线性回归

在金融领域中,线性回归作为一种基础且强大的分析工具,被广泛用于揭示金融资产价格、收益率或其他金融指标与影响因素之间的线性关系。它通过构建一个回归方程,以最小化预测值与实际观测值之间的残差平方和为目标,从而估算出回归系数的最佳线性无偏估计。这些估计出的系数反映了各独立变量(如市场风险、经济指标、公司业绩等)对金融变量的线性影响程度和方向。金融从业者通过应用线性回归模型,不仅能够深入理解市场动态,还能为资产配置、风险管理、投资策略制定等提供量化依据,进而提升金融决策的精确性和有效性。

烤肉_作业

数据获取思路:

1 用with , 将sql 分成三步 data_base,data_normalized ,以及features ,label 定义

2 data_base 获取初始字段,data_normalized 标准化, 以及pck_rank_by,获取横截面因子,m_leg 避免未来函数


模型fit

1 取 50天 训练数据,10 天测试数据

2 用线性回顾计算(xgboost 计算时间太长。。)

2 打印 r2

[https://bigquant.com/codesharev3/bc775119-ade8-4d25-ad2b-78ea8beee677]

更新时间:2025-08-12 11:41

Liujunze_作业

一、作业结论:

本次作业采用了线性回归和xgboost两种模型:

年收益分别是:线性回归30%、xgboost 52%。

二、作业过程:

1、搭建模型的框架

(1)框架的模型是按照“滚动训练策略”搭建起来的

(感受:原本自己在结合AI 搭建的,后来因为处理各种各样的错误花了很多时间,所以就直接借用了)

(2)策略搭建后直接测试线性回归,然后替换框架内的模型测试xgboost模型

(感受:搭建框架后相对简单多了,就是替换对应模型的代码,更多的是需要等待模型的训练)

2、加入因子进行训练

(1)用的都是“滚动训练策略”,有些经过微改

更新时间:2025-08-11 12:00

喜澄的作业

按照本次作业要求,我根据笑宇老师的讲解及给的模版,借住AI编程,分了几个步骤,完成作业如下:

1、先根据之前老师的讲解,选择小市值因子、换手率因子等有效因子,构建策略因子组合,时间关系选了4个,后续可以用老师讲解的因子分析表替换可能的有效因子\n2、基于笑宇老师给的模版,运用AI完成线性回归策略,几经周折,跑通策略;\n3、将策略打包成模块,将可用的3个模型作为参数,构建多因子多模型策略,跑通;\n4、将策略输出用图表展示出来。前后整了3天,修改了10几个版本才成型,累得够呛,但最终跑通还是欣慰的\n\n学习心得:\n1、因子重要还是模型重要?\n我的理解是二者都很重要,但因子相对更重要。从

更新时间:2025-08-11 08:58

Skelton作业提交

因子更重要还是模型更重要?

我认为因子更重要,只有好的因子才能做出好的策略。


相同因子下不同模型的区别:

每次训练时间比较长,时间有限,只跑了线性回归的策略。而且收益也没有调的很好。

后续有时间再持续优化,并跑其他策略比较。


https://bigquant.com/codesharev3/e70d145b-3a0d-4f3b-bb4e-df2b8a905e12


\

更新时间:2025-08-10 15:07

【指标定制】如何做收盘价与交易日之间线性回归的斜率?

regr_slope可以计算两个变量之间线性回归的斜率,例如收盘价和开盘价的斜率regr_slope(close,open,10), 但是为了计算一段时间的趋势是上涨还是下跌,需要计算close与交易日之间的回归斜率,请问怎么实现?相当于需要一个数组(1,2,3,4,5,6,7,8,9,10)跟连续10个交易日的收盘价做线性回归。但是用现有提供的函数我不知道怎么实现。请指教!

更新时间:2025-06-16 02:41

国泰君安alpha191中的count、regbeta、regresi三个函数的定义

旧版声明

本文为旧版实现,仅供学习参考。

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


预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

[ht

更新时间:2025-04-15 07:19

如何复现rsrs指标?

问题

ahsing+想问一下如何在bigquant环境下复现rsrs指标

解答

  • rsrs指标

    取前N日最高价与最低价

    线性回归,找到beta值即,rsrs斜率指标值

  • 可以通过平台因子表达式构建

视频

https://www.bilibili.com/video/BV1rW4y177HB/?spm_id_from=333.999.0.0

视频源码

[https://bigquant.com/exp

更新时间:2025-04-15 07:19

【其他】两种机器学习回归算法在金融的应用

#逻辑回归

这也称为 logit 回归。逻辑回归是一种基于过去数据预测事件二元结果的分析方法。

当因变量是定性的并且取二进制值时,它被称为二分变量。

如果我们使用线性回归来预测这样的变量,它将产生 0 到 1 范围之外的值。此外,由于二分变量只能取两个值,残差不会围绕预测线呈正态分布。

Logistic 回归是一种非线性模型,它产生一条逻辑曲线,其中值限制为 0 和 1。

将此概率与阈值 0.5 进行比较,以决定将数据最终分类为一个类别。因此,如果一个类的概率大于 0.5,则将其标记为 1,否则标记为 0。

金融中逻辑回归的用例之一是它可以用来预测股票的表现。

#分位数回归

更新时间:2025-02-16 03:24

【平台使用】用自定义的数据或者因子,结合原有因子,进行机器学习策略选股遇到的问题

如何把我的因子中创建的因子,引入输入特征列表模块中

假设我们采用新的模版代替原来输入特征列表的部分?直接用“输入特征(DAI SQL)”代替,貌似报错了。或者有相关用新模版建立线性-回归算法策略的文档吗,这样就可以用自己的数据进行策略分析了。

![](/wiki/api/attac

更新时间:2025-02-15 12:00

机器学习常用35大算法盘点

本文将带你遍历机器学习领域最受欢迎的算法。系统地了解这些算法有助于进一步掌握机器学习。当然,本文收录的算法并不完全,分类的方式也不唯一。不过,看完这篇文章后,下次再有算法提起,你想不起它长处和用处的可能性就很低了。本文还附有两张算法思维导图供学习使用。 在本文中,我将提供两种分类机器学习算法的方法。一是根据学习方式分类,二是根据类似的形式或功能分类。这两种方法都很有用,不过,本文将侧重后者,也就是根据类似的形式

更新时间:2024-12-31 08:32

【指标定制】线性回归预测上涨概率是否合理?

线性回归模型和上涨概率预测

代码中使用线性回归模型预测特征:

IF(m_lead(close, 5) / m_lead(open, 1) - 1 > 0, 1, 0) AS label

但是特征label只有0,1两个值和特征进行训练,使用linearRegression是不是不合理,训练集中的label也只有两个值,那预测集的label结果能用么?

[https://bigquant.com/codesharev3/12ee99fc-3c41-46bd-bdb0-7d0993d0f845](https://bigquant.com/codeshar

更新时间:2024-11-25 01:45

机器学习:1-线性回归预测收益

  • 运行环境:AIStudio 3.0.0
  • 机器学习:线性回归策略:预测收益
  • 策略说明:本代码以教学目的为主,请自行调参


回测图:

\

策略源码:


[https://bigquant.com/codeshare/ead656f5-c6a0-4a6d-9226-2ed3474d2a20](https://bigquant.com/codeshare/ead656f5-c6a0-4a6d-9226-2

更新时间:2024-08-09 10:35

关于线性回归、岭回归和Lasso回归的综合入门指南

https://bigquant.com/experimentshare/c451f287332a411cb4c7756c457318f6

\

更新时间:2024-06-12 05:48

量化机器学习系列分享(一)机器学习介绍与线性回归模型

更新

本文内容已经过期,不再适合平台最新版本,请查看如下最新内容:

[https://bigquant.com/wiki/doc/6yep5yyw5py65zmo5a2m5lmg57o75yix5yig5lqr77yi5lia77yj5py65zmo5a2m5lmg5lul57un5lio57q5ocn5zue5b2s5qih5z6l-NIQe5FA4dS](https://bigquant.com/wiki/doc/6yep5yyw5py65zmo5a2m5lmg57o75yix5yig5lqr77yi5lia77yj5py65zmo5a2m5lmg5lul57un5li

更新时间:2024-05-20 06:55

量化机器学习系列分享(一)机器学习介绍与线性回归模型

1. 人工智能与机器学习的概念

1.1 人工智能的概念

人工智能(Artificial Intelligence,AI)是一门研究如何使计算机系统具备类似于人类智能的能力的领域

人工智能的子领域示例:

  1. 机器学习:机器学习是人工智能的子领域,用于从数据中学习并改善系统性能
  2. 自然语言处理:NLP致力于使计算机能够理解、处理和生成人类语言
  3. 计算机视觉:计算机视觉使计算机能够识别和解释图像和视频数据,用于图像识别、目标检测和人脸识别等任务
  4. 机器人学:机器人学研究如何设计、构建和控制机器人,使它们能够执行各种任务
  5. **专家系

更新时间:2024-05-20 06:52

17种机器学习回归算法在金融的应用

回归是一种挖掘因变量和自变量之间关系的技术。它经常出现在机器学习中,主要用于预测建模。在本系列的最后一部分中,我们将范围扩大到涵盖其他类型的回归分析及其在金融中的用途。


线性回归

简单线性回归

简单的线性回归允许我们研究两个连续变量之间的关系——一个自变量和一个因变量。


简单线性回归方程的一般形式如下:

{w:100}其中 (β_{0}) 是截距,(β_{1}) 是斜率,(ϵ_{i}) 是误差项。在这个等

更新时间:2024-05-20 03:17

线性回归

导语

线性回归模型的最大特点就是简单高效,本文将对线性回归做详细介绍。


简介线性回归

线性回归是衡量两个变量之间线性关系的一种建模技术。 如果我们有一个变量X和一个依赖变量X的变量Y,则线性回归可以确定哪个线性模型Y=α+βX能够最好地解释数据。 例如,我们考虑浦发银行和沪深300的价格指数, 我们想知道浦发银行如何随着沪深300的变化而变化,因此我们将对这两个标的的日收益率进行回归。

Python的statsmodels库具有内置的线性回归功能。 它将给出最能够拟合数据的一条的直线,并且能够帮助你决定该线性关系是否显著。 线性回归的输出还包括一些有关模

更新时间:2024-05-20 02:09

指定交易日内收盘价的斜率计算

文档代码有更新, 请移步:

https://bigquant.com/wiki/doc/5oyh5a6a5lqk5pit5pel5yaf5ps255uy5lu355qe5pac546h6k6h566x-3vmHty3GJJ

问题

laosha+如何计算前5-10个交易日收盘价的斜率。

思路

![{w:100}](/wiki/api/attachments.redirec

更新时间:2024-05-16 06:37

多元线性回归

更新

本文内容已经过期,不再适合平台最新版本,请查看如下最新内容:

https://bigquant.com/wiki/doc/5asa5ywd57q5ocn5zue5b2s-O8iNddmckJ

\

导语

多元线性回归的应用比较普遍,本文将对其做相关介绍。


金融理论从资本资产定价模型(CAPM)发展到套利定价理论(APT),在数理统计方面就是从应用一元线性回归发展到应用多元线性回归。在实际运用中,**多元线性回归比

更新时间:2024-05-16 06:35

机器学习:18-滚动训练-线性回归

  • 运行环境:AIStudio 3.0
  • 策略说明:==本代码以教学目的为主,请自行调参==


\

策略源码:

{{membership}}

https://bigquant.com/codeshare/66c560a3-335b-407c-aa2f-7053322141f4

\

更新时间:2024-04-25 07:41

机器学习:4-线性回归构建因子

  • 运行环境:AIStudio 3.0.0
  • 线性回归:构建因子+单因子策略回测
  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:

\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/cd8638d7-21c0-4df4-8a29-e9f1cc227df0](https://bigquant.com/codeshare/cd8638

更新时间:2024-04-25 07:38

机器学习:2-线性回归预测上涨概率

  • 运行环境:AIStudio 3.0.0
  • 机器学习:线性回归策略:预测上涨概率
  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:


\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/3c3165db-d37e-4c8a-90f6-8af10855fb18](https://bigquant.com/codeshare/3c3

更新时间:2024-04-25 07:38

分析师覆盖度与股票预期收益-海通证券-20170704

摘要

本文尝试在因子的框架体系中考察分析师覆盖度与股票未来收益之间的关系。提出对于传统的离散覆盖度指标,可通过线性回归方式剥离掉公司特征(如市值、流动性、前期股价表现)的影响,分解出独属于公司的特质覆盖度ATOT。覆盖度因子反映了分析师群体对其时间、精力和注意力的分配。

特质覆盖度越高,公司未来基本面向好的可能性越大

特质覆盖度对公司未来基本面具有较强的预测能力。特质覆盖度越高的公司,其未来盈利能力和营运有效性向好的可能性越大。从盈利能力来看,分析师倾向于将其研究精力分配给经营净现金流为正、净利润为正、同时相比于上一年同期净利润增加的公司。从营运有效性来看,分析师倾向

更新时间:2023-06-01 14:28

股指期货基差收敛研究与对冲优化策略 信达证券-202201

摘要

基差收敛因素的研究。排除分红影响后,我们发现基差收敛速度还受到当前合约年化基差、指数未来收益率以及当前全部合约基差期限结构的影响。

对冲策略的优化。我们对股指期货的基差收敛速度进行归因分析,并通过历史统计数据做出线性回归,量化了在不同市场条件下股指期货合约的基差收敛速 度,并据此做出期现对冲策略。

正文

[/wiki/static/upload/34/3474a069-3410-4281-9dcf-dee3b9994283.pdf](/wiki/static/upload/34/3474a069-3410-4281-9dcf-dee3b9994283.

更新时间:2022-08-31 08:39

监督学习的方法介绍及金融领域应用实例-长江证券-20170727

摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法,并且结合具体的在投资研究领域应用实例、交易策略及code示例,说明其应用情景和实现方法。机器学习的方法可以分为以下几类:监督学习、无监督学习、深度学习及其他机器学习方法(例如强化学习),对应到具体的模型上数量则更是繁多,目前大部分机器学习模型并未广泛的应用在投研领域,因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同,监督学习中的惩罚回归模型和非参数回归,可以分别用于处理输入变量中存在大量线性相关性关系

更新时间:2022-08-31 01:52

分页第1页第2页
{link}