https://bigquant.com/aistudio/studios/a29733f8-0f37-11ed-93bb-da75731aa77c/?folder=/home/aiuser/work
更新时间:2024-01-11 07:37
更新时间:2023-12-29 10:56
请教一下,用1000多个股票一年的收益率数据和20个因子做多元回归模型,这里有多只股票和多个日期,应该要怎么处理呢?如何预测股票收益率?
更新时间:2023-11-27 06:10
如下午14点50,判断是否涨停,没涨停就卖出 这种
更新时间:2023-11-27 05:56
更新时间:2023-10-29 04:10
更新时间:2023-10-25 03:05
更新时间:2023-10-09 07:03
如图:
更新时间:2023-10-09 07:02
更新时间:2023-10-09 06:18
根据官网《如何对AI量化策略进行管理?三步走》(https://bigquant.com/wiki/doc/celve-FeqcyLgLeU),并参考
【模板案例】(https://bigquant.com/community/t/topic/194074)策略组合
在将两个策略合在一起时报错,请问如何解决?
\
NameError Traceback (most recent call last) <ipython-input-20-6aeba62465a8> in <module> 1 M3 = M.
更新时间:2023-10-09 06:09
一个小小的需求:可以提供十年期国债收益率和社融数据吗?
\
更新时间:2023-10-09 03:26
最好更细粒度的, 比如分钟级别。
好像没找到。 求例子。
更新时间:2023-10-09 03:04
更新时间:2023-10-09 02:55
更新时间:2023-10-09 02:51
更新时间:2023-10-09 02:20
更新时间:2023-08-30 03:27
更新时间:2023-06-26 08:17
更新时间:2023-06-15 10:43
蔡金摆动指标(Chaikin oscillator):简称CHO
所需数据和参数:CHO(high,low,close,open,volume,fast,slow )
指标伪码:
VAR1:=(CLOSE-OPEN)/(HIGH-LOW)*V;
ACCUM:=SUM(VAR1,0);
CHOVAL:EMA(ACCUM,FAST)-EMA(ACCUM,SLOW);
[/wiki/static/upload/cb/cbbb8b38-afd2-48a2-ba89-4bb8e3ceaa13.pdf](/wiki/static/upload/cb/cbb
更新时间:2023-06-13 06:53
梅斯线(Mass):
所需数据和参数:Mass(high,low,smoothlength,summationlength,malength )
指标伪码:
MASSVAR0:=EMA(HIGH-LOW,SMOOTHLENGTH);
MASSVAR1:=EMA(MASSVAR0,SMOOTHLENGTH);
MASSVAR2:=IF(MASSVAR1>0,MASSVAR0/MASSVAR1,0);
MASSVAL:SUM(MASSVAR2,SUMMATIONLENGTH);
[/wiki/static/upload/b4/b4d2ac13-d4
更新时间:2023-06-13 06:53
心理线(Psychological line):简称Psy
所需数据和参数:Psy(close,nDay,threshold1, threshold2 )
指标伪码:
PSY:COUNT(CLOSE>REF(CLOSE,1),NDAY)/NDAY*100;
/wiki/static/upload/c3/c3c6e415-2abe-4c54-885f-a338fffb2e73.pdf
\
更新时间:2023-06-13 06:53
阿隆指标(Aroon)
所需数据和参数:Aroon(high,low,nday,upband,lowband )
指标伪码:
UP:(N-HHVBARS(HIGH,NDAY))/NDAY100;
DOWN:(N-LLVBARS(LOW,NDAY))/NDAY100;
/wiki/static/upload/3a/3a51d61b-261d-4160-a64a-b52b18e54835.pdf
\
更新时间:2023-06-13 06:53
目录CONTENTS
1.趋势配置模型的基本原理
2.中信一级行业指数历史表现及动量效应
3.传统截面动量模型在行业配置组合上的应用及改进方向
4.“时序动量+截面动量+止损机制”构建行业趋势配置组合
5.主要结论
/wiki/static/upload/ca/ca5796d5-887d-4986-b0b2-a968e35b08b9.pdf
\
更新时间:2023-06-13 06:53
利用算法进行股票量化交易是当今金融市场的一个重要趋势。在国际象棋和围棋等诸多复杂的游戏中,深度强化学习(DRL)智能体都取得了惊人的成绩。深度强化学习的理论同样适用于股票市场的量化决策。本文介绍了同济大学计算机科学与技术系的上海市大学生创新创业训练计划优秀项目:「基于深度强化学习的金融量化策略研究」,解读了如何训练一个 A 股市场的深度强化学习模型,以及回测的绩效表现。
在该项目中,研究者把股票市场的历史价格走势看作一个复杂的不完全信息环境,而智能体需要在这个环境中最大化回报和最小化风险。相比于其他传统机器学习算法,深度强化学习的优势在于对股票交易任务进行马尔可夫决策过程建模,没有将
更新时间:2023-06-13 06:53
作者:Murphy N. J., Gebbie T. J.
出处:Quantitative Finance, 2021-03
本文使用了一种基于对抗型专家的在线学习算法来学习,使财富最大化的零成本组合交易策略所需的最佳参数。该学习算法用于确定大量技术交易策略的动态,这些技术交易策略可以通过历史回测,并从约翰内斯堡证券交易所每日和日内数据执行的基础交易策略集合中形成一个聚合的投资组合交易策略。本文一个关键的贡献是:在每日取样和日内时间尺度上,使用一个新的假设检验来测
更新时间:2023-06-13 06:53