量化投资

连续两个模块都有open\high\low\close字段报错问题

https://bigquant.com/codesharev3/135bce3b-1a14-4a32-a909-e88d2de2b7d6

\

前言

策略全称

基于股息率的红利量化策略

策略绩效图

作者

大田

发布日期

2024-08-26

风险提示

• 本文只是基于公开的研报、书籍做策略复现，纯技术和工具使用交流，不代表投资建议
• 本文涉及的文字、图片、链接、代码，仅作为量化交易这门技术的学习交流，不代表投资建议
• 投资有风险，入市需谨慎

策略概述

*红利策略也叫高股息策略

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平台：

https://bigquant.com/data/home

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

新版表达式算子：

https://bigquant.com/wiki/doc/dai-sql-Rceb2JQBdS

新版因子平台：

因为我是科技相关从业人员，不太懂股票，比较了解的就是纳指

https://bigquant.com/codesharev3/ed12c9ad-408c-462f-add0-aa833e6660c8

\

https://bigquant.com/codesharev3/09654761-4d0b-4393-9e01-7f8e1123ef78

\

/wiki/static/upload/8e/8e97415d-7da8-4842-9c1b-5410a41e5136.pdf

\

策略介绍

小市值策略是一种经典的量化投资策略，旨在通过筛选市值较小的股票，并根据市值对股票进行排序，选取市值最小的一部分股票进行投资。这种策略基于小市值股票在某些市场条件下可能具有较高的增长潜力和投资回报率。

策略背景

小市值策略的理论基础可以追溯到Fama-French三因素模型。该模型指出，除了市场风险外，股票的收益还与市值和账面市值比有关。具体来说，小市值股票通常具有更高的预期回报，因为小市值公司相对于大市值公司在市场上更容易被低估，从而在未来具有更大的增长潜力。此外，小市值公司通常具有较高的灵活性和创新能力，能够迅速适应市场变化和抓住新的商业机会，这进一步增强了其投

https://bigquant.com/codeshare/8248b881-b99d-4a82-a6f1-6bd55ecadf0c

\

策略介绍

在量化投资领域，小市值股票和动量因子是两个广泛应用的选股指标。小市值股票因其相对较小的市值，更容易受到市场情绪和资金流入的影响，从而表现出高收益特性。而动量因子则反映了股票价格在一段时间内的趋势，具有延续性的特点。本文结合这两个因子，构建一个针对全A股市场的量化策略，旨在通过选择具有高动量的小市值股票来实现最大化的年化收益率。

策略背景

小市值股票和动量因子在量化投资中具有重要地位。小市值股票通常具备高成长潜力，能在短期内带来显著收益。动量因子则是基于“强者恒强，弱者恒弱”的市场动量效应，追踪价格上涨或下跌的趋势。结合这两个因子可以捕捉市场中的高收益机会。小市值股

策略介绍

全A股市场的量化投资策略在近年来受到越来越多投资者的关注。此次我们介绍的策略主要依赖小市值因子和动量因子进行股票选择，以期在不进行风险控制的情况下最大化年化收益率。小市值因子（Small Size Factor）和动量因子（Momentum Factor）是量化投资中常用的两个因子。

小市值因子基于“规模效应假说”，认为小市值股票往往具有更高的收益潜力，因为它们的增长空间较大且往往被市场低估。动量因子则基于“惯性效应假说”，认为过去表现好的股票在未来一段时间内仍有可能继续表现优异。这两个因子的结合可以在一定程度上兼顾成长性与市场趋势，形成一个较为稳健的投资组合。

然而，这

策略介绍

量化投资领域中，因子模型是非常重要的一类策略。因子投资策略通过提取市场中的某些特征（如价值、动量、规模等），并以此来构建投资组合。本文介绍的策略主要采用了小市值因子和动量因子，目的是在全A股市场中最大化年化收益率。

小市值因子（Size Factor）指的是选取市值较小的股票进行投资。根据“规模效应”理论，市值较小的股票往往能够获得较高的收益率。动量因子（Momentum Factor）则是选取价格上升趋势明显的股票进行投资。动量策略的理论基础是“惯性效应”，即股票价格在一段时间内的走势会继续保持。

这两个因子的结合可以捕捉到市场中的不同特征，从而提高策略的收益。需要注意

策略介绍

量化投资策略通过数学和统计方法，从历史数据中提取出有用的信息，指导投资决策。今天我们要介绍的是一个基于小市值因子和动量因子的全A股量化策略。该策略通过选择市值较小且动量较高的股票，力图在不进行额外风险控制的情况下，实现高年化收益。

小市值因子，即市值较小的股票往往具有较高的预期收益，这是因为小市值股票通常具有较高的成长性，但也伴随着较高的风险。动量因子，是指股票的价格具有惯性，即过去表现好的股票在未来一段时间内仍然可能表现较好。在实际操作中，动量因子常通过一定期间内的价格变化率来衡量。

该策略的优点在于通过组合小市值因子和动量因子，能够捕捉到市场中的高成长

这篇文章的主要目的是介绍有效前沿这个理论工具和分析框架。我们由均值方差分析展开，逐步推演到有效前沿。然后，我们又说到有效前沿在投资或者量化中的应用场景，最后我们也总结了有效前沿的一些问题，尤其是敏感性问题。在教程中，特意加入了一些实验代码，可以让大家在阅读的过程中有更好的理解。

有效前沿

说到有效前沿（有些叫效率边界），就要提到马科维茨的投资组合理论了。

首先介绍下它的三大假设：

• 单一投资期，比如一年
• 流动性很高，无交易成本
• 投资者的选择基于最优均值方差

于是，我们可以开始推导有效前沿，在这之前，我们先约定一些数学符号：

• rf：无风险利率
• μ：风险

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

下列代码在读取数据时，使用最新dai.query接口即可。

数据读取

\

策略案例

[https://bigquant.com/codesharev2/5509a634-c207-4eaf-a6f2-a73d15fada39](https://bigqua

\

PLUS简介

欢迎来到BigQuant PLUS专区，专注于量化投资的学习、交流、成长。我们的会员来自全球各地，包括投资组合经理、数据科学家、金融分析师和程序员等多个领域的专业人士。作为会员，您可以享受全站优质文章、在线课程、量化研报、专属研讨会等9大权益，更好地帮助您进行量化投资。同时，我们提供交流活动和社区论坛等多种形式的学习和交流机会，帮助会员不断提升自己的投资能力。作为BigQuant PLUS会员，您将能够与同行交流、分享经验和探讨最新的市场趋势，从而更好地实现自己的投资目标。

9大会员权益

专业量化培训：系统专业的量化教学，提高职业发展晋升

• AI量化

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

来源：SSRN 作者：Sophie Emerson, Ruairi Kennedy, Luke O’Shea, and John O’Brien

机器学习是人工智能的一个子领域，它使用统计技术为计算机模型提供从数据集学习的能力，允许模型在没有显示编程的情况下执行特定任务。近年来，机器学习技术激增，人们对其在金融领域的应用也越来越感兴趣。在投资管理中，已被应用于新闻的情绪分析、趋势分析、投资组合优化、风险建模等。那么，机器学习在量化投资中有哪些潜在应用呢？

1.常见的机器学习算法

机器学习算法主要有三种：监督学习、无监督学习和强化学习。监督学习是在已知输入和输出的情况下训练出一个模型，将

导语

1989年发表的论文《The Fundamental Law of Active Management》及其随后的相关论文揭示了寻求主动投资的alpha收益的数量化关系，这为主动组合投资管理带来一套令人信服的分析框架，这个数量化关系很好揭示了数量化技术(量化投资)可以如何或者应该如何切入投资管理领域。

和被动组合管理(passive porfolio management)相比,主动组合管理(active porfolio management)更显投资水平的能力，或者说运气。被动投资力求完全复制相应的基准成分股及其权重，所以每当某指数做成分股的调整时，新入选的股票

导语

近年来，国内量化投资迎来了发展的黄金期，但涉及机器学习的量化投资还比较少。机器学习领域的大神Andrew Ng(吴恩达)老师曾经说过机器学习很大程度上就是特征工程，因此本文主要介绍下特征工程在量化投资领域的应用。

特征工程是什么？

有这么一句话在业界广泛流传： 数据和特征决定了机器学习的上限。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。简单理解为：特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。

**特征工程在量化投资领域有非常适宜的土壤，

简单来讲，量化投资就是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。

量化交易 是指借助现代统计学和数学的方法，利用[计算机技术来进行交易的证券投资方式。量化交易从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可以持续的、稳定且高于平均收益的超额回报。

量化投资模型只是一种工具、一种方法、一种手段，能实现成熟而有效的投资理念，需要不断根据投资理念的变化、市场状况的变化而进行修正、改善和优化，换而言之，有效的模型建立在适应市场环境的有效

人工智能（AI）技术得到了飞速发展，其在各个领域的运用也不断取得成果。机器学习被评为人工智能中最能体现人类智慧的技术，因此开发AI量化策略可以理解为将机器学习应用在量化投资领域。

理解机器学习算法

机器学习算法太多，本文讨论只针对适用于金融数据预测的常用有监督型机器学习（Supervised Machine Learning）算法：StockRanker。假设我们要去预测某个连续变量$ Y$未来的取值,并找到了影响变量$ Y$取值的$K$ 个变量，这些变量也称为特征变量（Feature Variable）。机器学习 即是要找到一个拟合函数$f(X_1,X_2,\ldots,X_K|

本期提问者：bq22fw19、bq61ym2n、1855680***、bqhz06vb

因子挖掘

如何利用市场信息？

利用市场信息进行量化投资主要涉及以下步骤：

1. 数据收集：首先，需要收集和整理市场数据，包括股票价格、交易量、基本面数据、新闻、宏观经济数据等。这些信息可以从各种数据供应商或公开数据源获取。
2. 数据预处理：对收集到的数据进行清洗和预处理，处理缺失值、异常值、重复值等，保证数据的准确性和完整性。
3. 特征工程：根据投资策略和模型需求，进行特征工程，提取有价值的特征和信号。
4. 模型构建：选择合适的模型（如回归模型、机器学习模型、深度学习模型

视频讲解

查看视频

策略源码

https://bigquant.com/codeshare/44ce0baf-6d4c-4f9c-9b7b-90ea4b12ab19

\

视频讲解

点此查看视频

策略源码

https://bigquant.com/codeshare/769aba37-1960-4fc6-bedc-1d7a8a4dee0a

\