{{membership}}

https://bigquant.com/codeshare/37d36e41-2184-4342-b581-9561f199eeec

\

金融交易概念

金融交易是指在金融市场上买卖金融工具的过程，例如股票、债券、衍生品（如期货和期权）、货币以及其他金融资产。这些交易可以在各种平台上进行，包括交易所、场外市场（OTC）和电子交易平台。金融交易的主要目的是为了投资、对冲风险或从市场价格变动中获利。

\

金融交易类别

一般可以大致分为以下几类：

1. 股票交易：股票代表了公司的所有权份额。通过买卖股票，投

问题

freestyle996+如何运用股票标注的方法对1-3日内上涨的股票进行标注?

视频回放

https://www.bilibili.com/video/BV1uP4y1R7kh/?spm_id_from=333.999.0.0

策略源码

[https://bigquant.com/experimentshare/0a4bb333c1bb4f4e91d7701a3538f6f4](https://bigquant.co

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

旧版声明

本文为旧版实现，仅供学习参考。

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

[https://bigquant.com/experimentshare/e1779fa4ec184a1fb209ebff7c588b8d](https://bigquant.com/experimentshare/e1779fa4ec184a1fb209ebff7

https://bigquant.com/experimentshare/eb414dd3e2a54ed6852dd7b0a5541fdc

\

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

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

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

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

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

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

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

\

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

\

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

\

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

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

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

\

\