申万宏源技术指标测试大全之三十— Money Flow Index
指标介绍
资金流量指标(Money Flow Index):简称Mfi
所需数据和参数:Mfi(high,low,close,volume,nDay,thred1,thred2 )
指标伪码:
TP:=(HIGH+LOW+CLOSE)/3;
PMF:=IF(TP>REF(TP,1),
由crisvalentine创建,最终由crisvalentine更新于
资金流量指标(Money Flow Index):简称Mfi
所需数据和参数:Mfi(high,low,close,volume,nDay,thred1,thred2 )
指标伪码:
TP:=(HIGH+LOW+CLOSE)/3;
PMF:=IF(TP>REF(TP,1),
由crisvalentine创建,最终由crisvalentine更新于
双推力指标(Dual Thrust):简称DT
所需数据和参数:DT(close,open,high,low,nDay,threshold1,threshold2 )
指标伪码:
AHH:=HHV(HIGH,NDAY);
AHC:=HHV(CLOSE,NDAY);
ALC
由crisvalentine创建,最终由crisvalentine更新于
相对强弱指标(Relative Strength Index):简称Rsi
所需数据和参数:Rsi(close,nDay,mDay )
指标伪码:
DIFF:=CLOSE-REF(CLOSE,1);
RSI1:=SMA(MAX(DIFF,0),MDAY,1)/SMA(ABS
由crisvalentine创建,最终由crisvalentine更新于
真实强弱指标(True Strength Index):简称Tsi
所需数据和参数:Tsi(close,mDay,nDay,threshold )
指标伪码:
MTM:=CLOSE-REF(CLOSE,1);
ABSMTM:=ABS(MTM);
TSI:100*(EMA
由crisvalentine创建,最终由crisvalentine更新于
威廉超买超卖指标(Williams Overbought/Oversold Index):简称Willr
所需数据和参数:Willr(close,high,low,nDay,thre1,thre2 )
指标伪码:Willr:= (HHV(HIGH,N)-CLOSE)/(HHV(
由crisvalentine创建,最终由crisvalentine更新于
股票选择指标(Commodity Selection Index):简称:CSI
所需数据和参数:CSI(high,low,close,length )
指标伪码:
MYMARGIN:=1000;
MYCOMMISION:=25;
K:=300/(SQRT(MYMARGI
由crisvalentine创建,最终由crisvalentine更新于
价量趋势指标(Price and Volume Trend):简称Pvt
所需数据和参数:Pvt(close,volume,nBar )
指标伪码:
VAR0:=(CLOSE/REF(CLOSE,1)-1)*V;
PVTVAL:SUM(VAR0,0);
由crisvalentine创建,最终由crisvalentine更新于
指数平滑异同平均线(Moving Average Convergence and Divergence):简称Macd
所需数据和参数:Macd(close,fast,slow,compare )
指标伪码:DIF:EMA(CLOSE,FAST)-EMA(CLOSE,SLOW)
由crisvalentine创建,最终由crisvalentine更新于
乖离率指标(Bias):
所需数据和参数:Bias(close,nDay,threshold )
指标伪码:
MAVAL:=MA(CLOSE,nDay);
BIAS:=100*(CLOSE-MAVAL)/MAVAL;
[/wiki/static/upl
由googleglass创建,最终由googleglass更新于
由small_q创建,最终由small_q更新于
本篇报告对常用基于技术面拐点的方法进行研究:通过搜索指数行情的拐点,从而判断市场处于“上涨市”还是“下跌市”,观察行业指数在不同市场状态下的排名情况,以寻找稳定的行业动量特征。我们发现通过对市场状态进行划分后,假设行业滚动一年内在不同的市场状态下的排名稳定且靠前,行业在下个月的排名
由small_q创建,最终由small_q更新于
投资者依靠股票-债券的相关性来构建最优投资组合、设计对冲策略和评估风险。大多数投资者只是通过推断月度收益的历史相关性来估计股票与债券的长期相关性,但这种方法显然是不可靠的。作者为产生可靠的股票-债券相关性的预测引入了四项创新。首先,本文引入单期相关的概念,以解决股票和债券收益的自相关和
由kuailian创建,最终由kuailian更新于
传统多因子模型采用月频调仓,但实盘中提高调仓频率会带来两个好处
一是减小技术类alpha因子的IC衰减
二是提高风控频率降低风险。随着2016年底开始的技术类因子失效
前者的作用减弱,但后者的作用仍在
固定月频的调仓模式忽略了月中组合的风险敞口变化,所以有必要在月中
由qxiao创建,最终由qxiao更新于
本文从马科维茨的均值方差模型和风险平价模型出发,为减少大类资产动态时变相关性对于模型的尾部风险,报告将传统的大类资产层面配置转为宏观因子的配置。模型从战略资产配置的角度出发,在绝对收益的目标下,对各大类资产间进行长期的、整体性的规划,寻找不同资产价格变化的共同驱动力,从而实现更加稳定的
由small_q创建,最终由small_q更新于
低价策略是以可转债自身绝对价格为筛选条件,由低到高排序买入全市场最便宜的若干可转债,持有并根据条件轮动的策略。相比于双低轮动策略,低价策略舍弃了对溢价率的考量,以绝对价格作为单一筛选变量。
低价策略的前提在于转债违约必要性较低,获取收益的理论基础在于债底支
由small_q创建,最终由small_q更新于
基本面投资逻辑日益受到量化组合投资者的重视,本篇报告重点关注各类基本面因子对不同风格股票预测能力的差异及其在策略构建中的应用。
研究表明,基于市值域划分、盈利域划分以及波动域划分的状态下,各类基本面因子对不同风格域内的股票收益预测能力存在显著差异,相应的因子权重应有所区分。
阿尔法
由small_q创建,最终由small_q更新于
本文主要对剔除高频多因子空头组合后的沪深300指数增强策略进行回测分析。
构建高频多因子空头组合的方法。从因子复合与组合复合两种角度出发,本文共探讨了3种构建高频多因子空头组合的方法:因子复合-zscore加总、因子复合-回归模型、以及单因子空头组合复合。相对应的剔除样本空间中多因子
由qxiao创建,最终由qxiao更新于
什么是风险模糊?投资者知道他知道什么(knownknowns)产生期望;投资者知道他不知道什么(knownknowns)反映风险;而投资者不知道他不知道什么的程度(unknownunknowns)表征风险模糊。风险模糊度刻画了未知概率分布的不确定性。在风险相同的情况下,投资者决策时有规
由small_q创建,最终由small_q更新于
本篇报告作为行业轮动系列报告的第十篇,主要介绍宏观经济数据在行业轮动中的应用,分为宏观收益率预测、经济不确定性beta和宏观复合因子三大部分。作为此前侧重于历史基本面和预期基本面的行业轮动框架的一种有效补充。
基于宏观收益率预测的行业轮动策略:我们从经济增长、通货膨胀、国际贸易、流动
由small_q创建,最终由small_q更新于
个股的日内交易特征是当日交易关键要素的概况。通过多维度刻画一段时间内高开低收以外的日内交易细节信息,使得低频交易成为可能。
利用个股分钟级别的量价数据构造月频因子,我们更为推荐两步算法:首先刻画个股日内交易特征,再统计当月的日内交易特征。其更能突出体现个股日内交易细节信息,且与传统因
由small_q创建,最终由small_q更新于
本篇报告是投资组合优化系列的第二篇,主要围绕组合换手展开,内容分为影响因素、控制方法和实测分析,着重探析组合换手的根源、权衡与效率。
通过量化投研流程、主观设定层级和权益基金特性这三种视角,讨论组合换手受到的影响。量化投研流程中,优化阶段以直接设置换手约束
由small_q创建,最终由small_q更新于
机器学习量化交易策略的制定,是通过从海量历史数据中,利用计算机强大的处理能力,挖掘并分析出那些能够为投资者带来收益的各种大概率可行的投资方式来实现的。通过数学模型对这些策略进行分析并加以验证,以期望让投资者获得更高更稳定的收益,或更合理地规避风险。
由kaemp创建,最终由kaemp更新于
本文延续了海通量化团队因子择时、风格择时以及指数轮动的框架,对于板块轮动框架进行了构建。本文主要使用宏观经济数据构建了月度的板块轮动模型。本文第一部分介绍了板块轮动框架。第二部分展示了各类宏观变量的单变量择时效果。第三部分构建了多变量复合模型并展示了复合模型的历史表现。
A股市场的板
由small_q创建,最终由small_q更新于
上市公司参股拟上市企业通常基于(1)产融结合(2)产业链投资(3)主营业务遇瓶颈、布局多元化经营 (4)财务投资、增加资金利用率等战略投资和财务投资目的。传统行业的上市公司更倾向于进行股权投资,地方性银行与券商则更受上市公司青睐。
被参股公司在证监会网站上首度发布招股说明书后,对参股
由small_q创建,最终由small_q更新于
超预期分析框架 自从1967年芝加哥大学的Ray Ball教授和Philip Brown教授在“Analysis of Security Prices”研讨会上首先提出PEAD(盈余公告后价格漂移)效应后,预期外盈利异象受到了50多年的广泛关注。预期外盈利通常围绕上市公司盈余公告的披露展开,
由bqadm创建,最终由bqadm更新于