本文列举了一些关于高频量化交易代码项目，大部分来自Github；
包括数学/计量/统计/算法的基础教程、订单簿分析与做市策略、传统技术分析、机器学习、深度学习、强化学习等类别；
所用语言均为Python/Jupiter Notebook；
基础教程
https://github.com/crflynn/stochastic
常见随机过程的实现，包括连续、离散、扩散过程、噪声等类别；
https://github.com/jwergieluk/ou_noise
O-U过程的生成、检验和参数估计；
https://github.com/stmorse/hawkes
关于单变量以及多变量Hawkes过程的生成与参数估计，采用MAP EM算法进行参数估计；
https://github.com/AileenNielsen/TimeSeriesAnalysisWithPython
基础时间序列教程，包括时间序列数据的读取、趋势成分与季节成分的分解、谱分析、聚类等内容；
https://github.com/yangwohenmai
进阶时间序列教程，包括基于统计学、基于LSTM、基于深度学习进行时间序列预测的内容；
https://github.com/youngyangyang04/leetcode-master
数据结构与算法的刷题攻略，持续更新中；
https://github.com/dummydoo/Advanced-Algorithmic-Trading
《Advanced Algorithmic Trading》一书的代码实现，使用语言为python/R；
https://github.com/bukosabino
一位Affirm算法工程师的项目主页，内容丰富，包括TA库的实现、时间序列预测、特征工程选择等，主要集中于机器学习领域；
订单簿分析与做市策略
https://github.com/nicolezattarin/LOB-feature-analysis
对限价订单簿进行特征工程分析，包括订单大小的分布、用于价格预测的订单不平衡、知情交易的概率、波动性等方面。作者的文档与代码简洁清晰，包含部分原始文献；
https://github.com/ghgr/HFT_Bitcoin
BTC订单簿的数据分析以及一些传统高频策略的实例图示；
https://github.com/yudai-il/High-Frequency
基于level-2限价订单簿和分笔交易数据的研究，考察了订单不平衡与买卖压力的盘口拓展；
https://github.com/jeremymck/High-Frequency-Data---Limit-Order-Books
本项目包括高频数据描述性分析，Hawkes过程的生成与参数估计以及限价订单簿的模拟；
https://github.com/Macosh/Order_Book
一个订单簿模拟器，实现了创建不同类型的订单、订单匹配、模拟生成，数据库存储历史订单等功能；
https://github.com/fedecaccia/avellaneda-stoikov
Avellaneda-Stoikov做市算法的实现；
https://github.com/mdibo/Avellaneda-Stoikov
Avellaneda-Stoikov做市算法另一个实现版本，比前者更简明些；
https://github.com/jshellen/HFT
采用随机最优控制方法求解AS做市算法及其变种，包含HJB方程的求解程序以及AS做市策略的输出框架；
https://github.com/huangzz119/OptimalExecution_stochastic_control
本项目实现了Frei, C. and N. Westray (2015). Optimal execution of a vwap order: a stochastic control approach. Mathematical Finance 25(3), 612–639.一文提出的VWAP算法的最优执行，项目包括数据过程，参数校准，存货变动轨迹等；
https://github.com/kousik97/Order-Execution-Strategy
三种最优订单执行策略的实现，此外还有Almgren-Chriss框架下的市场冲击函数的实现；
包含原始文献；
https://github.com/mmargenot/machine-learning-market-maker
《Intelligent Market-Making in Artificial Financial Market》一文的实现，基于贝叶斯估计的做市策略模型；
https://github.com/armoreal/hft
高频交易策略，测试了隐马尔科夫模型（HMM）与O-U过程对限价订单簿数据的拟合情况；此外，还测试了几种典型的高频因子；
传统技术分析、对冲
https://gitee.com/xuezhihuan/my-over-sea-cloud/tree/master/quantitative_research_report
一些券商研报的复现；
https://github.com/eyeseaevan/bitmex-algo
基于BitMEX平台ETH/USDT和XBT/USDT1分钟的交易数据的交易策略，采用传统技术分析指标进行交易；
https://github.com/Davarco/AlgoBot
一个使用均值回归或趋势跟踪策略的自动交易机器人；
https://github.com/JunqiLin/High-Frequency-of-BTC-strategy
跨交易所的BTC高频对冲策略；
https://github.com/rlindland/options-market-making
基于期权市场的交易机器人，包含做市、统计套利、delta和vega对冲等；
https://github.com/Harvey-Sun/World_Quant_Alphas
World Quant 101 alphas的计算和策略化；
机器学习
https://github.com/rorysroes/SGX-Full-OrderBook-Tick-Data-Trading-Strategy
采用机器学习方法对限价订单簿动态进行建模的量化策略，包括数据获取、特征选择、模型选择，可作为机器学习类策略的baseline；
深度学习
https://blog.csdn.net/bit452/category_10569531.html
《Pytorch深度学习实践》课程对应的代码，很好的深度学习入门指引；
https://github.com/nicodjimenez/lstm
一个LSTM的简单实现；
https://github.com/rune-l/HighFrequency
采用神经网络方法预测微观层面的价格跳跃，项目完整度较高，从获取数据、异常值清洗、跳跃的统计检验到LSTM、CNN、注意力机制等方法的预测应用；
https://github.com/umeshpalai/AlgorithmicTrading-MachineLearning
用RNN，LSTM，GRU预测股价变动；
强化学习
https://github.com/BGasperov/drlformm
《Deep Reinforcement Learning for Market Making Under a Hawkes Process-Based Limit Order Book Model》一文的代码实现，基于Hawkes过程的深度强化学习做市策略；
https://github.com/lucasrea/algorithmicTrader
一个采用强化学习进行算法交易的项目；
https://github.com/gucciwang/moneyMaker
一个基于强化学习的算法交易策略；
https://github.com/TikhonJelvis/RL-book
《Foundations of Reinforcement Learning with Applications in Finance》一书的对应代码实现；
https://github.com/mfrdixon/dq-MM
Deep Q-Learning用于做市，依赖于开源项目Trading Gym；
————————————————————————————————
PS：可选搜索关键词
bitcoin strategy
order book
market microstructure
crypto |
|
转播
