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

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

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

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

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

• 点击新建对话，创建一个新对话

• 点击输入框，开始与QuantChat交流

• 您可以直接输入以下对话

![{w:100}](/wiki/api/attachments.redirect?id=df515aaf-cef1-460

\

https://bigquant.com/experimentshare/0e3ee03644f24afb883e6acd26c8bca2

\

https://bigquant.com/experimentshare/21f522493cc941129b94cfed5027f98a

\

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

本文是行业轮动策略的源码。

策略案例

https://bigquant.com/experimentshare/73f9656a0f5645c8909423df662357ff

\

欢乐过兔年

%%BigQuant_ChatGPT

帮我写一篇作文

\

你好

如何推八字

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

策略案例

https://bigquant.com/experimentshare/5c76d204e7f146a4b2840f9b47a9d732

\

https://bigquant.com/experimentshare/a4e89b23c2de4c56b6534136169d13c1

\

策略案例

https://bigquant.com/experimentshare/44cc116a1dad4c37983b9be35da208ee

\

\

摘要

量化策略都在捕捉市场规律，低频策略应当重视收益来源和逻辑支撑

所有量化模型都在试图捕捉市场的规律，在训练模型的过程中，不可避免需要去拟合样本内的一些场景。规律是金融市场客观存在的，还是从样本数据挖掘所得到的，是所有量化模型都需要直面的问题。高频策略和低频策略的不同特征使得策略评价层面存在差异，低频策略的有效性评判所需时间更长、难度也更大，甚至每一次投资决策的结果都可能是胜负的关键。因此低频策略的收益来源和逻辑支撑显得尤为重要。常见的低频择时策略可能在匹配资产背后的特定频谱，或存在大级别行情贡献了短期收益。

高频与低频策略的天然差异导致策略有效性评判层面有不同的考量

报告摘要

主要观点

本篇是“学海拾珠”系列第四十九篇，本期推荐的海外文献研究了公司盈利季节性和股票收益之间的关系。如果公司某一季度的盈利常年显著高于其他季度，就称该季度为正季节性季度。研究发现，当这类公司发布正季节性季度的盈利公告时，其股票会存在显著的超额收益。这种效应不是由风险因素或对公司特定消息的延迟反应所导致的，已有的风险因子都无法解释这种风险溢价。

回到A股市场，一方面，从因子选股的角度，盈利季节性earnrank因子计算简便，容易复制，可尝试回测其在不同选股域中的表现。另一方面，围绕盈余公告溢价，盈利季节性又提供了新的视角，可尝试对公司进行

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

摘要

来自：Finance Research Letters 48 (2022)

作者：Matthias X. Hanauera, Marina Kononovab, Marc Steffen Rappb

标题：Boosting agnostic fundamental analysis: Using machine learning to identify mispricing in European stock markets

股票基本面分析有效吗？分析师应该如何得出股票基本面价值?虽然理论文献已经开发了贴现现金流模型和其他高度程式化的基础估值模型，但BG（2

摘要

文献来源：[1] Jacobsen, Brian, Wai Lee, and Chao Ma. "The Alpha, Beta, and Sigma of ESG: Better Beta, Additional Alpha?." The Journal of Portfolio Management 45.6 (2019): 6-15.

推荐原因：投资者不再将投资作为统计对象，使其组成最优投资组合，而是越来越关注在环境、社会和公司治理(ESG)维度的投资。分析师过去是以定性的方式评估这些维度，但许多数据提供商正试图对这些维度进行评分，从而有效地量化定性的