\

LSTM Networks简介

（长短期记忆神经网络）

LSTM Networks是递归神经网络（RNNs）的一种，该算法由Sepp Hochreiter和Jurgen Schmidhuber在Neural Computation上首次公布。后经过人们的不断改进，LSTM的内部结构逐渐变得完善起来（图1）。在处理和预测时间序列相关的数据时会比一般的RNNs表现的更好。目前，LSTM Networks已经被广泛应用在机器人控制、

文献回顾

回顾价值策略

价值策略通俗地讲就是买入便宜股票，卖出昂贵股票，思想非常简单和直观。但是实际操作上这非常困难，因为我们没办法直接观察股票的真实价值。投资者可以从不同的视角采用不同的指标来估计股票内在价值。在股票市场中，最传统的方法就是通过会计报表的各个条目得到企业估值，我们可以从资产负债表得到市净率，从利润表得到资产收益率，从现金流量表得到现金流比率。Ma和Smith(2014)在《Sorting through the trash》中提到通过市净率、预测下期资产收益率和股价/现金流这三个指标合成一个综合的“价值”因子，可以显著提升策略表现（MA采取了三个因子Z得

策略案例

https://bigquant.com/experimentshare/7f7021993a9f40149189be939e15c882

\

导语

本文将介绍LSTM模型的原理与构建其选股模型的流程

LSTM简介

循环神经网络（RNN）

传统的神经网络是基于所有时刻的输入和输出间相互独立的假设来生成已学习数据的静态模型，并根据新接受的数据进行运算。但在很多情景中，如语音识别中预测当前的单词的含义，需要知道之前的输出结合上文语境做出判断，循环神经网络（Recurrent Neural Networks，简称 RNN）可以用于解决这类问题。 循环神经网络也被称为递归神经网络是受到人类对于近期事件会有所保留的背景而启发，循环神经网络会随着数据的输入生成动态模型。 理论上，RNN可以支持无限长的时间序列，然

策略案例

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

\

LSTM Networks应用于股票市场之Functional Model。本文是已初步探索，如下示例中 使用 LSTM 预测沪深300 涨跌。

用一个input（6 features * 30 time series）训练LSTM，将训练结果与另一个辅助性输入label(np.round(close/500))一起作为input输入至Dense层 LSTM future_return_5作为output（time series=30,features=[‘close’,‘open’,‘high’,‘low’,‘amount’,‘volume’]）

\

https://bigquant.com/codesharev2/aae24fd2-15eb-4963-b009-5881e9e47912

\

波动率（Volatility）是金融市场中用于衡量资产价格随时间变化的程度。波动率越高，表示资产价格的变动幅度越大，风险也越高。在股票市场中，波动率通常以历史波动率（基于过去的价格变动）或隐含波动率（基于期权定价）来衡量。

基本公式

历史波动率的计算公式通常是： ​ Volatility= sqrt( Var(R) ​)

Var(R) 是资产收益率的方差。\n ![](/wiki

机器学习在股票市场上应用价值初见成效，不少机器学习的策略远远超过大盘。虽然目前平台的实盘交易功能还未对外开放，但是不少策略开发者已经在实盘跟踪自己的策略了。

1.功能背景

用户在实盘中可能会遇到实盘账户数据和模拟交易运行数据不一致的情形，比如模拟交易的交易计划里提醒今天收盘时卖出A股票1000股，但今天碰巧由于断网导致卖单失败了。于是当日清算后，模拟交易策略里没有1000股A，但是实盘账户里该股票还继续持有。 策略次日会买入新股票，但实际由于收盘卖出失败，其实没有资金买入新股票。如果不对此类问题进行调整处理的话，随着交易日逐渐增多，那么实盘和模拟交易的差异会逐渐扩大，时间长了会

注：【方正金工】成交量激增时刻蕴含的alpha信息——多因子选股系列研究之一

引言

在股票市场中，成交量的变化承载着丰富的信息，它不仅是技术分析的核心要素，更是投资者们解读市场情况的关键窗口。"量在价先"这句谚语旨在强调成交量在股票价格波动预测中的重要性，而这个观点已经被广泛验证和接受。

首先，成交量的大小可以视为市场或个股的活跃度指标。如果某只股票的成交量持续攀升，而价格也随之上涨，这通常被视为市场对该股票的热情高涨，投资者们对其表现出极大的兴趣。相反，如果成交量下降而价格波动微小，这可能意味着市场对该股票失去了兴趣，投资者的情绪较为冷淡。这种活跃度与情绪变化的关系，是市场

https://bigquant.com/codeshare/95ccec07-798d-4e66-a488-e239a0a58d79

\

/wiki/static/upload/32/32df9f86-84af-416f-8426-7540afe85a32.pdf

\

如何推八字

事件驱动

事件驱动（Event Driven）属于量化投资之中的一个重要类别，涵盖投资机会广泛。广义上说，市场上任何发生的有可能与股票市场相关的新闻、事件、公告均有可能成为事件驱动的投资机会。 目前我国业界事件驱动策略中包括的常用重大事件有：业绩预告、业绩快报、分红送转、大股东增减持、高管增减持、定向增发、限售股解禁、股权激励、重组并购、ST摘和评级上调等，如下图所示。

可以看出，目前市场经过验证有效的事件已经不少，涵盖了影响股票价格

若想在AIStudio3.0.0种复现这个策略, 请空降:

https://bigquant.com/wiki/doc/rpsai-lgPnmWzLkq

问题

如何结合欧奈尔的RPS指标,开发AI量化策略?

讲解

1988年，欧奈尔将他的投资

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/5z65lqo5y2356ev56we57up572r57uc55qe5asa5zug5a2q6ycj6ikh-3hXXZIwYtI

策略案例

[https://bigquant.com/experimentshare/86296263b27

因为很多量化在线平台目前还不支持期货交易，且KD指标对大盘和热门大盘股有着较高的准确性，此策略选取'605588.SH'为标的股票，000300.SH为参考标准。\n策略逻辑：\n当kt>80,dt>80, jt>100时，卖出\n当kt<20,dt<20, jt<0 时，买入

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/c4d61821-4048-4560-9ce4-372b28202ccb](https://bigquant.com/codeshare/c4d61821-4048-4560-9ce

\

https://bigquant.com/codesharev2/42c80795-96ba-461e-8a80-e7f69b749e5b

\

问题

《机器学习应用于底部反转策略的表现》

视频

https://www.bilibili.com/video/BV1Jd4y1g7Gi/?vd_source=ecd29bbd04cbefdfa426167c55241973&t=1.3

\

策略源码

详见上述链接

导语

2020年我们开展了近半年的Meetup，共11场Meetup活动，90个问题，7场专题，持续地为大家服务和提供新鲜的灵感。2021年，Me

\

作者

徐耀杰（woshisilvio）

常见算法优劣比较

算法没有最好，只有更好。 这个问题的答案取决于许多因素，例如股票市场的条件，数据集的质量和特征工程的有效等。接下来，我们来看看这些算法的优势和劣势：

1. 神经网络：适用于复杂的非线性问题，可以有效地捕捉市场的非线性特征和复杂关系。
2. 决策树：适用于数据量较小、特征维度较少的情况，可以很好地解释模型的决策过程。
3. 随机森林：适用于处理高维度、复杂数据集，具有很好的鲁棒性和准确性。
4. 支持向量机：适用于数据量较小、特征维度较高的情况，可以有效地处理非线性和线性可分问题。

正常情况下，在处理少量的股票量

\

\

问题

多因子选股如何筛选有效因子

回答

参考研报:

1. 多因子系列之一：华泰多因子模型体系初探-华泰证券-20160921
2. 多因子系列之二：华泰单因子测试之估值类因子-华泰证券-20160929

因子分析参考：

1. [因子分析](https://bigquant.com/wiki/doc/yinz