[QMT量化交易小白入门]-四十九、中小盘策略是否还有未来，市值再平衡策略，年化收益率124%

最新推荐文章于 2025-05-08 20:05:42 发布
最新推荐文章于 2025-05-08 20:05:42 发布
阅读量675 收藏
点赞数 27
分类专栏： QMT量化交易小白入门 文章标签： 数据库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/luansj/article/details/147724595
版权

本专栏主要是介绍QMT的基础用法，常见函数，写策略的方法，也会分享一些量化交易的思路，大概会写100篇左右。
QMT的相关资料较少，在使用过程中不断的摸索，遇到了一些问题，记录下来和大家一起沟通，共同进步。

文章目录

相关阅读

小白也能做量化：零门槛QMT、Ptrade免费送
量化交易入门：如何在QMT中配置Python环境，安装第三方依赖包
年化收益达到了70%，增加了动态仓位权重调整后的全球核心资产轮动策略（含python代码解析）

最近有球友在建议是否有中小盘的策略， 在2005-2015年的黄金期，A股市场采用最小市值前20股票组合年化收益高达48.26%，10年创造6379%的惊人回报，但是注册制改革后，壳价值蒸发，部分​流动性

了解本专栏 订阅专栏 解锁全文 超级会员免费看
量化交易之指数增强策略
jomes_wang的博客
10-06 8062
不断地学习，才能使我们变得更加强大 指数增强策略概念：指数增强策略是以对标的股市基准指数(如沪深300、中证500、中证1000)作为参考，在追踪对标股市基准指数的前提下，利用量化投资的方式进行主动管理，以获得市场收益(Beta)的同时获取超越市场超额收益(Alpha)的一种资产组合策略。还是看不懂吧？那就认真看。 指数增强的收益来源主要有两方面： 1.通过量化选股模型构造追踪标的指数的股...
年化25.7%，通过斜率拟合度对全球核心ETF评分策略在线上可查看参数（python代码+数据）
weixin_38175458的博客
02-28 652
r_squared = np.nan_to_num(r_squared, nan=0.0) # 处理零方差情况。'159915.SZ', # 创业板100（成长股，科技股，中小盘）:return: 趋势评分数组，长度与输入相同，前period-1位为NaN。'510180.SH', # 上证180（价值股，蓝筹股，中大盘）等，支持vnpy，qlib，backtrader和bt引擎，内置多个。，每周五迭代一次，代码和数据在星球全部开源。aitraderv4.5，重点更新，3、ETF历史数据更新到最新。
市场异象与量化策略：如何通过异常现象获取超额回报
云策量化的博客
02-22 889
量化投资是艺术与科学的结合。它需要我们具备深厚的数学和统计知识，同时也需要我们对市场有深刻的理解和洞察。通过构建和优化量化策略。
预警！使用这5个常见量化因子可能会让你亏得很惨！
云策量化的博客
05-05 337
亲爱的朋友们，量化因子听起来很高大上，但它们并不是万能的。在实际应用中，我们需要结合市场情况、公司基本面和自己的投资目标，谨慎选择和使用这些因子。记住，投资是一场长跑，稳健和耐心才是胜利的关键。希望这篇文章能给你们带来一些启发。如果你们有任何疑问或者想要了解更多量化炒股的知识，欢迎在评论区留言，我会一一解答。我们下次再见！以上就是我今天要分享的内容，希望对你们有所帮助。我们下期再见！
初始量化交易-基础知识梳理
m0_53191230的博客
03-16 965
量化交易的流程是一个系统化的过程，涵盖了从策略设计到交易执行和风险管理的多个环节。以下是量化交易的典型流程，分为策略开发、数据处理、模型构建、回测优化、交易执行和风险管理六个主要阶段
JavaWeb：MySQL进阶
IT瘾君子的博客
05-07 319
JavaWeb、MySQL进阶、事务、所以，子查询，外连接，内连接
【SQLSERVER】Ubuntu 连接远程 SQL Server（MSSQL）
linjiuxiansheng的博客
05-08 202
在 Ubuntu 上连接 SQL Server 使用 sqlcmd 是最简单高效的方法。本文详细介绍了如何配置和连接，同时解决了常见问题。希望本文对你的跨平台数据库连接有所帮助。
[数据库之十一] 数据库索引之联合索引
rita_0567的博客
05-08 529
执行数据库查询时，通常查询条件是多对个属性进行判断和约束，对于这种类型的查询，如果存在多个索引则使用多个索引，或者使用建立在多属性搜索码上的索引，这样能提高查询效率。
基于Java实现（PC）民航订票管理系统
神仙别闹的自留地
05-08 165
T-SQL语句：测试结果：测试结果：
关于Python：7. Python数据库操作
Triste__chengxi的博客
05-03 1826
简化数据库操作：SQLAlchemy ORM 提供了高层次的接口来简化数据库的操作，我们可以通过 Python 类来表示数据库表，进行增删改查，避免了手写 SQL 语句。支持复杂查询：SQLAlchemy 支持排序、聚合、联接查询等复杂数据库操作，同时可以自动生成对应的 SQL 语句。跨数据库兼容性：通过 SQLAlchemy，你可以很容易地将项目从一个数据库迁移到另一个数据库（比如从 SQLite 到 MySQL、PostgreSQL）。
MySQL中有哪几种锁？
java1234的博客
05-06 883
MySQL中有哪几种锁？
数据库的原子事务
AndrewYZWang的博客
05-05 850
简单的做法是一次迭代并逐个删除键，但这会将整个表读入内存并在删除前反复更新节点，做了一些无用的工作。在我们的案例中，所有内容使用单一的B+树，我们可以实现一个范围删除操作，无需查看即可释放具有特定范围的所有叶节点。：在任何排序的数据中，邻近的键可能共享一个公共前缀。：写时复制在一次更新中从叶节点到根节点复制节点，这对于多键更新来说不是最优的，因为中间树的节点在一个事务内分配、更新一次然后被删除。另一种方法是通过日志实现原子性，在写时复制树中，更新由根指针捕获，而在原地更新中，则需要日志来捕获更新。
基于Springboot高校网上缴费综合务系统【附源码】
2402_84112588的博客
05-03 1173
随着高校信息化建设进程的加速，传统手工缴费模式因效率低、错误率高、管理成本高等问题已无法满足现代高校需求。学生需线下排队填写表格，财务人员需人工核对票据，导致流程冗长且易出错。同时，传统方式缺乏实时数据监控能力，难以满足高校对缴费进度、资金流向的动态追踪需求。在此背景下，基于SpringBoot的高校网上缴费综合服务系统应运而生，通过信息化手段实现缴费流程自动化、数据可视化，成为提升高校财务管理效能的关键技术手段。
Android Firebase登录和存储用户数据方案
wykyl的专栏
05-08 207
以上代码示例展示了完整的 Firebase 集成流程，实际开发中建议结合 ViewModel 和 LiveData 实现更健壮的架构。
基于 PyQt 的YOLO目标检测可视化界面+ nuitka 打包
pengxiang1998的博客
05-04 429
在人工智能和计算机视觉领域，是一种广泛使用的实时目标检测算法。为了直观地展示YOLO算法的检测效果，我们使用Pyqt框架进行检测结果的可视化，同时为了使其能够脱离Python环境，我们将模型文件转换为ONNX格式，并使用nuitka进行打包。
手撕基于AMQP协议的简易消息队列-2（所用第三方库的介绍与简单使用）
最新发布
ZHENGZJM的博客
05-08 731
介绍手撕基于AMQP协议的简易消息队列中所用到的第三方库，以及它们的简单使用
MySQL进阶(二)
qq_41206014的博客
05-03 806
MySQL进阶(二)
[数据库之十三] 数据库索引之散列索引
qq_24428851的博客
05-08 567
顺序文件组织的一个缺点是我们必须访问索引结构来定位数据，这将导致过多的 I/O 操作。基于散列（hashing）技术的文件组织使我们能够避免访问索引结构，散列也提供了一种构造索引的方法。桶（bucket）：表示能存储一条或多条记录的一个存储单位，通常一个桶就是一个磁盘块，也可能小于或大于一个磁盘块。散列函数h(K) → BK 表示所有搜索码值的集合B 表示所有桶地址的集合h 是一个从 K 到 B 的函数，即散列函数。
Power Query 是 Excel 和 Power BI 中强大的数据获取、转换和加载工具
05-08 356
Power Query 链接指的是在 Excel 或 Power BI 里通过 Power Query 建立的与外部数据源的连接。这些数据源可以是各种类型，像文本文件（CSV、TXT）、数据库（SQL Server、Access）、网页、Excel 文件等。借助 Power Query 链接，你能从数据源获取数据，对其进行清洗、转换，最终加载到工作簿或报表中。运行代码后，Excel 会通过 Power Query 连接到指定的 CSV 文件，并将数据加载到工作表中。
Qmt标准版的股票量化交易策略源代码
04-03
QMT（Quantum Trader）是由国泰君安证券推出的一款专业的量化交易平台，支持用户编写基于Python或其他语言的股票、期货等金融产品的量化交易策略。但是需要注意的是，**QMT标准版本身并不提供具体的股票量化交易策略源代码**，而是通过其API接口让用户自行开发。 以下是一个简单的关于如何构建股票量化交易策略的基本思路，并附上一段伪代码示例： ### 股票量化交易策略简介 #### 策略类型 常见的股票量化交易策略包括但不限于： 1. **均线突破策略**：当短期均线上穿长期均线时买入；下穿时卖出。 2. **RSI超买超卖策略**：利用技术指标RSI判断市场是否进入超买或超卖区域。 3. **网格交易策略**：设定价格区间，在低价位买入高价卖出，赚取价差收益。 #### 示例 - 均线突破策略 假设我们希望实现一个简单均线交叉的交易策略，核心思想如下： - 计算短期移动平均线 (如5日MA) 和长期移动平均线 (如60日MA)； - 当短周期MA大于长周期MA时买入； - 反之则清仓并退出所有持仓。 ```python import pandas as pd from qmt import * # 初始化回测环境 def init(context): context.stock = 'SHSE.600519' # 设置目标股票为贵州茅台 context.short_period = 5 # 定义短期均线窗口期数 context.long_period = 60 # 长期均线窗口期数 # 每个交易日运行一次 def handle_data(context, data): stock_price = get_history('close', symbol=context.stock) short_ma = stock_price[-context.short_period:].mean() long_ma = stock_price[-context.long_period:].mean() current_position = context.portfolio.positions.get(context.stock, None) if short_ma > long_ma and not current_position: order_target_value(context.stock, context.portfolio.cash * 0.8) # 全仓买入 elif short_ma < long_ma and current_position: order_target(context.stock, 0) # 清空仓位 if __name__ == '__main__': run(strategy=handle_data, initialize=init, start_date='2022-01-01') ``` 上述代码仅为简化版本，实际应用还需要考虑手续费、滑点成本等因素。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

python自动化工具

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值