20230529-招商证券-量化研究2023年中期投资策略：“持续异常交易量”选股因子PATV\n该篇研报将5分钟平均交易量与30分钟平均交易量的比值作为因子，并求出该因子的截面排名，之后将截面排名的平均、标准差、峰度，三个指标组合为非正常交易量因子

研报地址：https://www.doc88.com/p-51473299993125.html

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/e0898830-1298-4429-b222-1fee3d3884af](https://b

什么是BigTrader

BigTrader是宽邦科技推出的致力于为用户提供便捷、功能强大的交易引擎。

在量化研究的过程中，量化研究员（宽客）需要在历史数据里回放模拟，验证策略效果，这就是BigTrader交易引擎的应用场景。

主要功能： 量化策略编写、回测分析、仿真模拟和实盘交易。

支持品种： 股票、基金、期货、可转债、指数；未来会支持期权、债券、两融等。

交易频率： 日线、分钟、Tick、逐笔。

交易引擎的优势：

• 回测研究贴近真实 交易，最大程度保证回测的准确性
• 回测研究、模拟交易、实盘交易为同一套代码，无需做任务修改

面试题目说明

• 要求
  • 尽可能低的时间复杂度和空间复杂度
  • 代码逻辑清晰，变量命名合理，代码风格规范
• 点击如下题目的克隆策略按钮
• 完成代码
• 创建策略分享链接（策略开发界面右上角），发给面试官：分享策略 > 复制 分享链接
• 模版模版
  • 修改什么
  • 用什么因子？
  • 要求：

AI策略模版

\

传统策略模版

\

这篇文章叫做：The Nature of Price Returns During Periods of High Market Activity，具体介绍如下

![](/community/uploads/defa

![](/community

数据的重要性

巧妇难为无米之炊

数据是基础，是量化研究的一个关键环节，没有数据，量化就是无源之水，无根之木。所以，数据必须有。

垃圾进垃圾出

数据分析领域有一个名言，“Garbage in, Garbage out”，如果我们在模型里面，输入的数据有很多细节没有处理好，我们模型计算出来的结果，甚至有可能南辕北辙，模型的可信度大大降低。所以，数据要尽可能精确。

如何选择一个好的数据源？

免费 or 收费？

这是一个利弊权衡取舍的问题。这个世界上，不存在完全免费的东西，任何看似免费的东西，都是在以另一种方式收费。市场上的很多数据生产商，也必然遵

当一个投资人初次推开投资交易市场的大门时，因为对市场缺乏足够的认识，必然会在市场存在的众多流派中选择一个。所以，切入市场的角度必然五花八门。有被巴菲特的价值投资所吸引的，有受到行业大咖影响首先研究基本面的，有受到某些日内交易员影响研究日内走势规律的，还有被资深投资人影响研究技术分析或者量化的…

也就是说，每一个进入投资交易市场的交易员，其成长经历必然是不尽相同的。那么，切入角度的不同会影响交易生涯的走向吗？其中到底有没有一个大致的成长框架呢？

本文查阅了国内外几本关于顶级交易员个人经历采访的书籍，包括：《交易圣经—系统交易赢利要诀》，《金融怪杰 对话华尔街的传奇交易员》以及众多国内外交易大

哈利最近又有点烦（咦这个“又”字哪来的……），这市场变化太快，到底存不存在择时的空间呢。说没有吧，你看均线那套似乎又有点准；说有吧，技术分析那套看着又心里发毛。思来想去，又找来了自己在私募打（搬）拼（砖）的好兄弟波特。

**哈利：**兄弟，你快来跟我说说，这靠技术分析择时到底靠谱不？

**波特：**你怎么又来了啊。。。

![](data:image/svg+xml;utf8,<s

已经在我司（某公募基金，坐标陆家嘴金融城）实习一个多月了，量化研究加上Fintech真的非常有趣。在互联网热潮过去之后，现在的潮流是人工智能+各种行业，根据国家的人工智能发展，这波热潮咱们还能赶上几年。我觉得知乎上有句话说的真对，虽然量化研究有用，但大形势下还得跟党走。希望我将来研究生毕业之后，量化+金融科技+人工智能产业还是蓬勃发展，让我找到一份有趣的并且可以实现人生价值（并且财务自由，逃～）的工作。

我的量化研究实习主要内容是量化基本面研究。基本面投资的框架主要有三点：理解过去、预测未来、如何建立一个模型来估值和决策。

进行基本面研究可以完全从市场的角度来分析。我们假设市场有所

5月29日周日下午1点我将在知乎 Live 做一次量化交易的分享。

我在2011-2015期间在英国一家高频交易公司做工程师，做过从交易数据的量化研究，高频交易系统开发，到系统部署运维等各方面的工作。2015年我回国加入了一家量化私募基金，仍然在做交易系统到开发和运维工作，只是关注点从海外市场转为国内市场。

这次 Live 我会对我所了解的量化交易这个行业做一个诠释。我将会尝试在有限的一小时内尽可能广的讲述行业的各个方面，而不去做某一技术细节上的深入探讨。特别希望可以帮助那些对这个行业有兴趣但尚不了解的朋友，增加大家对行业的认识。

我的主讲提纲如下：

• 什么是量化交易
• 这个行业的

摘要

量化研究离不开阅读、思考与实证。但囿于国内金融市场不长的历史，很多思维的火花都无法通过足够的数据进行研究和验证。本系列试图填补这一空白，将海通量化团队的分析师平日阅读、思考的心得与海外数据相结合，致力于为国内的量化从业人员提供新的灵感。考虑到篇幅，文中只呈现了研究思路和主要结论，对详细过程感兴趣的读者可与我们联系，海通量化团队时刻为您守候，与您分享。

基于横截面和时间序列指标的因子择时

使用横截面和时间序列变量，对指数构建因子择时模型。讨论在不同经济周期以及市场状态下，对估值、市值、动量、质量以及低波因子具有预测效果的择时变量。分析结果表明，若将经济周期（或商业周期）、

摘要

量化研究离不开阅读、思考与实证。但囿于国内金融市场不长的历史，很多思维的火花都无法通过足够的数据进行研究和验证。本系列试图填补这一空白，将海通量化团队的分析师平日阅读、思考的心得与海外数据相结合，致力于为国内的量化从业人员提供新的灵感。考虑到篇幅，文中只呈现了研究思路和主要结论，对详细过程感兴趣的读者可与我们联系，海通量化团队时刻为您守候，与您分享。

宏观经济活动对债券收益同样有着明显的预测效果。我们收集了产出、利率、就业、库存等 15 个大类共 132 个宏观变量的月度数据，使用主成分分析法构建了8 个公共因子。这些因子不仅统计上显著，也有着重要的经济意义，能够解释未来一年债

回顾上一章的3篇文章，我们从量化回测、实盘交易、以及中台化运营三个方面，逐步介绍了量化开发所需要涉及的工具及技术，已经有能力做到快速上线策略进行实盘交易。（量化开发之量化交易中台化）

现在我们的研究员小伙伴研究好了一个简单的MACD策略，他只需将研究好的策略代码提交到代码版本库，后续的任务就可以由我们的交易系统及中台完成。通过简易的报表式UI界面，看到策略的实盘效果，小伙伴应是兴奋又忐忑的。

![{w:100}](/community/uploads/default/original/3X/d/9/d990

欢迎热衷量化研究、Rust 技术的小伙伴，加入非凸！工作地点：北京、上海、成都 一、招聘职位：Rust开发工程师 岗位描述： 1.设计并开发基于Rust的高性能，低时延算法交易系统； 2.设计并开发数据处理平台，监控运维平台； 3.设计并开发面向客户的高可用交易工具等； 4.设计并开发策略相关的回测平台。 岗位要求： 1.本科及以上学历，编程基础扎实，具有良好的计算机理论基础； 2.熟练掌握Linux操作，性能分析，具备Rust/C++/Java/Go丰富开发经验，熟悉常用的设计模式，有分布式相关经验加分； 3.有研发高性能，低时延系统经验加分； 4.对技术充满热情，思考深入，自我驱动，能快速

报告摘要

主要观点

本篇是“学海拾珠”系列第五十四篇，本期推荐的海外文献研究了如何量化基金公司（基金家族）内部的信息传播速度，传播速度对业绩的影响，以及不同风格之间、同风格之间信息传播有何区别。得到了信息传播速度越快（尤其是不同风格之间信息传播速度越快），基金业绩越好的结论。回到国内主动权益基金市场，我们也可以衡量基金公司内部是否存在信息共享以及信息传播速度的快慢，并分析在不同风格基金经理之间的信息传播、同风格基金经理之间的信息传播是否对业绩有显著影响。

• 内部信息传播（information diffusion，ID）的量化方法

信息间隔（inf

正文

/wiki/static/upload/25/259b1aaa-df16-4ed2-abd6-8ad67bba7fb7.pdf

\

学海拾珠系列，是指从海外量化研究领域的海量文献中选取精华，将最有价值的文章推荐给国内广大的量化投资者们。如系列名称所述，我们团队希望通过不断深耕、探索，力图在茫茫学海中找到闪烁的、凝聚着宝贵知识的珍珠，并在提炼、萃取之后呈现给大家

报告摘要

基于CSCV框架计算三组量化研究案例的回测过拟合概率

本文基于组合对称交叉验证（CSCV）框架，以三组量化研究为案例展示回测过拟合概率（PBO）的计算流程，发现两组多因子选股模型的PBO较低，择时模型的PBO较高。案例1为7种机器学习模型的多因子选股策略，指数增强组合PBO大多在15%~50%，“XGBoost表现最佳”的结论大概率不是回测过拟合。案例2为6种交叉验证方法的多因子选股策略，多空组合PBO在20%~50%，“分组时序交叉验证表现最佳”的结论大概率不是回测过拟合。案例3为双均线50ETF择时策略，PBO在50%~90%，“参数组合[11,30]和

量化研究主要有两大类型：“非操作性研究”（nonmanipulative research）与“操作性研究”（manipulative research）。

有些研究者受到先前经验的制约，一谈到“统计”就退避三舍，想从事量化研究又迟疑不决，这就是研究者的“迷思”。 1.做量化研究的人统计方法一定很强？ 2.为了节省时间，直接引用先前的研究工具？ 3.参考前人的写法，依样画葫芦，一定不会错？ 4.研究变量越多，表示研究题目越有深度？ 5.统计方法越复杂，表示分析越深入？ 6.问卷题目的题目越多，越能测得所要的特质？ 7.取样的样本数越大，表示研究推论效度越高？ 8.差异或相关的

《alphanet GNN和GAN华泰金工深度学习量化研究》Deep Alpha 研讨会 small_q small_q 更新于 大约 1 个月前 · 阅读 785

#1、华泰人工智能系列研究：四年五主题四十七篇研究 首先非常感谢宽邦科技的邀请，这里我替换了一下标题，主办方给的题目是《国内投资机构深度学习量化实践》，我这里改成了《华泰金工深度学习量化研究》，因为我个人很难代表整个国内的投资机构，国内的买方和卖方，公募和私募研究差异还是挺大的。 总体来讲，买方机构会更务实，目标明确。卖方研究有特殊之处，市场对我们的期待是探索前沿内容，帮大家踩坑，所以需要我们仰望星空。但同时又不能太飘，也需

摘要

本文参考麻省理工斯隆商学院于2020年1月发表的论文“A New Index of The Business Cycle”，以读书笔记的形式介绍一类新的经济周期指数。

经济周期通常由经济体系内部因素导致，是宏观经济学领域的重要研究内容。1920年，美国成立了国家经济研究局（NBER）。发展至今，NBER业已成为全球经济周期研究领域的中心。其研究结果表明，经济始终以一种周期性变动的方式循环往复，并强调全社会都应该形成经济周期的意识。

经济周期指数

经济与金融领域的研究发现，许多指标与经济周期活动存在领先、同期或滞后的关系。由此，众多学者开发了一系列经济周期指数

{{use_style}}

一.导语

欢迎您来到BigQuant！

BigQuant是一个人工智能量化投资平台，平台内聚集了各类人工智能量化开发者、订阅者和学习者。

二.开发者

如果您是一位充满好奇心的学习者，在BigQuant您可以前往：

1.培训报名

与知识经验丰富的讲师团队，通过线上+线下的方式，学习AI量化入门、因子构建分析、AI量化实践、实战等，纵观全局获得AI量化全貌，由浅入深进阶成为量化大神。

![{w:100}{w:100}{w:100}{w:100}{w:10

写在前面

这一篇是基于上篇文章提出的方法的实证部分：

Wu Kevin：策略篇——残差项的均值回归​zhuanlan.zhihu.com

之前承诺的对于上篇的实证现在才兑现，主要原因是我前期一直忙于秋招，无瑕顾及更新了。目前总算是定下来了，庆幸的是我还在量化这条路上，只不过今后的研究会更加偏向宏观层面，以后的分

Quantlib简介

相比TA-Lib在技术分析领域的地位，QuantLib在金融工程领域的地位可以说有过之而无不及。

参考其官方网站，QuantLib中包含的的模块如下（其中个人感觉国内比较有用的添加了中文注释）：

• Currencies and FX rates（货币相关）
• Date and time calculations（日期和时间计算）
• Calendars
• Day counters
• Design patterns
• Financial instruments
• Finite-differences framework
• Lattice metho

动机

个人量化研究，用vn.py回测和研究策略。

发现最痛苦的事情就是写完一个策略后，根本没法方便地检查自己的交易逻辑。每次打印日志之后，翻日志再找其他K线工具来校对，这个过程简直泪流满面。

![](data:image/svg+xml;utf8,<svg xmlns='http://www.w3.org/2000/svg' width=