需要基礎金融理論知識、python numpy、pandas庫知識

量化交易

以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史資料中海選能帶來超額收益的多種“大概率”事件以制定策略，極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史資料中海選能帶來超額收益的多種“大概率”事件以制定策略，極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。

配對交易

        是指八十年代中期華爾街著名投行Morgan Stanley的數量交易員Nunzio Tartaglia成立的一個數量分析團隊提出的一種市場中性投資策略，，其成員主要是物理學家、數學家、以及計算機學家。
　　Ganapathy Vidyamurthy在《Pairs Trading: Quantitative Methods and Analysis》一書中定義配對交易為兩種型別：一類是基於統計套利的配對交易，一類是基於風險套利的配對交易。

　　基於統計套利的配對交易策略是一種市場中性策略，具體的說，是指從市場上找出歷史股價走勢相近的股票進行配對，當配對的股票價格差（Spreads）偏離歷史均值時，則做空股價較高的股票同時買進股價較低的股票，等待他們迴歸到長期均衡關係，由此賺取兩股票價格收斂的報酬。    

                                                                                                                                ——MBA智庫

配對交易的原理

        配對交易策略的基本原理是基於兩個相關性較高的股票或者其他證券，如果在未來時期保持著良好的相關性，一旦兩者之間出現了背離的走勢，且這種背離在未來是會得到糾正的，那麼就可能產生套利的機會。對於配對交易的實踐而言，如果兩個相關性較高的股票或者其他證券之間出現背離，就應該買進表現相對較差的，賣出表現相對較好的。當未來兩者之間的背離得到糾正，那麼可以進行相反的平倉操作來獲取利潤。

　　由於配對交易利用配對間的短期錯誤定價，通過持有相對低估，賣空相對高估，因此其本質上是一個反轉投資策略，其核心是學術文獻中的股票價格均值回覆。儘管配對交易策略非常簡單，但卻被廣泛應用，其之所以能被廣泛應用的主要原因是:首先，配對交易的收益與市場相獨立，即市場中性，也就是說它與市場的上漲或者下跌無關;其次，其收益的波動性相對較小;第三，其收益相對穩定。

                                                                                                                                ——MBA智庫

最小距離法

P ti（t=0,1,2…T）表示股票i在第t天的價格，則單期收益率：

            t天內積累的收益率：

            標準化價格偏差平方和：

完成程式碼

計算SSD函式

def SSD(priceX,priceY):
    #都為pd.dataframe
    if priceX is None or priceY is None:
        print('缺少價格序列')
    returnX=(priceX-priceX.shift(1))/priceX.shift(1)[1:]
    returnY=(priceY-priceY.shift(1))/priceY.shift(1)[1:]
    standardX=(returnX+1).cumprod()
    standardY=(returnY+1).cumprod()
    SSD=np.sum((standardX-standardY)**2)
    return(SSD)

選取“酒、飲料和精製茶製造業” 行業成分股的幾十支股票

stocks = get_industry_stocks('C15')

對某兩支股票過去360個交易日內收盤價進行統計

h1 = attribute_history(stocks[i], 360, '1d', ('close'))
h2 = attribute_history(stocks[j], 360, '1d', ('close'))

在股票池中迴圈比較、排序輸出

完整程式碼

import jqdata

def initialize(context):
    stocks = get_industry_stocks('C15')
    ssds={}
    for i in range(len(stocks)-1):
        for j in range(i+1,len(stocks)):
            h1 = attribute_history(stocks[i], 360, '1d', ('close'))
            h2 = attribute_history(stocks[j], 360, '1d', ('close'))
            dis=SSD(h1,h2)['close']
            ssds[stocks[i]+','+stocks[j]]=dis
            #print dis['close']
            #print type(dis['close'])
    
    
    for k,v in sorted(ssds.items(),key = lambda x:x[1]):
        print k+' '+str(v)

def SSD(priceX,priceY):
    if priceX is None or priceY is None:
        print('缺少價格序列')
    returnX=(priceX-priceX.shift(1))/priceX.shift(1)[1:]
    returnY=(priceY-priceY.shift(1))/priceY.shift(1)[1:]
    standardX=(returnX+1).cumprod()
    standardY=(returnY+1).cumprod()
    SSD=np.sum((standardX-standardY)**2)
    return(SSD)
    
def handle_data(context,data):
    pass

部分結果：

得到最適合用來配對的為 中葡股份600084 和 養元飲品603156

接著即可以進行進一步工作。