吃瓜群众：10年翻400倍？！这怎么可能？！肯定是标题党？！ 回答：绝对不是。后面会附上原始数据、代码、结果，用数字说话。 吃瓜群众：那这个策略是不是非常复杂？ 回答：不复杂。这个策略非常简单，简单到一句话就能讲清楚。 邢不行是经管之家（原人大经济论坛）「量化投资」版块的版主，毕业于香港科技大学，热门教程《量化小讲堂》作者。 今天，邢老师给大家分享一个策略，一个在过去10年可以让你的本金翻400倍的选股策略。 选股条件 这个策略非常简单，简单到只用了一个选股条件。但是这个选股条件在众多其他条件中，却是最
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者。 团队简介 东吴金工活力有朝气，研究兼具广度和深度，颇受市场好评。团队首席高子剑先生，证券投资行业15年资历，现任东吴证券研究所所长助理、执行董事；培养的团队成员遍布公募基金、券商资管、券商衍生品、量化私募、宏观对冲基金、期货资管；多次获新财富最佳分析师、卖方分析师水晶球奖、中国证券业金牛分析师等奖项；复旦大学、北京
Stock [1]- 终端实时获取股票价格，实时查询股票价格，默认查询了沪指、深指。需要安装requests库，通过调用新浪股票API，实时查询股票价格，支持查询多支股票，通过threading多线程
在ChatGPT引领的AI浪潮下，涌现了一大批AI应用，其背后其实蕴含着一个基本事实：AI能力得到了极大突破——大模型的能力有目共睹，未来只会变得更强。这世界唯一不变的就是变，适应变化、拥抱变化、喜欢变化，天行健君子以自强不息。我们相信未来会有越来越多的大模型出现，AI正在逐渐平民化，将来每个人都可以利用大模型轻松地做出自己的AI产品。
最近"量化交易"成为了热门话题，具体缘由我就不多说了，之前觉得"量化交易"非常地神秘，"量化交易"是什么？它和"程序化交易"有什么区别？找些资料了解下。
今天给大家分享一位好朋友的六年量化程序开发历程，最后他的策略实现了很高的收益，身边有很多朋友也都是主业码农，副业量化，这种搭配是现在非常流行的，量化代码给大家放在了文章末尾，看完后希望对你有所启发与帮助~
区块链量化: 区块链量化软件，使用区块链和加密币技能，量化出资战略，信息智能提醒，买卖自动化，操作尽可能精准，削减买卖中人的片面情感要素对出资和资金的影响，避免盈余机遇的丧失；出资√资本相对自律； 区块链量化买卖系统建造、区块链量化买卖渠道开发、区块链量化买卖APP软件定制、区块链量化买卖渠道源代码树立、买卖所量化渠道、区块链量化软件开发技能；
1.量化 对于一般投资者，甚至是部分金融从业者来说，量化投资都是一门高大上的技术，充斥着模型代码和算法假设，门槛非常高。其实，生活中的量化思想无处不在。 例如，某魔都金融民工，每日上班路线是这样的：乘地铁或者公交至陆家嘴，随后步行或者乘华宝兴业免费接驳车至公司楼下。哪条路线最近呢？ 此人先罗列了所有可行的路线，随后花了一个月时间，逐条路线进行多次试验，最终成功找出不出意外情况下最近的线路，完美！这就是最简单的量化思想，利用大量数据，找出大概率的最优策略，并照此执行。 海外的量化投资发展已经超过三十年
ai量化系统架构的思考 背景 现在很多群体，尤其是有点金融背景或兴趣的程序员群体，“大量”进入量化交易这个领域。 以quantopian为蓝本，做出to c的quant平台。这个前文说过，受众肯定是非常窄的。有能力的人，不需要平台；编码对于大多数人也是一个门槛。 另外，即便像果仁或ricequant也出了向导式写策略，门槛降下来不少。但还是不对。用户还只能从经验出发，或者去试。 回测只是一个结果，本质是构建策略思路的过程。比如盈利目标，短线的话，看基本面意义不在，一个季度基本面都不会变的（变了你也不知道）。
投资理财是几乎是每个人的人生必修课，修的好，能带来很多睡后收入。但是没有丰富的投资知识，不要进入股市。假如你有一些闲钱，这些钱如果没了，对你的生活质量丝毫不受影响，那么，可以用这些闲钱玩一玩股票，记住一点，不可以使用杠杆，如果没有闲钱，那就玩模拟炒股吧。
量化交易策略无非三点：择时、选股、仓控。择时为短期套利交易策略，选股为中长期交易策略，目标是在中长期跑赢指数、获取市场超额收益率alpha。多因子选股的关键是找到寻找因子与股票收益率之间的相关性，即对收益率预测能力强的因子。一般多采用如下步骤：
前天去陆家嘴参加了通联量化的一个公开课。通联量化才两周年，所以我还是比较早的知道这个平台的人，至少一年多以前就知道有这样一个东西，可惜当时太年轻，二级市场的知识也很匮乏，更加重要的是，没有经历过A股暴跌，没有被市场教育过。
Style Analytics是一家面向投资专业人士的独立全球软件提供商。Style Analytics之前被称为Style Research，拥有超过20年的因子分析经验，为30个国家的280多家投资机构提供服务。
量化交易看起来似乎就是用机器炒股，没什么大惊小怪的。但是我们拆解开量化交易的模型，您就知道其中的奥秘了。
策略，可以实现目标的方案集合，在交易中，策略是指当预先设定的事件或信号发生时，就采取相应的交易动作。
程序员，或许内心深处都怀揣着一个量化投资的梦想，渴望凭借自己的编程和人工智能技能，再补点基础的金融知识，我们便可以构建一个量化交易系统，轻松实现财富自由。这样的理想确实诱人，似乎让我们看到了轻松实现个人价值的可能性，也让我们看到了用代码改变世界的力量。
vnpy [1] 基于python的开源交易平台开发框架。项目的用户包括：私募基金，证券自营、资管，期货公司，高校的金融研究院系，个人投资者等，机构用户加起来至少20多家。 该项目拥有较为丰富的Py
本案例由九章云极投递并参与评选，数据猿独家全网首发；更多关于【金猿榜/奖·2019征集评选】的相关信息，请点击这里了解详情丨征案例、征文章、征产品=评企业、评人物、评产品。
以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
底部放量择时策略 选股标准 沪深300成分股任选100只 择时标准 当前股价小于100交易日内最低价的1.1倍 当前成交量大于100日平均成交量的5倍，且当日上涨 止盈止损 止损：5% 止盈：20% 择时原理 股票处于底部有较高安全边际 放量预示着行情启动 策略代码 逆势加仓策略 回测标的 沪深300 回测区间 2012年1月1日至2016年11月11日 选股 选出当前处于100日低点的股票 进场 将资金等分为5份，将1份资金的1/7买入股票，当该股票下降10%时，追加买入1份资金的2/7。当
emmmm，你自学你优秀，不过我估计大部分人也就只能看看别人的源码，发发蹭热点的文章了！话说你会搭建公众号吗？
大数据文摘记者魏子敏刘涵 “投资本身是人和人的博弈，技术（人工智能／机器学习）本质上不能改变这个零和博弈的性质。” 量邦科技董事长冯永昌在评价AI给投资界带来的影响时，颇为乐观平静。他认为技术更多的改变在于量化投资的输入方，其对方法论的改变只是锦上添花。 对于AI强势介入金融圈，财经媒体和金融圈却毫不掩饰紧张的氛围：《全球首支人工智能ETF诞生！》《全球首支选股阿尔法狗打败基金经理》，这样的新闻标题正在占据不少财经媒体的头条，也让无数基金经理和金融从业者恐慌；相关创业领域也热闹非凡，量化投资相关的创业公司层
机器学习算法简介 最近几年人工智能（AI）技术得到飞速发展，其在各个领域的运用也不断取得重大成果。机器学习被评为人工智能中最能体现人类智慧的技术，机器学习在量化金融中的运用我们通过下例介绍，以便大家有个直观印象。 假设我们要去预测某个连续变量Y未来的取值,并找到了影响变量Y取值的K 个变量，这些变量也称为特征变量（Feature Variable）。机器学习即是要找到一个拟合函数f(X1,X2,…,XK|Θ)去描述 Y和特征变量之间的关系，Θ为这个函数的参数。 要找到这样的函数，必须要足够量的观测数据，假设
量化投基使用自动化程序进行量化选基。其中包含了多个策略。本集合投资目标是通过选择优质基金，来获取更高的 Alpha。同时，根据量化指标进行部分仓位的择时操作。整体仓位会控制在 5 成到满仓之间。
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。 金融工程分析师（量化策略方向） 工作地点 北上深三地均可。 岗位职责 量化选股、量化择时、风格轮动、行业配置、机器学习等相关策略的研究及开发，独立或协作完成量化策略的实现、改进和维护，完成报告撰写、客户委托、路演服务等
Backtrader 是 2015 年开源的 Python 量化回测框架（支持实盘交易），功能丰富，操作方便灵活：
在说指数增强之前，首先要说明什么是指数。指数在各个领域中都广为应用，是一种重要的参考指标，比如衡量经济发展水平的GDP指数、反映消费水平/通胀水平的CPI指数、反映股票市场价格水平的价格指数等等。都是将大量个体的指标通过某种规则进行合成，用来反映整体的情况。
今天，继续我们的机器学习应用量化投资系列。本期我们介绍一篇研究报告，详细的介绍了7中机器学习算法在因子有效性上的展现。希望给大家在写策略时做一些参考借鉴。 前言 逻辑依旧明了，机器学习并非黑箱 谈到机器学习，大家最忌讳的便是黑箱问题。其实不必，理解机器学习算法，逻辑实则简单，比如相同的因子特征将会有相同的表现。在实战中，我们发现， 该逻辑十分有效，在我们的机器学习选股模型中，该逻辑连续十几年不曾被打破。 Adaboost 最稳定，朴素贝叶斯收益最高 全市场选股，市值中性选股等权加权，行业中性选股等
量化策略中超额收益alpha的来源可以简单分为两部分（不考虑网下打新）：pure alpha+风险风格收益。pure alpha，包括量价因子、基本面因子等，能够带来稳定的超额收益；风险风格收益由风险因子贡献，包括市场因子、市值因子、行业因子、成长因子等，收益的波动性非常大。
在股市里，光是一支股票，其 K 线、形态、指标就已经含有丰富的信息，更何况股市里有大几千支股票，各种信息令人眼花缭乱。普通散户到底如何全盘分析，选出一支潜力股？
有一些单纯搞计算机、数学或者物理的人会问，究竟怎么样应用 ML 在量化投资。他们能做些什么自己擅长的工作。虽然在很多平台或者自媒体有谈及有关的问题，但是不够全面和完整。从今日起，量化投资与机器学习公众号将推出一个系列【机器学习该如何应用到】。今日的推文，是编辑部人员对国内的所有券商金工团队做的机器学习的研究报告做了一个系统性的整理。希望大家有所收获。 获取本推文所有研报请看文章末端 系列文章（点击即可查看） 机器学习该如何应用到量化投资系列（一） 机器学习该如何应用到量化投资系列（二） 2010年08月1
数据是金融量化分析的重要基础，包括股票历史交易数据、上市公司基本面数据、宏观和行业数据等。随着信息流量的日益膨胀，学会获取、查询和加工数据信息变得越来越重要。对于鼓捣量化交易的人来说，怎么能说不会玩数据库呢？目前常用的开源（免费）数据库有MySQL、Postgresql 、Mongodb 和 SQLite （Python自带），在2018-2019年DB-Engines 排行榜上位居前十（见下图），可见其使用量和受欢迎程度较高。这几个数据库各有自己的特点和适用环境，关于该学习哪一个或如何学习网上有很多相关资料。本文主要为大家简单介绍如何使用 Python 操作 Postgresql 数据库（其他数据库类似），利用 psycopg2 和 sqlalchemy 实现 postgresql 与 pandas 的 dataframe 进行交互，一步步搭建自己的量化分析数据库。
本杰明•格雷厄姆于75年前创立了价值投资的理念，其徒弟——金融圈里的第一网红沃伦•巴菲特大力发扬实践了这一理念，并获得了耀眼的成绩。到今天，价值投资依旧是最流行、最持久的投资方式之一。
随着中国的证券市场规模的不断壮大、市场创新不断深化、信息披露不断完善、市场监管不断强化，随着现代投资组合理论的发展和计算机技术的进步，投资者为了在股票交易中取得更多的收益，就需要有合理有效的投资策略，因素模型的基础上发展出众多量化研究模型。对于这些模型的研究能够帮助投资者有效的跟踪市场的变化，为得出更好的投资策略而提供帮助。Logistic选股模型正是这些众多模型中的一个。
作者：石川| 公众号专栏作者 | 量信投资 创始合伙人，清华大学学士、硕士，麻省理工学院博士；精通各种概率模型和统计方法，擅长不确定性随机系统的建模及优化。知乎专栏：https://zhuanlan.zhihu.com/mitcshi。
有一些单纯搞计算机、数学或者物理的人会问，究竟怎么样应用 ML 在量化投资。他们能做些什么自己擅长的工作。虽然在很多平台或者自媒体有谈及有关的问题，但是不够全面和完整。从今日起，量化投资与机器学习公众号将推出一个系列【机器学习该如何应用到】。编辑部花了很长时间，采访和咨询了很多研究人员。希望各位读者有所收获，如有不足，欢迎批评指正。 一、什么是机器学习 机械的定义避开不谈，回答也不追求全面准确。明确一点，机器学习的主要目的在于发现规律或重现规律。（此处不谈非监督学习、强化学习，也不谈降维、集成算法）。什么是
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。 公司介绍 浙江白鹭资产管理股份有限公司（简称：白鹭资管）是一家专注于二级市场、依靠数学和计算机科学进行量化投资与交易的对冲基金。我们致力于打造兼具全球视野和本土智慧的一流投资团队，成为全球顶尖的量化多策略对冲基金。公司于
其中的一位成员：渔阳 是公众号今天要推荐的重点。不仅是他的传奇，也有他给我们带来的一份礼物！ 别急，继续往下看！ 豆瓣读书评分9.6，百度阅读评分9.6，亚马逊评分4.4，当当好评率99.99%...
这一两年，二级市场开始呈现出一种万物皆可多因子的态势，基金、行业、债券、转债，能想到的品种，都开始往上套，毕竟股票上想再做创新很难，但换个品种复制一遍，相对容易。
机器学习等方法基本都是数据驱动的，数据获取是开始的第一步，量化交易也不例外，做量化投资的第一步就是如何获取金融数据，这里给大家推荐一款很不错的工具TuShare，并且基于Python语言做一些简单的示例实现。
说到基金股票，不仅仅是金融小白会一头雾水，就连资深股民都难逃买啥啥就跌的痛苦。近期数据侠实验室，DT君邀请到了Merkle高级数据分析师周秀丽、秦溱，自称金融小白的她们将会从大数据这一独特的角度带你走进股票和基金。
况且，我也不是学金融出身的，虽然凭运气在股市赚过一些小钱，但毕竟咱不是专业的，不敢乱指挥。
Python 的学习者中，有相当一部分是冲着爬虫去的。因为爬虫可以帮你解决很多工作和生活中的问题，节约你的生命。不过 Python 还有一个神秘而有趣的应用领域，那就是量化交易。 量化交易，就是以数学模型替代人的主观判断来制定交易策略。通常会借助计算机程序来进行策略的计算和验证，最终也常直接用程序根据策略设定的规则自动进行交易。 Python 由于开发方便，工具库丰富，尤其科学计算方面的支持很强大，所以目前在量化领域的使用很广泛。市面上也出现了很多支持 Python 语言的量化平台。通过这些平台，你可以很方
金融科技&大数据产品推荐：量子金服投研管理平台
今天我们来继续我们机器学习应用量化投资系列，本期，我们介绍一篇来自华泰证券金工的研究报告。将深入为你剖析Stacking 集成学习在量化投资中的应用！希望大家有所收获！ Stacking 集成学习模型简介 Stacking 集成学习的原理 Stacking 是一种常见的集成学习框架。一般来说，Stacking 将训练一个多层(一般是两层， 本文中默认两层)的模型结构，第一层(也叫学习层)包含 n 个不同的模型，将得到的预 测结果合并为新的特征集，并作为下一层模型的输入，由下一层模型再次根据对应的数据 标签进
近年来，股市并未迎来大牛市，相反，我们正面临着一个熊市，行情相当不佳。尽管股市一在3000点的心理阻力，左右徘徊，但随后又出现了下跌的趋势，让投资者备受挑战。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
