/wiki/static/upload/9c/9c9aae78-6ba7-4ae8-ab50-d7aaf94bed2a.pdf

\

旧版声明

本文为旧版实现，仅供学习参考。

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

\

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

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

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

\

旧版声明

本文为旧版实现，仅供学习参考。

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

\

问题

风控和择时：情绪周期如何用于追涨策略

视频

[https://www.bilibili.com/video/BV1ui4y1m7Nx?spm%5Fid%5Ffrom=333.999.0.0](https://www.bilibili

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

请参考新版的大盘择时

机器学习+择时+跟踪止损+技术分析

策略案例

https://bigquant.com/experimentshare/a5ed3eddf32f4e4dad4811a1acc257f0

\

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

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

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

研究结论

本文主要研究了影响反转因子的表现的因素，包括市场状态和宏观因素，从结果上来看，MKTILLIQ（市场资金敏感性）、MKTTO（市场换手率）、MKTVOL（市场波动率）和BAS（Bid-Ask Spread）这4个市场状态指标能够显著的预测下个月反转因子多空组合的表现。综合来看，这4个指标越低的时候，反转因子表现越差。

我们通过逐步回归的方法在中证全指、中证500和沪深300这3个样本空间中进行拟合，得到了我们对于反转因子多空组合月收益的预测模型，预测模型的Adjusted R-square均在20%左右，预测效果明显。

我们通过过去5年历史数据构建动态调整的预测模

摘要

作为“猎金系列二十一”，我们研究雪球网负面情绪指标在择时方面的效用。研究的时间窗为2014年1月至2018年2月底，期间雪球网共计有万左右的帖子，涵盖425万用户的行为。通过机器学习的方式对帖子进行情绪判断，进一步构建周度情绪择时因子，并用该因子对主流指数进行择时，效果显著。构建相应指数的周度负面情绪比因子，观察当前负面情绪比因子与过去一年历史三分位数的位置关系，如果当前负面情绪比因子下穿历史上三分位点或者下三分位点（分别对应两种策略），那么满仓操作，否则空仓操作。

对上证50指数、中证100指数、沪深300指数、中证500指数、中证800指数、国证1000指数分别进行择时，时

摘要

自2017年以来，多因子模型中常用的选股因子皆出现了不同程度的波动。因此，因子收益的预测就变得至关重要。系列前期专题报告《选股因子系列研究(二十)——基于条件期望的因子择时模型》就对于常见选股因子收益的预测进行了初步讨论。 专题报告《选股因子系列研究(三十)——因子择时模型改进与择时指标库构建》对于因子择时模型进行了改进并对于择时变量库的构建进行了讨论。本文将重点讨论择时变量的筛选以及择时模型的相关扩展应用。

可使用套索回归进行择时变量筛选以及因子收益预测。在2016年12月30日至年12月29日间，因子择时模型收益为12.3%，基准组合收益为-20.9%。在2008年12月3

摘要

自2017年以来，多因子模型中常用的选股因子皆出现了不同程度的波动。因此，因子收益的预测就变得至关重要。

系列前期专题报告《选股因子系列研究(二十)——基于条件期望的因子择时模型》就对于常见选股因子收益的预测进行了初步讨论。模型样本外跟踪至2017年11月底依旧具有较好的表现。

结合模型实际跟踪经验与投资者交流反馈，本报告旨在对于因子择时模型进行改进与简化，希望得到一个易于理解、易于操作同时具有较强扩展性的因子择时模型。

由于需要讨论的内容较多，故而相关内容会在本文与《选股因子系列研究(三十一)——因子择时指标的选择》两篇报告中进行详细讨论。

条件期望因子择时模型2017