量化投资学习方法、量化资料、量化工具

由bqopniu创建，最终由googleglass更新于2025-01-08 11:14 被浏览 208 用户

量化投资

量化投资是一种基于数学模型和计算机算法来指导投资决策和交易执行的投资方法，不受主观交易的情绪化影响，严格按照程序执行**。** 量化投资在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。在国内，量化投资不再是一个陌生的词汇，近几年得到了迅猛的发展。

简单来说，是通过寻找金融数据，例如开盘价、收盘价、最高价、最低价、换手率、估值等等大量的数据，与股票收益之间的关系，建立较为稳定的数学模型，从而指导投资策略。

对AI量化有一定了解的选手可以直接查看量化策略模型，有投资经验但无量化的请从金融量化基础知识开始，有量化经验但无AI经验的请从机器学习模型开始。

量化策略模型

高频策略

132-日内均线金叉开仓策略-分钟

可转债策略

133-可转债双低策略

140-日内回转可转债交易策略

AI量化策略

🌟102-第一个AI策略

随机森林多头策略(AIStudio3.0.0)

135-基于筹码理论的因子构建实践

103-股票池 + AI策略

300-StockRanker模型固化并调用

301-滚动训练(draft)

303-关于如何使用XGboost训练模型固化并调用

138-基于DNN模型的智能选股策略

DeepAlpha短周期因子系列研究之: 自定义损失函数

DeepAlpha短周期因子研究系列之：DNN在量化选股中的应用

DeepAlpha短周期因子系列研究之：StockRanker在量化选股中的应用

DeepAlpha短周期因子研究系列之：随机森林在量化选股中的应用

DeepAlpha短周期因子系列研究之：XGBoost 在量化选股中的应用

DeepAlpha短周期因子系列研究之：CNN在量化选股中的应用

DeepAlpha短周期因子系列研究之：TabNet在量化选股中的应用

DeepAlpha短周期因子研究系列之：LSTM在量化选股中的应用

DeepAlpha短周期因子系列研究之：Transformer在量化选股中的应用

DeepAlpha短周期因子系列研究之：GATs在量化选股中的应用

金融量化基础知识

股票、债券、期权、期货交易市场知识：基础金融知识

风险管理：风险管理

Beta对冲

Barra风险结构管理模型

风险平价组合理论与实践

编程知识

量化不需要多精通编程语言，只需要能把自己的想法实现即可，所以基础的编程语言是必备的。python是最简单且被应用最广泛的语言，学会基础的编程即可开始量化。

基础数学知识

量化投资依赖于数学模型和算法来分析市场数据、预测价格走势、优化投资组合和管理风险。数学提供了量化投资所需的逻辑框架和计算工具，帮助投资者从数据中提取有用信息，做出科学的决策。

基础数学

量化思维构建

量化模型是帮你实现或完成投资思想，所以需要投资者具备一定的量化思维和策略思想，从而能更好的构建出量化模型。培养量化思维是必不可少的过程，我们可以通过学习其他人的策略、参与策略交流活动、阅读量化研报等拓宽自己的量化视野。

热门研报

光大证券-技术择时系列报告-基于阻力支撑相当强度（RSRS）的市场择时

光大证券-经典量化择时策略系列二-宏观因子模型的择时效应

光大证券-技术指标高频系列（一）——基于KDJ优化指标的高频交易

方正证券-“聆听高频世界的声音”系列研究（三）-跟踪聪明钱：从分钟行情数据到选股因子

华安证券-“学海拾珠”系列之一百七十三-基于端到端神经网络的风险预算与组合优化

华西证券-行业景气轮动研究-行业景气变化因子驱动的行业轮动

信达证券-资产配置研究-基于行业动量的固收加产品设计

光大证券-量化选股系列之七-如何准确测算预期股息率

浙商证券-机器学习与因子（四）：遗传规划：模型、优化与应用

国信证券-机器学习法选股

机器学习算法模型

机器学习可以发现更多我们人脑发现不了的规律，尤其是投资市场变化莫测，更需要强大的AI来帮助我们找到更多投资机会。

最全算法：24种人工智能算法原理、优缺点及投资使用场景

一文读懂遗传算法（附python）

17种机器学习回归算法在金融的应用

量化工具

量化适合大数据流，尤其是AI量化，处理的数据量非常庞大，所以一款趁手的量化工具显得尤为重要：

工程能力较强的：精通编程且时间宽松的可以选择自建回测平台，可以根据自己的偏好来搭建简单的回测平台。
没有时间和编程较弱的：选择第三方平台，例如BigQuant，将平台搭建、数据获取与基础处理交给平台，自己潜心研究策略和实战即可。