投资决策

无论你如何看待数据科学这门学科，都不能轻易忽视数据的重要性，以及我们分析、组织和理解数据的能力。Glassdoor 网站收集了大量的雇主和员工的反馈数据，发现在美国“25个最好的工作职位清单”中排名第一的是数据科学家。尽管排名摆在那里，但毫无疑问，数据科学家们研究的具体工作内容仍会不断增加。随着机器学习等技术变得越来越普遍，像深度学习这样的新兴领域获得了来自研究人员、工程师以及各大公司更多的关注，数据科学家会继续站在创新浪潮之巅并且推动技术的不断发展。

尽管拥有强大的编码能力非常重要，但数据科学也并非全部都是关于软件工程的（事实上，能够熟练掌握python已经足够很好的开展工作了）。数据科学

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

旧版声明

本文为旧版实现，仅供学习参考。

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

https://bigquant.com/experimentshare/9d63b4ca46fc40bfac5fa7843d4f89cf

\

问题

知识库的策略分析里面有个“标记买卖点”的代码，能不能请老师把这个代码讲解一下，方面以后分析其它策略的时候使用。链接在这里：标记买卖点

\

视频

https://www.bilibili.com/video/BV1554y1f7Rf/

策略源码

[https://bigquant.com/experimentshare/1f66fd8421044f2a9884c9f1d3614ce1](ht

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

7月16日Meetup模板案例;

策略案例

https://bigquant.com/experimentshare/aac16e3c971f43c8a02ce5455f3561bf

\

分享主题

基于财务数据构建策略

\

视频回放

https://www.bilibili.com/video/BV1W84y117Nd/?spm_id_from=333.999.0.0&vd_source=ecd29bbd04cbefdfa426167c55241973

\

直播资料

[https://bigquant.com/experim

{{membership}}

https://bigquant.com/codeshare/9aa6342b-2c67-4417-afea-0d5874e5d340

\

https://bigquant.com/experimentshare/8671700b78014d6cbe44261ba23820f9

\

问题

如何利用60分钟K线来合成120分钟K线呢？

视频

https://www.bilibili.com/video/BV1d54y1d7tv/

策略源码

https://bigquant.com/experimentshare/4e081ef44d3246f48551c6eee74f629d

\

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

\

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

\

旧版声明

本文为旧版实现，仅供学习参考。

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

\

问题

风控和择时：情绪周期如何用于追涨策略

视频

[https://www.bilibili.com/video/BV1ui4y1m7Nx?spm%5Fid%5Ffrom=333.999.0.0](https://www.bilibili

资产定价模型（Asset Pricing Models）是金融学中用于评估或预测金融资产价值的理论和模型。这些模型基于不同的假设，用于不同类型的资产，包括股票、债券、衍生品等，通过量化资产的预期收益与其所承担的风险之间的关系，帮助投资者评估投资机会并做出明智的投资决策。

以下是一些重要的资产定价模型：

1. **资本资产定价模型（Capital Asset Pricing Model, CAP

1. 股票涨跌的原理
2. 哪些群体影响股票涨跌
3. 个人如何应对股票涨跌
4. 股票涨跌计算公式及高级指标

BigQuant是以AI人工智能为核心的量化投资交易平台，为量化投资宽客提供机器学习AI技术、股票期货金融数据、高速精准回测和量化交易接口以及海量高级量化因子，让Quant宽客和量化投资者无门槛地使用AI做更好的投资决策。

一、股票涨跌的原理

宏观层面，宏观经济因素对股票市场整体趋势有重要影响，一些主要因素包括：

1. 经济增长：股票市场通常与经济增长正相关。当一个国家的经济表现良好，GDP增长时，企

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

摘要

2/3光速对你我来说可能只是一瞬，但对于高频交易公司来说，可能就是事业的全部。在瞬息万变的市场上，棋先一招常常就在微秒之间。

眨眼 0.4 秒，常被形容快，但有家公司花了 1400 万美元，就为了让自己再快 0.07 毫秒（ 0.00007 秒），5700 分之一眨眼的时间。

Jump Trading 公司在全球最大期货交易所芝加哥商品交易所数据中心对面，买了一块 12 万平方米的空地。

买了之后，他们没盖楼炒房，也不是为了风水，就是架微波通信基站，用于第一时间把交易请求传到芝加哥商品交易所。

![{w:100}{w:100}](https://n.sinaimg.cn

在量化交易中，我们常听到和看到因子是量化研究中关键的一环。一个量化策略是5个因子的效果好，还是50个因子的效果好？因子之间有什么样的关联和差异？对量化交易策略收益的影响如何？那么因子投资是什么？为什么量化交易要用因子？

我们可以将投资决策因素看作是营养对食物的影响。根据营养成分，您可以决定食用哪种食物以及食用多少。因素对于了解特定投资方法的风险和回报是不可或缺的。

因此，每个交易者都会根据自身对回报的风险承受能力来投资风险和回报因素相似的股票。在本文中，我们将详细了解因子投资。

什

策略介绍

本文将介绍经典的ROE策略，并通过编写简单的策略示例进行回测。

ROE策略是一种常用的财务分析和投资策略，特别在股票投资领域。它主要基于公司股本回报率的高低来评估和选择投资对象。

高ROE公司通常具有较强的盈利能力：

• 高ROE表明公司能以较少的股东权益产生更多的利润，意味着公司经营效率高，盈利能力强。

高ROE公司通常具有良好的管理和业务模式：

• 高ROE通常反映了公司管理层的优良管理能力和成功的业务模式，使得公司在竞争中具备优势。

高ROE公司通常具有较高的股东回报：

• 因为高ROE代表公司可以用股东的投入资金获得更高的收益，这

导语

通过数据过滤我们可以在预测的时候避开ST股和退市股，但如果很不幸我们的买入持仓中有股票变成了ST股或者退市股时，我们应该如何快速卖出逃脱呢？本节我们就聊聊如何处理持仓中的“雷”股。

我们知道，模板的策略逻辑是卖出每日预测排序靠后的股票。那么尝试思考这样一个场景：某个持仓的股票突然发布公告启动ST或者退市流程，好股变成了“”雷“”股。但是很可能我们的排序预测模型始终意识不到这个雷，而导致此股的打分排序始终不是靠后的。这会导致这些烫手的山芋无法脱手，自爆仓中。不仅导致策略无法卖出此股，还会因其占用了资金而无法买入新的股票。

因此，我们在每天的交易逻辑前加入“雷股判断”，一旦发现持

{{membership}}

https://bigquant.com/experimentshare/953563e68f824cb2b4f893f5251cecb3

\

AI量化领域结合了人工智能（AI）、机器学习（ML）以及量化金融的技术和方法。这一领域的目标是使用算法和计算模型来分析大量金融数据，从而做出投资决策或提高交易效率。

一些在AI量化领域重要技术和方法，以及在金融领域的应用：

1. 机器学习算法：机器学习算法是AI量化领域的核心。它们包括监督学习、非监督学习和强化学习。
   • 监督学习，如支持向量机（SVM）、神经网络、决策树等，用于预测或分类任务，如股价预测、信用评分。
   • 非监督学习，如聚类、主成分分析（PCA）等，用于发现数据中的模式和关系，如市场细分、异常检测。
   • 强化学习，如Q学习

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

\

导语

不管你是管理自己的资金还是客户资金，只要你在做资产管理，每一步的投资决策都意义重大，做技术分析或基本面分析的朋友很清楚地知道每一个决策的细节，但是通过机器学习、深度学习建模的朋友可能就会很苦恼，因为直接产出决策信号的模型可能是个黑盒子，很难明白为什么模型会产出某一个信号，甚至很多保守的私募基金把模型的可解释性放入了事前风控。其实，模型的可解释性是很容易做到的，难点在于研究员是否对模型有深入的思考和理解。

介绍

机器学习领域在过去十年中发生了显著的变化。从一个纯粹的学术和研究领域方向开始，我们已经看到了机器学习在各个领域都有着广泛的应用，如零售，技术，医疗保健，科学等等。

前言

我们常用量化投资的方式预测未来可以交易的个股，从而获取最大收益。但能不能反其道而行之，通过量化的形式诊断个股：判断是否可以买入？仓位如何设置最合理？

对于资深投资者来说，可以根据历史交易经验，结合该股的特性及大盘环境，判断在这类情况下股票的胜率及收益如何，以此作为买入决策。

但有个更简单、快速的方法，可以借助量化快速找出股票在大盘环境下历史的收益率和胜率情况，作为买入决策。

本次分享将介绍如何用量化的方式诊断个股，并依据量化分析结果作为买入决策和制定交易计划。

正文

[/wiki/static/upload/9d/9d17fabf-6f78-4e80-8da0-5

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