\

前言

感谢BQ-小Q送的礼物，礼物已经收到拉，一如既往的黑盒高科技风。高端大气上档次。

• ![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.

\

前言

感谢BQ-小Q送的礼物，礼物已经收到拉，一如既往的黑盒高科技风。高端大气上档次。

• ![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attac

\

前言

感谢BQ-小Q送的礼物，礼物已经收到拉，一如既往的黑盒高科技风。高端大气上档次。

• ![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.

摘要

GAN的核心思想是通过学习真实训练数据，生成“以假乱真”的数据

本文关注生成对抗网络GAN及其在量化投资领域的应用。GAN的核心思想是通过学习真实训练数据，生成“以假乱真”的数据。GAN包含判别器D和生成器G两组神经网络，引入博弈的思想，通过交替训练的方式达到纳什均衡。我们训

{{use_style}}

数据来源

数据均来源于wind

假期日历

假期日历

表名: holidays_CN

摘要

随机森林模型是以Bagging并行方法集成决策树而得到的强分类器

随机森林（RandomForest）是近年来备受青睐的机器学习方法之一。随机森林是以Bagging并行方法集成一系列决策树而训练出的强分类器，可以较好地应用于分类和回归的不同场景下。本篇报告我们将对随机森林模型

\

摘要

基于自适应风险控制的指数增强策略

收益预测模型

我们从规模、估值、成长、盈利、技术、流动性、波动等维度筛选出有效因子，对有效因子我们采用对称正交的处理方式来剔除因子之间的多重共线性，使得复合因子的选股能力带来了显著提升。此外，选股因子通常都有其合理的投资逻辑，当我们

怎么用bigquant的架构来获取每天涨停的个股，不是用传统的代码打出来的那种，试过好多次！老是运行的结果错误！

摘要

怎样正确地看待元宇宙这一新事物？

客观来说，元宇宙同时兼具进步性与退步性，其进步性在于人的感官体验维度增加，退步的地方在于便携性与性价比，只有当进步性远超退步性的时候，元宇宙才能发展顺遂。

为什么不管多难也要发展元宇宙？

互联网陷入了内卷化的负向循环，不同形

摘要

行业历史盈利跟踪

在每周末计算各中信行业的ROETTM及当前值在过去一年内、十年内所处的分位数。

目前，银行、煤炭开采洗选、交通运输的ROETTM处于过去一年的高点，建材、发电及电网、农林牧渔的ROETTM处于过去一年的低点。新能源动力系统、稀有金属、光学光

作为一种指数型投资工具，ETF的出现彻底颠覆了全球资产管理行业的传统思维模式，被誉为革命性的投资品种。某种程度上来讲，ETF无疑是过去十年全球金融市场最为成功的创新型产品。与传统的场外基金相比，ETF具有高效率、低成本、交易便利、跟踪指数误差小的优势，已成为投资者进行全市场行业配置乃至全球资产配置的

核心观点

1. 在上一篇研究报告《业绩景气度视角下的行业轮动策略—行业轮动研究三》中，我们梳理了基于正式财务报告、业绩预告和业绩快报业绩数据的景气度指标在行业轮动上的应用。本篇报告将分析师一致预测数据运用到行业轮动研究中，并结合财报业绩数据构建景气度，从而运用到行业轮动研究体系搭建中

https://bigquant.com/live/shared/strategy?id=60243

联系QQ：1803189395

更多策略搜索 chenlian

广东省金钥匙控股集团有限公司招聘量化工程师

地址：深圳福田区爱地大厦西座

薪资：15-30K+提成

岗位要求：有独立能力完成量化策略生产过程，开发稳定、契合的自动化交易系统，会期现套利，跨所套利，三角套利统计套利等一种以上

论文原名

Modeling the Momentum Spillover Effect for Stock Prediction via Attribute-Driven Graph Attention Networks

论文作者

Rui Cheng, Qing Li

引言

论文原名

End-to-End Risk Budgeting Portfolio Optimization with Neural Networks

论文作者

A. Sinem Uysal, Xiaoyue Li , and John M. Mulvey

修订时间

202

论文原名

A Surrogate Objective Framework for Prediction+Optimization with Soft Constraints

论文作者

Kai Yan， Jie Yan，Liting Chen，Qingwei Lin，Dongmei

论文原名

Multi-Horizon Forecasting for Limit Order Books:Novel Deep Learning Approaches and Hardware Acceleration using Intelligent Processing Units

论文原名

Temporally Correlated Task Scheduling for Sequence Learning

论文作者

Xueqing Wu ，Lewen Wang ，Yingce Xia，Weiqing Liu，Lijun Wu，Shufang Xie，Tao

看市场：

• 重要指数均线、成交量、累计涨跌幅度
• 市场估值（市盈率、市净率水平、股息率水平）
• 市场情绪/赚钱效应

看行业：

• 行业市盈率、市净率（去除极值）
• 去除新股后的资金流入流出（昨日、过去3日、过去5日、过去60日）
• 行业累计（1个月、3个月、半年、一年）涨幅或者跌幅

一、关键结论

由于无法进行全市场选股，因此本次参赛采用了中证800股票池，但是对比基准训练效果并不如基准，且回测结果并不稳定。

我的模型相对于基准策略调整如下：

1）添加了5个特征；

2）标准化操作后去除了一下极值；

3）CNN kernel_size调整为2和4；

4）dro

[https://bigquant.com/experimentshare/fb090a47d5a14348828be56e969

\