量化金融

关于这个课程讲到的自适应机制，因为是量化+金融小白，很多可能老师认为基础的东西还不是能够特别的理解，想跟老师再讨论一下

https://bigquant.com/college/courses/course-v1:plus+feature001+2024-01-02/courseware/3717ef2e895841069095cf2a7961a642/6737d7e7e6a14e80b905f032065d6811

【W式切割】

可以这么理解吗：

找到一个切割的基准（研报中以成交额为切割），把因子切割分两份，两份因子的差值作为一个新的因子来衡量

【风格因子最优化】

可以这

AI量化领域结合了人工智能（AI）、机器学习（ML）以及量化金融的技术和方法。这一领域的目标是使用算法和计算模型来分析大量金融数据，从而做出投资决策或提高交易效率。

一些在AI量化领域重要技术和方法，以及在金融领域的应用：

1. 机器学习算法：机器学习算法是AI量化领域的核心。它们包括监督学习、非监督学习和强化学习。
   • 监督学习，如支持向量机（SVM）、神经网络、决策树等，用于预测或分类任务，如股价预测、信用评分。
   • 非监督学习，如聚类、主成分分析（PCA）等，用于发现数据中的模式和关系，如市场细分、异常检测。
   • 强化学习，如Q学习

更新

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

7月30日Meetup 模板案例：

策略案例

https://bigquant.com/experimentshare/99d8bec5248e4878b33a21bc119a6671

\

{{membership}}

https://bigquant.com/codeshare/323b5380-95d7-4410-a1ff-2116b3933d35

\

基本概念

量化金融数据是量化投资的基石，它包括各种类型的数据，用于支持交易决策、风险管理和投资策略的开发。

量化金融数据类别

1. 市场数据

   1. 价格数据：包括股票、债券、期货、期权、外汇等各类金融资产的历史和实时价格。
   2. 交易量数据：显示特定资产在特定时间内的交易量。
   3. 成交数据：包含成交价和成交量的详细信息。

2. **基本

摘要

这篇报告里我们使用 Fama-French 三因子模型的思路在 A 股市场做实证分析。我们基于该论文的三因子模型实证了 A 股市场在 2010年4月到 2022年 10月的情况。

Fama-French 三因子模型是量化金融领域十分经典的理论模型。

最早提出的CAPM模型无法解释市场收益率，Fama 和French 提出了3个因子用以解释股票收益的横截面异象。这3个因素分别是:整体市场因素(RM-RF)、与公司规模相关的因素 (SMB) 和与账面市值比相关的因素 (HML)。 对 A 股市场的实证显示，规模效应更强，账面市值比效应更弱。该论文贡献的 2个市场因子SMB

Generative Adversarial Networks for Financial Trading Strategies Fine-tuning and Combination

作者：Adriano Koshiyama, et al.

出处：Quantitative Finance, 2020-09-01

摘要

系统交易策略是分配资产以优化特定绩效的算法程序。为了在竞争激烈的环境中获得优势，分析师需要适当地微调策略，或者发掘如何通过创造新的alpha以组合弱信号。已经有多种方法对微调和组合这两个方面进行了广泛研究，但是新兴技术，例如生成对抗网络，也会对这些方面产生

Constructing Long-Short Stock Portfolio with A New Listwise Learn-to-Rank Algorithm

作者：Xin Zhang, et al.

出处：Quantitative Finance, 2021-07

摘要：随着机器学习的快速发展，因子策略在行业中得到越来越广泛的应用。在算法中输入多因子可以进行横截面收益预测，并进一步用于构建多空组合。大量现有研究使用排序学习法来预测股票排名，基于此，作者提出了一个新的列表排序学习损失函数来进一步强调排名的头部和尾部。本文的损失函数基于多空策略，具有内在的移位不变性，是对ListM

AI量化论文介绍

牛津大学英仕曼量化化金融研究所（OMI）是世界领先的金融市场跨学科研究中心。OMI主要研究量化金融的基本问题，重点关注机器学习和数据驱动的模型。OMI研究汇总是一份精心策划的月度摘要，涵盖了量化相关领域的最新研究、见解和工具。

本月的论文分享中，有两篇来自OMI的最新论文。第一篇是基于订单账面不平衡的度量对交易流进行分类，并研究分解后的交易流对价格的影响，以设计有利的交易策略。第二篇介绍了使用动量策略应用于加密货币的转移排序模型。

本文主要介绍与金融和机器学习相关的论文。

**1. Trade Co-occurrence, Trade Flow Decom

/wiki/static/upload/c9/c94fbe09-58ac-483f-8d29-ba184e00cfb3.pdf

\

\