查看之前文章请点击右上角,关注并且查看历史消息,还可以在文章最后评论留言。谢谢您的支持!
回测一
在此回测里,我们使用单个股票做仓位控制:w = return/variance
在实际使用中我加了个normalizer使得return和variance的数值大致在[0,1]之间w = return/(variance*normalizer)如果不想要normalizer,可以设置normalizer=1,结果是收益63%,回撤25%
可以看出,在股票上涨时仓位会逐步增加,而出现下跌时,仓位会迅速减小来减少回撤
多个股票的话就不用加normalizer了,因为直接加和就能归一化,所以感觉凯利公式做股债平衡或长期的多标的配比效果会好一点
大家可以在return和variance的计算上进一步改善,比如拿一些回归模型来预测接下来的return,使用garch或其他模型来计算variance,效果应该会更好
回测二
【过往文章】
0.【重!磅!干!货!】互联网金融之量化投资深度文本挖掘——附源码文档
1.【机器学习课程】深度学习与神经网络系列之绪论介绍
2.【Python机器学习】系列之线性回归篇【深度详细】
3.多因子策略系列(一)——因子回溯测试的总体框架
4.Python机器学习:数据拟合与广义线性回归
5.【分级基金】之分级A的隐含收益率研究分析
6.【精华干货】Quant 需要哪些 Python 知识
7.【干货】量化投资国内外很棒的论坛网站
8.朴素贝叶斯模型(NBM)详解与在Ma