量化择时策略是一种基于数学和统计模型来确定股票、债券、商品等资产的买入和卖出时机的投资策略。这种策略的核心是通过分析历史数据和市场指标来预测资产价格的未来走势。

概念

量化择时策略通常依赖于各种数学模型和市场指标来识别市场趋势和转折点。这些策略试图利用市场的波动性来实现超额回报。

指标公式

量化择时策略可能使用各种指标，包括但不限于：

1. 移动平均线（Moving

导语

之前在社区分享过一个初版的强化学习策略，之后我们在那个基础上做了一些调整和优化，本文主要是关于新版策略的一些介绍和结果分析。

与初版策略的区别

新版策略与初版的主要区别在于state的定义不同。初版用当天的OHLCV和7个常用因子数据作为一条state。新版设置了一个window_size参数，从当天向前取window_size天的收盘价数据作为一个block，之后对block中的数据依次计算1/e^(-(block[i+1]-block[i]))，得到一条state数据，具体如下图所示： ![](/wiki/api/attachments.redirect

导语

《Machine Learning for Stock Price Forecasting》是Ali El-Shayeb撰写的机器学习系列文章 ，本文主要介绍其第二部分内容——《监督式机器学习算法的应用》，并将其思想和代码应用在中国股票市场，开发出具有择时功能的监督式机器学习算法，最后进行策略回测。对此感兴趣的小伙伴可以直接在本文文末克隆策略源代码，进行深入和扩展研究。

《监督式机器学习算法的应用》

Ali El-Shayeb通过价格和成交量相关的9个特征训练模型，特征列表和数据来源见下图。

![](/community/uploads/default/origin

看到好多策略的择时是根据大盘的5日下跌来的，有时候想参考其他的，比如上证是否站上5日线，是否大盘均线交叉等等，由于摸索起来有点困难，希望有大神指导一下，怎么在回测时增加上面的处理，感谢！！！

摘要

资产配置的本质是资产选择以及市场择时

资产配置就是在给定的预期收益条件下，期望组合风险最小；在给定期望组合风险条件下，期望投资收益最大。实现其目标主要包括资产选择和权重配置两部分。

隐马尔可夫模型的本质是对复杂数据进行降维，学习低维隐藏状态的转移进行预测

隐马尔可夫模型将每一个可观测值的产生对应着市场状态的变化，通过观测序列得知对于目前市场状态建模，进而帮助择时判断。市场状态是隐藏状态不可观测的，其通过可观测变量来进行推断。模型本质上是将市场观测状态用隐藏状态进行降维，之后再对低维的隐藏状态空间拟合状态转移，根据状态转移概率对未来市场状态形成预测。

研报：

{{membership}}

LLT低延迟趋势线择时交易模型研究

https://bigquant.com/codeshare/38ef8568-518b-4756-98f0-8dd8722d01e5

LLT低延迟趋势线择时交易

[https://bigquant.com/codeshare/942d320a-c17f-4061-9e56-d24e3a0ac472](https://bigquant.com/

摘要

传统移动平均线(MA)的缺点

移动平均线(MA)是技术分析中常用的一类趋势跟踪指标，其可以在 一定程度上刻画股票价格或指数的变动方向。MA 的计算天数越多，平滑 性越好，但时滞带来的延迟影响也越严重。因此，在使用 MA 指标进行趋 势跟踪时，容易出现“跟不紧”甚至“跟不上”的情况。平滑性和延迟性 在 MA 指标中成为了不可避免的矛盾，这就促使我们去寻找化解这一矛盾 的工具和方法。

低延迟趋势线(LLT)的构造

与 MA 类似的均线指标还有 EMA，其本质是在计算中对靠近计算日的 价格赋予更大的权重。EMA 指标的计算方式在信号处理理论中恰好对应着 一类一阶低

222

\

对Note-6.2 A3C与HS300指数择时 代码简述

使用asynchronous advantage actor-critic 框架优化两个神经网络近似函数，训练一

摘要

Fergis et al. (2019) 提出防御性因子择时，使用三个维度的择时指标，有效降低因子投资组合在极端市场环境下的风险。

引言

因子择时（factor timing）是进行因子投资的人绕不过的课题，但如何择时才能在样本外取得更好的效果尚无定论。然而，这丝毫不影响人们对因子择时的热情，无论是学术界还是业界都对它进行了大量的实证研究。究其原因，只因择时成功能带来的收益太诱人。

在 2017 年 Jacobs Levy Center 的年会上，来自 State Street Global Advisors 的 Jennifer Bender 做了题

隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。

马尔可夫过程（马尔可夫链），因安德烈·马尔可夫（A.A.Markov，1856－1922）得名，是指数学中具有马尔可夫性质的离散事件随机过程。在给定当前知识或信息的情况下，过去（即当前以前的历史状态）对于预测将来（即当前以后的未来状态）是无关的。该过程中，每个状态的转移只依赖于之前的n个状态，并认为n影响转移状态的数目。最简单的马尔科夫过程就是一阶过程，每一个状态的转移只依赖于其之前的那一个状态。

隐式马尔可夫模型被认为是一个马尔可夫过程与未观测到的（隐藏的）

择时，英语里叫做Market Timing。顾名思义，择时的意思就是选择买入股票和卖出股票的时机，并试图从中获利。

每个投资者都喜欢择时而动，因为我们每个人都有自己的观点。我们每天阅读报纸，杂志和互联网上大量的财经新闻，同时我们也从彭博社和财经频道观看各种关于经济形势的辩论。将自己看到的听到的综合起来，形成自己的观点并在此基础上进行买卖，是一件很有趣的事。

除此之外，我们对择时交易的偏好还有行为学上的原因。比如说人类天生喜欢赌博。大量研究表明，在冒了风险之后获得胜利的感觉，给人以相当的快感。这也是为什么如果控制不当，赌博可能会上瘾的原因。从这个意义上说，预测美元兑日圆的汇率，或者A股指数涨

本篇名字叫得比较高大上，其实就是和大家讨论交流一种逻辑简单明了且贴近“实战”的择时模型。

我们知道，所有的指数的构建过程大体都是这样的：通过某种规则从某一初始股票池中选出一定数量的股票，然后通过某种加权平均的方式构建出最后的指数，再按照事先设定好的调整周期来调整成分股。从数学的角度把上面的过程抽象一下，定义上面的选股规则为Rule，定义初始的股票池为sPool=(Stock_1,Stock_2,…,Stock_M),定义某种加权平均算法即其他细节处理（分级靠档技术和缓冲区技术等等）为f，则某一指数Index可以表征为：

Index = f( Rule(sPool) ) = f( Rule(

投资要点

量化择时交易证券

机器学习量化交易策略的制定，是通过从海量历史数据中，利用计算机强大的处理能力，挖掘并分析出那些能够为投资者带来收益的各种大概率可行的投资方式来实现的。通过数学模型对这些策略进行分析并加以验证，以期望让投资者获得更高更稳定的收益，或更合理地规避风险。

逻辑回归模型主要用来解决二分类问题，计算效率高，鲁棒性较优

预测股票涨跌趋势本质上是一个二分类问题。逻辑回归作为处理二分类问题常见的分类方法，既能提供类概率估计又能提高预测精度。逻辑回归可以处理大量的数据，并且受到多重共线性的影响相对较小。它不仅能预测出类别，而且可以得到近似概率预测

择时，是最令人神往的投资能力之一。这是因为，如果我们有这么一股神奇的力量，能够在股市低点买入，高点卖出，那么从股市中赚钱，似乎是一件很容易的事。

这也是为什么，择时，是很多投资者最热衷讨论的话题之一。关于这个话题，笔者和美国宾夕法尼亚州立大学的黄京志教授，进行了一番非常有趣的对话。基于黄教授的研究论文，我们主要讨论了债券基金经理的投资方法，以及他们的择时能力。

![](/community/uploads/default/original/3X/f/d/fd11f7316f44f3f951aa413d5d3

摘要

量化择时交易策略

机器学习量化交易策略的制定，是通过从海量历史数据中，利用计算机强大的处理能力，挖掘并分析出那些能够为投资者带来收益的各种大概率可行的投资方式来实现的。通过数学模型对这些策略进行分析并加以验证，以期望让投资者获得更高更稳定的收益，或更合理地规避风险。

长短期记忆模型具有明显优势

长短期记忆模型通过记忆单元有效地学习长期依赖关系，在金融市场预测中具有明显优势长短期记忆网络是人工神经网络的一种，具有负责计算时间序列中各个观测值之间依赖性的能力，同时具有快速适应趋势中急剧变化的固有能力。所以，长短期记忆模型可以在波动的时间序列中很好地工作。在处理股

摘要

本文主要考察宏观经济指标、利率、股市概况以及技术指标，对市场未来一周走势的预判效果。一方面，从市场本身来看，当刻画股市的某些指标出现极端情况时，后续市场走向具有一定的可循规律。另一方面，基于各个指标可对市场收益率构建预测模型，通过比较预测收益率与特定阈值的大小，也能对市场走向进行辅助判定。

如下情形发生时，应警惕市场下跌风险。上涨时沪股通净流入极大（指标在最近1年的分位点大于90%），下跌时风险溢价极低（指标在最近1年的分位点小于10%），下跌时波动率极高，三者出现其一时下一周市场下跌概率大。

如下情形发生时，下一周市场上涨概率大。从资金流来看，上涨时资金流入指标极大或增幅极

摘要

本报告通过建立随机森林模型，从宏观指标和市场数据中提取信息，识别市场的上涨和下跌模式

采用预测模型进行沪深300指数择时，样本外的年化收益率为16.6%

采用预测模型进行行业轮动研究，样本外的超额年化收益率为8.2%

正文

/wiki/static/upload/90/90124080-52bc-4cd4-9eb4-af97e9a6f224.pdf

\

回顾

交易性择时系列报告

系列之十三《基于条件随机场的周频择时策略》 2018-04-03 系列之十二《虚拟遗憾最小化应用于量化择时与交易》 2017-07-06 系列之十一《广发TD线：在趋势中把握波段》 2017-07-03 系列之十《广发TD幅度膨胀指标：在动量中寻找突破》 2017-04-20 系列之九《利用均线间距变化提前预判趋势》 2017-03-14 系列之八《指数高阶矩择时策略》 2015-05-20 系列之七《基于加权傅里叶变换的长期趋势预测》 2014-08-28 系列之六《探寻抛物线逼近下的创业板拐点》 2014-07-11 系列之五《从希尔伯特变换到波浪理论择

摘要

量化择时交易策略

深度学习量化交易策略是从海量历史数据中利用统计原理通过数据挖掘和逻辑验证的方式发掘出超额收益来源。相比于传统的线性模型，深度学习模型的表示能力更强，能够学习的特征更多。本文以卷积神经网络为例，介绍深度学习模型在量化择时模型中的应用。

卷积神经网络感受野更宽，非线性表达能力更强，在收益率分类的场景下表现突出

卷积神经网络是一种常用的机器学习模型，相比于传统的全连接神经网络，卷积神经网络通过卷积层和池化层的结构,使得输出的感受野更宽，同时卷积核的权值是共享的，从而有效减少参数数量,卷积神经网络通过卷积层、池化层、全连接层不同块的组合结构设计，使

摘要

报告摘要：条件随机场模型及股市择时思路自1988年，西蒙斯成立了大奖章基金并在多次股灾中取得稳定的收益后，纯技术量化型的投资策略开始受到投资者的广泛关注，而机器学习正是这种技术量化型策略的中坚力量。目前使用较为成熟的模型之一是隐马尔可夫模型HMM，其与条件随机场是一对“生成判别对”。相比起HMM，条件随机场具有更加灵活等优点。事实上，条件随机场（Conditional Random Field，CRF）是描述给定一组输入随机变量条件下另一组输出变量的条件概率分布的模型。基于条件随机场，我们可以建立观测指标值和走势状态及走势状态与走势状态之间复杂的函数依赖关系，从而，当给定新的观测

原标题：量化私募行为的蛛丝马迹：龙虎榜营业部的新视角 | 开源金工

分析师：开源证券金融工程首席分析师 魏建榕

开源证券金融工程分析师 高鹏（本报告联系人）

发表时间：2021年10月30日

摘要

如何识别量化私募的关联营业部？ 在市场交易的黑暗森林中，量化私募的行为终究难觅踪迹。我们尝试从龙虎榜营业部的视角出发，探寻量化私募行为的蛛丝马迹。

量化私募频繁现身中小票前十大流通股东。我们选取了4家具有代表性的头部量化私募作为考察对象。2018年Q4以来，4家私募进入前十大流通股东分别397、134、98、21次。股票风格上，4家量化私募进入前十大流通股东的股票市值相对较低，行业

研报摘要

近年来，对量化多因子模型的研究主要集中在因子加权、正交和择时这三个方面。流行的方法大体有以下两种，一是以因子为核心建模，二是基于收益率和因子之间的Fama-MacBeth回归。本文首先证明了，在一定的条件下，两者之间的等价性。随后，在这个基础上，得到了有关因子正交和择时的重要性质

最大化复合因子IC加权法等价于Fama-MacBeth回归

若收益率和因子都为原始值的z-score，则最大化复合因子IC加权法等价于Fama-MacBeth回归。在z-score的假设下，最大化复合因子IC加权法完全可以用更加简洁，且更便于程序编写和运算的回归模型代替

在原始的F