精华内容
下载资源
问答
  • 量化投资模型

    2019-03-26 12:30:50
    机器学习(股票) 量化策略源码,本策略选取了七个特征变量组成了滑动窗口长度为15天的训练集,随后训练了一个二分类(上涨/下跌)的支持向量机模型. 若没有仓位则在每个星期一的时候输入标的股票近15个交易日的特征变量...
  • 多因子量化投资模型策略深度研究

    千次阅读 2020-04-14 15:59:12
    量化投资模型的开发步骤一般是:数据处理、寻找因子、回测验证、实盘模拟、风险归因。 数据处理:去极值、标准化、中性化;数据预处理。 寻找因子:寻找Alpha;寻找收益波动比因子 风险归因:简单策略归因,...

    | 来源:交易极客

    量化投资模型的开发步骤一般是:数据处理、寻找因子、回测验证、实盘模拟、风险归因。

    数据处理:去极值、标准化、中性化;数据预处理。

    寻找因子:寻找Alpha;寻找收益波动比因子

     

    风险归因:简单策略归因,大家有时间可以慢慢研究

    其实,除模型开发之外,交易系统的构建、回测系统、风控和数据清理等每个部分都很关键。比如数据处理,你用的工具是Matlab还是R,或者c++以及python,如果是工具本身的格式速度会快很多,就像python的npy格式,或者c++的二进制格式。再有就是根据你的不同需求用什么数据,切片数据、分钟数据或者tick数据。每一块都可以是一个坑。

    而量化的模型大致可分为:

    1.趋势形、回复型,都依赖价格数据。

    2.价值型/收益型、成长型和品质型,此类型策略都基于基本面数据。

     3.技术情绪型,较少见,通常都只作为一个辅助因子。

    趋势跟随策略

    趋势跟随策略是基于以下的基本假定:市场在一定时间里通常朝着同一方向变化,据此对市场趋势做出判断,就可以作为制定交易策略的依据。定义趋势通常用移动平均线交叉来定义趋势。

    MACD移动平均线示例

    MACD(Moving Average Convergence and Divergence)是Geral Appel 于1979年提出的,利用收盘价的短期(常用为12日)指数移动平均线与长期(常用为26日)指数移动平均线之间的聚合与分离状况,对买进、卖出时机作出研判的技术指标。从双移动平均线发展而来的,由快的移动平均线减去慢的移动平均线。MACD的意义和双移动平均线基本相同。但阅读起来更方便。

    指标应用法则:

      1.DIF向上交叉MACD,买进;DIF向下交叉MACD,卖出。

      2.DIF连续两次向下交叉MACD,将造成较大的跌幅。

      3.DIF连续两次向上交叉MACD,将造成较大的涨幅。

      4.DIF与股价形成背离时产生的信号,可信度较高。

      5.MDA、MACD、TRIX三者构成一组指标群,互相验证。

    当MACD从负数转向正数,是买的信号。当MACD从正数转向负数,是卖的信号。当MACD以大角度变化,表示快的移动平均线和慢的移动平均线的差距非常迅速的拉开,代表了一个市场大趋势的转变。MACD是Geral Appel 于1979年提出的,它是一项利用短期(常用为12日)移动平均线与长期(常用为26日)移动平均线之间的聚合与分离状况,对买进、卖出时机作出研判的技术指标。

    公式算法:

    短期EMA:短期(例如12日)的收盘价指数移动平均值(Exponential Moving Average)

    长期EMA:长期(例如26日)的收盘价指数移动平均值(Exponential Moving Average)

    DIF线: (Difference)短期EMA和长期EMA的离差值

    DEA线: (Difference Exponential Average)DIF线的M日指数平滑移动平均线

    MACD线: DIF线与DEA线的差

    参数:SHORT(短期)、LONG(长期)、M天数,一般为12、26、9。指数加权平滑系数为:

    短期EMA平滑系数:2/(SHORT+1)

    长期EMA平滑系数:2/(LONG+1)

    DEA线平滑系数:2/(M+1)

    DIF从下而上穿过DEA,买进;

    相反,如DIF从上往下穿过DEA,卖出。

    mport quartz
    import quartz.backtest    as qb
    import quartz.performance as qp
    from   quartz.api         import *
    
    import pandas as pd
    import numpy  as np
    from datetime   import datetime
    from matplotlib import pylab
    
    import talib
    
    
    
    start = datetime(2013, 1, 1)
    end = datetime(2015, 1, 22)
    benchmark = 'HS300'
    #universe = ['601398.XSHG', '600028.XSHG', '601988.XSHG', '600036.XSHG', '600030.XSHG',
               #'601318.XSHG', '600000.XSHG', '600019.XSHG', '600519.XSHG', '601166.XSHG']
    universe = set_universe('SH50')
    capital_base = 200000
    refresh_rate = 1
    window = 1
    
    initMACD = -10000.0
    histMACD = pd.DataFrame(initMACD, index = universe, columns = ['preShortEMA', 'preLongEMA', 'preDIF', 'preDEA'])
    shortWin = 26    # 短期EMA平滑天数
    longWin  = 52    # 长期EMA平滑天数
    macdWin  = 15    # DEA线平滑天数
    
    def initialize(account):
       account.amount = 10000
       account.universe = universe
       add_history('hist', window)
       account.days = 0
       
    def handle_data(account):
       account.days = account.days+1
       
       for stk in account.universe:
           prices = account.hist[stk]['closePrice']
           if prices is None:
               return
           
           preShortEMA = histMACD.at[stk, 'preShortEMA']
           preLongEMA = histMACD.at[stk, 'preLongEMA']
           preDIF = histMACD.at[stk, 'preDIF']
           preDEA = histMACD.at[stk, 'preDEA']
           if preShortEMA == initMACD or preLongEMA == initMACD:
               histMACD.at[stk, 'preShortEMA'] = prices[-1]
               histMACD.at[stk, 'preLongEMA'] = prices[-1]
               histMACD.at[stk, 'preDIF'] = 0
               histMACD.at[stk, 'preDEA'] = 0
               return
               
           shortEMA = preShortEMA*1.0*(shortWin-1)/(shortWin+1) + prices[-1]*2.0/(shortWin+1)
           longEMA = preLongEMA*1.0*(longWin-1)/(longWin+1) + prices[-1]*2.0/(longWin+1)
           DIF = shortEMA - longEMA
           DEA = preDEA*1.0*(macdWin-1)/(macdWin+1) + DIF*2.0/(macdWin+1)
           
           histMACD.at[stk, 'preShortEMA'] = shortEMA
           histMACD.at[stk, 'preLongEMA'] = longEMA
           histMACD.at[stk, 'preDIF'] = DIF
           histMACD.at[stk, 'preDEA'] = DEA
               
           if account.days > longWin and account.days%1 == 0:
               #if DIF > 0 and DEA > 0 and preDIF > preDEA and DIF < DEA:
               if preDIF > preDEA and DIF < DEA:
                   order_to(stk, 0)
               #if DIF < 0 and DEA < 0 and preDIF < preDEA and DIF > DEA:
               if preDIF < preDEA and DIF > DEA:
                   amount = account.amount/prices[-1]
                   order_to(stk, amount)
    
    
    上证指数上的MACD线指标实例:
    
    
    
    
    
    from CAL.PyCAL import *
    
    # DataAPI.MktIdxdGet返回pandas.DataFrame格式
    sh_index =  DataAPI.MktIdxdGet(indexID = "000001.ZICN", beginDate = "20140101", endDate = "20140731")
    
    # calculate DIF, DEA, and MACD
    initMACD = -1000.0
    sh_index['shortEMA'] = initMACD
    sh_index['longEMA']  = initMACD
    sh_index['DIF']     = initMACD
    sh_index['DEA']  = initMACD
    sh_index['MACD']     = initMACD
    
    shortWin = 12
    longWin  = 26
    macdWin  = 9
    
    index = sh_index.index
    
    for i in range(0, index.shape[0]):
       if i == 0:
           sh_index['shortEMA'].iloc[i] = sh_index['closeIndex'].iloc[i]
           sh_index['longEMA'].iloc[i]  = sh_index['closeIndex'].iloc[i]
           sh_index['DIF'].iloc[i]     = sh_index['shortEMA'].iloc[i] - sh_index['longEMA'].iloc[i]
           sh_index['DEA'].iloc[i]  = sh_index['DIF'].iloc[i]
           sh_index['MACD'].iloc[i]  = sh_index['DIF'].iloc[i] - sh_index['DEA'].iloc[i]
       else:
           sh_index['shortEMA'].iloc[i] = sh_index['closeIndex'].iloc[i]*2.0/(shortWin+1) + sh_index['shortEMA'].iloc[i-1]*(shortWin-1)/(shortWin+1)
           sh_index['longEMA'].iloc[i]  = sh_index['closeIndex'].iloc[i]*2.0/(longWin+1) + sh_index['longEMA'].iloc[i-1]*(longWin-1)/(longWin+1)
           sh_index['DIF'].iloc[i]     = sh_index['shortEMA'].iloc[i] - sh_index['longEMA'].iloc[i]
           sh_index['DEA'].iloc[i]  = sh_index['DIF'].iloc[i]*2.0/(macdWin+1) + sh_index['DIF'].iloc[i-1]*(macdWin-1)/(macdWin+1)
           sh_index['MACD'].iloc[i]  = sh_index['DIF'].iloc[i] - sh_index['DEA'].iloc[i]
    
    sh_index = sh_index.set_index('tradeDate')
    
    # plot data
    pylab.figure(figsize=(15,6))
    pylab.plot(sh_index.index, sh_index.closeIndex)
    pylab.plot(sh_index.index, sh_index.longEMA)
    pylab.plot(sh_index.index, sh_index.shortEMA)
    pylab.legend([u'ShangZheng Index', u'long period EMA', u'short period EMA'], loc = 'best', fontsize = 12)
    pylab.grid()
    
    pylab.figure(figsize=(15,6))
    pylab.plot(sh_index.index, sh_index.DIF)
    pylab.plot(sh_index.index, sh_index.DEA)
    pylab.plot(sh_index.index, sh_index.MACD)
    pylab.legend([u'DIF line', u'DEA line', u'MACD signal'], loc = 'best', fontsize = 12)
    pylab.grid()

    拓展阅读:

    1.一个量化策略师的自白(好文强烈推荐)

    2.市面上经典的量化交易策略都在这里了!(源码)

    3.期货/股票数据大全查询(历史/实时/Tick/财务等)

    4.干货| 量化金融经典理论、重要模型、发展简史大全

    5.从量化到高频交易,不可不读的五本书

    6.高频交易四大派系大揭秘

    展开全文
  • 解读量化投资_西蒙斯用公式,大数据,壁虎投资法,大奖章基金
  • A comprehensive guide to Avellaneda & Stoikov’s market-making strategy
    展开全文
  • 用EXCEL也可以进行量化建模
  • “我相信是时候了,”西蒙斯在写给投资者的信中写道。经过了数年的酝酿,信件的出现正式标志着这位神秘对冲基金“掌门人”退出。 数学家出身的“掌门人” 吉姆•西蒙斯是历史上最伟大的对冲基金经理之一,在全球...

    在为自己、员工和客户创造了巨额财富之后,即将在下一次生日跨过这一门槛的西蒙斯,将辞去其600亿美元规模的对冲基金文艺复兴科技公司(Renaissance Technologies,以下简称“文艺复兴”)董事长一职。

    “我相信是时候了,”西蒙斯在写给投资者的信中写道。经过了数年的酝酿,信件的出现正式标志着这位神秘对冲基金“掌门人”退出。

    数学家出身的“掌门人”

    吉姆•西蒙斯是历史上最伟大的对冲基金经理之一,在全球投资业内,他的名气并不亚于索罗斯,更是被认为是保尔森、达利欧这些业内领军者的前辈。他曾帮助开创了钟爱数学和计算机的量化投资领域,该领域已在华尔街占据主导地位,被誉为 “量化基金之王”。

    2020年,詹姆斯·西蒙斯以235亿美元财富位列《2020福布斯美国富豪榜》第23位。

    在扬名华尔街之前,西蒙斯的另一个身份早已获得全世界的肯定,那就是数学家。年仅23岁的西蒙斯获得加州大学伯克利分校数学博士学位,一年后出任哈佛大学数学系讲师。

    在完成个人数学事业成就期间,创立了对数学和物理学影响深远的“陈一西蒙斯规范理论”。用数学理论证实了爱因斯坦相对论描述的扭曲空间确实存在。

    西蒙斯有一个非常出名的童年故事,就是他思考汽车油箱里的油既然是用完一半还剩一半,那么为什么有一天油量会耗尽。这个故事在西方叫做芝诺悖论,在东方就是“日取其半万世不竭”,当然这一点西蒙斯不值得骄傲。

    从这个故事里我们能看出西蒙斯的数学天赋爆表,他也不负众望,考到了麻省理工学院去读数学系,他用了四年时间完成了本科和硕士学位,接下来跑到加州大学伯克利分校念数学博士,主攻拓扑学方向。

    这样的人生经历就是我们父母口中常说的“别人家的孩子”,1967年西蒙斯决定到纽约州立大学石溪分校出任数学系主任,之所以一下子就拿到这么高的职位,是因为这个学校是新建起来的,以前这所学校没有数学系。不过西蒙斯自己倒是也不负众望,现在纽约州立大学石溪分校的数学系已经是全美的数学圣地。

    1976年西蒙斯达到了他在学术界的巅峰,拿到了维布伦奖,这个奖每五年评出一次,是几何学界的诺贝尔奖,这一年他38岁。当然这个时候西蒙斯完全可以颐养天年,每年参加一下学术界的年会,到各个论坛发表一些高谈阔论就好了,但是他没有,反过来他觉得学术界的节奏太慢,一篇成果很久都出不来,所以他决定改行,而方向就是那个曾经让他小赚一笔的交易界。

    图片

    创立文艺复兴科技公司

    1982年,西蒙斯在纽约成立了文艺复兴科技公司,1988年3月,其创立了第一支基金产品——大奖章基金,在1989年——2009年间大奖章基金平均年回报率高达35%。

    较同期标普500指数年均回报率高20多个百分点,索罗斯和巴菲特的操盘表现高出10余个百分点。即便是在2007年的次贷危机中,该基金的回报率仍高达85%。

    西蒙斯的公司在华尔街算是很特别的公司,在300余名员工中,没有一位是金融相关的背景。就连西蒙斯本人,也只是以“数学家”自居,很少参与金融界活动。

    20年来,西蒙斯的复兴科技对冲基金在全球市场进行交易,并且使用了复杂的数学模型去分析并执行交易,其中很多过程已经完全自动化了。复兴科技公司使用了程序模型来预测那些易于交易的金融工具价格。这些程序模型的建立是在大量数据收集之后,通过寻找那些非随机行为来进行预测。

    到1999年12月底的11年来,大奖章基金累计的回报是2478.6%,是原资产的25倍。依据对冲基金观察家Antonie Bernheim的数据,在同时期的离岸基金中,仅次于此的是乔治索罗斯的量子基金,而他的回报率在1710.1%。在2009年,大奖章基金名列获利最高的对冲基金之首,获利超过10亿美金。

    大奖章基金的投资范围有着严格的限制,投资的产品必须符合3个条件:“必须在公众市场上交易、必须有足够的流动性、必须适合用数学模型来交易。”

    正因为如此,大奖章基金不包括创投基金,不涉足未上市公司股份,而一些小公司的股票、创业板股票也不包括在内,而适合用数学模型交易的品种一般来说要求有比较多,有比较准确的历史价格、交易量等。

    从2002年底至2005年底,规模为50亿美元的大奖章基金已经为投资者支付了60多亿美元的回报。1990年大奖章的净回报为55.9%;翌年39.4%;之后的两年分别是34%和39.1%。1994年,美联储连续6次加息,而大奖章基金净赚了71%;2000年,科技股股灾,标普指数下跌了10%,大奖章基金更是大获丰收,净回报98.5%;2008年,全球金融危机,各类资产价格下滑,大部分对冲基金都亏损,而大奖章赚了80%。

    图片

    解码金融模型

    在一次采访中,西蒙斯引用“有效市场”(efficient market)的理论说,其实数据里面什么也没有。比如价格数据会预示未来的种种情况,所以某种程度上说价格总是对的,但事实上不是。包括历史数据在内,数据里有一些异常情况。
    不过渐渐地,西蒙斯领导的团队发现了越来越多的异常情形。其中没有一种应该作为极端异常的情形排除在外,忽略不计。它们属于细微的异常。将这类微妙的异常集合在一起,就可以开始准确预测某些事。
    投资者最关心的莫过于,模型有多精密?是那种方程式和算法的庞然大物,还是些简单的东西?
    西蒙斯说,今天的模型系统相当精密,可那也不是一大堆堆砌在一起,它应该算“机器学习”。其过程类似于:

    你发现一些可以用于预测的模式,会猜测哪些是有预见性的,接着就在电脑上测试,测试结果可能是你猜对了,也可能猜错;接下来,你利用长期历史数据、价格数据等信息做测试;最后把它们加入系统,如果有效就留在系统里,无效就剔除。

    因此,西蒙斯认为,系统不存在什么精密的方程式,至少在预测这个环节没有。但预测不是系统唯一的环节,还必须了解交易时的成本,一旦交易就可能影响市场动向。普通散户买个200股还不会怎么影响,可要是你想买20万股,就会推升价格。

    那么问题来了:价格会被你推高多少?会不会因为那么做过于扭曲市场,让你自己也没法获利?所以必须了解成本,必须明白怎样尽量减少波动,减少自己所有持仓的波动。西蒙斯说,满足这部分要求,得用一些非常复杂的应用数学,也不是什么惊天动地的高深学问,可是很复杂。

    采访者又问:这个模型是只涉及数学领域,还是多个领域?

    西蒙斯没有透露具体用了哪些理论,而是说大部分用到统计学,还有些概率论。模型的研究范围很广泛,涉及各类可能有效的事物。它是个大电脑模型,由一个主模型控制一定规模的资金,但不会控制庞大的资金,因为那样会太影响市场。主模型操纵的规模在合理的范围内,永远不会变成独霸市场的大怪兽。毕竟,要是一家独大也就没有对手方了。

    图片

    去年文艺复兴亏损超30%

    尽管这些年文艺复星的量化基金一直运营得不错,但在动荡的2020年,文艺复兴的定量模型似乎也没能逃脱多数量化基金的命运。

    相关报道显示,文艺复兴的公共基金去年亏损超过30%。文艺复兴的资管规模为近600亿美元,较前一年的750亿美元资管规模大幅缩水。

    但值得注意的是,该公司只对员工开放的“大奖章基金”(Medallion fund)在去年全球市场大动荡中飙升了76%。Medallion是首批量化基金之一,历史上的年平均回报率约为40%。

    -----------------------------------------------------------------------------------

    推荐阅读:

    1.一个量化策略师的自白(好文强烈推荐)

    2.股票期货经典的量化交易策略都在这里了!(源码)

    3.期货/股票数据大全查询(历史/实时/Tick/财务等)

    4.史上最全的Python定量金融三方库汇总

    5.干货 | 量化选股策略模型大全

    6.量化金融经典理论、重要模型、发展简史大全

    展开全文
  • 量化投资要在市场中取得成功,建立风险模型进行有效风险控制是必不可少的一个环节。风险模型的建立是量化投资的关键,是持续获得稳定超额回报的基本保障,风险模型的有效程度直接决定量化投资的业绩。 稳健的回报...

    量化投资要在市场中取得成功,建立风险模型进行有效风险控制是必不可少的一个环节。风险模型的建立是量化投资的关键,是持续获得稳定超额回报的基本保障,风险模型的有效程度直接决定量化投资的业绩。

    稳健的回报产生惊人复利,因此通过风险模型规避回撤保护业绩非常重要,每一次的回撤都需要后期更高的涨幅才能回到前期高点 。

    风险模型是对组合结构的修正

    对冲的基本操作是在多头部分构建股票组合,在空头部分通过卖空股指期货合约等衍生品进行反向操作,以降低组合波动风险。

    对冲又分为简单对冲和风险模型对冲,目前市场上较多的对冲基金采取的是简单对冲,即简单选股直接叠加股指期货做空,由于多头股票组合与空头的股指期货合约不匹配,会导致行业风格等方面结构差异,带来风险;

    风险模型对冲则是先通过风险模型对多头的股票组合作风险结构修正,尽量在结构上与做空的指数拟合,降低与指数的结构差异,然后再作对冲,会显著降低组合波动风险;

     

    微信图片_20200604134636.jpg

    如上图,风险模型对冲示意中,经过风险模型处理后,多头组合的结构呈椭圆形与沪深300估值期货合约拟合,叠加对冲后,组合没有如简单对冲的上下突出的风险暴露。

    主流的两大风险模型

    微信图片_20200604134839.jpg

    基本面风险模型

    基本面风险模型是目前被各类投资者广泛应用的风险模型,即从技术面、基本面角度分析多头股票组合未来的价格变动趋势,进而买入符合要求的股票同时卖出不符的股票。

    统计层面风险模型

    统计层面风险模型不是基于股票的基本面分析,而是密切跟踪市场短期风格切换,对运行结构的变化反应迅速,更好的保护Alpha收益。

    微信图片_20200604135014.jpg

    双重风险模型保护让超额收益更稳定

    举例1

    某行业或个股景气度下降,传统的基本面风险模型需等到定期报告发布,经营指标恶化后才能对行业或个股进行调整,但市场上总有先知先觉者,往往先于定期报告做出反应,统计风险模型即通过密切跟踪市场风格的短期变化,捕捉此类信息进行数理分析,快速调整。

    举例2

    说人话!小明买了一辆新车,为了降低事故造成的损失,他买了交强险,可以对道路交通事故中造成的人员伤亡、财产损失提供及时和基本的保障。问题来了,车辆行驶中,即便再小心,也难免磕碰造成自身车辆损失,这时候只有交强险是不够的,如果再购买车辆损失险,那么有双重保障,小明的意外损失就大为降低了。

    微信图片_20200604135205.jpg

    同理,在风险控制的过程中,仅仅使用一种风控模型,投资的安全性还不能得到有效保护。传统的组合构建通常采用单一基本面风险模型控制风险敞口,尽管能够在一定程度上控制市场风险,但是却面临着对市场变化反应迟钝的问题。如果同时再选择统计风险模型,可以确保组合在剧烈的市场风格切换时第一时间做出反映,通过双重风险模型的叠加,让投资组合的超额收益更加稳定。

    来源公众号:日出投资

    推荐阅读:

    1.一个量化策略师的自白(好文强烈推荐)

    2.股票期货经典的量化交易策略都在这里了!(源码)

    3.期货/股票数据大全查询(历史/实时/Tick/财务等)

    4.一个完整的量化交易系统都需要哪些功能?

    5.学习Python有哪些书籍?这里有一份书单送给你

    6.江湖中常说的“网格交易法”到底是什么?

    7.10种经典的日内交易策略模型思路

    8.干货 | 量化选股策略模型大全

    9.量化金融经典理论、重要模型、发展简史大全

    展开全文
  • 这是国际上主流的Hedge Fund所用的量化策略,据知名数据商Eureka hedge的统计数据,在国际对冲基金中长期占比第一(一直超过30%)。比如2011年获得美国量化基金业评比第一名的贝莱德“32Cap全球对冲基金产品”使用的...
  • 原标题:R语言量化投资常用包总结 前言总是被很多的人问,为什么用R语言做量化投资,R、Python、Matlab比起来哪个更好?其实,答案很简单,你哪个用的熟就用哪个,工具是用来提升效率的,结果才是你会得到的。认准...
  • 全文共1459字,预计学习时长3分钟 图片来源:Unsplash,Austin Distel摄 对经商者来说,算法交易是一个难得的机会,可以将手动交易策略拓展到自动化领域。如果你研究过策略自动化,...而量化策略同样分成了5种...
  • 在为大家熟知的多套金融投资学理论中,对量化投研尤其重要的有三大理论:资产定价理论、投资组合理论以及市场有效假说理论。 资本资产定价理论 资本资产定价理论,源于CAPM模型,最先提出了Beta的概念以及Alpha的...
  • 王小川 著 python与量化投资-从基础到实战 原书配套代码及资源包下载 王小川 著 python与量化投资-从基础到实战 原书配套代码及资源包下载
  • 上一节我们已经得到了一个比较完整的数据库,但是这个数据库并不适用于量化投资的研究,这是为什么呢?1)数据并没有经过清洗,比如还有一些"None"、“--”数据,会在后续模型搭建中影响正常的矩阵运算。2...
  • 一个完整的量化模型包括哪些

    千次阅读 2019-05-09 13:49:37
    近几年,量化投资在国内兴起,但在很多人眼里,量化投资仿佛是一个非常神秘的新事物。而实际上,量化投资的无非就是宽客通过计算机语言,将交易策略布置到一个量化系统中,然后进行回测和实战的过程。量化投资的本质...
  • 常用的量化策略及其实现187 6.1 量化投资概述187 6.1.1 量化投资简介187 6.1.2 量化投资策略的类型188 6.1.3 量化研究的流程189 6.2 行业轮动理论及其投资策略192 6.2.1 行业轮动理论简介192 6.2.2 行业轮动的原因...
  • 77岁高寿的詹姆斯·西蒙斯(James ...当然,他最为华尔街敬仰的还是缔造了量化投资的先驱——文艺复兴基金(Renaissance Technologies Corp.)。 这位“量化投资之王”2010年已经离开了260亿美元规模的文艺复兴基...
  • 有人说,量化投资有一个神秘的数量模型“黑匣子”,左边输入数据,右边输出交易单。投资经理人根据交易单选股,就能坐收渔利了。  那么,这个“黑匣子”是什么?李笑薇说,尽管每一名成功的量化投资经理人,都不会...
  • 最后,作者还介绍了如何将书中提出的策略有效地整合到你的投资过程中,以创造优秀的选股模型,构建自己的量化模型投资组合,并实现超越市场的收益。本书中概括出的量化方法可以为定性投资者提供一个被证实的设计...
  • 七种量化选股模型

    千次阅读 2020-12-02 10:10:00
    1.多因子模型 多因子模型是应用最广泛的一种选股模型,基本原理是采用一系列的因子作为选股标准,满足这些因子的股票则被买入,不满足的则卖出。 基本概念 举一个简单的例子:如果有一批人参加马拉松,想要知道哪些...
  • 如果有人说你是百年难得一见的量化投资天才,要送你一本秘籍,你信还是不信? ​ 你是否有量化投资天赋我不知道,也没有秘籍。但本文可以测试你是否有量化编程的天赋。 我会用一个实际案例逐行讲解量化代码,...
  • 5. 投资组合构建模型 5.1 基于规则的投资组合构建模型 5.2 基于优化的投资组合构建模型 5.2.1 优化工具的输入变量 5.2.2 优化技术 6. 执行模型 6.1 订单执行算法 6.1.1 进取订单和被动订单 6.1.2 其他订单...
  • 国内的量化策略可以简单分为三个类型,Alpha策略,CTA策略以及高频交易策略。1.Alpha策略 Alpha策略包含不同类别: 按照研究内容来分,可分为基本面Alpha(或者叫财务Alpha)和量价Alpha。业内普遍不会将这两种Alpha...
  • 解读量化投资_西蒙斯用公式,投资方法按照数据来源的不同分为技术型和基本面型
  • python线性回归 多因子模型选股思路 https://blog.csdn.net/qq_18668137/article/details/105144670
  • pytorch量化尝试

    2020-09-24 20:38:55
    此代码实现的是pytorch量化的流程,里面卷积等模块也有自己实现的部分,借助pytorch的统计信息,便于后续的工程量化的落地实施
  • 策略篇--量化投资之双均线策略

    万次阅读 2019-04-12 15:59:46
    这也给我们一个提示,如果自己做投资,不靠程序的话,那跌破30(或60)日均线清仓的操作还是很有必要的。 那现在还有个问题,为什么我们要取5日均线和30日均线呢?这是个好问题,而且似乎我们的答案只能是:这是...
  • 目录 1. 量化交易系统框架 2. 阿尔法模型 2.1 阿尔法模型的定义 2.2 阿尔法模型的分类 2.2.1 理论驱动型阿尔法模型 ...量化交易系统主要包括三个模块,即阿尔法模型(alpha model)、风险模型(risk mod...
  • 量化投资学习——理解Barra模型

    千次阅读 2021-03-18 16:27:46
    1.。Barra 因子模型求解采用了带权重和约束条件的最小二乘回归,求解起来并不是那么直观,有一定的复杂性。所以本文就来介绍截面回归的求解过程。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 12,953
精华内容 5,181
关键字:

量化投资模型

友情链接: edgedetect.rar