一、基金池 标普500 纳指ETF 300ETF 创业板 嘉实原油 豆粕ETF 黄金ETF 恒生科技 优点 1. 地域分散：覆盖中美市场（标普 500、纳指、300ETF、恒生科技），对冲单一国家风险。 2. 资产多元：股票（权益）+ 原油 / 黄金 / 豆粕（商品），相关性低，平滑波动。 3. 周
用隐马尔科夫模型（HMM）划分沪深300的市场状态 市场不会一直上涨，也不会一直下跌，它总是在"趋势"和"震荡"之间来回切换。如果能提前识别当前市场处于哪种状态，仓位管理和策略选择就会更有依据。本文介绍如何用隐马尔科夫模型（Hidden Markov Model, HMM）对沪深300指数近十年的走
一、为什么需要组合优化 选出股票以后，还需要确定每只股票应该配置多少资金。 假设当前持有 10 只股票，最简单的方法是每只股票配置 10%，即等权组合。但等权没有区分不同股票的收益和风险特征。 组合优化希望解决的问题是： > 在给定股票池和约束条件下，如何分配股票权重，使组合更符合预期的收益与风险目
0. 策略名词解释： （1）突破因子（Breakout）： 上突破信号： !/wiki/api/attachments.redirect?id=3d346482-fc3a-4f55-ba84-3eb23ed0d92f " =452x86" 下突破信号： !/wiki/api/attachme
一、阶段性使用心得：真实感受 用了一段时间CoWork 后，最大的体会是：CoWork 不是来替代你思考的，而是你的私人助手。它帮你扛下那些重复繁琐的工作——整理零散的想法、归纳知识点、拆解晦涩的概念、拆解复杂任务。省下来的时间和精力，你可以用在真正需要判断和决策的地方。这样工作效率能提升不少，特别
一、策略简介 单个因子通常只能反映股票的某一类特征。 例如，动量因子主要观察价格趋势，估值因子关注股票是否便宜，质量因子关注公司的盈利能力。不同因子在不同市场环境下的表现可能存在较大差异，因此，仅依赖单一因子容易受到市场风格切换的影响。 多因子策略的基本思路是： > 将多个选股因子统一处理后合成为一
从正股冲板到转债成交：一个事件驱动的可转债 Tick 策略 > 标签：可转债、Tick 回测、BigTrader、事件驱动、日内交易 本文仅用于量化研究与策略开发交流，不构成任何投资建议。 一、策略简介 传统可转债策略通常从转债本身出发，例如低价、低溢价率、低余额或者多因子选债。 本文尝试从另一个角
利用平台回测函数 python performance.getstats 可以得到如下指标，示例如图： !/wiki/api/attachments.redirect?id=2b7906cb-1f1a-4e96-9520-8216ead8710b " =229x190" 1. 累计收益率（retu
> 一句话总结：本文系统介绍 BigQuant Cowork 智能体的 Skill（技能）体系——如何创建、发布到 SkillHub 以及安装调用，并结合高频因子投研实战案例，展示 AI 原生量化投研的新范式。 --- 一、为什么需要 Cowork？ 与 AI 助手的传统交互，是一种即时的、一问一答
因子原理 今天我们理解一个因子——市盈率。简单来说，它是股价和每股收益的比值！比如，某家公司的股价是20元，每股收益是1元，那么它的市盈率就是20倍！这就意味着，你愿意花20元来获取公司1元的收益。 市盈率的计算公式如下： P/E Ratio = PriceperShare/EPS Price p
研究区间：2015-01-01 ～ 2024-12-31（共 10 年，覆盖完整牛熊周期） 股票池：全 A 股（剔除 ST、停牌、上市不足 1 年、PE≤0 的股票） 研究因子：市盈率TTM、市净率、市销率TTM、ROE TTM、ROA TTM、毛利率TTM、净利润增长率（七个基本面因子，仅作示例）
1. 摘要 本文基于 BigQuant 平台对 A 股市场 2015—2025 年 5,487 只股票（含 324 只已退市个股）的全量数据，系统检验价格动量因子（Price Momentum）与残差动量因子（Residual Momentum）的有效性，并从三个维度深化研究： | 维度 | 核心发
一、前言 最开始做量化的时候我踩过无数大坑：网上扒几十号因子胡乱堆砌，回测曲线漂亮到离谱，一模拟盘直接大幅回撤；要么只顾埋头找 “黑马因子”，原始数据拿来直接相加选股，最后赚的钱全是蹭行业风口、赌小盘行情，压根没有真正的阿尔法收益。 打磨很久之后落地了这套 13 因子选股体系，整套逻辑通俗落地，核心
小单资金流残差因子——一个用来捕捉"散户异常情绪"的信号。 听起来很高大上，但逻辑其实很朴素： > 散户（小单）在疯狂买入或疯狂卖出一只股票，但这种行为又无法用股价本身的涨跌来解释——这就是一个值得关注的信号。 先聊聊背景：什么是资金流？ 在 A 股，每一笔交易都可以按照挂单金额分为四类： | 类型
一、研究背景与问题提出 传统量化选股策略通常建立在人工构造因子和线性打分模型基础上，例如将价值、成长、质量、动量等因子进行加权求和，再依据得分进行选股。这类方法优点在于逻辑清晰、可解释性强，但也存在明显局限：一方面，不同因子与未来收益之间的关系未必是线性的；另一方面，不同因子之间可能存在复杂交互关系
一、策略概述 这是一个打板的分钟回测策略，如果要实盘的话肯定需要自动化。回测绩效结果如下： 从24年9月到25年3月，取得了年化82.43%的年化收益，最大回撤可控，-20.74%。策略的特点就是胜率较高，符合打板策略的特色。 !/wiki/api/attachments.redirect?id=
1. 策略概览 本策略基于KAN模型，在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年，测试集时段为未来一年，如2018年训练集采用2013-01-01至2017-12-29，测试集时段为2018-01-03至2018-12-31。数据使用当期全市场数据，聚焦于量价数据及其衍生，
1. 策略概览 本策略基于DNN（MLP）模型，在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年，测试集时段为未来一年，如2018年训练集采用2013-01-01至2017-12-31，测试集时段为2018-01-01至2018-12-31。数据使用当期全市场数据，聚焦于量价数据
1. 策略概览 本策略基于lightgbm模型，在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年，测试集时段为未来一年，如2018年训练集采用2013-01-01至2017-12-29，测试集时段为2018-01-03至2018-12-31。数据使用当期全市场数据，聚焦于量价数据
在行为金融学里有种心理叫处置效应（Disposition Effect）——人们倾向于过早卖出盈利的股票，过晚卖出亏损的股票。 资本利得突出量（Capital Gains Overhang，CGO） 就是把这个心理量化出来的因子。它试图回答一个问题：当前市场上持有这只股票的投资者，平均处于盈利还是亏