精华内容
下载资源
问答
  • 量化策略分析

    2016-07-26 16:58:36
  • 现在,我在一家私募基金公司做量化策略分析,工作中基于Python的经典量化投资策略,利用一定的数学模型去实现投资理念,从而让投资策略在股票、期货上达到稳定收益目标。 我觉得做量化投资,关键是要坚持,并且客观...

    更多精彩推荐,请关注我们

     

    我是本科学历,专业学的是金融工程。我深知,就目前国内情况而言,如果不读研,会很难找到和金融工程关联性大的工作。在大三时,我开始对将来的就业很迷茫,在校的生活也让我觉得粗糙无味,总想做点自己喜欢的事情,给自己一些前进的动力。

    一次偶然的机会,我接触到了实验数据的处理。我对非常感兴趣,并且让我找到了努力的方向。

    如今数据分析行业急剧发展,数据在我们的生活中无处不在,并且越来越多的企业已经意识到数据分析的重要性和发展潜力。同时越来越多的传统行业开始转型升级,建立并发展自己的数据分析部门及岗位。

    因此我向学院申请去CDA进行大数据的专业学习。到学习基地后,我开始从基础的Excel、mysql数据库、SPSS学起。接着学习python数据分析、机器学习以及大数据平台。主要用到的软件有Hadoop大数据框架、HDFS、MapReduce、Hbase、Hive、Sqoop等等。

    因为课程主要侧重数据分析方向,我们还学习了线性代数和数学基础,并且用python进行数据挖掘并制作成可视化的图表。

    经过几个月的集中学习和训练,加上本身金融工程专业的优势。很快,我对大数据的理解有了质的提升。接触和学习陌生的领域,总会给人带来意想不到的惊喜和震撼,我也乐在其中。

    现在,我在一家私募基金公司做量化策略分析,工作中基于Python的经典量化投资策略,利用一定的数学模型去实现投资理念,从而让投资策略在股票、期货上达到稳定收益目标。

    我觉得做量化投资,关键是要坚持,并且客观执行。避免情绪因素,用大数据进行处理,提高决策效率。

    在CDA学习的这段经历非常宝贵,在这个过程中我找到了前进的动力,并且我相信未来大数据行业的前景是十分可观的。

    最后给大家介绍一下我的学习课程——CDA数据分析就业班,希望有致力于加入数据分析行业的朋友,可以和我一样,在CDA学习的这几个月里,不断增值自己,逐步开启人生新的方向,让我们都可以由此出发,走得越来越远,也发展得越来越好!

    CDA数据分析就业班课程是专门为想要从事数据分析类工作所研发的精品课程,该课程包含Excel、数据库、Power BI 、Tableau等业务数据分析相关内容以及数据挖掘的数学基础、SPSS软件基础、运用SPSS构建统计模型、Python基础、数据清洗、网络爬虫、Python机器学习等数据挖掘和机器学习相关内容,并结合评分卡、电商、零售等实战项目案例课程,帮助学员迅速掌握业务数据分析、数据挖掘、机器学习相关岗位技能,学员毕业后可推荐相关工作岗位。

     扫描下方二维码

    咨询课程详情

    长 按 关 注

    CDA课程咨询

    联系人:史老师

    电话:18080942131

    展开全文
  • 量化交易策略—利用量化分析技术创造盈利交易程序的电子文档资料供大家学习参考,文件名:量化交易策略—利用量化分析技术创造盈利交易程序.pdf
  • 量化数据分析

    2019-03-21 23:15:31
    这是一本由学术界公认的大师和睿智的教师介绍现代社会科学研究方法的...《量化数据分析:通过社会研究检验想法》不只是讲授统计学——它讲授如何用统计学回答社会问题,它教会学生如何运用统计学开展一流的量化研究。
  • 趋势拟合策略量化分析

    千次阅读 2021-07-02 08:42:22
    根据趋势拟合的量化分析方法,是对股票价格历史数据进行曲线拟合,从而预测出未来几天的股价。在本文所示的程序中,用fndays表示所用历史数据的天数,pndays表示预测未来的天数。例如我们可以用过去10天的价格预测...

    根据趋势拟合的量化分析方法,是对股票价格历史数据进行曲线拟合,从而预测出未来几天的股价。在本文所示的程序中,用fndays表示所用历史数据的天数,pndays表示预测未来的天数。例如我们可以用过去10天的价格预测未来3天的股票价格。

    1、数据准备

    本文程序中用到两个数据:

    (1)20200206.npy:存储了4278支股票代码。

    (2)A股2010-2020K线数据:存储了4278支股票的历史K线数据。

    股票历史数据获取方式在文末给出。

    2、曲线拟合

    曲线拟合是对历史数据拟合成一条曲线,实际效果如下图所示:

    3、参数优化

    本策略中的可变参数包括历史天数fndays、预测天数pndays和拟合阶数order。本文所示程序中会从4278支股票各随机取出一段数据进行拟合预测,然后对全部拟合结果进行评价总结。通过对这三个参数不断迭代,优化程序会自动筛选出效果最好的参数。

    4、全部代码

    # -*- coding: utf-8 -*-
    """
    Created on Wed Mar 11 22:43:25 2020
    
    @author: yehx
    """
    
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    from scipy.optimize import leastsq
    
    
    
    def fit_leastq(t, p):
        length = len(p)
        y = 0
        for i in range(length):
            y += p[i] * np.power(t, length-1-i)
        return y
    
    
    def fit_leastq_residuals(p, t, y):
        return fit_leastq(t, p) - y
    
    
    def y_generate(coeff, x):
        length = len(coeff)
        y = 0
        for i in range(length):
            y += coeff[i] * np.power(x, length-1-i)
        return y
    
    
    #计算曲线拟合结果
    #x为输入待拟合的一维矩阵,fndays为x的长度,pndays为预测的未来天数
    #n为拟合的阶数,n取值越大拟合程度越高,过拟合风险也越高
    #返回y_fit:拟合后的结果,拟合结果是否正确的标签flag
    def fit_compute(x_data, y_data, fndays, pndays, n=3):
        flag = 0
        initals = list(0.01*np.ones(n))
        r = leastsq(fit_leastq_residuals, initals, args = (range(fndays), x_data))
        y_fit = y_generate(r[0], range(fndays+pndays))
        
        price_chage_target = y_data[-1] - x_data[-1]
        price_chage_fit = y_fit[-1] - x_data[-1]
        if price_chage_target * price_chage_fit > 0:
            flag = 1  
        return y_fit, flag
    
    #单一拟合结果作图
    #输入x为待拟合的历史数据,y_target为待预测的真实数据,y_fit为拟合的全部数据
    def single_plot(x, y_target, y_fit, fndays, pndays):
        plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
        plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
        plt.plot(range(fndays), x, marker='.', color='blue', linewidth=1.0, label='拟合数据')
        plt.plot(range(fndays, fndays+pndays), y_target, marker='.', color='green', linewidth=1.0, label='目标数据')
        plt.plot(range(fndays+pndays), y_fit, marker='.', color='red', linewidth=1.0, label='预测数据')  
        plt.legend()
        plt.show()
    
    #参数迭代优化
    def para_opti():
        #股票名称
        stock_set = list(np.load("../20200206.npy"))
        fndays_list = list(range(5, 205, 5))
        pndays_list = list(range(1, 11))
        order_list  = list(range(2, 16))
        correct_number_list = []
        parameter_list = []
        for fndays in fndays_list:
            for pndays in pndays_list:
                x_data = []
                y_data = []
                for i in range(len(stock_set)):
                    #获取股票K线数据
                    df = pd.read_csv("../../Data/A股2010-2020K线数据/"+stock_set[i]+".csv")
                    #获取收盘价数据
                    close_price = df.iloc[:,2].tolist()
                    total_num = len(close_price)
                    if total_num < fndays + pndays -1:
                        continue
                    x_start = np.random.randint(0, total_num-fndays-pndays, 1)[0]
                    x_data.append(close_price[x_start:(x_start+fndays)])
                    y_data.append(close_price[(x_start+fndays):(x_start+fndays+pndays)])
                x_data = np.array(x_data)
                y_data = np.array(y_data)
                for order in order_list:
                    correct_number = 0
                    if order > fndays:
                        continue
                    for j in range(x_data.shape[0]):
                        y_fit, flag = fit_compute(x_data[j], y_data[j], fndays, pndays, n=order)
                        # single_plot(x_data[j], y_data[j], y_fit, fndays, pndays)
                        correct_number += flag
                    correct_number_list.append(correct_number)
                    parameter_list.append([fndays, pndays, order])
                    np.save('correct_number_list.npy', np.array(correct_number_list))
                    np.save('parameter_number_list.npy', np.array(parameter_list))
                    print('[INFO] fndays: {}/200, pndays: {}/10, order: {}/15, max correct: {}/{}'.format(
                        fndays, pndays, order, max(correct_number_list), len(stock_set)))
                    print('[INFO] best parameters: '+ str(
                        parameter_list[correct_number_list.index(max(correct_number_list))]))
            
        
    if __name__ == '__main__':
        para_opti()   

    5、数据获取方式

    (1)20200206.npy:关注"量化之窗"公众号,并输入“gpdm”。

    (2)A股2010-2020K线数据:关注"量化之窗"公众号,并输入“kxsj”。

    如有疑问,请在文章下方留言。

    展开全文
  • 量化投资分析策略

    千次阅读 2019-09-14 13:04:19
    对A股进行量化投资分析,具有一下优势: 第一,数据优势。中国上市公司的财务数据披露完整,数据库更新迅速。通过常用的金融数据库,我们能够很容易地获取上市公司的财务数据。并且,数据库提供的数据也包含上市...

    对A股进行量化投资分析,具有一下优势:

    第一,数据优势。中国上市公司的财务数据披露完整,数据库更新迅速。通过常用的金融数据库,我们能够很容易地获取上市公司的财务数据。并且,数据库提供的数据也包含上市公司高管、股权结构、董事的数据,美国股票市场超过80%的交易量来自机构投资者。所以在美国股票市场,放眼望去,都是专业的机构投资者,具有极强的信息收集和、处理能力,但凡有一丁点超额收益的机会,机构投资者就会立刻发觉并利用。然而在中国股票市场上,根据上海证券交易所(以下简称上交量化投资的核心,在于提取与未来股票收益率相关的信息。这就需要市场满足两点:第一,市场是有效的,即与收益率、定价相关的信息终究会反映在价格当中。如果市场完全无效,价格不受信息的驱动,那么即使将一只股票方方面面的信息都掌握透彻,也无法对未来的收益率进行预测。

    第二,与股票定价相关的信息并不能够立刻、完全反映在价格当中,而是需要一定的时间。如果价格立刻反映信息,不给量化投资留任何分析、建仓的时间,那么量化投资也是没有用武之地的。也就是说,量化投资的适用,需要市场是有效的,但又不是那么有效,这样利用量化投资方法提取信息,才能对未来做出预测。

    投资包含机构投资者和个人投资者。这些大股东因为持股比例较高,所以对这家公司内部运营的了解会比小股东更多,他们掌握的信息更完全。如果一家公司,它的大股东不仅继续持有,而且大量买入了这家公司的股票,这通常说明大股东对这家公司非常有信心,认为这家公司的股票未来会上涨,这就传递出提升股价的信号。如果市场是有效的,那的公司其未来股票的价格波动情况。

     

     

    一个问题:如果投资者只根据单个指标进行选股,能否获得可观的绝对收益?对于单个指标,选取的条件是:现金流/资产>10%,权益回报率>15%,主营业务利润增长率>20%,市盈率<20。表1-5给出了每年满下跌过多时,可能会反弹。RSI就是用来衡量股票价格反转的指标。RSI过高时,比如高于80,股票下跌的可能性较大。RSI过低时,比如低于20,股票上涨的概率较大,所以RSI与未来股票收益率成反比。

     

    宏观经济分析的框架,从国民经济的核算公式开始:

    GDP=消费+投资+净出口+政府开支

    总量指标,反映经济运行的总体情况。消费、投资、净出口是经济的三驾马车,是经济总量的三大构成部分,是经济基本面的分析要素。政府开支是政府对宏观经济施加影响的一个方面。考虑到政府对宏观经济的经济基本面分为四部分,即经济总量、消费、投资以及净出口。

     

    尽管GDP是衡量宏观经济运行最直接的指标,但GDP数据每季度只更新一次。作为补充,PMI也是一个重要的衡量宏观经济整体运行情况的指标。相对于GDP,PMI具有频率更高、快速简便、及时综合、预测性强等优点,是一个较为可靠的先行指标。

     

    目前,我国每月的制造业PMI指数都有两个版本,分别是由国家统计局发布的官方PMI和由财新发布的财新PMI(原汇丰PMI)。两者的区别主要在于统计范围,官方PMI覆盖了大中小型企业,而在财新PMI的统计范围中,中小企业占比更高。从历史数据来看,两者大体同步,偶有背离。

     

    物价水平可以用商品价格指数表示,具体可分为消费者价格指数(Consumer Price Index, CPI)和生产者价格指数(Producer PriceIndex, PPI)。两者均由国家统计局于每月月初发布,是衡量经济通货膨胀(以下简称“通胀”)水平的有力指标,全面反映了全国消费品和生产品的总体价格变化,对于政府货币政策和进行资产定价都具有指导意义。

     

    除了CPI,PPI也是重要的价格指数,所不同的是,PPI统计范围是生产者购买商品和劳务的价格变化,表明企业面临的购买成本的升降。为了尽量减少对市场的冲击,股权分置改革严格限制了非流通股股份解禁的份额和速度。自每家上市公司改革方案实施之日起,持有上市公司股份总数的5%以上的原非流通股股东,在12个月之内不得上市交易和转让。上述规定期满之后,可以通过证券交易所交易出售原非流通股股份,出售股份所占总股数比例在12个月之内不得超过5%,在24个月之内不得超过10%。

     

    和系统性风险的爆发,促进市场稳定。当市场流动性明显不足、股市大幅下挫时,央行一般会通过降准降息、公开市场操作等工具注入流动性,缓解资金面的紧张。央行的流动性调节可以从M2增速、每周公开市场操作货币净投放量等指标衡量。

     

    衡量投资者情绪的指标有市场成交金额、换手率和新增开户数。市场交易量越大,成交越活跃,投资者情绪越高涨。

     

    更替决定风险资产的配置和股票行业的选择。美林时钟的贡献有以下两点:

    ① 建立了经济周期与资产配置的内在逻辑,有助于指导资产的配置与股票市场的择时;

    ② 提供了划分经济周期的行之有效的方法。这点尤其重要。因为经济周期的划分往往需要参考众多指标,滞后性非常明显,但按照美林时钟提供的方法,运用GDP增长和CPI两个指标,就能对经济周期进行有效的划分。

     

    来帮助经济恢复活力。在美林时钟的框架下,衰退阶段的特征是GDP增长下行,CPI下行。

    在美林时钟的框架下,复苏阶段的特征是GDP增长上行,CPI下行。

    过热阶段的特征是GDP增长上行,CPI上行。

    在美林时钟的框架下,滞胀阶段的特征是GDP增速下行,CPI上行。

     

    利率债或信用评级较高的公司债是衰退阶段的最佳选择。

    股票是复苏阶段的最佳选择。

    大宗商品是过热阶段的最佳选择。

    现金是滞胀阶段的最佳选择。

     

    也会推动股票市场的走势。因此,复苏阶段和过热阶段都适合股票投资。

     

     

    对上市公司的分析,主要分两个层面:定性分析和定量分析。定性分析是指对公司非量化的指标进行分析与评估,主要从业务的本质、行业地位、发展战略、公司治理这四个方面对公司整体业务和管理水平有所掌握,进而评估公司未来的盈利能力和成长潜力。定量分析是指对公司的财务报表指标和估值水平进行分析,从而判断公司的投资价值。就此曾总结出一个著名的投资四重过滤器:“可理解的一流业务,可持续的竞争优势,一流的管理层,以及可以在一个便宜的价格买入。”其中前三点—— 业务、竞争优势、管理层,都属于定性分析的层面。

    针对龙头股 的策略,已经是第一了,其成长空间是有限的。二是估值会比较

    高。龙头企业被市场投资者所熟知和追捧,估值通常不低。相反,有时排名第二、第三的企业,增长潜力更大,估值更低,反而会是更优质的投资标的。

     

    企业的发展战略可分为创新战略和模仿战略两种。创新战略是指企业运用自主的研发能力,依据环境的变化,积极主动地在技术、产品、服务等方面推陈出新,在激烈的竞争中保持独特的优势。而模仿战略是指通过学习来减少摸索规律的成本,将竞争者已有的产品技术、商业模式等应用于自身的发展。

     

    在定量分析中,我们关注公司的两部分内容:财务表现和估值。资产负债表是公司资产、负债、所有者权益在特定时点的反映。它表明企业所拥有的资产、承担的负债,以及扣除负债之后,真正属于股东的净资产,即所有者权益部分。在资产负债表中,资产等于负债与所有者权益之和。也就是说,一家公司的资产由两部分组成:需要偿还给债权人的负债和属于股东的所有者权益。资产,又分为流动性资产和非流动性资产。流动性资产指的是一年之内就能变现的资产,如现金、银行活期存款、商业票据等。非流动资产,又被称为固定资产,如机器、设备、厂房等变现能力比较差的资产。负债,分为短期负债和长期负债。短期负债指的是公司在一年之内必须偿还的债务,如应付工资、应付账款等。长期负债,是指期限超过一年的债务,如发行的期限超过一年的公司债和银行贷款。所有者权益,主要分为两部分:一是来自股东的投入,反映在实收资本和资本公积当中;二是来自经营过程中的盈利所得,反映在留存收益当中。这两部分所有者权益,第二部分是最重要的,因为它反映了公司在经营过程中是否积累了较多的经营成果。

     

    而如果企业ROA较高,而ROE相对并不高时,两者的背离可能会是过度利用杠杆的结果。

     

    利润的增长按计算方式分为同比增长和环比增长。同比增长指的是将当期(如当季、三个季度、半年、全年)的利润与去年同期相比。环比增长指的是将当季的利润,与上一季度相比得到的增长。在实际财务比增长指的是将当季的利润,与上一季度相比得到的增长。在实际财务分析中,环比增长没有实际的意义。

     

     

    市盈率也存在动态和静态之分,动态市盈率是以未来12个月的预测利润作为分母,而静态市盈率是以过去12个月的利润作为分母。如果企业的商业模式由于并购等原因发生了改变,那么静态市盈率则失去了预测和估值能力;但是对于盈利波动较大的企业,利润的预测较为困难,动态市盈率的估算也显得较为主观。

     

    市销率是市值与销售收入之比,其应用范围比市盈率还要广,既适用于“资不抵债”的困境公司,也适用于尚未实现正收益的初创型公司。

     

    市值与净营运资本之比也是较为常用的估值指标。净营运资本是指、企业的流动资产与流动负债的差额,反映的是公司如果现在立即被清算所存留的价值。基于该指标的策略是价值投资之父—— 格林厄姆常用的投资策略。他运用买入价格低于每股净营运资本2/3的股票这一策略,曾获得不错的收益。

    PEG,即市盈率相对盈利增长的比率,是用当期市盈率除以利润增长率。一个企业如果其估值相对较低,而其盈利增长速度较快

     

     

     

    在险价值(Value at Risk, VaR),是衡量资产损失风险的一种手段。但与下行风险不同的是,VaR专注于对损失规模的度量,即在一定VaR的衡量包括三个方面,分别是时间段、置信水平和损失额度。、时间段表示度量资产损失的持有期,可以是日度的、周度的、月度的等;置信水平代表的是出现某一损失的最大可能性,一般我们人为地设定为95%、99%这两个特殊值;损失额度是我们最为关心的一点,它是在给定的时间段、置信水平下,资产的最大可能损失。

    VaR作为一种在全球范围内广泛运用的风险管理手段,其最大的优点就是精炼易懂。我们可以通过VaR对投资风险进行大致判断:如果最数据较少,因此也限制了VaR的应用。比如,在突发流动性事件下,银行间市场可能会出现隔夜上海银行间同业拆借利率(Shanghai InterbankOffered Rate, SHIBOR)暴涨至13%的现象。由于发生的概率极低,这,但是金融市场的过去与未来并不总是有必然的联系,因此该假设受到挑战。

     

     

    收益关乎表现,而风险关乎存亡。

     

     

    人是有认知局限的,人性是有弱点的,这些都会导致我们偏离理性投资,这不仅会造成投资亏损,有时结果会非常严重。认识到自身的局限是进行风险管理的前提。而为了摆脱人性的弱点,我们在进行风险管理的时候,必须坚持知行合一,建立完备的知识体系,并严格遵守知识引导。

     

    第一,知行合一。“知”指的是金融知识,“行”指的是投资行为。两者相辅相成、相互融合,我们需要将金融知识和经典理论运用于投资,并且不断用投资实践对理论进行检验。知行合一也是一个不断演进的过程,不断有新的理论涌现,就需要不断进行知识库的更新,对实践进行指导,同时也应当从实践中获取知识,调整策略。

    第二,建立完备的知识体系。要做到知行合一,首先必须掌握相关金融与投资理论。要做好投资,并非了解某一领域的理论即可,而是需要对诸如基本面分析、风险管理、量化方法等具有全面的掌握。金融市场牵一发而动全身,对市场有一个全面的了解,能够帮助我们理解其内在的关联与逻辑。

    第三,严格遵守知识引导。投资行为如果脱离了知识的引导,就变成了盲目投资。对于如何遵守知识引导有三个建议:①养成严谨分析、理性投资的投资风格,杜绝盲从。在每笔交易之前,都确保自己已经进行了严谨的、理性的分析。②避免频繁地看股票报价,减少市场波动对自身的干扰。③找一个合作伙伴,彼此协助、监督、约束,增强对理性投资的坚持。

     

    那么区分好的风险和坏的风险的概率标准是多少呢?我们建议用60%。我们在开发量化投资策略时,通常要求策略获得正收益的比例,即胜率要达到60%。以60%为基准,那些获得正收益的概率达到60%的风险是好的风险;而坏的风险则是指那些获利概率小于60%的风险(如规避来说,风险减少并不意味着绝对的不承担风险,因此可以通过适当减少风险资产的头寸,如控制股票的仓位、控制资产组合的风险敞口来实现。

     

     

    行业动量效应是指行业平均收益率有延续原来运动方向的趋势,过去一段时间收益率较高的行业,未来表现通常也会比较好。行业动量效应可以指导我们进行行业轮换,买入过去表现较好的行业股票,持有一段时间,然后不断重复更替行业选择。

     

     

    Fama-MacBeth回归是实证资产定价中的经典检验方法。它是由Fama和MacBeth于1973年提出的,目前已被广泛应用于学界和业界。最初,该方法用于验证资本资产定价模型(Capital Asset Pricing Model,CAMP)的正确性,即Beta作为因子是否能够解释股票的超额收益。随后,其被推广至检验其他因子,如股票规模、账面市值比、过去收益率等,成为应用最广泛的检验因子有效性的实证方法之一。通常,我们在选择基本面指标的时候,可以以Fama-MacBeth回归作为第一步,检验因子对未来收益率影响的显著性。如果结果是显著的,可在构建投资策略的时候考虑该指标;如果不显著,则表明该指标无法对未来收益率进行预测,一般不予考虑。

     

    市值是一个非常重要的因子。国内外的研究表明,小市值的股票预期收益率会更高。

     

     

    一个好的量化策略,夏普比例至少要到2,比较理想的情况是到2.5。如果夏普比例低于2,那么这个策略是不适用于实际投资操作的。

    胜率是指该策略在历史上各个持股周期中,获得正收益的概率。胜率超过60%的策略才是可以实际应用的。

    对个股进行综合考量的选股模型,进行选股。选股模型的搭建方法有三

    种:打分法、排序法和回归法。

    财务因子分为四大类:资产类、盈利类、现金流类和增长类。

     

    在资产类增长因子中,资产的增长意味着公司规模的扩大。由于股票市场中的小股票效应,即小公司的收益更高,因此资产的增长带来的是股票收益的降低。存货和应收账款的增长并不是好的信号。此外,负债的增长也意味着公司对外部融资的依赖,且债务的增长会限制企业未来的发展。但在负债的增长中,应付账款的增长其实是一个积极的信号,有可能反映了供应商对企业的信心。权益的增长,特别是来自留存收益的增长,是一个正面的信息,反映公司的经营利润在不断累加。

    展开全文
  • 课程名称2017最新python金融量化分析与策略编写实战,资源教程下载课程目录第一部分:金融与量化投资股票股票的分类股票市场的构成影响股价的因素股票买卖(A股)金融分析金融量化投资量化策略第二部分:量化投资与...
  • 量化分析.pdf文字版

    2019-01-23 16:41:40
    掌握数据挖掘/机器学习技术的应⽤场景,从事量化策略⼯程师、量化策略分析师⽅向的必备图书
  • 量化策略 第二部分:量化投资与Python 第三部分 实现简单的量化框架 开始时间、结束时间、现金、持仓数据 获取历史数据 交易函数 计算并绘制收益曲线 回测主体框架 计算各项指标 用户待写代码:初始化、每日处理...
  • 在选择社区量化策略之前,我们一起先来了解一下什么是“量化策略”。 所谓量化,指以先进的数学模型替代人为的主观判断,利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”...
  • 构建量化因子分析体系

    千次阅读 2019-09-17 09:48:07
    挖掘Alpha因子、评价Alpha因子、改进Alpha因子是量化投资者职业生涯永恒的奋斗目标,而一套严密有效的因子分析体系是这一切的基石。“不以规矩,不能成方圆”,没有系统的因子分析体系,Alpha研究举步维艰,难以筑起...
  • 数据分析实战 -- 股票量化交易分析

    千次阅读 多人点赞 2020-10-03 18:44:01
    前景提要 ...股票量化交易分析 使用Python爬取股票数据 我们这次的目标地址是url:网易行情中心 沪深行情 在这个网站里面找到行业面板,里面随便点开一个行业信息,我在这里点开通用设备制造。 因为
  • 20210412-中信证券-量化策略专题研究:量化视角下的市场风格分析.pdf
  • 经典交易策略,配对交易模型,量化投资与技术分析,大数据与情分析策略,基于机器学习的交易系统
  • 基于量化分析的股票投资策略.caj
  • 下面将利用github上面的一个stocker模块进行基本的股票价格量化分析,本文只涉及到股票价格的预测分析介绍,没有交易策略和成型的模型。 本文要点: I 介绍stocker模块运行环境的配置; II 调用模块中的方法来分析...
  • 说明:本文只是通过自己的已学知识对一、分析目的利用预先设定的策略,通过对股票交易的历史数据进行回测,验证该策略是否能指导股票交易。二、数据处理1、数据集描述数据集简介:此数据集来源于Nasdaq网站,本文...
  • 量化策略 第二部分:量化投资与Python Ipython:交互式的Python命令行 Ipython常用的魔术命令 Python调试器命令 Ipython快捷键 NumPy:数组计算 NumPy:ndarray-多维数组对象 NumPy:索引和切片 NumPy:布尔型索引 ...
  • 量化策略代码

    2019-04-22 22:55:25
    99个量化策略,含源代码,分析给喜欢量化交易的朋友。
  • 量化交易的核心是策略分析,通过对历史数据、实时数据分析,选择最佳的交易品种和最好的交易时间。 主流的量化交易:quantopian、掘金、优矿. 最有名的项目是:Zipline 和quantopian-algos 金融量化软件包 zwQuant...
  • 量化技术分析应用

    2017-08-28 23:49:14
    量化交易的最大优势即为通过计算机强大的运算能力,在市场广度分析上占有绝对优势,通过历史规律的总结,在规律的基础上发现概率优势,形成良好投机优势,量化交易离不开技术分析,本节将主要示例一些常用的技术分析...
  • 量化相关性分析应用

    2017-08-30 23:39:13
    交易目标之间的相关性分析量化交易中一个非常重要的工具,本节将示例abupy中相关分析模块的使用示例: 受限于沙盒中数据限制,本节示例的相关性分析只限制在abupy内置沙盒数据中,首先将内置沙盒中美股,A股,港股...
  • 金融量化分析

    2019-06-06 10:01:00
    金融量化分析 学习目标 金融量化简介 数据分析简介 常用库简介 1、学习目标 谈到金融量化分析,可能大多数人想到的肯定就是海量的股票数据,交叉错乱的股票数据图表,让从未接触过金融的人无法入手,就会想这种...
  • 20200413-东北证券-基金研究系列之一:中海量化策略投资价值分析.pdf
  • 经典交易策略,配对交易模型,量化投资与技术分析,大数据与情分析策略,基于机器学习的交易系统
  • 量化策略分类

    2020-08-13 10:11:02
    一、国内主流量化策略体系 目前国内量化策略类型的划分方式多样,从投资范围和风险收益属性特征差异的角度,可以将市场上主要的量化策略划分为市场中性策略、指数增强、量化选股、CTA、套利类策略、期权策略以及...
  • 量化分析基本框架示例 框架:Backtrader 数据:Tushare 安装方式:金融量化分析基础环境搭建 示例代码: import pandas as pd from datetime import datetime import backtrader as bt import tushare as ts ...
  • 量化策略的分类

    千次阅读 2019-12-09 10:22:22
    一、国内主流量化策略体系 目前国内量化策略类型的划分方式多样,从投资范围和风险收益属性特征差异的角度,可以将市场上主要的量化策略划分为市场中性策略、指数增强、量化选股、CTA、套利类策略、期权策略以及...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 36,049
精华内容 14,419
关键字:

量化策略分析