回测
回测在金融领域是一种重要的验证和评估策略性能的技术手段。它主要通过在历史数据上模拟投资策略的执行过程，以此检验该策略在过去时间段内的盈利能力和风险水平。回测不仅能够帮助投资者理解策略在不同市场环境下的表现，还能揭示策略的潜在风险和优化方向。有效的回测是金融决策过程中不可或缺的一部分，它增加了投资者对未来策略实施的信心，并为持续改进和优化投资策略提供了依据。
海外文献：基于社交媒体情感和新闻情感的市场时机策略
摘要
新闻和社交媒体提供的投资信号
首先，该篇文章研究 20 年来投资信号的历史特点，此类信号指标广泛来自新闻和社交媒体，这可以区分每个数据类型的独特性；此外，该文评估社交媒体和新闻的投资相关性随时间的变化；最后，该文进行市场时机策略的回测，该策略基于社交媒体情感和基于新闻情感的信号对超额收益进行预测。
新闻作为市场时机的情感来源胜过社交媒体
基于社交媒体和新闻历史数据，基于社交媒体的情感大多已经被基于新闻的情感所捕捉。尽管在研究期间社交媒体激增，但嵌入式情绪的投资重要性似乎并没有随着时间的推移而提高：社交媒体聊天的嘈杂本质并没有随着数据源的增加而消失。总的来说，
更新时间：2022-10-08 07:01
策略业绩归因分析
摘要
当我们构建并回测了一个策略后，就需要对策略的历史业绩表现进行评价，这一过程也称为业绩归因。本文主要向大家介绍业绩归因中涉及到的主要内容和实现方法。
通常，策略业绩归因分为两大组成部分：收益归因和风险归因。从盈亏同源的角度而言，能够产生收益的因子一旦广为人知可能随时就会变为一个无利可图甚至波动剧烈的风险来源，因此收益与风险相生相伴。
正文
业绩归因重要性
通过业绩归因，我们可以更加清楚组合的收益与风险来源，进而知道这种获取超额收益的能力是否能够持续，也能够明白组合发生剧烈波动的原因，从而改进策略或进行策略比较。此外，
更新时间：2022-09-20 03:54
机器学习能用于基金组合构建吗
摘要
文献来源：Demiguel V, Gil-Bazo J, Nogales F J, et al. Can Machine Learning Help to Select Portfolios of Mutual Funds?[J]. Social Science Electronic Publishing, 2021.
推荐原因：众所周知，事先确定未来表现优异的共同基金是一项困难的任务。本文基于大量投资者容易获得的基金特征数据，利用机器学习方法训练提升其预测能力。研究发现，利用1980年至2018年期间美国股票型基金的数据，基于机器学习方法构建的基金组合，经风险调整
更新时间：2022-08-31 09:22
机器学习时代，随机过程的数学知识还重要吗？
摘要
这是最近在Quora上的一个提问：
Is stochastic math and Brownian motion still important to quantitative hedge funds? Is it all about AI and machine learning now？
机器学习算法大流行的时代，传统的量化金融理论，如随机过程、布朗运动等在量化对冲基金还重要吗？这本质上还是Q-Quant与P-Quant发展的问题。在这个问题下面，很多网友给出了很精彩的回答。
正文
▌Aaron Brown
很多量化投资策略都是基于非常简单的数学。复杂的工具往
更新时间：2022-08-31 08:47
量化研究：投资决策的起点 海通证券_20180716_
更新时间：2022-08-31 08:06
商品期货量化趋势策略信号2022年08月29日
更新时间：2022-08-29 04:43
回测交易
涉及国内主要品种的不同的频率的回测与交易
\
更新时间：2022-07-31 01:58
海外文献推荐 第35期 天风证券_20180411
摘要
因子投资模型增强：基于深度学习来预测基本面数据经过回测发现，如果能够预知未来的基本面数据并构建组合，则能够大幅跑赢传统方式构建的组合。并且，基本面数据之间的关系可能比基本面数据与价格之间的关系具有更高的信噪比。因此，作者根据过去5年的基本面数据训练一个深度神经网络来预测未来的基本面数据，结果表明较之于简单预测（假设未来数据和当前数据一致）模型，神经网络模型在MSE、年化收益、夏普比率等指标都有明显的提升。
消费者的眼睛是雪亮的：消费者评价的投资价值本文探究了消费者的评价是否包含着对投资有价值的信息。利用上买家对产品的评价信息，发现消费者的评价对于选股具有一定的价值。
通过做多异
更新时间：2022-07-27 10:34
AI量化Meetup
\
更新时间：2022-05-17 02:56
Deep Alpha 研讨会-互动问答环节
Q1:现在海内外量化实践有什么代际差吗？海外接下来量化方向除了另类数据应用，还有什么发展潮流？他们对于国内量化市场是怎么判断的？
**关子敬：**在我看来海内外最主要的差别是：国内投资人是偏向喜欢直接对股价做预测，而海外直接预估股价比较少，主要做填充模型（imputation model），针对遗失数据做估算，特别是在
更新时间：2022-04-27 01:48
文档整合
更新时间：2022-04-11 11:00
回测两年内最大21%回撤 需要留邮箱
\
更新时间：2022-03-02 07:02
选股因子系列研究(二十五)——高频因子之已实现波动率分解-海通-170909
在系列前期报告中（《选股因子系列研究（十九）——高频因子之股票收益分布特征》），我们基于股票高频收益分布特征对于相关因子的选股效果进行了回测。
研究发现，股票高频偏度具有较好的选股效果，但是高频方差以及高频峰度并无显著的选股能力。考虑到股票日收益的波动率同样选股效果不佳，但将其拆分为系统波动以及特质波动后，两个因子皆具有较好的选股效果。本报告尝试对于股票高频波动率进行拆分，并期望从高频波动中提取出有效的选股因子。
“系统波动+特质波动”的拆分方式在高频维度上无法得到具有优秀选股效果的因子。在1分钟的数据频率下，高频特质波动率因子表现较差，并无明显的选股能力。随着数据间隔的增大，该因子的Ra
更新时间：2021-11-22 08:33
《风从海外来 海外AI量化最新前沿》Deep Alpha 海内外最佳实践探索研讨会文字实录
主题：The Impact of AI to Global Asset Managers: The Responses and Adoptions
演讲人：关子敬 先生 Kevin Kwan 彭博亚太区量化及数据科学专家
谢谢Big Quant的邀请，今天所有策略的绩效仅作交流的用途展示概念，投资人如果对策略本身有兴趣的话，请在我们网站下载白皮书或是与我们的客户经理联系。
1全球资产管理报告 AUM升高 收
更新时间：2021-09-29 03:51
自动交易如何增加交易利润？
作者：Harry Nicholls编译：caoxiyang
导语
你有没有想过如何使你的交易策略自动化并增加交易利润？在本文中，我们将介绍算法交易的基本知识，好处和风险。准备好开始自动交易吧！
很多技术分析都涉及观察信号指标，然后根据信号进行交易。正如我在之前的文章“一个让优秀交易者高于其他交易者的行为”中所讨论的那样，你应该在你的交易日志中记录下你所有的交易，当你获得更多的经验时，你应
更新时间：2021-08-24 05:46
确保回测和仿真一致的方案
更新时间：2021-08-24 05:46
lightGBM_AI选股
更新时间：2021-07-30 09:11
用线性随机梯度下降-回归算法实现A股股票选股
更新时间：2021-07-30 08:12
可视化均线金叉死叉策略
更新时间：2021-07-30 08:05
用线性-分类算法实现A股股票选股
更新时间：2021-07-30 07:26
使用bigexpr表达式引擎开发AI策略
更新时间：2021-07-30 07:26
Transformer在量化选股中的应用
一、基于时间嵌入的方法
当前应用于NLP领域的Transformer，结构过于庞大，并不适用于股票数据（开盘价，收盘价，最高价，最低价，等）这样的时序数据，因此，本文提出一种简化的适用于股票数据的Transformer结构，其根据时间嵌入的思想构建，能很好的应用于量化选股中。下面以一个例子来介绍用于股票数据的Transformer体系结构，以及
更新时间：2021-02-03 07:05