首发于我的博客 The North。
GitHub 里老早之前就 Star 了 felixglow/Stock 这个项目,原作者 felixglow。昨天晚上又想起这个来,于是今儿早上就拿出来看——我对其中相当多的部分都不熟悉,有些还是第一次了解。在这里将我的理解记录下来,其中的错谬之处,还望各位大神指正。
![](/community/uploads/defau
更新时间:2023-06-14 03:02
\
更新时间:2023-06-14 03:02
我就故意分开写,要不怎么让你们点来点去增加关注呢,我的目的很单纯就是吸粉的,大家踊跃点,昨天我要上春晚(一),呃,我要吸点粉(一)过万的关注,我很欣慰,毕竟50的赞四舍五入一下就是一万多,我写起来也觉得胸前的红领巾更鲜艳了啊。
这里先明确一点,在前篇中用几个简单的市场数据说明了我认为市场有交易机会的原因,有知友觉得周期太长,毕竟这是一个科普专栏且以吸粉为目的,我没有把很多专业数据引出来,但是信我,到这个层面能得出的结论已经是一致的,至于其他多说也是论证而已,写的太专业又没人看了,我又白写了不是?另外我引用投资者数据是想说明---你的交易对手不太专业。哦,还要提一句,本作尽量不用计量经济学或者
更新时间:2023-06-14 03:02
围棋人类第一高手柯洁在与AlphaGo的第二局对阵中再次惜败。有报道称此次的AlphaGo已经比当初跟李世石下的版本进化了几代,想当于给上一版本”让3子“的水平,鉴于柯洁第一局仅输1/4子,可见柯洁的水平应该能完胜上一代的AlphaGo。
AlphaGo主要采取了两种模型——深度学习和增强学习。深度学习(Deep Learning)本质上是一种监督学习(Supervised Learning),或回归分析(Regression Analysis)。它从传统的神经网络发展而来,但最近几年在计算方法上有了突破,加上硬件上的发展,使得它可以拟合更复杂的数据,因此在计算机视觉、图像识别上发展
更新时间:2023-06-14 03:02
算法交易顾名思义就是采用某些算法让计算机自动进行交易决策、下单以及订单资金管理等一系列操作。算法交易系统和一个基于事件的回测系统组成非常相似,这一点在搭建回测系统系列文章中有所提及。一般来讲,算法交易系统由数据模块、模型模块、执行模块以及算法监测模块这几大部分组成。
数据模块包含结构化和非结构化两部分的数据。结构化的数据一般包含品种的交易数据以及公司的金融数据;非结构化数据则包括新闻、社交网站等文本数据,这些数据需要一些专门的文本分析挖掘工具来进行处理。
应用于算法交易的模型主要有这样几类。一类是数学统计类模型,这类模型通常采用概率论的方法去度量风险因子、用
更新时间:2023-06-14 03:02
布林带指标(Bollinger)
所需数据和参数:Bollinger(close,mDay,nDay,nstd )
指标伪码:
UPP:MA(CLOSE,MDAY)+NSTDSTD(CLOSE,MDAY);
DOWNP:MA(CLOSE,NDAY)-NSTD(CLOSE,NDAY);
/wiki/static/upload/87/87b94d12-f312-4049-9d32-de3f318b2f30.pdf
更新时间:2023-06-13 06:53
动量指标(Momentum Index):简称Mtm
所需数据和参数:Mtm(close,nDay)
指标伪码:MTM:CLOSE-REF(CLOSE,nDay);
/wiki/static/upload/55/55bef468-2d7d-46a5-b721-a522518ae0c0.pdf
\
更新时间:2023-06-13 06:53
乖离率指标(Bias):
所需数据和参数:Bias(close,nDay,threshold )
指标伪码:
MAVAL:=MA(CLOSE,nDay);
BIAS:=100*(CLOSE-MAVAL)/MAVAL;
/wiki/static/upload/21/210c8875-0828-4472-a65c-1ee21ec1bfec.pdf
\
更新时间:2023-06-13 06:53
历史背景
长时间来,学界及业界开发了包括日内估计、GARCH、连续时间模型等近200-300种描述及预测波动率的模型。从交易信号到算法策略,这些模型为许多量化组合提供了极为重要的参考。
预测波动率的重要性
波动率模型为建立交易信号、算法策略、量化组合的分配都提供了重要参考。
波动率预测的难点
对于金融市场上不同类的资产,仅仅一类模型将很难给出一个有效的预测。我们需要对不同的资产标的针对性地使用不同种类的波动率模型来得到可靠的结果。
人工选择合适的模型是一个非常复杂且低效的方法。通过监督性学习算法,我们可以自动化这一过程。同时,通过对一些指标的监
更新时间:2023-06-01 14:28
从高频到低频
机器学习在高频量化策略上应用更加容易
从线性到非线性
机器学习下的非线性比线性更能榨取数据的价值,但也更容易过度拟合,因此需要合理使用
从单次分析到推进分析
推进分析更加符合实盘状态下盘后更新模型的实际情况
从分类到回归
回归经常能优于简单的分成两类
预测值相关
好的预测值不一定带来好的交易信号
[/wiki/static/upload/92/925cb7dc-1b8c-46db-aed5-54ccb355b557.pdf](/wiki/static/upload/92/925cb7dc-1b
更新时间:2023-06-01 14:28
更新时间:2023-06-01 06:21
更新时间:2023-06-01 06:19
如何在日频交易模块(Trade)中实现涨停不卖?
看这里:https://bigquant.com/wiki/doc/tiaojian-xinhao-5xvfPyKjQ0
这个教程里有。
\
更新时间:2023-06-01 02:13
更新时间:2023-06-01 02:13
如何设置买入条件,找出连续三天涨停的股票
https://bigquant.com/experimentshare/8cba95fe932f42a5859dbecd11625f07
[https://bigquant.com/experimentshare/8ea30e5331d440c79879c7b4aa650a85](https://bigquant.com/experimentshare/8ea30e5331d
更新时间:2023-06-01 02:13
更新时间:2023-06-01 02:13
如何对单只股票设置量化交易程序
更新时间:2023-06-01 02:13
更新时间:2023-05-31 07:19
更新时间:2023-05-31 07:19
更新时间:2023-05-24 10:23
更新时间:2023-05-23 02:39
更新时间:2023-05-23 02:30
更新时间:2023-05-17 06:36
\
更新时间:2023-03-20 05:38
更新时间:2023-03-12 05:57