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

【此文档为旧版策略】具体可参考新版文档：

https://bigquant.com/wiki/doc/103-ai-LpsqDhu8mG

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

问题

基于大数据的产业周期逻辑

视频

https://www.bilibili.com/video/BV1xg411B7yp/?spm_id_from=333.999.0.0

课件

\

问题

如何开发带有反馈系统的策略？

解答

比如今天买明天卖的策略，根据股票每天的收益情况，反馈给策略，进行参数调整，这样就可以让策略每天都是新鲜的，并且是真正贴合市场的活的策略。

模型动态更新

深度强化学习

基于深度强化学习的股票交易

[1] Deep Reinforcem

7月16日Meetup模板案例:

策略案例

https://bigquant.com/experimentshare/0aae2066f74e475ba198a6f79757c03f

\

【旧版使用说明】此文档为旧版本，相关文档可参考：

https://bigquant.com/wiki/doc/126-KkS3pYVIAH

20210624 Meetup 策略案例

https://bigquant.com/experimentshare/f235e9ce26dc42b9ae9fb57ca6574bf1

\

策略案例

https://bigquant.com/experimentshare/fe8ec83484ca44148602d39a58545d75

\

在这个数据驱动的时代，量化交易不仅是金融领域的革命，更是智慧投资的未来。

通过精确的数学模型和强大的算法，洞察市场动态，捕捉那些传统交易方法难以觉察的盈利机会。

量化交易赚钱的核心包括以下要点：

1 市场分析与策略开发

量化交易的核心在于市场分析和策略开发。这包括使用历史数据来测试和验证交易策略的有效性。

例如，通过回溯测试（backtesting），交易员可以评估一个策略在过去市场条件下的表现。

这种方

量化选股是一种基于数学和统计方法的股票投资策略，它使用复杂的数学模型和算法来分析和选择股票。这种方法强调数据驱动和系统化的决策过程，与传统基于主观判断和基本面分析的选股方法相对。通过BigQuant的量化策略开发中心（PC端）可以自主开发量化策略挑选个人投资偏好的策略。

概念

量化选股的核心是利用历史数据和统计分析来预测股票未来的表

量化交易利用数学和统计学方法来分析市场并执行交易的过程，是现代金融的一个重要组成部分。量化模型的目的是通过算法自动识别并利用市场中的规律和机会，用以获取更多收益。

量化交易模型的一般由以下几个部分组成：

1 数据处理模型: 量化交易的基石是数据。这包括了从历史价格、成交量到公司财报、宏观经济指标等各类数据。对这些数据的收集、清洗和处理是构建有效模型的首要步骤。**[BigQuant策略编写平台](http

基本面量化策略是一种结合了基本面分析和量化分析方法的投资策略。通过对公司的财务报表、行业数据、宏观经济指标等基本面信息的量化分析，来识别被低估或高估的股票。这种策略通常涉及以下几个方面：

基本概念

1. **数据驱动的基本面深度分析：**基本面量化策略巧妙地结合统计方法与计算机算法，对公司盈利能力、财务稳健性、增长潜力等传统基本面指标进行精准分析，为投资者提供全面深入的企业价值洞察。
2. **

这是旧版的例子, 只能在2.0.0的Aistudio中运行

策略案例

https://bigquant.com/experimentshare/54fe864132a7447894540d70cd2e36e5

\

旧版声明

本文为旧版实现，仅供学习参考。

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

\

策略案例

https://bigquant.com/experimentshare/421fbaa682a04d6bacf4d2f1f47b54c6

\

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。

文章概览：

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

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

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

求一个范例，谢谢

最好更细粒度的， 比如分钟级别。

好像没找到。 求例子。

222

Learning the Dynamics of Technical Trading Strategies

作者：Murphy N. J., Gebbie T. J.

出处：Quantitative Finance, 2021-03

摘要

本文使用了一种基于对抗型专家的在线学习算法来学习，使财富最大化的零成本组合交易策略所需的最佳参数。该学习算法用于确定大量技术交易策略的动态，这些技术交易策略可以通过历史回测，并从约翰内斯堡证券交易所每日和日内数据执行的基础交易策略集合中形成一个聚合的投资组合交易策略。本文一个关键的贡献是：在每日取样和日内时间尺度上，使用一个新的假设检验来测

\

• • 点击新建对话，创建一个新对话

  
  
  

  
  
  • 点击输入框，开始与QuantChat交流

  
  

  
  • 您可以直接输入以下对话

  
  ![{w:100}](/wiki/api/attachments

\

用ChatGPT生成的ChatGPT教程

自我介绍

策略盈亏

在介绍自己之前，先看一下入坑一年写的一些策略吧，毕竟在这里策略的效果比名字有用。

![{w:60}](/wiki/api/attachments.redirect?id=6203646c-9158-4faa-b266-374923