<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Quant_的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Quant_</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Quant_]]></copyright><item><title><![CDATA[量化定投，工薪族逆袭之路]]></title><link>https://blog.csdn.net/Quant_/article/details/98876821</link><guid>https://blog.csdn.net/Quant_/article/details/98876821</guid><author>Quant_</author><pubDate>Thu, 08 Aug 2019 17:12:37 +0800</pubDate><description><![CDATA[未经授权，严禁转载



指数格局，跌宕起伏



这里的指数，我们重点说一下上证指数、深证指数。指数其实是一篮子股票，它反应的这些股票总体的表现。而上证与深证指数更反应出当下国内的经济形式（当然不是百分百的呈现）。

相信大家都了解过经济周期，理论上，社会环境的经济会以衰退－萧条－复苏－繁荣四种形式往复呈现。不过，由于不同国家的国情不尽相同，这种周而复始的周期曲线表现得并不完美。
...]]></description><category></category></item><item><title><![CDATA[科创板推出，这个行业的春天来了？]]></title><link>https://blog.csdn.net/Quant_/article/details/98847437</link><guid>https://blog.csdn.net/Quant_/article/details/98847437</guid><author>Quant_</author><pubDate>Thu, 08 Aug 2019 10:27:18 +0800</pubDate><description><![CDATA[未经授权，严禁转载（文末有重磅福利～）



上周一，科创板正式开市交易啦！







科创板开市交易首日就迎来超级开门红

25只新股涨幅均超80%，16只股票涨幅翻倍

其中安集科技最高涨幅达到520%

收盘大涨约400%

中签一手安集科技可赚8.8万！

（大风刮钱也没这么快吧…）







然而，好景不长…

首日收盘后，一些券商就曾表示：

“科创板表现超过预期...]]></description><category></category></item><item><title><![CDATA[如何提升选股因子效果-因子的正交]]></title><link>https://blog.csdn.net/Quant_/article/details/97245268</link><guid>https://blog.csdn.net/Quant_/article/details/97245268</guid><author>Quant_</author><pubDate>Thu, 25 Jul 2019 12:53:49 +0800</pubDate><description><![CDATA[未经授权，严禁转载

本期研究内容参考海通证券研究报告《选股因子系列研究(十七)——选股因子的正交》

研报作者：冯佳睿、袁林青。

点击文末阅读原文可查看更多内容。





引言



&gt;&gt;&gt; 研究目的



近年来，随着投资者对于因子选股体系研究的深入，选股因子值的处理也在逐渐细化，本文将主要对于选股因子的正交进行分析讨论。之所以讨论因子的正交是因为在传统...]]></description><category></category></item><item><title><![CDATA[风险收益一致性择时模型]]></title><link>https://blog.csdn.net/Quant_/article/details/96829646</link><guid>https://blog.csdn.net/Quant_/article/details/96829646</guid><author>Quant_</author><pubDate>Mon, 22 Jul 2019 18:57:39 +0800</pubDate><description><![CDATA[未经授权，严禁转载



研究目的

本文参考华泰证券《华泰风险收益一致性择时模型》，采用研报内的方法对风险收益一致性进行研究。根据研报分析，当行业的收益率与其贝塔呈现较好的正相关时，可以认为市场收益率为正，市场处于上涨状态；当行业的收益率与其贝塔呈现负相关时，可以认为市场收益率为负，市场处于下跌状态，利用这种关系即可构造择时模型。这是华泰风险收益一致性择时的基本思想。

根据此结论，...]]></description><category></category></item><item><title><![CDATA[精英任务 | 第二期券商研报复现挑战赛]]></title><link>https://blog.csdn.net/Quant_/article/details/96869903</link><guid>https://blog.csdn.net/Quant_/article/details/96869903</guid><author>Quant_</author><pubDate>Mon, 22 Jul 2019 16:45:50 +0800</pubDate><description><![CDATA[你是否不知道该如何在量化投资的路上继续向前？

你是否还在苦于没有研究的思路和方向？

你是否还在纠结几千份研报中，到底该去看哪一个？

研报复现第二期来啦，快来参加吧~

我们从大量的研报中筛选出有意思的研报，来举办这次研报复现挑战赛，通过研报复现过程，不仅能学习了解因子挖掘过程，熟悉多因子策略构建，同时还有机会获得聚宽提供的各种福利~



&gt;&gt;&gt; 赛事回顾

在...]]></description><category></category></item><item><title><![CDATA[AI策略--那些野心不能成就我们的，热爱可以]]></title><link>https://blog.csdn.net/Quant_/article/details/95180345</link><guid>https://blog.csdn.net/Quant_/article/details/95180345</guid><author>Quant_</author><pubDate>Wed, 17 Jul 2019 19:54:47 +0800</pubDate><description><![CDATA[引言

大家好，首先，相当的荣幸，可以在这里和大家分享我的投资经验。过去几年间，尽管吃过不少以大把金钱、精力损失为代价的亏，然而相较于那些“一入股市深似海，从此人生不归路”的冒险大亨，实在愧言我有几多经验，仅仅是向大家分享我的学习过程和所得，感谢大家点评，感谢聚宽提供的平台。

先简单介绍下我自己，理工科出身，研究生毕业后曾就职于某券商，一直从事网金方面的技术研发工作。我的业余时间，绝大...]]></description><category></category></item><item><title><![CDATA[券商研报复现挑战赛|回望来时路,砥砺再出发]]></title><link>https://blog.csdn.net/Quant_/article/details/96315837</link><guid>https://blog.csdn.net/Quant_/article/details/96315837</guid><author>Quant_</author><pubDate>Wed, 17 Jul 2019 17:00:46 +0800</pubDate><description><![CDATA[第一期的研报复现大赛已经落下帷幕啦~

再次感谢朋友们的踊跃参与和大力支持~

所有的匍匐都只是高高跃起前的热身，

第二期的赛事即将开启，我们期待您的参与！





第一期研报复现结果回顾



第一期研报复现比赛已经结束，通过15天的社区公开审核，综合社区人气指标进行评选，本次研报复现比赛的最终结果公布如下：



排名前三的作者分别是



&gt;&gt;&gt...]]></description><category></category></item><item><title><![CDATA[资产定价模型的截面与时间序列测试]]></title><link>https://blog.csdn.net/Quant_/article/details/95997352</link><guid>https://blog.csdn.net/Quant_/article/details/95997352</guid><author>Quant_</author><pubDate>Mon, 15 Jul 2019 19:04:11 +0800</pubDate><description><![CDATA[引言

通常，资产定价模型有两种检验方式，一种是Fama和MacBeth(1973)的横截面回归方法，一种是以Gibbons、Ross和Shanken(1989)的GRS检验为中心的时间序列回归方法。本文的目标是讨论两种方法的不同之处以及相对优势。





时间序列测试——基础框架

Sharpe(1964)和Lintner(1965)的CAPM是一个简单的框架，其结果可以移...]]></description><category></category></item><item><title><![CDATA[A股市场高频量价因子探索]]></title><link>https://blog.csdn.net/Quant_/article/details/95734302</link><guid>https://blog.csdn.net/Quant_/article/details/95734302</guid><author>Quant_</author><pubDate>Sat, 13 Jul 2019 12:04:15 +0800</pubDate><description><![CDATA[未经授权，严禁转载



引言





&gt;&gt;&gt; 研究目的



传统的因子指标挖掘主要集中于财务报表、个股中低频率的价量等相关的数据维度，而这部分数据维度的增量价值的挖掘已逐渐饱和，需从其他新的数据维度中挖掘新的因子指标，本篇研究内容参考海通证券研报《高频量价因子在股票与期货中的表现》，本篇报告从个股日内高频数据出发,将目光聚焦于日内价量信息和交易特征，使用分...]]></description><category></category></item><item><title><![CDATA[从最大化复合因子单期IC角度看因子权重]]></title><link>https://blog.csdn.net/Quant_/article/details/95730638</link><guid>https://blog.csdn.net/Quant_/article/details/95730638</guid><author>Quant_</author><pubDate>Sat, 13 Jul 2019 10:40:06 +0800</pubDate><description><![CDATA[未经授权，严禁转载



前言



本文沿用 Qian 的最优化体系获取因子权重，与之不同的是，我们将优化目标由最大化复合因子 IC_IR 变为最大化复合因子单期 IC。通过多个例子的实证研究发现，最大化单期IC能有效解决“等权”的配置偏差问题，在绝大部分因子空间，最优 IC 加权所构建的组合，其表现均优于按照“等权”方式所构建的组合。



研究目的



本文参考广发证券研...]]></description><category></category></item><item><title><![CDATA[机器学习技术能够有效用于选股吗？（下）]]></title><link>https://blog.csdn.net/Quant_/article/details/94737841</link><guid>https://blog.csdn.net/Quant_/article/details/94737841</guid><author>Quant_</author><pubDate>Fri, 05 Jul 2019 16:08:53 +0800</pubDate><description><![CDATA[未经授权，严禁转载



前言

在本篇论文的前半部分，作者提供了一些关于机器学习的基本概念，并指出机器学习在处理金融数据时很容易遭受过拟合的问题。作者对此提出了几种解决方法，包括结合不同的算法和信号窗口。此次推送中，译者为大家带来了论文下半部分的分析。作者提供了一个简单的例子，并成功证明结合不同的算法和训练窗口可以提高机器学习策略的表现。

上篇链接：机器学习技术能够有效用于选股吗？...]]></description><category></category></item><item><title><![CDATA[D.E. Shaw:“股涨债跌”的幕后操手竟是各国央行？]]></title><link>https://blog.csdn.net/Quant_/article/details/94722017</link><guid>https://blog.csdn.net/Quant_/article/details/94722017</guid><author>Quant_</author><pubDate>Fri, 05 Jul 2019 11:28:14 +0800</pubDate><description><![CDATA[未经授权，严禁转载



D.E. Shaw&amp;Co.简介



D.E. Shaw&amp;Co.是一家跨国投资管理公司，由计算机科学家大卫·肖创立于1988年，公司总部位于美国康涅狄格州格林威治，目前资产管理规模超过500亿美元。D.E. Shaw&amp;Co.以开发复杂的数学模型和计算机程序来从市场的异常中获利而闻名。2018年，《机构投资者》报告称，自创立以来，D.E...]]></description><category></category></item><item><title><![CDATA[机器学习技术能够有效用于选股吗？（上）]]></title><link>https://blog.csdn.net/Quant_/article/details/94009977</link><guid>https://blog.csdn.net/Quant_/article/details/94009977</guid><author>Quant_</author><pubDate>Fri, 28 Jun 2019 15:46:46 +0800</pubDate><description><![CDATA[未经授权，严禁转载



前言



译者翻译了一篇讨论机器学习在量化投资中应用的文章。机器学习在量化金融中是一个日渐重要且充满争议的话题。关于机器学习是否能成为一个实用的投资工具的争论一直存在。尽管机器学习算法可以发现微妙且非线性的关系，从充满噪音的历史数据中提取信息可能会遭受过拟合的问题。在这篇文章中，作者描述了一些关于机器学习的基本概念并且提供了一个简单的例子，来描述投资者如何...]]></description><category></category></item><item><title><![CDATA[A股市场周内效应研究]]></title><link>https://blog.csdn.net/Quant_/article/details/93754880</link><guid>https://blog.csdn.net/Quant_/article/details/93754880</guid><author>Quant_</author><pubDate>Wed, 26 Jun 2019 17:15:48 +0800</pubDate><description><![CDATA[引言



&gt;&gt;&gt; 研究目的

本文参考东吴证券研报《A股市场的周内效应》内容，对A股市场的日历效应在周内表现进行探索。日历效应，是一个鱼龙混杂的题目。有诙谐逗笑的，如马克吐温老先生的段子：十月，这是股市最危险的月份，其他危险的月份有七月、一月、九月、四月、十一月、五月、三月、六月、十二月、八月和二月。有认真总结的，如华尔街那个著名谚语：Sell in May ...]]></description><category></category></item><item><title><![CDATA[AQR：投资者不能随心所欲地跟踪市场趋势]]></title><link>https://blog.csdn.net/Quant_/article/details/93645521</link><guid>https://blog.csdn.net/Quant_/article/details/93645521</guid><author>Quant_</author><pubDate>Tue, 25 Jun 2019 19:41:45 +0800</pubDate><description><![CDATA[未经授权，严禁转载



AQR简介

AQR资本管理公司总部位于美国康涅狄格州格林威治，是全球最大的量化对冲基金，由克里夫·阿斯内斯、戴维·卡比勒、罗伯特·克罗尔及约翰·刘创立于1998年，目前资产管理规模超过2260亿美元。AQR为机构客户和财务顾问提供各种定量驱动的替代和传统投资工具。本文的英文原文于2019年4月23日发布在AQR的官方网站上，点击文末的阅读全文即可查看英...]]></description><category></category></item><item><title><![CDATA[Python 2 to 3 代码在线转换功能]]></title><link>https://blog.csdn.net/Quant_/article/details/93595894</link><guid>https://blog.csdn.net/Quant_/article/details/93595894</guid><author>Quant_</author><pubDate>Tue, 25 Jun 2019 10:12:04 +0800</pubDate><description><![CDATA[Python 2 to 3功能强势上线！

你是否还在为Python版本切换而头疼？
你是否还在为大量Python2代码转换为Python3代码的效率低下而难受？

快来使用聚宽强势上线的Python 2 to 3功能吧~

Python 2 to 3功能为JoinQuant提供的在线转换器，旨在将读取到的Python 2.x源代码转换为有效的Python 3.x代码，支持一键转换，便捷...]]></description><category></category></item><item><title><![CDATA[探索汇率变动与股票价格的关系]]></title><link>https://blog.csdn.net/Quant_/article/details/93492287</link><guid>https://blog.csdn.net/Quant_/article/details/93492287</guid><author>Quant_</author><pubDate>Mon, 24 Jun 2019 17:11:07 +0800</pubDate><description><![CDATA[未经授权，严禁转载



前言

译者翻译了一篇探究汇率变动对于企业盈余和未来股价影响的文章。作者发现外汇市场的冲击会影响企业未来的收入：企业向货币升值的国家出口，获得更高的收益。这反映了一个事实：外汇对冲并不能完全消除风险。利用企业级别的地理销售数据，作者发现分析师不能完全将货币冲击整合到他们的分析当中。因此，他们的预报误差可以利用过去的货币冲击来预测。对于中小市值的股票来说，这一点...]]></description><category></category></item><item><title><![CDATA[因子动量效应广泛存在吗？（下）]]></title><link>https://blog.csdn.net/Quant_/article/details/93196734</link><guid>https://blog.csdn.net/Quant_/article/details/93196734</guid><author>Quant_</author><pubDate>Fri, 21 Jun 2019 15:40:19 +0800</pubDate><description><![CDATA[未经授权，严禁转载



前言



在本篇论文的前半部分，作者验证了因子收益具有持续性，并以此为根据构造了时间序列的的因子动量策略和横截面的因子动量策略。此次推送中，译者为大家带来了论文下半部分的翻译。作者进一步进行了因子动量与股票动量、行业动量等传统因子的对比，发现因子动量可以显著地增加收益，并且因子动量效应在国际市场上也同样存在。

上篇链接：因子动量效应广泛存在吗？（上）

...]]></description><category></category></item><item><title><![CDATA[桥水基金：如何预测下一次金融危机？]]></title><link>https://blog.csdn.net/Quant_/article/details/93162355</link><guid>https://blog.csdn.net/Quant_/article/details/93162355</guid><author>Quant_</author><pubDate>Fri, 21 Jun 2019 11:19:42 +0800</pubDate><description><![CDATA[未经授权，严禁转载



前言



桥水基金总部位于美国康涅狄格州韦斯特波特，是全球最大的对冲基金之一，由雷·达里奥创立于1975年，资产管理规模超过1600亿美元。桥水基金采用基于经济趋势的全球宏观策略为其外国政府、央行等客户带来投资收益。去年，在08年金融危机发生十周年之际，桥水基金利用其投资团队的研究与回忆重温了这次金融危机。本文的英文原文发布于桥水基金的官方网站上，点击文末的阅读...]]></description><category></category></item><item><title><![CDATA[扒一扒龙虎榜，交易公开信息探索]]></title><link>https://blog.csdn.net/Quant_/article/details/90258491</link><guid>https://blog.csdn.net/Quant_/article/details/90258491</guid><author>Quant_</author><pubDate>Wed, 19 Jun 2019 16:08:54 +0800</pubDate><description><![CDATA[交易公开信息-龙虎榜

交易公开信息，也就是我们通常所说的“龙虎榜”，是指交易所每日公开披露，满足一定条件的个股交易数据，包括当日买入、卖出金额最大的五家会员营业部的名称及其买入、卖出金额占比等。

以2019年 5 月 13 日，从聚宽上获取到的龙虎榜数据为例：


get_billboard_list(stock_list=None, end_date = '2019-05-13',...]]></description><category></category></item></channel></rss>