投资决策

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

随着交易数据量越来越大，金融领域的各种应用已经验证了使用人工智能可以更好地进行投资或业务决策，也越来越多人相信人工智能技术在金融领域的应用前景。人工智能提供了一种适用于从个人数据到业务流程的高效数据分析工具。

与此同时，越来越多金融机构开始使用机器学习方法，以期在市场竞争中赢得优势。量化投资机构逐渐抛弃传统的分析方法，转而使用机器学习算法预测市场走势和选择投资组合。

与传统投资方式相比，量化投资方式具有更高效率及准确性。量化投资是一种基于计算机系统而生成的投资策略选择方法，可以对数学模型进行监理，在实现交易理念活动过程中构建更为完善规范的量化投资评价体系。在对模型进行监理的基础上，再对历史

# 回测引擎：每日数据处理函数，每天执行一次
def m19_handle_data_bigquant_run(context, data):
    #...
    # 2. 生成卖出订单
    print(f'{today} before cash:{context.portfolio.cash}')
    if cash_for_sell > 0:
        for instrument in sell_instruments:
            res = context.order_target(context.symbol

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

{{membership}}

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

\

OPEN/DELAY(CLOSE,1)-1   这个函数中DELAY 是什么意思

\

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

如下午14点50，判断是否涨停，没涨停就卖出 这种

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。

如图：

如题，想引入分红率作为因子，但不知道该从哪里下手

比如991344游戏行业，指数里面没看到有这个

一个小小的需求：可以提供十年期国债收益率和社融数据吗？

\

上图为买入twap1 卖出为twap8时候的持仓比率

下图为买入open 卖出close时候的持仓比率 请问这是哪里的问题？

![{w:100}](/wiki/api/attachments.redirect?id=9b51f825-7d67-4158-a063

{{membership}}

https://bigquant.com/codeshare/7fd0ea69-d032-46f3-8b0e-7e0fda50f573

\

{{membership}}

https://bigquant.com/codeshare/1ed3fa07-c733-47fd-8fbc-4e441ed37672

\

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

本文属于我们陆续发布的ETF投资指南系列研究文献，主要讲一下分析比较ETF可以用到的一些专业方法。这篇文章的专业性比较强，适合基金投资行业从业人员阅读。

在绝大部分投资者比较和分析ETF的时候，他们看的比较多的指标有：

![](data:image/svg+xml;utf8,<svg%20xmlns='[http://www.w3.org/2000/svg' width='736' height=

股票市场的存在为企业融资提供了一个自由开放的环境，在这里投资者们将资金配置于他们认为的优秀、稳健、有潜力的企业，无数的投资决策汇聚而成的“群体智慧”影响着整体的经济运行，最终促进社会的共同福祉。然而判断一个企业优质与否并非易事，正如不能仅仅通过体温来衡量人体的健康状况一样，单纯的股票价格难以完整全面地反映一家上市公司的所有特质。要想全面细致的考察一家上市公司，有必要仔细研究企业的财务数据。

财务数据上市公司的财务数据大体上分成两类：原生财务数据和衍生财务数据。原生财务数据是经典的“三大表”，即资产负债表、利润表和现金流量表。衍生财务数据通常指原生财务数据结合交易数据计算出的各

尽管巴菲特在1987年给投资者的信中说：“在我看来，投资的成功不会由晦涩难懂的公式、不会由计算机程序或者股票市场闪动的价格信号来产生”，如今机器已经在金融市场中起到极为重要的作用。2015年创建的对冲基金中40%依赖于计算机模型做投资决策。对冲基金和银行们正招聘越来越多的数据科学家。高频交易公司也在计算机的速度和效率方面竞争激烈。

在量化交易1.0版本，模型是“静态”的，因为交易策略是被事先编程的。举个例子，“动量策略”在一个时期内效果非常好，但在下一时期可能效果不佳。真正的智能机器会在市场进一步发展之前观察到市场异常，而且交易策略本身会随着信息的变化而动态变化。

2010年Scott P

ICLR 2018年的接收的论文已经release出来很久了，链接：https://chillee.github.io/OpenReviewExplorer/index.html

最近整理了其中一些论文的摘要和官方评价做了翻译整理和分类，涉及分布式训练、模型压缩、模型训练优化、生成式模型等，分享给大家，感兴趣的可以看看，了解下学术界前沿的研究热点。

分布式训练

Deep Gradient Compression: Reducing the Communication Bandwidth for Distributed Training

**摘要：**大规模分布式训练

欢迎大家持续关注我们的专栏Alpha-Nebula，我们会持续分享高质量的量化相关内容。这篇文章我们介绍的是一篇叫做**“Study of Stock Prediction Based on Social Network”**的Paper，作者针对市场，爬去了新浪微博和股吧的数据进行了一些有趣的研究。

Social Behavior Graph

作者爬完了这两个社交平台的数据之后，通过Hamming Distance和时间间隔来辨别不同帖子之间的similarity：即如果Hamming Distance小于2，同时两个贴的时间间隔小于1小时，那么就认为这两个贴是可以

• 目前关于专精特新的研究专注于三点：“专精特新”以及专精特新“小巨人”的政策解读、专精特新“小巨人”的特点分析以及寻找隐匿的专精特新“小巨人”公司。其中，寻找隐匿的专精特新“小巨人”公司是整个专精特新“小巨人”相关研究的落脚点和核心，是投资者提前布局“专精特新”的关键。
• 传统的寻找隐匿专精特新小巨人公司的方法大多是从指标打分的角度出发，筛选一部分满足条件的公司作为隐匿的专精特新小巨人。但这种通过指标打分进行筛选在统计学中仅仅是必要不充分的，如专精特新的公司具有高成长属性，但大部分高成长股并不是专精特新。为了解决这个问题，**我们以目前公布的专精特新小巨人公司作为蓝本，在市场上寻找