股票市场

因子分析完后，有多空组合，这个怎么套用来选股呢？

平安银行的股价是在是十几块呀，这里查询的一千多，帮忙看下原因？

下面是代码与查询结果，帮忙看下！

# 本代码由可视化策略环境自动生成 2022年4月28日 17:46
# 本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。


m1 = M.instruments.v2(
    start_date='2022-04-01',
    end_date='2022-04-28',
    market='CN_STOCK_A',
    instrument_list='000001.SZA',

问题

请教高手，如题，想对所有可转债对应正股进行处理，如何得到所有正股列表呢？

如何推八字

策略案例

https://bigquant.com/experimentshare/7f7021993a9f40149189be939e15c882

\

我准备交易宁德时代 和茅台 有没有大神 有合适的交易策略

问题

请问这个错误是什么原因

解答

筛选过后的classes_prob_0没有数据，则索引[0]找不到相关的数据

问题

如何以不复权或者前复权数据获取，用后复权我有一套指标价格完全不对了，导致没法使用

\

问题

bigquant如何获取A股市场的最近热门题材排名

问题

获取keras模型的weights和bias

解答

以帖子“LSTM Networks应用于股票市场之Functional Model”举例，它的模型是

lstm_input = Input(shape=(30, 6), name='lstm_input')
lstm_output = LSTM(128, activation=activation, dropout_W=0.2, dropout_U=0.1)(lstm_input)
aux_input = Input(shape=(1,), name='aux_input')
merged_dat

报告摘要

北交所聚焦中小创新企业，与沪深交易所功能互补

• 北交所以既有的新三板精选层为基础组建，未来将与创新层、基础层联动配合、协同发展，以激活市场活力，优化中小企业融资渠道。北交所设立后，股票市场形成北京、上海、深圳三地交易所功能互补、各具特色、各显优势的证券市场新格局。
• 北交所重点支持先进制造业和现代服务业等领域的企业，推动传统产业转型升级，培育经济发展新动能。北交所与科创板聚焦“硬科技”以及创业板“三创四新”的定位形成错位发展，共同为企业的融资、发展提供有力支持。

服务“专精特新”，畅通直接融资渠道

• 自2021年11月15日开市以来，北交所

策略案例

https://bigquant.com/experimentshare/6ac00fc386f74acb886b8168d7809b98

\

摘要

BigQuant平台上的StockRanker算法在选股方面有不俗的表现，模型在15、16年的回测收益率也很高(使用默认因子收益率就达到170%左右)。然而，StockRanker在股灾时期回撤很大(使用默认因子回撤55%)，因此需要择时模型，控制StockRanker在大盘走势不好时的仓位。 LSTM(长短期记忆神经网络)是一种善于处理和预测时间序列相关数据的RNN。

Pairs trading across Mainland China and Hong Kong stockmarkets

作者：Hanxiong Zhang, Andrew Urquhart

出处：International Journal of Finance and Economics, 2018-10

摘要

基于市场效率低下是由非理性需求和套利限制相结合而导致的，本文研究了1996年1月至2017年7月间，在中国内地和香港交易高流动性大盘股和中盘股的配对交易的盈利能力。作者有三个主要发现：

1. 限定在每个市场内的配对交易不会产生重大的异常收益。但是，如果投资者

摘要

原油价格年初以来波动较大，其涨跌对市场、行业和股票有何影响呢？本文将从量化的视角进行探讨。

原油价格对股票市场的影响。原油和股票市场的关系相对复杂。一般来说，在油价上涨的中前期，经济需求扩张，企业盈利增长，股市伴随油价上涨；当油价上涨步入中后期，一方面会导致企业生产成本增加，利润降低，另一方面会带来输入性通胀压力，导致央行采取紧缩性货币政策，股市往往下跌。格兰杰因果检验显示，原油收益率是股市收益率的格兰杰因。Wind全A与滞后5阶的布伦特原油收益率序列的相关系数为-0.29，负相关性十分明显。我们构建的单因子择时策略在Wind全A上取得了一定效果，多空年化收益率为20.50%，

\

数量化专题之一百二十二：基于CCK模型的股票市场羊群效应研究 国泰君安_20181128_

数量化专题之一百二十一：上市公司核心竞争力投资策略 国泰君安_20181128

[数量化专题之一百二十：基于日内交易特征的选股策略 国泰君安_

摘要

当前,各类型可转债估值处于历史高位

过去两年，在多重因素的推动下，转债市场迎来了蓬勃发展，转债市场估值也大幅上行，1月6号收盘后，市场上存续转债的最低价格为100.58元，2018年以来百元以下转债首次被“消灭”。

不同类型的转债适用不同的定价因素

在报告《可转债的多因子方法初探》中，我们把股票中的多因子方法应用于转债上，从正股与转债的视角提出了一系列表现较好的因子。不过，转债作为较为复杂的股票衍生品，简单的套用股票的多因子框架并不合理，不同类型的转债收益结构不同，也适用不同的定价因素，本文我们对各类型转债的定价因素进行了细化的探讨与拆解。

正文

摘要

文献来源：Park, Sangkyun. The P-E Ratio, the Business Cycle, and Timing the Stock Market. The Journal of Portfolio Management, forthcoming November 2021.

推荐原因：本文利用1871-2020年的月度股市数据，分析了市盈率与未来股票市场表现之间的关系，以及错误定价是否为股市择时提供了机会。研究发现，市盈率与已实现的股权溢价成反比；而与公允市盈率这一基本面指标成正比。这些发现表明，市盈率可能同时反映了被误导的市场情绪和理性的投资者预

文献来源：Noël Amenc, Mikheil Esakia, Felix Goltz and Ben Luyten. Macroeconomic Risks in Equity Factor Investing.The Journal of Portfolio Management, 2019: jpm. 2019.1. 092.

推荐原因：本文旨在探讨宏观经济的风险对因子收益的影响。作者提出了一套寻找代表宏观经济预期的状态变量的方法，并发现选取的变量对因子收益的影响是显著的，并能反应经济预期的变化。作者还发现选取相关性较低的因子在一些情况下也不能很好的对冲宏观风险，理解宏观风险的逻辑才

文章摘要

卖方研究在经济不景气时期更有价值吗？

由于不确定性在经济不景气时期处于高位，投资者发现评估公司前景的难度增加，因此应该更重视分析师的产出。然而，较高的不确定性使分析师的任务更加困难，因此分析师的研究成果在不景气时是否更有价值尚不清楚。通过实证我们发现，在经济不景气时期，分析师的修正会对股价产生更大的影响，每个单位的盈利预测误差会下降，而分析师的报告会更频繁和更充实。分析师的增量影响对估值难度较大的公司来说也更为显著。这些结论可用分析师敬业程度提升和投资者对分析师依赖程度增加来解释。

文献来源：Loh, R. K., & Stulz, R. M. (2018). I

摘要

文献来源：Y. Atilgan, T.G. Bali and K.O. Demirtas et al., “Left-tail momentum: Underreaction to bad news, costly arbitrage and equity returns”, Journal of Financial Economics, Volume 135, Issue 3, 2020.

推荐原因：本文探究了股票左尾风险（left-tail risk，股票收益率分布在左端肥尾，也就是说股票历史上经历过较大幅的日度亏损）与未来收益间的截面相关性。作者发现，股票左尾风险

正文

/wiki/static/upload/cd/cda40c0d-0289-4da4-807f-ada48abfc1e5.pdf

\

摘要

羊群效应反映的是个别股票的上涨或下跌引起相关股票收益率联动的现象，继而形成整个板块的趋势性运动。我们通过 CCK 模型捕捉羊群效应所引起的这种板块强趋势。 模型不涉及参数，因而表现受市场状态影响较小，更具普适性。策略着眼于指数成分股组合内部微观结构的变化，进一步丰富了择时策略的逻辑维度。

羊群效应发生时，板块成分股收益率出现同向联动，也即收益率相关性增强，离散程度减弱，这也正是羊群效应经典识别模型——CCK 模型的核心思想。 羊群效应的产生和市场、风格等多种因素有关，为了让模型捕捉到更多信息，我们将 A 股综合日市场回报率引入 CCK 模型。 对于宽基指数，羊群效应策略效果和市

摘要

股票市场的逐笔数据，蕴藏了极为丰富的alpha源。本系列研究取名“订单簿的温度”，旨在分享我们在逐笔成交数据层面的研究成果。本报告为系列研究的第2篇。

本篇报告中，我们首先定义了股票逐笔委托量中的帕累托法则：越小的委托量出现的次数越多，越大的委托量出现的次数越少，委托量的频率分布服从幂函数（power law）衰减。在此现象的基础上，我们构建了用于选股的帕累托因子。在剔除Barra因子之后，委买量帕累托因子、委卖量帕累托因子的信息比率，分别达到2.36、2.20。

正文

[/wiki/static/upload/ba/ba6df98e-8fe7-4cae-b627-a