模型模拟股价路径ornstein_uhlenbeck_process()模拟均值回归的 OU 过程cir_process()模拟方差/利率类的 CIR 过程brownian_motion()/brownian_bridge()布朗运动 / 布朗桥路径bessel_process()Bessel 过程路径detrended_fluctuation_analysis()去趋势波动分析DFApsd()功率谱密度PSDshannon_entropy()香农熵衡量分布的不确定性二、蒙特卡洛模拟函数让策略经历1000 种市场剧本monte_carlo_simulation()位于src/indicators.py约 1441 行是整套函数里对实盘交易者最实用的一把压力测试仪。你只需要告诉它策略的几个关键统计量它就能批量生成净值曲线并自动绘图、统计回撤参数含义新手建议start_equity起始资金如 1000 USDTwin_rate胜率直接用回测结果如 0.55profit_to_loss_ratio盈亏比平均盈利 ÷ 平均亏损risk_per_trade_input单笔风险占净值比例常用 0.011%num_simulations模拟次数≥1000 才有统计意义num_steps每个剧本的交易笔数如 200 笔randomize_winrate胜率随机扰动幅度模拟胜率漂移推荐开启compounding是否复利计算两种都试一遍它的巧妙之处在于自动输出风控结论跑完后图表图例会直接显示最大回撤Max Drawdown、平均回撤、平均净值与峰值净值占比——换句话说胜率 55% 的策略连亏 40 笔时会不会爆仓这个问题一次调用就能给出答案。三、Heston 模型参数详解模拟波动率也会波动的市场真实市场中波动率不是恒定的暴跌时波动放大、平静时收敛。Heston 模型正是为此而生——它用两条联动的随机路径分别刻画价格与波动率。heston_model()src/indicators.py约 1353 行的参数可这样理解initial_price/initial_volatility期初价格与波动率mean_reversion波动率回归长期均值的速度越大回归越快long_term_volatility波动率的长期中枢volatility_of_volatility波动率的波动率控制波动率自身的随机性强度correlation价格与波动率之间的相关性负相关能再现暴跌伴随高波动的杠杆效应对新手最直观的理解Black-Scholes 假设波动率是直线Heston 把它变成了一条会自己抖动的曲线因此模拟出的价格路径在风暴期会出现更尖锐的波动簇。四、跳跃扩散与三大随机过程给路径加意外jump_diffusion_model()约 1396 行在标准布朗扩散上叠加泊松跳跃——jump_intensity控制跳跃发生频率jump_mean/jump_std控制跳跃方向与幅度。非常适合模拟加密市场常见的瞬时插针。ornstein_uhlenbeck_process()均值回归的经典模型偏离越远拉回的力越大适合建模价差回归、利率类变量。cir_process()与 OU 类似但波动项与自身水平成正比天然非负常用于波动率与利率建模。brownian_motion()/brownian_bridge()一切金融随机过程的基石布朗桥额外要求路径在终点回到指定值适合约束型模拟实验。bessel_process()多维随机游走距离的演化模型是波动率类过程的另一种视角。五、进阶分析工具Hurst 指数、DFA、PSD 与香农熵除了模拟模块里还有一组市场体检函数可与策略画布叠加使用hurst_exponent()Hurst 指数。结果 0.5 暗示趋势延续0.5 暗示均值回归——可直接作为开仓过滤器lyapunov_exponent()刻画时间序列的混沌程度指数为正说明市场对初始条件敏感detrended_fluctuation_analysis()DFA多尺度去趋势波动分析识别不同时间窗口下的长程相关性psd()功率谱密度看能量集中在哪些频率上帮助挑选合适的 K 线周期shannon_entropy()香农熵量化概率分布的不确定性以参考策略 src/strategies/MACDLongOnly.py 为例它每根 K 线都会计算hurst_exponent(close)并通过self.exchange.plot(hurst, hurst, r, False)画成独立面板——也就是文章开头那张图里红色的 hurst 曲线。六、如何快速上手运行 alpha-rptr只需三步即可开始git clone https://gitcode.com/gh_mirrors/al/alpha-rptr cd alpha-rptr pip install -r requirements.txt然后查看所有运行模式python main.py --help项目支持五种模式实盘、交易所测试网--demo、回测--test、超参数优化--hyperopt与纸面交易--stub。回测结束后项目会生成orders.csv并自动同步到内置的HTML5 Workbench在html目录执行python3 -m http.server 8000 --cgi后访问本地 8000 端口可视化界面如下⚠️风险提示参考策略仅用于教学演示不构成实盘建议。任何策略在投入真实资金前请务必先用蒙特卡洛模拟与测试网做足压力测试并以小仓位长期验证。小结alpha-rptr 把蒙特卡洛模拟、Heston 模型、跳跃扩散等通常只存在于量化研究库中的函数直接集成进了交易机器人的指标模块让历史回测 概率模拟 混沌分析可以在同一个策略文件里完成。对新手而言建议的学习路径是先用回测拿到胜率和盈亏比 → 用monte_carlo_simulation()做风险压测 → 再用 Hurst/DFA 判断市场状态最后才考虑实盘。【免费下载链接】alpha-rptrA trading bot for automated algorithmic trading on Binance Futures, Bybit, BitMEX and FTX written in python.项目地址: https://gitcode.com/gh_mirrors/al/alpha-rptr创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考