裸卖看涨上证50ETF期权策略1 | 年化收益率: -5.16% | 累计收益率: -2.84% | 最大回撤低于: 11.88% | BigQuant AI量化策略
每隔五天换仓,卖出虚值一档上证50ETF期权
每隔五天换仓,卖出虚值一档上证50ETF期权
每隔五天换仓,卖出虚值一档上证50ETF看跌期权
牛市看涨价差策略:通过买入较低行权价的看涨期权并卖出较高行权价的看涨期权来构建看涨头寸。这是一种借方价差策略,适合温和看涨的市场预期。\n\n策略构成:\n- 买入1个较低行权价的看涨期权(平值或轻度价内)\n- 卖出1个较高行权价的看涨期权(价外)\n\n每隔5天调仓一次。
熊市看涨价差策略:通过卖出较低行权价的看涨期权并买入较高行权价的看涨期权来构建看跌头寸。这是一种贷方价差策略,通过时间价值衰减获利,适合温和看跌的市场预期。\n\n策略构成:\n- 卖出1个较低行权价的看涨期权(平值或轻度价内)\n- 买入1个较高行权价的看涨期权(价外)\n\n每隔5天调仓一次。
卖出宽跨式策略:同时卖出相同到期日、不同行权价的看涨期权和看跌期权。看涨期权选择价外期权,看跌期权也选择价外期权,赚取时间价值,适合预期市场波动较小的情况。每隔5天调仓一次。
卖出跨式策略:同时卖出相同到期日、相同行权价的看涨期权和看跌期权。行权价选择最接近标的价格的50整价格(平值期权),收取权利金赚取时间价值,适合预期市场波动较小的震荡行情。每隔5天调仓一次。
本策略的核心思路是“多因子特征提取+LightGBM排序建模+系统化交易执行”,选取估值、市值、动量、反转、波动、换手等多维度核心因子,同时加入过滤因子剔除无效样本,构建全面的股票特征矩阵
在破净股中寻找财务相对稳健的可能被低估的股票
策略核心为对固定的五只A股(在代码中明确指定五个标的)进行等权持有、年度再平衡的被动型组合策略。选股逻辑并不基于因子排序,而是直接从股票池中筛选出指定的五只标的;持仓数量固定为5只、总仓位归一为100%,单只目标仓位约为20%。调仓规则为每年第1个交易日按目标仓位下单(先卖出非目标持仓,再按目标仓位建仓),使用当日开盘价成交(order_target_percent),日频交易但仅在再平衡日交易。回测区间可配置(示例为2015‑01‑01至2024‑12‑31),交易成本设置为买入0.03%、卖出0.13%且最低每笔5元。风险控制较少(...
该策略基于一个简单动量指标,在黄金,纳指,创业板100和沪深300ETF中轮动。
例子
该策略通过筛选近两周内稳定上涨的股票,再通过换手率和振幅筛选出相对低波未受强烈冲击的股票
核心功能:动态仓位管理,根据回撤自动减仓 仓位控制规则: - 回撤 < 15% → 满仓 100% - 15% ≤ 回撤 < 20% → 减仓至 70% - 回撤 ≥ 20% → 减仓至 50% 净值创新高后,立即恢复满仓100% 策略特点: • 双因子对冲:小市值(进攻)+ 低波动(防守) • 智能风控:基于净值回撤的动态仓位管理 风险提示: • 历史回测不代表未来收益 • 小市值股票存在流动性风险
从当期持有存续可转债的 A 股正股中,筛选出盈利能力达标(ROE > 5%)的股票,再按20日均换手率从低到高排序,结合行业分散约束,最终等权持有换手率最低的10只股票,每 15 个交易日调仓一次。
策略核心在于选取业绩高增长且获主力持续买入的小盘成长股,以市值从小到大打分并等权持仓。选股条件:剔除科创板/ST/停牌股,流通市值>5亿、上市>90天、净利润同比与营业收入同比均>30%、0<PE_ttm<50、PB<5;近5日主力净流入累计>0且至少3天为正,当日总体资金不净流出。交易规则:每5个交易日调仓一次,按总仓位100%等权分配,最多持仓10只;开盘价成交;持仓外的标的全部清仓。风险控制:基本面与估值约束、流动性过滤、主力流向为正、剔除异常股与最小持仓数限制、按订单计手续费并设置最低费用。适合捕捉中短期...
策略基于短中期均线BBI(3/6/12/24日均线平均)捕捉小市值股票的短线突破。选股池为主板/创业板/科创板及主要指数成分股,剔除停牌/ST、需至少365日历史且PE>0。开仓条件:当日收盘价突破BBI、前一日未突破且当日涨幅>5%(open_signal)。以流通市值升序打分,最多持有3只、等权分配(满仓情况下每股约1/3仓位),以次日开盘价建仓。每日判断止损止盈:持仓前5日内若当日收盘低于BBI且单日跌幅>5%则止损;连续3日收盘低于BBI则隔日止损;持股超过5日(第6日起)全部止盈。高换手、短周期(以日为频率)策略,旨在捕捉短期强...
这个策略筛选营业利润最大的25只股票,然后从中选择PE(市盈率)最小的5只股票买入等权重持仓;每10天调仓,实际是每季度营业利润变化时才出现调仓。
该策略以随机森林机器学习模型为模板,使用shap归因分析,并且输出shap_global_importance和shap_local_importance
本策略是一个典型的横截面机器学习选股策略。其基本思想是:在每个调仓日,对股票池中所有股票计算一组因子特征,利用历史样本训练一个随机森林模型,预测这些股票未来 20 个交易日的收益排序,然后选出预测得分最高的前 30 只股票进行等权配置,并每 20 个交易日调仓一次。
Top30% 相对收益标签 + Walk-Forward 滚动训练 + Top10 等权、5日调仓回测框架