作为量化,如何轻松甩锅?市场大跌了、游资爆仓了、成交缩量了、主观扑街了、公募回撤了、人菜瘾大了、对冲成本涨上去了?
如何回应尽调?策略理念:价值+成长,自上而下+自下而上,时间的人质/敌人/朋友?团队:发际线坚挺,没有核心人员流失,走的都不是核心?
一招解决,做好Quant社牛?
方法1:直接把回复做成模板:保存图片——微信——我——设置——通用——聊天背景
方法2:https://bigquant.com/activity点击报名
![{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.redirect?id=14fb0f9
更新时间:2022-04-22 02:34
更新时间:2022-03-27 14:17
作者:陈奥(chenao1106)
量化的目的之一是把通过对历史数据的规律研究,转化成投资决策。本次分享从具体的案例出发,如何快速把历史数据的经验,转化成自己的经验,进行投资交易决策。例如,2022年2月24日,大盘大跌,下跌股票数:3900+,上涨股票数600+,大跌行情下,如何操作? 经量化研究,找出了一种操作方案,共回测2年,选出2000支股票,平均每支收益5%。
更新时间:2022-03-22 02:27
更新时间:2022-02-26 09:29
更新时间:2021-12-24 09:01
更新时间:2021-11-30 02:54
绩效归因分析主要是将投资组合的业绩与基准业绩相比较,并将超越基准部分的收益分解成若干影响投资决策的因素。投资组合的绩效归因分析主要有两大类:基于收益率的绩效归因和基于组合持仓的绩效归
基于收益率的绩效归因主要有T-M 模型、H-M 模型、C-L模型、TM-FF3 、HM-FF3和CL-FF3模型。基于组合持仓的绩效归因主要依据Brinson模型和多因子模型。基于持仓的归因相比于基于收益率的归因能够从更多角度刻画组合管理人的投资能力。
风险也是组合管理人关心的重要部分,对投资组合进行风险归因有助于组合管理人了解组合的风险来源。风险归因分为事前(ex-ante)风险归因和事后(ex-post)
更新时间:2021-11-22 07:53
作者:Robbie Allen
编译:BigQuant
早在21世纪初,我在编写关于网络和编程的书的时候,我就发现,互联网是一个很好的资源,但是它还不完善。 那时,博客已开始流行。但是YouTube还不是很普遍,同样Quora,Twitter和播客用户也很少。十年过后,我一直在潜心钻研人工智能和机器学习,局面发生了翻天覆地的变化。互联网上现在有非常丰富的资源——当你要寻找选择你想要的资源时,你很难抉择你应该从哪里开始(和停止)!
![微信图片_20180306160704|690x277](/community/uploads/default/original/2X/5/
更新时间:2021-11-11 07:27
ACL 2018(56th Annual Meeting of the Association for Computational Linguistics)将于2018年7月15-20在澳大利亚墨尔本召开,会议的Accept的论文也早已经Releas出来。
ACL作为自然语言处理方面的顶级会议之一,其中很多工作代表了NLP的前沿方向,因此,其中很多文章非常值得学习和借鉴,今天按照一定的主题,跟大家分享一下2018年ACL的最新论文。主要分类一下14个方向整理(个人观点,仅供参考)
Dialogue and Interactive Systems(对话及交互系统)
**Qu
更新时间:2021-09-08 06:23
作者:Mybridge
翻译:BigQuant
我们比较了2017年全年近2万篇关于机器学习应用的文章,并且从中挑选出50篇最有价值的文章分享给大家。
“在硅谷,招聘一名机器学习工程师或数据科学家正在变得像招聘一名职业运动员一样。 这就是对他的要求”——[纽约时报](https://www.nytimes.com/2017/10/22/technology/artificial-in
更新时间:2021-08-24 05:46
更新时间:2021-07-30 09:36
导语:当你使用深度学习思想开发量化策略时,您是否觉得模型本身是个“黑箱”,对模型做出的投资决策也是倍感疑惑。本文希望通过一种称为“CLEAR_Trade”的可视化方法,帮你跟好地理解深度学习AI量化模型。 BigQuant拥有海量的数据和主流开源AI框架,赋能每一位爱好机器学习/深度学习和量化交易的人。
原文:《Opening the Black Box of Financial AI with CLEAR-Trade: A CLass-Enhanced Attentive
更新时间:2021-07-30 09:21
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
更新时间:2021-07-30 09:08
回归、分类和排序是我们经常遇到的问题场景。本文主要介绍如何实现回归和分类两类问题的模型构建。
首先我们明确一下算法在机器学习中的地位。一般来说,机器学习有三个要素: 数据、算法和模型 。
下面我们来举两个例子,看看回归和分类问题的应用场景有什么不同。
![](/wik
更新时间:2021-07-30 08:22
更新时间:2021-07-30 07:56
更新时间:2021-07-30 07:25