无监督学习方法简介
本篇报告将进行无监督学习方法的介绍。无监督学习方法包括分布估计、因子分析、主成分分析、聚类分析、关联规则和Google PageRank算法等,本文主要就常用方法分成两类:聚类和降维进行介绍
降维方法的应用
实践中,将降维思想运用得炉火纯青的是Barra风险模型。个股和个券都有几十、上百个指标可以辅助分析其收益风险特征,通过降维的方式,Barra提取出若干具有代表性的风险因子,找出了资产背后共同驱动因素,使用这些风险因子即可方便的进行绩效归因、组合风险控制等。降维的具体方法包括因子分析和主成分分析等。本文通过因子分析和主成分分析两种方法,
更新时间:2022-08-31 01:52
\
更新时间:2022-08-31 01:47
\
更新时间:2022-08-25 02:56
\
更新时间:2022-08-25 02:16
更新时间:2022-05-31 08:45
更新时间:2022-04-11 11:00
单因子分析是量化投资中重要的一步,是对因子进行有效性、单调性相关的检验。因子通过一系列检验后才有机会进入因子池并据此构建量化策略进行投资。单因子分析一般分三步:因子构建、因子处理、因子分析,本文将基于平台对上述步骤进行详细讲解。
投资者根据已有的经验来构建因子,比如传统的量价因子和财务因子。本文将构建一个动量因子进行分析,具体公式如下:
factor = ( close_0 / mean( close_0, 44 )) - 1
该因子的意思是比较过去44日的股价均值和当期的股价,如果该值越大,则说
更新时间:2022-03-30 08:13
\
更新时间:2022-02-25 06:08
更新时间:2022-02-21 11:25
更新时间:2022-02-21 09:48
更新时间:2022-01-17 14:35
本文通过StockRanker算法在单因子上进行了批量回测试验,尝试在沪深300样本股范围内中寻找具有获取超额收益潜力的因子,以实现较好的的相对收益。结果表明,通过批量测试能够快速因子筛选,同时指导新策略的开发。
背景介绍:因子分析是对冲基金常用工具之一,用来分析研究收益率均值和因子暴露在截面上的关系。对冲基金通常从规模、技术反转、流动性、波动性、财务等维度中寻找能够产生正向收益的因子或其组合来进行股票并进行组合投资以获取超额收益。传统的多因子模型通常采用线性模型,研究周期尺度通常为月。
2017年是市场风格转变的一年,以往的小市值因子突然失效,很多依靠市值因子进行投资组合配
更新时间:2021-12-29 06:39
更新时间:2021-11-15 01:32
更新时间:2021-07-30 07:25
更新时间:2021-07-30 07:25
更新时间:2021-07-30 07:25
更新时间:2021-07-30 07:25
更新时间:2021-07-30 07:25
此为0527Meetup直播策略讲解,视频详见2021-AI量化Meetup导览
https://bigquant.com/experimentshare/edab29d0ffad4e039a9c1f5fed1fa870
\
更新时间:2021-07-30 07:25
更新时间:2021-04-21 03:33
更新时间:2021-04-20 06:13