- 博客(78)
- 收藏
- 关注
RSS订阅原创 同花顺Supermind量化交易 财务分析建模 --神经网络算法预测股价涨跌
神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。神经网络用途极其广泛，本文采用神经网络算法用于金融领域量化选股策略。
2023-10-08 14:20:29
840
原创 同花顺Supermind量化交易 财务分析建模 --隐马尔科夫模型应用于市场择时
作为现在最为热门的一项技术，机器学习以及数据挖掘变得逐渐令人熟知。隐马尔科夫模型(HMM)作为机器学习中的一个重要分支已经被人所广泛应用。著名数学家西蒙斯成立的大奖章基金纯粹采用技术量化方法进行投资，成立以来到2008年，大奖章基金的平均年度净回报是35.6%。HMM是大奖章基金一个重要的组成部分。本文首先就HMM进行介绍，并且对于HMM和股票市场的共性做出分析，最后写出HMM多因子择股的策略。
2023-10-08 14:18:03
620
原创 同花顺Supermind量化交易 财务分析建模 --Python实现马克维兹投资组合
针对著名的马克维兹投资组合理论，本篇内容深入浅出，完整的将整个理论过程通过python语言实现。
2023-10-08 14:15:21
482
1
原创 同花顺Supermind量化交易 财务分析建模 -- 算法交易入门—VWAP
算法交易，又称订单执行算法，主要用于基金公司、券商等资金量庞大的主体。本篇内容主要向大家介绍标准的订单执行算法—VWAP算法交易，又称交易量加权平均价格。
2023-10-08 14:09:18
645
原创 同花顺Supermind量化交易 财务分析建模 -- 数据挖掘专题：分类与预测
数据挖掘，又译为数据采矿，是指从大量的数据中通过算法搜索隐藏于其中信息的过程。本篇内容主要向大家讲述如何使用KNN算法进行数据分类和数据预测。
2023-10-08 14:07:25
104
原创 同花顺Supermind量化交易 财务分析建模 -数据处理:去极值、标准化、中性化
一般的数据预处理中常提及到三类处理：去极值、标准化、中性化。我们将向大家讲述这常见的三种数据处理操作。
2023-10-08 14:02:39
419
原创 同花顺Supermind量化交易 财务分析建模-统计套利：利用相关系数进行配对交易
配对交易是指八十年代中期华尔街著名投行Morgan Stanley的数量交易员Nunzio Tartaglia成立的一个数量分析团队提出的一种市场中性投资策略。Ganapathy Vidyamurthy在《Pairs Trading: Quantitative Methods and Analysis》一书中定义配对交易为两种类型：一类是基于统计套利的配对交易，一类是基于风险套利的配对交易。
2023-10-06 15:43:04
172
原创 同花顺Supermind量化交易 财务分析建模 -10分钟学会用Python做线性回归
线性回归也被称为最小二乘法回归。它的数学模型是这样的：y = a+ bx＋e 其中，a被称为常数项或截距；b被称为模型的回归系数或斜率；e为误差项。a和b是模型的参数。当然，模型的参数只能从样本数据中估计出来：y'= a' + b'x我们的目标是选择合适的参数，让这一线性模型最好地拟合观测值。拟合程度越高，模型越好。那么，接下来的问题就是，我们如何判断拟合的质量呢？高斯和勒让德找到的方法是：被选择的参数，应该使算出来的回归线与观测值之差的平房和最小。
2023-10-06 15:36:51
147
原创 同花顺Supermind量化交易 财务分析建模 运用Scipy模块实现统计技术
python语言中numpy和pandas模块是处理数据的利器，除此之外，继续向大家介绍Scipy模块，这个模块专门运用于统计和优化技术，本文主要讲述Scipy模块在统计中的运用。
2023-10-06 15:30:06
83
原创 同花顺Supermind量化交易 财务分析建模 Matplotlib绘图实现数据可视化
数据分析能力是一项非常重要的能力，尤其是在分析股票数据时，挖掘其中的有用信息是成功的必要因素。而数据可视化可谓是秀数据分析能力的最好方式，本章内容主要介绍python的matplotlib模块，让你的数据分析结果，show出来！
2023-10-06 15:25:37
239
原创 同花顺Supermind量化交易 风险控制建模-动量类多因子之择时中选股
作为策略集锦压轴篇，向大家介绍完整的多因子选股策略，结合了光大证券多因子选股研报，希望能在多因子研究模块，给大家打好坚实基础。
2023-10-06 15:18:52
304
原创 同花顺Supermind量化交易 风险控制建模-Fama-French三因子模型应用
顾名思义，Fama-French三因子模型中包含三个因子：市值因子(SMB)、账面市值比因子(HML)、市场风险因子(RM)。三因子模型的本质就是把CAPM中的未被解释的超额收益分解掉，将其分解成SMB、BM、RM和其他未能解释的因素(a)，公式表达即为其中：Ri=E(ri−rf)，指股票i比起无风险投资的期望超额收益率。RM=E(rM−rf)，为市场相对无风险投资的期望超额收益率。E(SMB)是小市值公司相对大市值公司股票的期望超额收益率。
2023-10-06 15:15:32
530
原创 同花顺Supermind量化交易 风险控制建模-CAPM模型的应用
提起资本资产定价模型，大家可能都有学习过，那么本篇内容主要向大家讲述资本资产定价模型的实际应用，我们将其构建成量化策略，并在历史行情中回测。
2023-10-06 15:12:00
364
原创 同花顺Supermind量化交易 风险控制建模-向彼得林奇投资大师学习PEG选股
投资大师彼得·林奇有过一个著名的论断：任何一家公司股票如果定价合理的话，市盈率就会与收益增长率相等。本篇内容将为大家讲述彼得·林奇推广的PEG选股策略。
2023-10-01 22:57:43
318
原创 同花顺Supermind量化交易 风险控制建模--海龟交易法则
A.市场与标的海龟交易法则应用于流动性高的市场中，选择交易量较大的标的进行交易。本文以沪深300指数ETF为标的，构建海龟交易法则。B、仓位：仓位是海龟交易系统最核心的部分，通过ATR真实波幅指标来管理仓位。第一步：计算True Range，简称TR。TR = Max ( H−L , H−P , P−L ) ，其中H为当日日内最高价，L为当日日内最低价，P为前一日收盘价。第二步：计算ATRATR = mean ( TR , 20 ) , 即计算过去20天的TR的平均值，ATR是TR的移动平均值。
2023-10-01 22:54:26
250
原创 同花顺Supermind量化交易 风险控制建模-布林强盗，一个霸道的交易系统
布林强盗交易系统只有两个组成部分，分别为：进场、离场。A.进场：1.当日收盘价超过50日移动平均线的上轨。注意：上轨值=过去50日收盘价平均值+过去50日收盘价的标准差2.当日收盘价超过过去30个交易日收盘价的最大值。3.同时满足上述两个条件，则下个交易日开盘全仓买入。B.离场:1.自适应均值：进场后，设置自适应移动均值，首日自适应移动均值为过去50日收盘价均值，即为中轨。之后持仓时间每多一个交易日，计算移动平值的天数减去1。但移动均值的计算天数最小递减到10。如果达到了10，则不再递减。
2023-10-01 22:47:27
447
原创 同花顺Supermind量化交易 风险控制建模-趋势跟踪交易-Dual Thrust
在Dual Thrust交易系统中，对于震荡区间的定义非常关键，这也是该交易系统的核心和精髓。Dual Thrust系统使用Range = Max(HH-LC,HC-LL)来描述震荡区间的大小。其中HH是N日High的最高价，LC是N日Close的最低价，HC是N日Close的最高价，LL是N日Low的最低价。
2023-10-01 22:44:21
231
原创 同花顺Supermind量化交易 风险控制建模--网格交易—动态调仓策略
市场上股票的价格总是在不断的上下波动，投资者通过低买高卖获利。第三篇将向大家介绍网格交易，一个动态的调仓策略，有效解决仓位和价位控制。
2023-09-30 15:15:40
455
原创 同花顺Supermind量化交易 风险控制建模--二八轮动择时策略
作为策略锦集第二篇，我们以沪深A股市场出了名的“二八轮动”现象为基础，向大家介绍经典择时策略：二八轮动策略。
2023-09-30 15:11:05
298
原创 同花顺Supermind量化交易 数据处理专题1-学会用Python做线性回归
线性回归也被称为最小二乘法回归。它的数学模型是这样的：y = a+ bx＋e 其中，a被称为常数项或截距；b被称为模型的回归系数或斜率；e为误差项。a和b是模型的参数。当然，模型的参数只能从样本数据中估计出来：y'= a' + b'x我们的目标是选择合适的参数，让这一线性模型最好地拟合观测值。拟合程度越高，模型越好。那么，接下来的问题就是，我们如何判断拟合的质量呢？高斯和勒让德找到的方法是：被选择的参数，应该使算出来的回归线与观测值之差的平房和最小。
2023-09-30 15:05:59
166
原创 同花顺Supermind量化交易 数据处理专题1-运用Scipy实现数据统计
python语言中numpy和pandas模块是处理数据的利器，除此之外，继续向大家介绍Scipy模块，这个模块专门运用于统计和优化技术，本文主要讲述Scipy模块在统计中的运用。
2023-09-30 14:57:42
177
原创 同花顺Supermind量化交易 数据处理专题1-matplotlib实现数据可视化
数据分析能力是一项非常重要的能力，尤其是在分析股票数据时，挖掘其中的有用信息是成功的必要因素。而数据可视化可谓是秀数据分析能力的最好方式，本章内容主要介绍python的matplotlib模块，让你的数据分析结果，show出来！
2023-09-30 14:53:15
231
原创 同花顺Supermind量化交易 数据处理专题2--利用相关系数进行配对交易
配对交易是指八十年代中期华尔街著名投行Morgan Stanley的数量交易员Nunzio Tartaglia成立的一个数量分析团队提出的一种市场中性投资策略。Ganapathy Vidyamurthy在《Pairs Trading: Quantitative Methods and Analysis》一书中定义配对交易为两种类型：一类是基于统计套利的配对交易，一类是基于风险套利的配对交易。
2023-09-30 14:44:20
120
原创 同花顺Supermind量化交易 数据处理专题2--分类与预测
数据挖掘，又译为数据采矿，是指从大量的数据中通过算法搜索隐藏于其中信息的过程。本篇内容主要向大家讲述如何使用KNN算法进行数据分类和数据预测。
2023-09-30 14:39:26
137
原创 同花顺Supermind量化交易 数据处理专题2--去极值、标准化、中性化
一般的数据预处理中常提及到三类处理：去极值、标准化、中性化。我们将向大家讲述这常见的三种数据处理操作。
2023-09-30 14:30:43
159
原创 同花顺Supermind量化交易 风险控制建模-投资高股息股票 附阐述 代码 回测
作为策略锦集的第一篇，我们结合当前A股市场的价值投资风向，向大家介绍极具实践意义的股息率选股策略。
2023-09-24 17:26:10
578
1
原创 同花顺Supermind量化交易 资金面专题2-资金流动强度与风格下股票组合涨跌相关性
一般而言，当市场中资金流动强度平缓时，风格投资者保持原有的风格方向；当资金流动强度强烈时，风格投资者转换原有的风格方向，例如：小市值投资者在资金流动强烈时，会转向大市值风格。本篇文章将从规模因子（大小盘风格）入手，研究关于资金流动强度与风格投资的话题。
2023-09-24 17:04:41
82
原创 同花顺Supermind量化交易 资金面专题2-风格下资金流入强度的分析 附源代码
一般而言，当市场中资金流动强度平缓时，风格投资者保持原有的风格方向；当资金流动强度强烈时，风格投资者转换原有的风格方向，例如：小市值投资者在资金流动强烈时，会转向大市值风格。本篇文章将从规模因子（大小盘风格）入手，研究关于资金流动强度与风格投资的话题。
2023-09-24 17:00:35
335
原创 同花顺Supermind量化交易 资金面专题2--资金净流量强度 阐述
但在资金流动强度较大的时候，风格投资者就有可能发生风格转移的现象，因此这个时候的风格转换投资才更具意义。所以我们默认标准化后的资金流动强度小于1.96的时候，保持原有的风格投资，而大于1.96的时候，进行择时，进行风格转换。这也就是说在大小盘风格下，市场通常认为的资金流动强度将会改变风格投资者原有风格方向的假设是不正确的。风格投资，会存在一定程度长期资金的风格偏好，会掩盖资金流入流出的边际化贡献，所以对于波动率而言，截面上的净变化才是研究资金流动强度的关键。个股净流入额=个股流入额-个股流出额。
2023-09-24 16:52:06
191
原创 同花顺Supermind量化交易 资金面专题1--资金因子合成 附阐述和源代码
导读主流的多因子选股模型通常采用量价数据(开高低收、成交量)、财务数据(流通市值、市盈率、市净率等)、舆情数据(事件)来挖掘市场中存在的超额收益。本文主要以资金数据为落脚点，试图挖掘有效的资金因子(月频)，并构建资金因子选股策略，获取市场超额收益。1.合成因子-机构收割散户。
2023-09-23 19:02:18
578
原创 同花顺Supermind量化交易 资金面专题1--资金单因子 附阐述和源代码
上文我们已经完成了单个因子的单期和多期计算，随后我们对17个资金因子进行计算汇总，在17个资金因子中，从IC均值和IR比率分析，大单净量因子位居首位、其次为DDE大单净额和金额流入率，因子具有较强的预测能力，但资金因子的IC标准差在20%上下，使得IR不足0.5，因此单个资金因子的预测稳定性较差。考虑到短线资金数据掺杂着较多的噪音，且短期盘面受投资者情绪、事件等因素影响，本文选取17个个股资金指标，从月频角度，试图挖掘有效的资金因子。因子策略回测：将有效的合成因子构建成因子策略，在回测环境中测试。
2023-09-23 18:58:56
428
原创 同花顺Supermind量化交易 机器算法运用--预测指数涨跌的算法对比 附源代码
测试时,预测成功率 0.53。训练时,预测成功率 0.56。测试时,预测成功率 0.55。训练时,预测成功率 0.61。测试时,预测成功率 0.58。训练时,预测成功率 0.72。训练时,预测成功率 0.76。测试时,预测成功率 0.51。训练时,预测成功率 0.97。测试时,预测成功率 0.55。测试时,预测成功率 0.09。训练时,预测成功率 0.51。训练时,预测成功率 0.53。训练时,预测成功率 1.0。测试时,预测成功率 0.5。训练时,预测成功率 0.1。测试时,预测成功率 0.5。
2023-09-23 18:54:52
204
原创 同花顺Supermind量化交易 机器学习算法对比-九大-机器学习算法运用 附源代码
这一节学习机器学习算法的对比，第二章学习如何将这些九大机器学习算法运用在预测数据上。查看以上策略详细请 到 supermind。训练时,预测成功率 0.56。测试时,预测成功率 0.55。
2023-09-23 18:52:10
164
原创 同花顺Supermind量化交易 机器学习算法对比--多维数据展示 附源代码
这一节学习机器学习算法的对比，第一章学习如何将数据多维展示。查看以上策略详细请 到 supermind。训练时,预测成功率 0.56。测试时,预测成功率 0.55。
2023-09-23 18:46:05
163
原创 同花顺Supermind量化交易 金融时间序列1-AR、MR、ARIMA模型 附源代码
本课将会从金融时间序列的角度，以沪深300的收益和价格作为研究标的，分别使用AR模型，MA模型以及ARIMA模型尝试拟合和预测，详述模型使用流程，以及模型与模型之间的表现差异。
2023-09-23 17:45:52
136
原创 同花顺Supermind量化交易 金融时间序列1-AR、MR模型 附源代码
从金融时间序列的角度，以沪深300的收益和价格作为研究标的，使用AR、MR模型尝试拟合和预测，详述模型使用流程,以及模型与模型之间的表现差异。
2023-09-23 17:37:39
145
原创 同花顺Supermind量化交易 金融时间序列1--AR模型 附源代码
从金融时间序列的角度，以沪深300的收益和价格作为研究标的，使用AR模型尝试拟合和预测，详述模型使用流程。
2023-09-23 17:29:36
173
原创 同花顺Supermind量化交易 从决策树到随机森林--附源代码
通常情况下，我们使用线性去回归因子数据，用来解释因子对于收益的贡献程度。但事实情况下，此类方法过于简单，且市场收益并不一定与各类因子线性相关，难以达到预期效果。众所周知，树是机器学习中的一类算法，决策树算法则是其中的基础，而随机森林则是利用多棵决策树对样本进行训练并预测的一种算法。它们不同于支持向量机，KNN等需要大量数据前处理，且能处理复杂问题。查看以上策略详细请 到 supermind。
2023-09-17 16:23:58
253
原创 同花顺Supermind量化交易 决策树的概念与运用---附源代码
通常情况下，我们使用线性去回归因子数据，用来解释因子对于收益的贡献程度。但事实情况下，此类方法过于简单，且市场收益并不一定与各类因子线性相关，难以达到预期效果。众所周知，树是机器学习中的一类算法，决策树算法则是其中的基础，以下将详述决策树的概念与应用。查看以上策略详细请 到 supermind。
2023-09-17 16:18:15
311
原创 同花顺Supermind量化交易 金融时间序列2--EGARCH模型 附源代码
从金融时间序列的角度，以 沪深 300的收益作为研究标的，使用EGARCH等衍生模型进行探讨和对比，并尝试对价格和波动率进行一定的拟合和预测。查看以上策略详细请 到 supermind。
2023-09-17 16:11:58
260
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人