投资策略优化

导语

1989年发表的论文《The Fundamental Law of Active Management》及其随后的相关论文揭示了寻求主动投资的alpha收益的数量化关系，这为主动组合投资管理带来一套令人信服的分析框架，这个数量化关系很好揭示了数量化技术(量化投资)可以如何或者应该如何切入投资管理领域。

和被动组合管理(passive porfolio management)相比,主动组合管理(active porfolio management)更显投资水平的能力，或者说运气。被动投资力求完全复制相应的基准成分股及其权重，所以每当某指数做成分股的调整时，新入选的股票

https://bigquant.com/experimentshare/5730c1e899ef4685ba497c554c7eab79

\

\

一个股票可能对应多个题材，如何找到最匹配的题材?

如何构建概念板块因子？

\

策略源码

https://bigquant.com/codeshare/7a7f5d8f-2586-4a97-be0a-d0fd8aab1879

如何找到对应的最热门的题材?

\

请问GPT这类大模型如何与stockranker、lightGBM

投资策略的优化是一个复杂的过程，旨在提高投资回报、降低风险并适应市场的变化。这通常涉及对现有策略的评估、调整和改进。以下是一些常见优化投资策略的方法和案例：

投资策略优化方法

1. 资产配置调整
   • 根据市场变化和个人的风险承受能力调整资产配置比例。
   • 例如，随着市场利率的上升，可能需要减少债券的比重，增加对股票的投资。
2. 定期平衡
   • 定期重新平衡投资组合，以维持原始的风险和回报水平。
   • 例如，如果股票的比重因市场上涨而增加，就卖掉一部分股票，购买更多的债券。
3. 采用或调整量化策略
   • 使

导语

了解量化投资是成为宽客道路上的一块重要的敲门砖。本文从量化投资定义、量化投资特点、量化投资优势及量化投资实践流程四方面简要为大家介绍量化投资相关知识。

什么是量化投资？

量化投资是指通过数量化模型建立科学投资体系，以获取稳定收益。 在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。在国内，量化投资不再是一个陌生的词汇，近几年得到了迅猛的发展。

提起量化投资，就不得不提量化投资的标杆——华尔街传奇人物詹姆斯·西蒙斯(James Simons)。视频地址：“[横扫华尔街的数学家](https://bigquant.c

适用于AIStudio3.0.0的版本:

https://bigquant.com/wiki/doc/%5Fnew-iH7DEZCRpf

{{membership}}

https://bigquant.com/codeshare/5a5dd498-4590-44c2-8109-ae4501f49494

\

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平

旧版声明

本文为旧版实现，供学习参考。

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

\

策略案例

https://bigquant.com/experimentshare/53afe5c70e1f48b28f66eeb980d86ebb

\

\

根据AI量化大赛获奖策略分享《龙头战法实盘-中证150增强》策略模版，https://bigquant.com/wiki/doc/dasai-celve-longtou-zhanfa-1nfvTHPpSe，我将买入改为了10只，结果买入股票仍是5只，请问为什么？

[https://bigquant.com/experimentshare/d0a54cd87cc1450b87b5f74fa84b0851](https://

{{membership}}

https://bigquant.com/codeshare/38085c4a-2332-4ceb-ba0e-eed448c3c6e5

\

摘要

传统多因子选股

在国内A股市场，传统的多因子量化选股模型得到了广泛的应用，在实际表现中，传统的多因子模型在过去几年中也表现出较为稳定的超额收益率。但随着传统多因子模型应用越来越广泛，历史长期有效的因子逐渐失效，对新因子的挖掘提出了迫切的需求。

新因子挖掘

传统的因子指标挖掘主要集中于财务报表、个股中低频率的价量等相关的数据维度，而这部分数据维度的增量价值的挖掘已逐渐饱和，需从其他新的数据维度中挖掘新的因子指标，本篇报告从个股日内高频数据出发尝试挖掘出新的因子指标

基于高频数据因子的策略构建

基于个股日内高频数据，构建了已实现波动（Realized

摘要

见贤思齐焉。当我们在研究为什么有些基金表现优异的时候，我们总想知道这些目标基金到底在哪些因子上有所暴露，对目标基金因子暴露的研究有利于投 资者构建自己的投资组合。传统方法是根据公募基金的定期报告中的持仓数据来 计算基金在某些因子上的暴露度，但是由于定期报告发布时间存在较长滞后，这 种传统方法在实际使用中也存在较长时滞。我们尝试使用基金净值序列和因子收 益序列来反推基金在某因子上的暴露度走势。使用 LSTM 算法进行计算，经过一 系列测试，取得了一些初步成果。

对于基金在各因子上的暴露度迁移的研究，有利于我们对目标基金进行研究。 不管是对基金进行因子业绩归因还是波动率拆解，都需要

/wiki/static/upload/53/53618628-a09b-4372-a82c-c7726ad2b085.pdf

\

https://bigquant.com/experimentshare/4f0628d6e9814924a0b0dbf375356d06

\

{{membership}}

https://bigquant.com/experimentshare/1ac7989b1e63421ba3850e5394e6c36a

\

\

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

摘要

文献来源：Lin, Wenguang, and Gary C. Sanger. "Is smart beta still smart under the lens of the diversification return?." The Journal of Portfolio Management 47.1 (2020): 29-39.

推荐原因：分散化收益是一种关于组合收益的统计量，它可以在很大程度上解释投资组合的收益率。同时，一些关于Smart Beta策略的测试结果引发了人们对相关策略的极大兴趣；大量的研究结果表明，Smart Beta策略，在组合构建过程中，通

作者：dkl297836

策略思想

基于32个短期价量因子，训练集使用2016年1月1日至2020年12月31日共5年数据，每个交易日买入模型当日预测结果排名靠前的10只A股股票，个股最大仓位限制为20%，持股时间设置为5个交易日，初始资金100万。

Lightgbm策略

原有策略是基于Lightgbm机器学习算法，该策略的表现见图1：

![图 1：lightgbm-2021年1月1日至2022年6月10日回测结果{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachment

策略案例

https://bigquant.com/experimentshare/0f5a773d39184d73bec6520dccad7ee8

\

/wiki/static/upload/ed/ed01a9bf-78a5-41f6-b4dd-30ebe7a305dc.pdf

\