金融市场
金融市场是全球经济活动的核心，它是一个复杂的系统，通过无数种交易和活动，将全球的投资者、企业、政府和其他实体紧密地联系在一起。金融市场主要的功能是促进资金的有效流动和使用，提供了资金需求和供应之间的桥梁。它允许投资者通过股票、债券、期货、期权和其他金融工具进行投资，从而为企业和政府提供必要的资金。 金融市场具有高度的流动性和透明度，使得参与者能够迅速、准确地了解市场情况和资产价格的变化。它的效率和健全性直接影响着整个经济系统的稳定和增长。此外，金融市场也是评估经济风险和决定资本成本的关键场所。 然而，金融市场也充满了风险和挑战。市场波动、信息不对称、信用风险等问题都可能对投资者和市场整体造成损失。因此，有效的监管和风险管理对于维护金融市场的健康和稳定至关重要。 总的来说，金融市场是现代经济的心脏，它通过促进资本的流动和分配，推动着全球的经济增长和发展。
算法交易的主要类型与策略分析
前言
算法交易起源于上世纪中叶的配对交易
历史上最早使用算法交易的例子可以追溯到1949年。对冲基金之父阿尔弗雷德·琼斯，利用空对多3：7的比例进行配对交易，在1955年到1964年间，综合回报率高达28%。到了上世纪60年代早期，投资者开始利用计算机通过分析股票的周线和月线来预测价格运动方向。
配对交易逐渐成熟，发展成后来的算法交易。随后算法交易策略慢慢在华尔街流传开来并被广泛使用，同时也带来了非常可观的盈利。原来在摩根士丹利从事配对交易的研究员，后来逐渐成为如大卫·肖、詹姆斯·西蒙斯这类明星基金经理手下的精英，算法交易的“黑盒子”便由此诞生。
随着计算机的广泛普及，华尔街各大
更新时间：2024-05-20 02:09
神经网络交易算法
旧版声明
本文为旧版实现，仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
\
策略案例
https://bigquant.com/experimentshare/723e10568f294571924b89f3953ce20b
\
更新时间：2024-05-20 01:02
利用深度学习技术预测股票价格
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
更新时间：2024-05-17 10:28
基于协整的配对交易
更新
本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：
https://bigquant.com/wiki/doc/5z65lqo5y2p5pw055qe6ywn5a55lqk5pit-6x1P1362eJ
策略案例
[https://bigquant.com/experimentshare/6b05d7bd134e420387acfa25c37b283f](https://bigquant.co
更新时间：2024-05-17 09:23
遗传算法优化MACD指标
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
更新时间：2024-05-17 07:08
深度学习量化交易模型
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
更新时间：2024-05-17 03:49
申万宏源技术指标测试大全之三十九— Chaikin oscillator
指标介绍
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);
指标含义
[/wiki/static/upload/cb/cbbb8b38-afd2-48a2-ba89-4bb8e3ceaa13.pdf](/wiki/static/upload/cb/cbb
更新时间：2023-06-13 06:53
申万宏源技术指标测试大全之二十六— Mass
指标介绍
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);
指标含义
[/wiki/static/upload/b4/b4d2ac13-d4
更新时间：2023-06-13 06:53
申万宏源技术指标测试大全之二十七— Psychological line
指标介绍
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;
指标含义
/wiki/static/upload/c3/c3c6e415-2abe-4c54-885f-a338fffb2e73.pdf
\
更新时间：2023-06-13 06:53
申万宏源技术指标测试大全之五—Aroon
指标介绍
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;
指标含义
/wiki/static/upload/3a/3a51d61b-261d-4160-a64a-b52b18e54835.pdf
\
更新时间：2023-06-13 06:53
量化策略专题研究：行业趋势配置模型研究-中信证券-20200325
摘要
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
正文
/wiki/static/upload/ca/ca5796d5-887d-4986-b0b2-a968e35b08b9.pdf
\
更新时间：2023-06-13 06:53
基于深度强化学习的股票交易
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
对抗学习：学习动态的技术交易策略
Learning the Dynamics of Technical Trading Strategies
作者：Murphy N. J., Gebbie T. J.
出处：Quantitative Finance, 2021-03
摘要
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
生成对抗网络：用于金融交易策略、和组合优化
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
更新时间：2023-06-13 06:53
DeepAlpha短周期因子系列研究之：StockRanker在量化选股中的应用
引言
在BigQuant平台(www.bigquant.com)上线的第一天，我们从互联网搜索引擎领域借鉴了PageRank算法引入到金融市场，提出了StockRanker算法，5年时间悄然过去，时间证明了StockRanker算法在金融量化选股领域的有效性。 今天，我们对DeepAlpha-StockRanker进行简单介绍。
什么是DeepAlpha
Alpha在金融市场有特定含义，表示跑赢市场的超越收益，Deep借用深度学习（Deep Learning）“深度”一词，因此DeepAlpha指通过人工智能深度学习的
更新时间：2023-06-07 08:37
AI量化策略中如何选择合适的因子
问题
AI量化策略中如何选择合适的因子
视频
https://www.bilibili.com/video/BV1J24y1f7mJ/?spm_id_from=333.999.0.0
PPT
{{membership}}
[/wiki/static/upload/42/4267409e-a9f4-42db-bb79-1321ba5e4c59.pdf](/wiki/static/upload/42/4267409e-a9f4
更新时间：2023-05-06 07:23
滚动训练不成功，ix属性问题
更新时间：2023-04-28 09:53
期货return因子提取不了
更新时间：2023-04-11 07:37
如何高效、优雅地进行高频策略回测？
今天与大家探讨高频策略的回测框架。高频策略的研发，有两个显著的特点： 一是数据量大，与日频相比，分钟频率就是百倍的数据量， 到秒级别更达到上千倍的差异。 二是对交易细节敏感，回测系统要尽可能去模拟真实交易的情形，甚至要比真实交易更严格，这样研发出来的高频策略才有实盘的价值。所以高频策略要考虑的细节很多，决策时间点，成交价，手续费，流动性等。细节考虑的不到位，策略回测和实盘交易就会差异很大，降低策略研发的价值和效率。 如何在大数据量前提下，尽可能的将细节考虑到位，就是高频策略回测系统的挑战，也就是严谨和高效的权衡。
下面和大家一起构建一个秒级别的策略回测框架。 一般来说，回测框架会包含以下几个
更新时间：2023-04-10 09:18
行业轮动量化策略【源码】
更新时间：2023-03-19 04:32
入坑量化一年总结贴
自我介绍
策略盈亏
在介绍自己之前，先看一下入坑一年写的一些策略吧，毕竟在这里策略的效果比名字有用。
![{w:60}](/wiki/api/attachments.redirect?id=6203646c-9158-4faa-b266-374923
更新时间：2023-01-19 12:54
板块因子和上市时间策略
更新时间：2022-11-20 03:34
筹码理论的探索-筹码分布计算的实现
更新时间：2022-11-20 03:34
用传统框架测试机器学习-GBDT算法
更新时间：2022-11-20 03:34
优秀开发者分享
\
更新时间：2022-11-03 08:32