回测图:
\
策略源码:
声明:本策略需要在AIStudio 3.0环境下运行(点击克隆策略选择最新开发环境)
{{
由small_q创建,最终由small_q更新于
- 运行环境:AiStudio 3.0.0
- 策略描述:对于一个事件策略来说,哪一只股票在此策略下收益最高,我们是可以逐个试出来的,就买入
- 数据表名:cn_stock_bar1d
- 回测时长:2020-1-1 至 今天
- 初始资金:500000
- 买卖时间:开盘买入,收盘卖出
\
由small_q创建,最终由small_q更新于
- 运行环境:AiStudio 3.0.0
- 策略描述:买卖信号是可以当作因子的,每天出买信号的股票因子值为1,每天出卖信号的股票因子值为0,使用处理后的因子值进行筛选排序策略
- 数据表名:cn_stock_bar1d
- 回测时长:2020-1-1 至 今天
- 初始资金:500000
由small_q创建,最终由small_q更新于
- 策略描述:运行环境:AiStudio 3.0.0
- 策略描述:MACD 快线上传慢线买入,慢线上穿快线卖出
- 买入股票:'600519.SH'(贵州茅台), '600941.SH'(中国移动), '601398.SH'(工商银行), '601857.SH'(中国石油), '000001.S
由small_q创建,最终由small_q更新于
- 策略描述:运行环境:AiStudio 3.0.0
- 策略描述:MACD 快线上传慢线买入,慢线上穿快线卖出
- 买入股票:'600519.SH'(贵州茅台)
- 数据表名:cn_stock_bar1d
- 回测时长:2020-1-1 至 今天
- 初始资金:500000
- 买卖时间:开盘
由small_q创建,最终由small_q更新于
- 策略描述:运行环境:AiStudio 3.0.0
- 策略描述:我们将过去20日收盘价(均值+2倍标准差)作为up_limit,(均值-2倍标准差)作为low_limit
- 买入股票:'600519.SH'(贵州茅台), '600941.SH'(中国移动), '601398.SH'(工商银行)
由small_q创建,最终由small_q更新于
- 运行环境:AiStudio 3.0.0
- 策略描述:我们将过去20日收盘价(均值+2倍标准差)作为up_limit,(均值-2倍标准差)作为low_limit
- 买入股票:'600519.SH'(贵州茅台)
- 买卖规则:收盘价大于up_limit买入,收盘价小于low_limit卖出
由small_q创建,最终由small_q更新于
- 运行环境:AiStudio 3.0.0
- 策略描述:我们将过去20日最高收盘价作为hist_high,过去10日最小收盘价作为hist_low
- 买入股票:'600519.SH'(贵州茅台), '600941.SH'(中国移动), '601398.SH'(工商银行), '601857.SH
由small_q创建,最终由small_q更新于
- 运行环境:AiStudio 3.0.0
- 策略描述:我们将过去20日最高收盘价作为hist_high,过去10日最小收盘价作为hist_low
- 买入股票:'600519.SH'(贵州茅台)
- 买卖规则:hist_high大于hist_low买入,hist_low大于hist_high卖出
由small_q创建,最终由small_q更新于
- 运行环境:AiStudio 3.0.0
- 策略描述:我们将5日平均开盘价作为短线,120日平均开盘价作为长线
- 买入股票:'600519.SH'(贵州茅台), '600941.SH'(中国移动), '601398.SH'(工商银行), '601857.SH'(中国石油), '000001.
由small_q创建,最终由small_q更新于
- 运行环境:AiStudio 3.0.0
- 策略描述:我们将5日平均收盘价作为短线,40日平均收盘价作为长线
- 买入股票:600519.SH(贵州茅台)
- 买卖规则:短线上传长线买入,长线下穿短线卖出
- 数据表名:cn_stock_bar1d
- 回测时长:2020-1-1 至 今天
由small_q创建,最终由small_q更新于
由small_q创建,最终由small_q更新于
由small_q创建,最终由small_q更新于
由small_q创建,最终由small_q更新于
1000篇研报+900本电子书,我们从网络渠道收集了量化学习资料,整理为合集,==获取方式请查看文章最后==。
资料合集目录:
\
由small_q创建,最终由small_q更新于
Alpha191因子是国泰君安证券研究者,于2017年6月,在《数量化专题: 基于短周期价量特征的多因子选股体系》研报中提出的191个因子,具体的因子表达式如下
\
Alpha1: (-1 * CORR(RANK(DELTA(LOG(VOLUME), 1)), RANK((
由bq2qbou2创建,最终由bq2qbou2更新于
1. Pytorch介绍
1.1 Pytorch包介绍
Python中的Pytorch包,是使用最多的,用来构建神经网络模型的工具,它的特点包括:
- 可以灵活地搭建任何类型的神经网络模型
- 支持使用GPU运算
- 有一套通用的代码框架
Pytorch包在BigQuant平台是有
由bq2qbou2创建,最终由bq2qbou2更新于
1. 前馈神经网络(DNN)
一般来说,深度学习和神经网络是同一个概念
1.1 感知机(Perceptron)
在之前的分享中,我们介绍过一个线性分类器,叫做感知机(Perceptron),并且介绍过它是神经网络的基本单元
感知机的运算公式是:
由bq2qbou2创建,最终由bq2qbou2更新于
报告摘要
高频因子的优势:与低频因子相比,高频数据在量化选股中的优势主要体现在:因子拥挤度相对较低、因子多样性好、检验因子的独立样本多。
研究内容:本报告从四类不同的角度构建因子:日内价格相关因子、日内价量相关因子、盘前信息因子、特定时段采样因子。考察了 46 个因
由small_q创建,最终由small_q更新于
多因子模型的理论基础
![](/wiki/api/attachments.redirect?id=5912caba-c31a-4155
由xiaoshao创建,最终由small_q更新于
因子分析简介
当前的股票、期货、债券、期权研究均以因子投资为主流趋势,且势头越发明显。本文所指因子分析是多因子策略、指数增强策略、多空中性策略的基石,其研究好坏直接关系和决定了策略的收益能力(信息比率),常被业内人士所称研究之重中之重,策略之核心所在。
![](/wiki/api/att
由xiaoshao创建,最终由small_q更新于
1. 无监督学习之聚类算法
1.1 聚类方法简介
聚类算法是一种无监督学习算法,它和监督学习任务下的分类算法是有明显对比的
- 监督学习的分类算法:数据属于哪一个类别是有标签定义的,模型有没有分类正确我们也是可以明显评判出来的
- 无监督学习的聚类算法:数据没有明确的标签表明类别,聚
由bq2qbou2创建,最终由small_q更新于
1. 逻辑回归
1.1 分类问题的定义
分类问题的标签是离散型的变量,我们的目的是用特征,来预测标签归属于几个类别当中的某一种
- 如果是预测标签属于两个类别当中的哪一种,就叫二分类问题,比方说预测股票明天是涨,还是不涨,两个类别
- 如果是预测标签属于多个类别当中的哪一种,
由bq2qbou2创建,最终由bq2qbou2更新于
1. 模型评估
1.1 偏差与方差
上次分享我们提到过,模型的好坏评价标准,是模型在测试集上的预测是否准确,好比一个学生在期末考试当中拿高分才是学的好
模型在测试集上的预测误差(Error),可以分为三种来源
由bq2qbou2创建,最终由bq2qbou2更新于
1. 人工智能与机器学习的概念
1.1 人工智能的概念
人工智能(Artificial Intelligence,AI)是一门研究如何使计算机系统具备类似于人类智能的能力的领域
人工智能的子领域示例:
- 机器学习:机器学习是人工智能的子领域,用于从数据中学习并改善系统
由bq2qbou2创建,最终由bq2qbou2更新于