数据驱动决策

在金融领域,"数据驱动决策"已经成为现代业务运营的核心。大量的结构化与非结构化数据,通过高效的分析工具和机器学习算法,被转化为具有前瞻性的洞察,为风险管理、投资策略、客户关系管理等提供了精确指导。这种决策模式的优势在于,它能够减少人为偏见和误差,提供更加客观、实时的分析结果。尤其是在快节奏的金融市场,数据驱动的决策不仅可以加速反应时间,还可以根据历史模式和市场趋势预测未来,从而实现更高的投资回报率。简而言之,数据已经成为金融决策的生命线,为行业带来了更高的效率、准确性和灵活性。

代码策略

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/stockranker-qFD1Xg1Wz3


代码策略

[https://bigquant.com/experimentshare/23b8dad5c75e4e399bb937d498dccb8f](https://bigquant.com/experimentshare/23b8dad5c75e4e399bb937d498dcc

更新时间:2024-05-16 06:36

中信证券【基本面量化】行业选择逻辑与行业配置策略

/wiki/static/upload/bf/bf43777d-70f4-4cfc-be1c-d17c4002d57b.pdf

\

更新时间:2024-05-15 02:10

HeatMap - 热力图

接口

对于HeatMap(热力图)的 _type=”heatmap” 和 series_options:

bigcharts.Chart(
    ... 其他参数
    # 【设置图表类型】图表类型,具体参考各类型图表
    type_ = "heatmap",
    
    # 热力图中y传入的数据轴必须是两项,第一项表示的是y轴坐标轴的刻度数据第二项表示的

更新时间:2024-04-25 07:38

零基础《AI挑战虚拟股票预测大赛》入门教程

https://bigquant.com/experimentshare/57c7495eba374b90b4d5747154df41b8

\

更新时间:2023-11-26 16:58

监督式机器学习算法的应用:择时

导语

《Machine Learning for Stock Price Forecasting》是Ali El-Shayeb撰写的机器学习系列文章 ,本文主要介绍其第二部分内容——《监督式机器学习算法的应用》,并将其思想和代码应用在中国股票市场,开发出具有择时功能的监督式机器学习算法,最后进行策略回测。对此感兴趣的小伙伴可以直接在本文文末克隆策略源代码,进行深入和扩展研究。

《监督式机器学习算法的应用》

Ali El-Shayeb通过价格和成交量相关的9个特征训练模型,特征列表和数据来源见下图。

![](/community/uploads/default/origin

更新时间:2023-11-26 16:58

编辑器如何设置字体?

更新时间:2023-10-25 03:05

【参赛】Deep Alpha-CNN策略克隆&调参擂台赛

\

更新时间:2023-06-27 03:23

互联网图像中的像素级语义识别

编者按:“天街小雨润如酥,草色遥看近却无。”

从韩愈的这两句诗可以看出,人对图像内容的语义理解,并不依赖于细粒度监督信息做辅助。

与之相比,在机器学习领域,现阶段的语义分割任务,则依赖于大量的精细标注数据。互联网,作为最为丰富的数据源,吸引着相关从业人员的目光,然而要想利用这些数据,则面临着巨大的标注压力。

因此,引发了两点思考:第一,能否结合关键词信息作辅助,从web中直接学习知识,而不需要精细的人工标注呢?第二,能否利用类别无关的线索,在标注少量类别的数据集上训练好后,将其泛化到其他所有类别物体呢?

本文中,来自南开大学的程明明教授,将从这两点展开介绍目前的研究进展。

更新时间:2023-06-14 03:02

Moneyball和算法投资

1977年,一场革命悄然在棒球界开始。开头非常简单:所有人可以获得便宜的数据。当这场革命结束之后,棒球界的价值观从而随之颠覆。

这场革命由一位叫做Bill James的人开始,他最早打印他自己制作的80页的书(或者称之为小册子?)。这本书充满了数据:打击率、得分、盗垒、天气等等。这些数据其实很早已经被职业队所拿到,但是没有任何的职业队使用这些数据去研究里面的潜在信息。Bill James和一些其他人看到了这些数据中的潜在价值,而因此一种全新的来衡量棒球球员价值的方法诞生了。

你兴许已经听过或看过https://en.wikipedia.org/wiki/Moneyball的故事。电影/

更新时间:2023-06-14 03:02

如何使用自己的数据运行

https://bigquant.com/experimentshare/657440e6921f4a32833dad80017fb83e

\

更新时间:2023-06-01 02:13

2023.5 直播代码-潮汐因子+集群算力

{{membership}}

https://bigquant.com/experimentshare/78b2cb544e1b4f108ed767acf490c133

\

更新时间:2023-05-31 07:22

BigQuant_ChatGPT

你好

更新时间:2023-02-10 06:37

用传统框架测试机器学习-GBDT算法

策略案例

https://bigquant.com/experimentshare/44cc116a1dad4c37983b9be35da208ee

\

更新时间:2022-11-20 03:34

量化策略专题研究:行业趋势配置模型研究-中信证券-20200325

/wiki/static/upload/74/7464d5e3-c643-485a-bdef-793d0ba69cca.pdf

\

更新时间:2022-10-09 11:05

你认为量化投资有何魅力?

有人说量化投资既有技术的魅力,也有纯学术研究的魅力。

量化投资的信息来源主要是公开、客观的数据,所以“数据驱动决策”的决策权,在相对静态的数据、模型、历史周期里,并非人的主观。于是,这让量化的投研可以更加纯粹地追求效率,且更有社会经济效益。

如果你从事的是量化领域,那么哪里更让你有兴趣?

更新时间:2022-09-07 07:15

高频回测模块择时策略

8月19日Meetup策略模板:

https://bigquant.com/experimentshare/a6bae485ffcc47819510b788ddfad338

\

更新时间:2022-05-27 10:20

DeepAlpha研究报告


\

更新时间:2022-04-18 02:07

自定义数据进行因子分析demo


\

更新时间:2022-02-25 06:08

实战CTA 截面动量VS时序动量 如何动态分配策略?

原文标题:The Journal of Portfolio Management Multi-Asset Special Issue

2021 3.29

作者:Olivier Schmid 、Patrick Wirth

标题:Optimal Allocation to Time-Series and Cross-Sectional Momentum

中文编辑:量化投资与机器学公众号 QIML Insight 系列

\

核心观点

趋势(或动量)策略应该根据市场的状态,动态分配策略在时序动量与截面动量的权重。

基于时序动量与截面动量的组合策略主要依赖于各品种的趋势强度及品种间的相

更新时间:2021-11-26 08:39

数据可视化

\

更新时间:2021-11-20 03:28

用Tushare下载所有股票数据

前言


自从我组建了Tushare开发者的群,一直有群友(加入方式见最后)问我怎么下载Tushare的数据,我一直觉得这不应该是技术的瓶颈,结果却成了大家问的最多的问题。所以我决定写一篇技术博客,来回答所有这样的问题。这一篇文章是针对技术小白的,也就是对怎么下载数据毫无思路的人。

首先感谢一下Jimmy(Tushare作者)开发并维护了这么好的库,用起来真的得心应手。

简而言之,下载数据就和把大象装进冰箱里一样,只有两部,下载下来,然后保存到数据库里。

技术选型




第一件要做的事情是技术选型,你使用MySQL还是PostgreSQL?Mongodb?或者是SQ

更新时间:2021-09-09 03:20

OnePy--构建属于自己的量化回测框架

写在前面:

本文主要记录我构建量化回测系统的学习历程。

被遗弃的项目:Chandlercjy/OnePy_Old

新更新中的项目:Chandlercjy/OnePy

目录

1. 那究竟应该学习哪种编程语言比较好呢?

2. 是否也有些python在线教学视频可以加速学习?

3. 那有没有什么现成的回测系统可以直接拿来用,避免重复造轮子?

4. 既然学习别人的框架那么困难,不如自己写一个

更新时间:2021-08-09 03:26

从均值方差到有效前沿(文字版)

这篇文章的主要目的是介绍有效前沿这个理论工具和分析框架。我们由均值方差分析展开,逐步推演到有效前沿。然后,我们又说到有效前沿在投资或者量化中的应用场景,最后我们也总结了有效前沿的一些问题,尤其是敏感性问题。在教程中,特意加入了一些实验代码,可以让大家在阅读的过程中有更好的理解。

有效前沿

说到有效前沿(有些叫效率边界),就要提到马科维茨的投资组合理论了。

首先介绍下它的三大假设:

  • 单一投资期,比如一年
  • 流动性很高,无交易成本
  • 投资者的选择基于最优均值方差

于是,我们可以开始推导有效前沿,在这之前,我们先约定一些数学符号:

  • $r_{f}$:无风险利率
  • $\

更新时间:2021-08-02 06:09

LSTM Networks应用于股票市场之Sequential Model

策略案例


https://bigquant.com/experimentshare/8594992a1d9345d98cbe949eb6297067

\

更新时间:2021-07-30 08:10

使用bigexpr表达式引擎开发AI策略

策略案例

https://bigquant.com/experimentshare/05251c753111424eaff32648838ac24f

\

更新时间:2021-07-30 07:26

分页第1页第2页