选股:选股逻辑——选择前十大流通股东中包含社保基金的股票
打分:按照社保基金股东持股权重进行打分
仓位:根据打分和持股数量分配仓位
回测:设置调仓周期和买卖点等,回测查看效果
\
更新时间:2024-09-06 06:26
选股条件
动量指标选股
仓位设置
等权重
调仓规则
1-5个交易日
风险管理
无
回测设置
初始资金:500000
起始时间:2023-06-01
结束时间:2024-08-20
交易成本:买入万3,卖出千分之1.3,不足5元按5元收取
撮合价格:开盘价
\
绩效指标
总收益:16%
年化收益:13%
夏普比率:0.87
最大回撤:6%
结果分析
整个策略表现不错,年化收益远超银行理财产品,其中最大回撤为5%,主要是行业
更新时间:2024-09-02 11:02
选股:选择基础股票池
打分:对股票打分
仓位:根据打分和持股数量分配仓位
回测:设置调仓周期和买卖点等,回测查看效果
\
m1
选股,使用 A股-基础选股 模块,剔除创业板,科创板和北交所,下拉还可以按照申万行业、融资融券等基本条件进行筛选。更新时间:2024-08-22 02:39
选股:选择基础股票池
打分:对股票打分
仓位:根据打分和持股数量分配仓位
回测:设置调仓周期和买卖点等,回测查看效果
\
m1
选股,使用 A股-基础选股 模块,剔除创业板,科创板和北交所,下拉还可以按照申万行业、融资融券等基本条件进行筛选。更新时间:2024-08-22 02:36
本策略是104选股策略(🌟104-选股策略)模板的具体应用。
由于公司利润变化较大,而且依赖于会计准则、研发投入、设备更新投入等因素,难以正确反映公司的经营状况,而销售收入更加稳定,在不同的行业之中也有更好的可比性。在1984年。费雪提出了市收率因子(PS)选股方法,在费雪看来,低市收率公司存在被低估的可能。因为低市值和高销售收入都会导致这个指标的值比较小,而两者分别表示了市场还没有意识到股票的价值,以及企业的运营情况好于大家的预期情况,这一指标被广泛任务是选股的核心方
更新时间:2024-08-22 02:07
本策略是104选股策略(🌟104-选股策略)模板的具体应用。基本逻辑是股息率较高的公司能够持续支付较高的现金股息,这通常意味着这些公司拥有较为稳定和可预测的现金流。投资者通过持有这些股票,可以获得相对稳定的股息收入,这在市场不确定性较高时尤其有吸引力;此外,从价值投资角度来看,高股息率股票往往被视为被市场低估的价值股。价值投资者认为,这些股票的市场价格低于其内在价值,因此具有上升潜力。随着市场对这些股票估值的修正,除了股息收入外,投资者还可能获得资本增值;当然,股息率高可
更新时间:2024-08-22 02:05
m1
选股,使用 A股-基础选股 模块,剔除掉北交所以及ST的股票,下拉还可以按照申万行业、融资融券等基本条件进行筛选。![
更新时间:2024-08-22 02:01
策略逻辑:价格冲击偏差较小的股票表现较好,即前期容易下跌上涨困难的股票后期表现更佳,买入
\
请克隆策略,前往最新版本开发环境3.0中运行
{{membership}}
https://bigquant.com/codeshare/38959187-2110-4d94-9853-de5ab21e357d
\
更新时间:2024-08-01 16:13
行业轮动策略是一种量化交易策略,它依赖于在不同行业之间进行资金分配,以期捕捉市场趋势和行业表现的周期性变化。 从名字即可看出,经济周期导致任何市场状态下可能都会存在股市价格表现较好的行业,因此我们如果能布局这些行业并定期轮动调整,那会取得还不错的投资效果。
本策略是曾经在社区里的一个策略复现而来,策略链接为:
https://bigquant.com/wiki/doc/v10-uKB4qr0ITq
本文在之前的基础上有一些优化,从后文的回测结果上看出,优化后的版本效果更好,盈利水平更高。
更新时间:2024-08-01 09:28
\
更新时间:2024-07-16 03:19
中证红利指数(CSI Dividend Index)是由中证指数公司编制的,旨在反映中国A股市场中高股息率股票的整体表现。该指数选取了股息率较高的股票构成样本,具有较低的波动性和较高的分红收益率,是稳健投资者喜爱的标的。
本策略主要通过筛选中证红利指数中的股票,重点考虑股息率(Dividend Yield)和净资产收益率(Return on Equity,ROE)两个因子。股息率是衡量股票分红收益的一项指标,而ROE则反映了企业运用资本的效率。综合考虑这两个因子,可以筛选出既能提供高分红,又具有较好运营能力的股票,进而实现稳健的收益。
回撤控制和夏普率的提升是本策略的两个
更新时间:2024-06-25 11:14
更新时间:2024-06-18 06:29
多因子选股如何筛选有效因子
参考研报:
因子分析参考:
更新时间:2024-06-07 10:55
备注:本策略含有未开放的数据,故克隆之后无法运行。
{{membership}}
https://bigquant.com/codeshare/b6e80d6b-f5e0-4778-97cf-77fcadb7b488
\
更新时间:2024-06-07 10:55
在知识库/策略模板/Demos中的104选股策略项目中M4模块输出的结果只有显示前5行和后5行。 有什么方法可以输出完整的表格12910 rows × 5 columns
\n吗?
https://bigquant.com/codesharev2/92fa19f0-1722-492f-a08b-a634738ea5e0
更新时间:2024-05-28 16:20
Stockranker是专为选股量化而设计的机器学习算法,其选股思路是根据训练得到的模型,计算股票池中股票的当日评分,根据评分对股票池中的股票进行排序,排序靠前的股票就是当日选出的股票。
这种选股逻辑意味着不论股票的评分是多少,只要排序靠前就能被选中。实际上排序靠前股票的评分有不小差距。而评分反应的是股票的投资价值,评分高表明该股票的投资价值高,评分低表明该股票的投资价值低。因此排序算法仅能反应当天的相对投资价值,也就是矬子里面拔将军,不能反映股票的绝对投资价值。
而评分则不一样,他反应的是股票的绝对投资价值,也就是把股票的投资价值量化了。 本策略的逻辑就是根据评分来选股。
更新时间:2024-05-24 10:57
更新时间:2024-05-20 10:04
更新时间:2024-05-20 10:04
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:2024-05-20 07:17
本文为旧版实现,仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors
https://bigquant.com/wiki/doc/dai-PLSbc1SbZX
[ht
更新时间:2024-05-20 06:21
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:2024-05-20 02:15
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:2024-05-20 02:09
本文为旧版实现,供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
\
这是本系列专题研究的第五篇:基于长短期记忆网络LSTM的深度学习因子选股模型。LSTM作为改进的RNN(循环神经网络),是一种非常成熟的能够处理变化的序列数据的神
更新时间:2024-05-20 02:09
本文为旧版实现,仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
https://bigquant.com/experimentshare/72d5601550164505aad979f7265f8fec
\
更新时间:2024-05-20 00:50
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:2024-05-17 10:35