更新时间:2024-05-17 06:27
本文内容已经过期,不再适合平台最新版本,请查看如下最新内容:
https://bigquant.com/wiki/doc/57ue5zci5lyy5yyw5qac6lw-LvaK2l8nla
[https://bigquant.com/experimentshare/a65ee754dc984929afffd7614437348c](https://bigquant.com/experimentshare/a65ee754dc9
更新时间:2024-05-16 06:35
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
更新时间:2024-05-15 09:34
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
更新时间:2024-05-15 07:51
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
更新时间:2024-05-15 06:34
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
更新时间:2024-05-15 06:34
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
更新时间:2024-05-15 06:01
\
更新时间:2024-05-15 02:10
本文14323字,阅读约28分钟
导语:本文旨在用精炼的语言阐述实操层面的机器学习量化应用方法,包括给出实践中一些常见、实际问题的处理方案,并结合了量化应用实例。读完后大家可以在本平台进行实践检验。
1.人工智能量化投资概述
2.人工智能技术简介
3.机器学习在量化投资中应用的具体方法解析
AI相对于传统量化投资的优势 传统的量化投资策略是通过建立各种数学模型,在各种金融数据中试图找出市场的规律并加以利用,力所能及的模式或许可以接近某一个局部的最优,而真正的全局“最优解”或许在我们的经验认知之外。如同不需要借助人类经验的Alpha Zero,不仅
更新时间:2023-11-26 16:58
像一些复杂的因子合成方法怎么实现呢,有没有相关的算子模块或者代码分享呢
更新时间:2023-10-09 07:09
消息在股票交易中有很大的影响力,如果没有对消息的处理会导致策略经常中雷,怎么办呢?
更新时间:2023-10-09 03:28
更新时间:2023-10-09 02:20
更新时间:2023-08-21 10:56
本文介绍了因子模型、对冲以及Bet的相关内容,并针对如何进行市场风险对冲给出了具体的案例。
因子模型是通过其他若干项资产回报的线性组合来解释一项资产回报的一种方式,因子模型的一般形式是:
这看起来很熟悉,因为它正是多元线性回归模型。
一项资产的$beta$是该资产收益率与其他资产收益率通过上述模型回归拟合的beta。比如,我们用回归模型 ![{w
更新时间:2023-07-17 09:46
转帖自 http://bbs.pinggu.org/thread-4446808-1-1.html7
更新时间:2023-06-14 03:02
本文主要取材于Kok U-Wen, Jason Ribando和Richard Sloan发表在Financial Analyst Journal上的文章"Facts about formulaic value investing"。由于篇幅长度分成两篇。
本篇的主题是价值因子的阿尔法来源于小市值成长股的过高估值。能否有效地做空小市值成长股是能否获取量化
更新时间:2023-06-14 03:02
本文主要取材于Kok U-Wen, Jason Ribando和Richard Sloan发表在Financial Analyst Journal上的文章"Facts about formulaic value investing"。由于篇幅长度分成两篇。
本篇的主题是简单的价值比率(如净市率)并不能有效地鉴别被市场错误估值的股票,事实上,它们常常筛选出
更新时间:2023-06-14 03:02
近50年前,Fama提出石破天惊的有效市场假说(EMH),市场有效这一理念随之深入人心。典型的资产定价模型(例如CAPM和Fama-French三因子模型)指出,一项资产或投资组合的收益由以下三个部分构成:
换言之,一项资产的收益,由系统性风险补偿,资产超额收益和随机残差项组成。无论从统计的角度,还是从金融逻辑的角度,随机残差部分都不包含任何有意义
更新时间:2023-06-14 03:02
\
更新时间:2023-06-14 03:02
两年前,因子动物园推送第一篇推文,正式同您认识。两年来,我们也一直在思考,因子与因子模型可以做些什么,以为我们提供更多的洞见。本文将结合近年的新研究,和我们的理解,对此进行探讨。
传统上,因子和因子模型都是以预测股票未来收益(和风险)为目的。无论从学术研究(资产定价)还是投资实践来看,这都是非常自然的事情。由此自然地构建起了一套以各种公司特征为基础的因子(定价因子和异象),以及包含不同因子的因子定价模型(往往只包含较少数量的因子,以保证模型的简约性)。关于这些经典问题,可以参考任意一本关于实证资产定价的书,以及我们 BetaPlus 小组的拙作——《因子投资:方法与实践》。
更新时间:2023-06-08 02:24
东方
20150626-东方证券-《因子选股系列研究之一》:多因子模型的基石——单因子有效性检验.pdf
20150909-东方证券-《因子选股系列研究之二》:低特质波动,高超额收益.pdf
20151207-东方证券-《因子选股系列研究之三》:投机、交易行为与股票收益(上).pdf
20151214-东方证券-《因子选股系列研究之四》:基于交易热度的指数增强.pdf
20160216-东方证券-《因子选股系列研究之五》:剔除行业、风格因素后的大类因子检验.pdf
20160512-东方证券-《因子选股系列研究之七》:投机、交易行为与股票收益(下).pdf
20160525-
更新时间:2023-06-02 14:33
见贤思齐焉。当我们在研究为什么有些基金表现优异的时候,我们总想知道这些目标基金到底在哪些因子上有所暴露,对目标基金因子暴露的研究有利于投 资者构建自己的投资组合。传统方法是根据公募基金的定期报告中的持仓数据来 计算基金在某些因子上的暴露度,但是由于定期报告发布时间存在较长滞后,这 种传统方法在实际使用中也存在较长时滞。我们尝试使用基金净值序列和因子收 益序列来反推基金在某因子上的暴露度走势。使用 LSTM 算法进行计算,经过一 系列测试,取得了一些初步成果。
对于基金在各因子上的暴露度迁移的研究,有利于我们对目标基金进行研究。 不管是对基金进行因子业绩归因还是波动率拆解,都需要
更新时间:2023-06-01 14:28
文献来源:Chow, Tzee-Man, Feifei Li, and Yoseop Shim. "Smart beta multifactor construction methodology: Mixing versus integrating." The Journal of Index Investing 8.4 (2018): 47-60.
推荐原因:我们的研究主要集中在一个实际问题上,这个问题在此之前关注度较低:市场参与者如何在权衡后选择采用不同方法构建的多因子投资组合作为投资工具。具体来说,我们研究和比较了两种不同的方法。第一种方法(以下称为整合法),是在
更新时间:2023-06-01 14:28
风险模型有三个功能:控制风险暴露、估计收益率协方差矩阵、绩效归因。不是所有功能都要用到风险因子,估计协方差矩阵可以采用纯统计方法,报告把这个领域最新学术成果和业界常用的因子模型在A股进行了实证对比。
由于股票数量多,收益率样本数量少,样本协方差矩阵的估计误差比较大,导致其矩阵条件数(最大特征值除以最小特征值)较高,输入组合优化器进行数值求解时会让结果对数据误差十分敏感。压缩估计方法即是去调整样本协方差矩阵的特征值,压缩其分布区间,同时降低估计误差。我们之前研究中一直采用线性压缩方法(LS),报告里新测试了Ledoit(2017)提出的非线性压缩估计(NLS)。
因
更新时间:2023-06-01 14:28
文献来源:Vyas, K., and Van Baren, M. 2021. Should equityfactors be betting on industries? The Journal of Portfolio Management 48(1),73–92.
推荐原因:资产管理公司越来越多地将非传统股票因子应用于选股。这些因子存在不同程度的行业暴露。部分选股因子会因行业暴露获取更高的超额收益,而有些则会降低收益。本文评估了价值、质量、动量、低波和规模等五大投资风格中的21个选股因子的行业配置效率。结果表明,同一投资风格的不同选股因子在行业配置上的回报表现出显著
更新时间:2023-06-01 14:28