摘要

作者：Taewook Kim, HaYoung Kim

出处：PLOS ONE, 2019-02

预测股票价格在制定交易策略或选择买卖股票的适当时机中起着重要作用。作者提出了融合长短期记忆-卷积神经网络（LSTM-CNN）模型，该模型结合了从相同数据的不同表示形式（即股票时间序列和股票图表图像）中的特征，以预测股票价格。所提出的模型由LSTM和CNN组成，用于提取时间特征和图像特征。作者使用SPDR S＆P 500 ETF数据来衡量所提出模型相对于单个模型（CNN和LSTM）的性能。LSTM-CNN模型在预测股票价格方面优于单个模型。此外，作者发现蜡烛图是用于预测股票价格的最

交易策略揭秘

Renaissance Technologies文艺复兴科技公司交易策略揭秘记录！该短片中详细介绍了文艺复兴科技公司多年来如何开发各种交易策略，从早期的均值回归到利用内核方法等等。

https://www.bilibili.com/video/BV1ae4y1f7Em

\

摘要

股指期货开盘动量效应我们通过对股指期货开盘动量效应的研究发现，股指期货长期存在显著的开盘动量效应。为此我们定义：如果开盘价，最低价以及收盘价随K线依次上升，那么可以判定为上涨（多头）趋势。如果开盘价，最高价以及收盘价随K线依次下降，那么可以判定为下跌（空头）趋势。

风险控制我们在进行策略的开发与设计时，对于风险的考量永远是第一位的。因此本节首先探讨两种止损方法，对于策略的止损我们选择了反向信号止损以及吊灯止损法。其中，反向信号止损为多头趋势下连续5根K线最高价依次下跌，空头趋势下连续3根K线最低价依次上涨。吊灯止损法为多头趋势下最优价格回落2.5倍ATR止损，空头趋势下最优价格

文献来源：The Long of it: odds that investor sentiment spuriously predicts anomaly returns, Journal of Financial Economics (2014), RF Stambaugh, J Yu, Y Yu

推荐原因：不少文献质疑投资者情绪是否是市场异象错误定价的核心原因，本文通过一种随机生成序列的方式证实了投资者情绪对异象解释的显著性支持，给“市场异象的错误定价源于情绪反馈”这一研究路径提供更多实证支撑，且这种情绪效应由于做空成本较高具有显著的空头收益。

简介

当推断一个高度自相关的变量

摘要

文献来源：Aboody, D., Even-Tov, O., Lehavy, R., & Trueman, B. (2018). Overnight Returns and Firm-Specific Investor Sentiment. Journal of Financial and Quantitative Analysis, 53(2), 485-505.

推荐原因：投资者情绪对于股票收益的横截面（或时间序列）属性的影响是一个具有重要研究意义的课题。个人投资者容易受市场情绪所影响，并且他们倾向于在盘后挂单进而在交易日开盘进行成交，因此股票隔夜收益可以作为度量个

摘要

文献来源：Kan S., Gong S. (2017) Does High Stock return synchronicity Indicate High or Low Price Informativeness? Evidence from a regulatory experiment, International Review of Finance

推荐原因：传统观点大都认为股票收益相对市场收益的同步性（synchronicity）与股票价格信息含量（price informativeness）间呈现负向相关性，当股价更多地反应企业特有信息时，股票收益与市场收益

摘要

文献来源：[1] Chen Y, Han B, Pan J. Sentiment Trading and Hedge Fund Returns[J]. The Journal of Finance, 2021.

推荐原因：当出现情绪波动时，套利者可能使用不同的交易策略，从而导致其呈现不同的情绪暴露。本文发现通过情绪beta（即对冲基金对情绪波动的暴露）排序分组的对冲基金组合，最高与最低组的月度风险调整后的收益差值为0.59%，在管理能力强的基金中该收益差值更加显著。此外，约10%的对冲基金具有情绪择时能力，其情绪择时能力与基金的情绪beta以及基金业绩正

20200514-国盛证券-量化专题报告：利率债收益预测框架——大类资产定价

/wiki/static/upload/63/632174fd-6d0d-47e1-a63e-cb2799d0406f.pdf

\

摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系

正文

/wiki/static/upload/cc/ccdb74be-b863-4da3-8f49-1f6faa26c18e.pdf

\

Overview

期权入门学习PPT材料，从期权基础概率术语、规则解读、做市商制度到定价原理、交易策略、套利交易、风险指标等。

期权基础：概念与术语

/wiki/static/upload/65/65be8923-cc3a-47a7-ad85-9c1217608123.pdf

涉及国内主要品种的不同的频率的回测与交易

\

摘要

一个人的气质里 藏着他走过的路和读过的书！

4月23日，是世界读书日。

今天，让我们通过梅译丽的喵主理人整理的大佬书单，来看看他们都推荐了哪些值得一读的好书！

正文

/wiki/static/upload/a6/a6adbbbc-fbe9-4447-afc9-5f360d115b2f.pdf

注：推荐书籍转自公众号 量化投资与机器学习

\

背景

根据当前中国的交易规则，股票不能做空。与更发达的市场相反，套利机会不容易实现。这表明那些寻找并能够利用它们的人可能会有机会。

因此，我决定使用统计套利和配对交易技术专注于中国的期货市场。

战略理念

本项目实施的交易策略称为“统计套利交易”，也称为“配对交易”，是一种逆势策略，旨在从某个配对比率的均值回归行为中获利。

策略思想

基于17个短期因子，其中8个量价因子，9个均线因子。训练集使用2005-01-04至2020-06-01日，每个交易日买入模型当日预测结果排名靠前的1只A股股票，次日卖出。

StockRanker模型

原有模型是基于BQ提供的Stockranker机器学习算法：

![图 1：stockranker-2021年1月4日至2022年1月21日的模拟实盘结果{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.redirect?id=bb5b3d09-3e20-4840-b5e0-2220d7f5599

\

https://bigquant.com/experimentshare/c094a0a83acb4bacb637f7a0cf42fc76

/wiki/static/upload/e0/e01b0948-5f18-481e-ae7b-9f8748add087.pdf

\

摘要

模型对上证指数取得较好的择时收益

本文采用小波分析加支持向量机的方法构建量化择时模型，并检验了在不同参数条件下预测模型对应交易策略的有效性。最终发现预测模型得到的交易策略对上证指数具有较好择时效果，在训练时间窗为5个交易日的情况下，经过小波分析滤波后得到的预测模型单日预测正确概率可以达到56.01%，交易成功概率达到84.65%，每次交易扣除1%的交易成本后，从2000年2月21日到2011年12月31日，模型共获得84.28倍的收益。

模型对沪深300指数的择时收益尚待改进

本文在使用小波分析和支持向量机的模型对沪深300指数进行建模后，发现无论是指数的日

\

https://bigquant.com/experimentshare/fb090a47d5a14348828be56e969cd9ce

\

https://bigquant.com/experimentshare/7d6a296d51e2418f9b85dff82638dc07

\

https://bigquant.com/experimentshare/6bf4c1fcd76f42a1aba25ffcc901c03e

\

行业轮动策略简介

行业轮动是利用市场趋势获利的一种主动交易策略，其本质是利用不同投资品种强势时间的错位对行业品种进行切换以达到投资收益最大化的目的。通俗点讲就是根据不同行业的区间表现差异 性进行轮动配置，力求能够抓住区间内表现较好的行业、剔除表现不佳的行业，在判断市场不佳 的时候，权益类仓位降低，提升债券或货币的比例。

行业轮动的原因

目前，对我国行业轮动现象的理论解释有很多，但主要是以实体经济和行为金融为主。从长期和综合的角度看，应该以实体经济为基础，这样才是有源之水、有本之木。股市里的行业轮动应该是以实体经济的行业轮动为基础，是实体经济的一个映射。当然，这个映射并不仅仅反

摘要

中高频机器学习再出发

区别于传统的主观规则交易，机器学习模型可以挖掘出更多的非线性模式。我们设计的集合分类回归策略采用XGBoost机器学习模型，并使用集合学习对机器学习模型进行融合来预测日内涨幅。

日内涨幅影响因子

我们共挖掘出15个因子：隔夜涨幅，集合竞价阶段第一阶段涨幅，集合竞价阶段成交金额占比，第一阶段委比变化，第二阶段委比变化，第二阶段涨停和第二阶段持续上行与日内涨幅有正向影响；集合竞价阶段第二阶段涨幅，集合竞价阶段成交金额占当天总成交金额的比例，第一阶段涨停，第二阶段的委买一价，委卖一价均值的平均值，第二阶段的委买一价，委卖一价均值的最大值，第二