杂7杂8
smy
灵魂35克
期待忙碌
展开
-
平稳性检验
import statsmodels.tsa.stattools as statfor i in range(len(dfx.columns)):# print(dfx.columns[i]) pvalues=stat.adfuller(dfx.values[:,i],1)[1] if pvalues>0.01: print(dfx.columns[i],pvalues) list_big.append(dfx.column原创 2021-03-22 17:07:31 · 623 阅读 · 0 评论 -
因子分析
https://www.zhihu.com/question/35383465上图展示了 4 种典型的因子收益率在时间维度上的统计特征:在左上角的第一幅图中,因子收益率在大部分时间为正,但波动较大。这说明该因子虽然可以贡献超额收益,但是其自身波动也带来了它对应的系统性风险。在右上角的第二幅图中,因子收益率在大部分时间为正,且波动很小。这说明该因子不但可以稳定的贡献超额收益,其自身的系统风险也非常低。这在理论上是最优秀的收益因子。在左下角的第三幅图中,因子收益率时正时负,波动很大,在统计上无法贡献非转载 2021-03-21 21:08:53 · 209 阅读 · 0 评论 -
量化数据
https://zhuanlan.zhihu.com/p/311757142原创 2021-03-21 21:06:26 · 577 阅读 · 0 评论 -
打开量化交易的黑箱——note1
数据挖掘在量化交易的实用指导:持有周期少于1天的策略,数据挖掘策略可能更有用。对于持有周期近似为一个星期的策略,将数据挖掘技巧与健全的市场理论结合的策略更有用。对于期望持有周期为数月或数年的策略,如果依赖数据挖掘技巧,可能是不奏效的。...原创 2021-03-20 14:21:06 · 186 阅读 · 0 评论 -
战胜市场的投资策略方向
http://www.cyhs888.com/h8011682486230538169239.html做AI投资策略,光靠堆机器、凑数据量是行不通的。实际上,无论是量化投资还是主观投资,都需要人先想清楚市场的失效点在哪里,以及有哪些赚钱的逻辑,而计算机算法只是更高效地实现交易逻辑的工具而已不同的投资策略,本质上是对应着不同的市场失效点。一般来说,越没有门槛的失效点,其超额收益越难以持续。比如市净率的例子,一旦这个研究被公开,就会被无门槛地模仿,从而导致这一规律的超额收益大幅下降而门槛较高的策略则不然。原创 2021-03-20 14:20:09 · 200 阅读 · 0 评论 -
一个显著的正收益因子
原文链接原创 2021-03-20 14:18:02 · 69 阅读 · 0 评论 -
多因子模型
原文链接原创 2021-03-20 14:15:14 · 165 阅读 · 0 评论 -
uninstall失败情况
pip install package --ignore-installed moudle原创 2021-03-20 14:10:54 · 564 阅读 · 0 评论 -
conda安装新环境 查看环境 jupyter notebook 增加kernel
conda create --name smy1 python=3.6conda info --envs首先,查看python内核版本:import syssys.executable在python虚拟环境中中输入:python -m ipykernel install --name smy1查看所有核心jupyter kernelspec list卸载指定核心jupyter kernelspec remove kernel_name...原创 2021-03-20 14:09:42 · 208 阅读 · 0 评论 -
pip install 遇到‘time out’
pip --timeout=100 install python-moudlepip --timeout=100 install -i https://pypi.tuna.tsinghua.edu.cn/simple原创 2021-03-20 14:05:40 · 130 阅读 · 0 评论 -
ml_q_note1
从高频到低频机器学习在高频量化策略上应用更加容易。从线性到非线性机器学习下的非线性比线性更能榨取数据的价值,但也更容易过度拟合,因此需要合理使用。从单次分析到推进分析推进分析更加符合实盘状态下盘后更新模型的实际情况。从分类到回归回归经常能优于简单的分成两类。预测值相关好的预测值不一定带来好的交易信号。...原创 2021-03-20 14:05:05 · 89 阅读 · 0 评论 -
VAR模型定阶
for p in range(1,11): basedata = None for i in range(p,rows): tmp_list = list(a[i,:])+list(a[i-p:i].flatten()) if basedata is None: basedata = [tmp_list] else: basedata = np.r_[basedata,[tmp_list]]原创 2021-03-20 14:03:54 · 768 阅读 · 0 评论 -
指数数据预测股指期货价格流程
原文链接原创 2021-03-20 14:01:48 · 285 阅读 · 1 评论