- 博客(51)
- 资源 (1)
- 收藏
- 关注
原创 高盛开源的量化金融 Python 库
在GS Quant环境中,资产用于描述具有公共标识符的任何证券(例如股票或债券),以及任何定制产品(例如定制指数或篮子)。它由高盛的定量开发人员(定量)创建和维护,以支持交易策略的开发和衍生产品的分析。由我们的量子创造,为我们的量子。我们的分析工具每天都受到高盛1000多名量化开发人员的信任,可以管理我们的全球交易业务。我们的金融工具包从头开始设计,通过直观的界面提供,是适用于所有市场的完整解决方案。以下是GS Quant中使用的几种不同资产类型的概述,涵盖了金融市场中使用的各种证券。使用我们使用的东西。
2024-07-10 08:00:00
1279
原创 【研报】#12 行业轮动:从动量谈起
本文通过分析行业轮动中的动量效应,结合龙头跟随效应和成交量信息,提出了一系列动量增强指标,并利用打分法和Black-Litterman模型对多指标进行了融合,构建了多种行业轮动策略。研究结果表明,基于动量增强指标的行业轮动策略在样本内表现优异,但在样本外表现有所下降。未来的研究可以进一步探索其他可能影响动量效应的因素,优化动量增强指标,并在更多市场条件下测试策略的表现,以期提高策略的稳定性和适用性。t=N7T8。
2024-07-09 09:51:29
889
原创 kaggle量化赛金牌方案(第七名解决方案)(下)
比赛进入最后阶段,现在是时候深入了解一些关于神经网络模型的见解了。有趣的是,使用 LSTM 或 ConvNet,在没有任何特征工程的情况下,你可以达到 5.3505 的得分(甚至达到 5.348X)。这些模型可以通过增加额外的特征(如全球股票统计)和优化来进一步提升,达到 5.33X 的得分范围。通过仅仅结合一些失衡特征,使用 ConvNet 或 LSTM 就可以获得 5.3439 的得分。你可以在 Kaggle 上找到这些模型。ConvNet 结构的一个重要方面是使用了残差连接,这显著提升了性能。
2024-07-03 21:07:49
672
原创 kaggle量化赛金牌方案(第七名解决方案)
这个挑战提出了一个在金融市场时间序列预测领域中具有重大和复杂性的问题。我的方法结合了 LightGBM 和神经网络模型,对神经网络进行了最少的特征工程。目标是结合这些模型以降低最终预测的方差。为了进一步探索,我还提供了 [Optiver Trading Close 仓库],我会在其中更新完整的获奖代码。该架构包括 LSTM 和卷积网络(ConvNet)模型,结合全球股票统计和偏差特征以改善收敛性。采用简单的基于时间的拆分进行模型验证。
2024-07-02 22:07:57
787
原创 量化投资 日周月报 2024-06-28
学习量化也有一段时间了,BigQuant平台与知乎可以说是我的主要学习战场了,一直在跟着BigQuant学院那个《AI量化训练营》学习,再从从知乎中寻找优秀文章进行补充,最终在平台进行实践,我觉的这样效率很高,我整理了知乎量化交易话题,及程序化交易、宽客、多因子模型等子话题中的精华帖,筛选了高赞的文...以下是量化交易的一些关键特...量化交易做回测踩过的一些深坑 一、量化交易都是什么 量化交易,也称为定量交易或算法交易,是指通过使用数学模型和 计算机 算法来识别交易机会,并自动执行... - 雪球。
2024-06-28 21:33:57
1286
1
原创 期货顶级交易员日内交易方法(下)
李小军日内波段交易:就是做当日的趋势,在盘中随时判断盘子的走势,顺势操作,做对了不断加码或不加,这种方式在大波动的日子里收益相当可观,因为量可以大一点,但相对承受的风险没有隔日大。但缺点是在波动小的日子里交易机会很少,会少量亏损。但一天大波动的日子可能抵消一个星期的小波动日子的亏损。炒手就是以极高的频率,靠着良好的盘感,进去后单子在手里面一般不会停过1分钟,赚上1,3个点马上出来,砍仓一般也不会超过1,2个点,因为有极高的成功率,极低的手续费,资金利用率高,可以80%的仓或满仓操作,所以一天下来资金增长讯速
2024-06-26 21:40:48
291
原创 期货顶级交易员日内交易方法(上)
陈向忠2015年参赛资金当时是13万多,在整个比赛过程中是111个交易日,我成交量是73202手,成功率是75%,净值是28.2。我的方法很简单,就是不断地看图。我是利用分时图做的,我研究的都是分时图。把历史上所有的分时图不断地重复地看,从中找出规律。怎么样找出规律呢?比如说是大涨,大涨之前它的分时图是什么样的形态,开始上涨以后,爆发的时候它是什么样的特点,在上涨的过程中间它是怎么样持续的,上涨结束的时候它是怎么样转势的,这是从它的趋势、形态、成交量,方方面面去寻找规律,根据你找出来规律,再通过验证是属于大
2024-06-25 23:34:41
757
原创 Pandas升级版 Polars库简介及教程
Polars是一个高性能的DataFrame库,专为处理大型数据集和进行复杂数据操作而设计。与传统的pandas库相比,Polars在速度和内存效率方面具有显著优势。这得益于其底层基于Apache Arrow的列式存储格式和Rust编写的核心引擎,使得Polars在处理数据时更加高效。
2024-06-22 22:06:40
827
原创 光大证券-放量恰是入市时:成交量择时初探
各成交量时序排名出现的频次基本随排名变小而单调减少;而在震荡市中,各成交量时序排名出现的频次两头大,中间小,基本呈现 U 型形状。而在震荡市中,指数后市上涨对成交量时序排名的要求介于熊市与牛市之间。(涉及参数:三个不同行情下的交易阈值 Sf,、Sc、 Sr,分别对应熊市、震荡市、牛市)基于上面的研究与已有的成交量时序排名择时策略,我们构建基于指数行情的成交量时序排名择时策略。,各成交量时序排名出现的频次基本随排名变小而单调增大;,成交量时序排名仅取值在很大时,后市往往大概率上涨;
2024-06-21 09:35:53
736
原创 [第五名公共排行榜] LGB 连续学习 + Catboost 集成
使用5个LGB模型进行连续更新/学习,通过.train(init_model)和.refit()方法,以及5个基于216个特征的Catboost模型。通过减去指数贡献的加权和进行后处理,使得w_i * targ_i ≈ 0。使用Polars进行特征生成,最终提交的模型将长滞后特征和短滞后特征分开,以便快速推理阶段可以独立计算。
2024-06-20 09:04:59
1299
原创 阻力支撑相对强度(RSRS)选股系列报告之三
https://download.csdn.net/download/SuiZuoZhuLiu/89447699?spm=1001.2014.3001.5503https://download.csdn.net/download/SuiZuoZhuLiu/89447699?spm=1001.2014.3001.5503
2024-06-18 21:36:08
378
原创 YouTube583美元账户做到一千多万美元,125万粉的顶级交易员
他说他曾经也是像无头苍蝇一样交易,最终凄惨爆仓,也就是在爆仓之后,他终于开始沉下心来研究交易策略,终于终于,他有一天找到了交易模型,并用它执行至今。快速的上涨不太可能出现在巨无霸身上,比如Alibaba,Google,或者虚拟货币的比特币,单日上涨20%以上的情况会非常少见。3. 需要有很高的相对成交量,是说一个标的今天有比往日明显增高的成交量,比如一只股票平时成交量都在15万股左右,但今天变成了150万股,就说明今天的相对成交量非常大,短期成交量大才能推动价格有10%以上的涨幅。
2024-06-15 11:35:24
1330
原创 【kaggle量化交易第一名方案】Trading at the Close
最终模型(CV/Private LB为5.8117/5.4030)是CatBoost(5.8240/5.4165)、GRU(5.8481/5.4259)和Transformer(5.8619/5.4296)的组合,权重分别为0.5、0.3、0.2,从验证集中搜索得到。这些模型共享相同的300个特征。此外,在在我的最终提交中也起着重要作用。我的验证策略很简单,在前400天进行训练,选择最后81天作为我的保留验证集。CV得分与排行榜得分非常吻合,这让我相信这场比赛不会动摇太多。
2024-06-14 16:04:36
945
原创 Python时间序列分析库
Kats是一个分析时间序列数据的工具包,是一个轻量级、易于使用和可推广的执行时间序列分析的框架。时间序列分析是行业数据科学和工程工作的重要组成部分,从了解关键统计数据和特征,检测回归和异常,到预测未来趋势。tsfresh 的优势在于能够自动识别和提取有用的特征,帮助提高模型性能,特别适合于需要处理大量时间序列数据的场景。tslearn是一个Python包,提供用于分析时间序列的机器学习工具。它自动计算大量的时间序列特征,即所谓的特征。此外,该包包含评估这些特征对回归或分类任务的解释能力和重要性的方法。
2024-06-14 14:17:05
793
1
光大证券-20190606-重构情绪体系,探知市场温度-市场情绪体系系列报告之二.pdf
2024-07-09
光大证券-20171122-基于K线最短路径构造的非流动性因子-多因子系列报告之七.pdf
2024-06-28
20240507-招商证券-招商证券量化技术分析系列:基于鳄鱼线的指数择时及轮动策略.pdf
2024-06-21
ny-stock-price-prediction-rnn-lstm-gru.rar
2024-06-20
光大证券-20170725-阻力支撑相对强度(RSRS)选股-技术指标系列报告之三.pdf
2024-06-17
20240414-开源证券-开源证券量化评论-形态识别,均线的收敛与发散.txt
2024-06-11
爱建证券-20160707-量化策略研究之二:六根K线击败市场
2024-06-08
光大证券-20171129-基于布林带择时的期权交易策略优化-衍生品研究系列报告之三
2024-06-08
光大证券-20191117-RSRS择时:回顾与改进-技术指标系列报告之六
2024-06-08
光大证券-20190606-重构情绪体系,探知市场温度-市场情绪体系系列报告之二
2024-06-08
光大证券-20180529-行业轮动:从动量谈起-技术指标系列报告之五
2024-06-08
光大证券-20180309-放量恰是入市时:成交量择时初探-技术择时系列报告之三
2024-06-08
光大证券-20170905-基于波动率时序排名的指数轮动-技术指标系列报告之四
2024-06-08
光大证券-20170725-阻力支撑相对强度(RSRS)选股-技术指标系列报告之三
2024-06-08
光大证券-20170605-RSRS择时及行业轮动-技术择时系列报告之二
2024-06-08
光大证券-20170427-构建情绪体系,寻找涨跌信号-市场情绪系列报告之一
2024-06-08
光大证券-20170501-基于阻力支撑相对强度(RSRS)的市场择时-技术择时系列报告之一
2024-06-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人