量化投资

简体中文/English

因子研究

在金融投资领域中，因子研究是量化投资的重要组成部分。这是一种研究和分析股票、债券等金融资产的性能和风险的关键手段，以揭示影响投资回报的基本因素。

因子研究的核心价值在于，它可以揭示那些对投资回报产生持续影响的变量，如市值、质量、动量、低波动性、收益率等。这些因子在

\

English/繁體中文/简体中文

导语

本文从量化投资定义、量化投资特点、量化投资优势及量化投资实践流程四方面简要为大家

价值投资不等于低估值投资，低估值股票可能是由于公司质地真的很烂，只考虑股票估值因素容易调入所谓的“估值陷阱”。所以价值投资一个必要过程是判断上市公司质地是否优良，再看公司质地是否配得上它的估值。我们这篇报告要解决的问题是如何用定量指标来衡量A股上市公司的质量优劣，验证一下A股是否真如一些市场偏见所言“只听故事，不看基本面”，“优质+合理估值”的价值投资方式能否在A股挣钱

公司质量的定义维度有很多，我们从盈利能力、成长性、财务稳健、公司治理角度定量测试了一些选股因子的有效性，具体结果可以参考报告正文，整体来说，基于市场历史公开数据，投资者是可以发现质地优良股票并获得显著超额收益的。

我们用I

摘要

投资要点

西学东渐，是指从明朝末年到近代，西方学术思想向中国传播的历史过程。西学东渐不仅推动了中国在科学技术和思想文化方面的发展，也有力地促进了社会与政治的大变革。在今天，西学东渐仍有其重要的现实意义。作为A股市场上以量化投资为研究方向的卖方金融工程团队，在平日的工作中，常常深感海外相关领域的研究水平之高、内容之新。而这也促使我们通过大量的材料阅读，去粗取精，将认为最有价值的海外文献呈现在您的面前

股票市场的收益预测是投资者非常关注但是一直没有得到完美解决的问题。本文将股票市场的收益率分解为三个部分：股息率、利润增长率和市盈率增长率，作者利用其不同的时间序列特征并通过

导语

在阅读了 深度学习的简要介绍后，本文将介绍深度学习CNN模型及其在量化投资领域中的应用。

深度学习在量化领域应用

机器学习作为人工智能的核心，其传统算法在解决很多问题上都表现出了高效性。随着近些年数据处理技术上的进步和计算能力的提升，深度学习得以在很多问题上也大放光彩，成为近一段时间互联网、金融等领域的大热门。

在量化投资领域，机器学习尤其是由统计学延伸的各种算法一直以来都被尝试应用在选股、择时等策略的开发上，随着深度学习在其他领域上的突破，其在自动化交易甚至投资策略的自开发自学习方面的应用成为了大家探索的焦点。

为什么要用深度学习？

深度学习目前最成功的场景应用

简单来讲，量化投资就是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。

量化交易 是指借助现代统计学和数学的方法，利用[计算机技术来进行交易的证券投资方式。量化交易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，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可以持续的、稳定且高于平均收益的超额回报。

量化投资模型只是一种工具、一种方法、一种手段，能实现成熟而有效的投资理念，需要不断根据投资理念的变化、市场状况的变化而进行修正、改善和优化，换而言之，有效的模型建立在适应市场环境的有效

AIStudio是BigQuant平台以AI为核心的Cloud IDE，可以用于量化投资数据分析、因子挖掘、模型训练、回测和交易，以及更广泛的程序开发和AI模型开发训练等。

/wiki/static/upload/31/315c1087-6d07-491a-90ef-43e717997077.mp4

从这里开始

• 点击进入 AIStudio

关键概念

\

BigQuant策略模板库旨在帮助用户快速开始并优化他们的量化投资策略。无论您是初学者还是经验丰富的投资者，我们的策略模板都能提供从简单到复杂的多种投资策略选择。这些模板涵盖了基础策略、中级策略和高级策略。

• 基础策略模板：适用于刚开始接触量化投资的用户，例如简单的移动平均线交易策略。
• 中级策略模板：适用于具有一定经验的用户，包括多因子模型和基于事件的交易策略。
• 高级策略模板：针对高级用户设计，使用复杂的机器学习算法和高频交易技术。

模版使用

• 克隆模版策略
• 进入 [AIStudio 3.0](https://bigquant.com/aistud

简介

本系列文章为大家介绍了技术分析指标，并且介绍了一些常见的使用技术指标构建的策略

量化投资中的技术分析

量化投资是通过数学模型和算法对市场数据进行分析和交易决策的投资方法。技术分析（Technical Analysis）是量化投资中的一个重要分支，旨在通过分析历史价格和交易量数据来预测未来的价格走势。技术分析假设所有市场信息都反映在价格中，价格走势有一定的模式和规律，因此可以通过数学方法进行分析和预测。

技术分析通过多种数学方法和指标对市场数据进行分析，帮助投资者识别市场趋势和交易信号。TA-Lib库提供了丰富的技术分析函数，方便投资者进行量化分析和策略开发。掌

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

新版数据平台：

https://bigquant.com/data/home

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

新版表达式算子：

https://bigquant.com/wiki/doc/dai-sql-Rceb2JQBdS

新版因子平台：

量化投资策略是利用数学模型和算法来分析市场并做出投资决策的方法。这些策略可以大致分为几个类型，每种类型都有其特点、适用人群和适用场景。以下是一些主要的量化投资策略类型：

1. 趋势跟踪策略
   • 特点：识别并跟随市场趋势，比如股票或商品的价格走势。
   • 适用人群：适合那些相信市场趋势会持续一段时间的投资者。
   • 适用场景：在市场趋势明显且稳定的情况下效果最佳，如牛市或熊市。
2. AI量化机器学习策略
   • 特点：利用机器学习算法来分析大量数据并预测市场走势。
   • 适用人群：对人工智能和机器学习

5大散户亏钱原因详解！总共25条，看看中了多少条！

1、信息不对称

散户通常无法获取与机构投资者相同的信息资源。机构投资者拥有更多的研究资源、更高级的数据分析工具，以及行业内部的信息。这种信息上的差异导致散户投资者在决策时处于不利地位。具体分析：

• 获取信息的渠道：机构投资者拥有更广泛的信息获取渠道，包括专业的金融分析报告、内部研究、行业会议、高级别的管理层

来源：SSRN 作者：Sophie Emerson, Ruairi Kennedy, Luke O’Shea, and John O’Brien

机器学习是人工智能的一个子领域，它使用统计技术为计算机模型提供从数据集学习的能力，允许模型在没有显示编程的情况下执行特定任务。近年来，机器学习技术激增，人们对其在金融领域的应用也越来越感兴趣。在投资管理中，已被应用于新闻的情绪分析、趋势分析、投资组合优化、风险建模等。那么，机器学习在量化投资中有哪些潜在应用呢？

1.常见的机器学习算法

机器学习算法主要有三种：监督学习、无监督学习和强化学习。监督学习是在已知输入和输出的情况下训练出一个模型，将

\

本文14323字，阅读约28分钟

导语：本文旨在用精炼的语言阐述实操层面的机器学习量化应用方法，包括给出实践中一些常见、实际问题的处理方案，并结合了量化应用实例。读完后大家可以在本平台进行实践检验。

文章概览：

1.人工智能量化投资概述

2.人工智能技术简介

3.机器学习在量化投资中应用的具体方法解析

AI相对于传统量化投资的优势 传统的量化投资策略是通过建立各种数学模型，在各种金融数据中试图找出市场的规律并加以利用，力所能及的模式或许可以接近某一个局部的最优，而真正的全局“最优解”或许在我们的经验认知之外。如同不需要借助人类经验的Alpha Zero，不仅

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

旧版声明

本文为旧版实现，仅供学习参考。

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

下列代码在读取数据时，使用最新dai.query接口即可。

数据读取

\

策略案例

[https://bigquant.com/codesharev2/5509a634-c207-4eaf-a6f2-a73d15fada39](https://bigqua

导语

近年来，国内量化投资迎来了发展的黄金期，但涉及机器学习的量化投资还比较少。机器学习领域的大神Andrew Ng(吴恩达)老师曾经说过机器学习很大程度上就是特征工程，因此本文主要介绍下特征工程在量化投资领域的应用。

特征工程是什么？

有这么一句话在业界广泛流传： 数据和特征决定了机器学习的上限。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。简单理解为：特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。

**特征工程在量化投资领域有非常适宜的土壤，

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

策略案例

https://bigquant.com/experimentshare/05251c753111424eaff32648838ac24f

\

策略案例

https://bigquant.com/codesharev2/353ca05c-8eb3-4076-8545-318fbdfbe4b2

\

什么是均线？

金融市场上每个人都有一套自己的分析方法，无论你是一个技术派、基本面派、消息派还是量化投资派，对于“均线”这个名词一定不会陌生。虽说这个概念诞生于市场技术分析领域，但由于它的通俗易用，均线一直受到投资者和市场分析人士的青睐。

均线的全称是移动平均线（MA）。移动平均线是个什么概念？即通过等权或指数加权的方式，计算一段时期内的平均价格，是将某一段时间的收盘价之和除以该周期。 比如，日线MA5的意思就是说，5天内的收盘价除以5。

![{w:100}](/wiki/api/attachments.redirect?id=be71ecb6-a01a-4a99-9a9e-e90

策略案例

https://bigquant.com/experimentshare/8594992a1d9345d98cbe949eb6297067

\

导语

多因子选股作为量化投资研究领域的经典模型，在海内外各类投资机构均受到广泛研究和实践应用。 在多因子模型中，决定策略收益稳健性的关键步骤正在于股票组合的权重配置。因此，从量化对冲策略追求收益稳定性的角度而言，组合权重优化对多因子模型起着至关重要的作用。

本篇报告有别于传统的多因子研究，我们并未将重点放在阿尔法因子的挖掘上，而是通过对股票组合的权重优化计算，找到了在市值中性、行业中性、风格因子中性约束下的最优投资组合，以及验证得到的组合权重是否满足了约束条件。

结构化多因子风险模型首先对收益率进行简单的线性分解，分解方程中包含四个组成部分：股票收益率、因子暴露、因子收益率和特质因