量化择时

"量化择时"是金融领域中的一种策略,它运用高级数学和统计模型,以及大量的历史数据,来预测市场的走势,从而决定最佳的交易时间。这种方法的核心在于利用算法对市场行为进行深入分析,以便在最有利的时机进行投资。量化择时不仅提高了交易的精确性和效率,而且通过减少人为情绪的影响,使投资决策更加理性和一致。总体来说,它是现代金融科技发展的产物,旨在通过精确的数据分析和模型预测,为投资者提供市场进入和退出的最佳时机,以实现投资回报的最大化。

光大证券-经典量化择时策略系列二-宏观因子模型的择时效应

/wiki/static/upload/9c/9c9aae78-6ba7-4ae8-ab50-d7aaf94bed2a.pdf

\

更新时间:2024-06-18 06:17

监督式机器学习算法的应用:择时

旧版声明

本文为旧版实现,仅供学习参考。

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


\

导语

《Machine Learning for Stock Price Forecasting》是Ali El-Shayeb撰写的机器学习系列文章 ,本文主要介绍其第二部分内容——《监督式机器学习算法的应用》,并将其思想和代码应用在中国股票市场,开发出具有择时功能的监督式机器学习算法,最后进行策略回测。对此感兴趣的小伙伴可以直接在

更新时间:2024-06-12 05:57

DQN个股择时策略研究与改进

导语

之前在社区分享过一个初版的强化学习策略,之后我们在那个基础上做了一些调整和优化,本文主要是关于新版策略的一些介绍和结果分析。

与初版策略的区别

新版策略与初版的主要区别在于state的定义不同。初版用当天的OHLCV和7个常用因子数据作为一条state。新版设置了一个window_size参数,从当天向前取window_size天的收盘价数据作为一个block,之后对block中的数据依次计算1/e^(-(block[i+1]-block[i])),得到一条state数据,具体如下图所示: ![](/wiki/api/attachments.redirect

更新时间:2024-06-12 05:53

风控和择时:情绪周期如何用于追涨策略

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


\

问题

风控和择时:情绪周期如何用于追涨策略

视频

[https://www.bilibili.com/video/BV1ui4y1m7Nx?spm%5Fid%5Ffrom=333.999.0.0](https://www.bilibili

更新时间:2024-06-07 10:55

量化择时策略是什么意思及指标公式

量化择时策略是一种基于数学和统计模型来确定股票、债券、商品等资产的买入和卖出时机的投资策略。这种策略的核心是通过分析历史数据和市场指标来预测资产价格的未来走势。

概念

量化择时策略通常依赖于各种数学模型和市场指标来识别市场趋势和转折点。这些策略试图利用市场的波动性来实现超额回报。

指标公式

量化择时策略可能使用各种指标,包括但不限于:

  1. 移动平均线(Moving

更新时间:2024-06-07 10:48

LSTM大盘择时+Stockranker选股

请参考新版的大盘择时

机器学习+择时+跟踪止损+技术分析

策略案例

https://bigquant.com/experimentshare/a5ed3eddf32f4e4dad4811a1acc257f0

\

更新时间:2024-05-24 10:28

【历史文档】策略示例-基于订单流的高频择时交易策略

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

更新时间:2024-05-15 10:40

如何调优,数据小于20万行,择时,StockRanker训练

更新时间:2024-01-23 03:53

如何进行择时处理

看到好多策略的择时是根据大盘的5日下跌来的,有时候想参考其他的,比如上证是否站上5日线,是否大盘均线交叉等等,由于摸索起来有点困难,希望有大神指导一下,怎么在回测时增加上面的处理,感谢!!!

更新时间:2023-10-09 06:08

HMM模型择时及配置策略

摘要

资产配置的本质是资产选择以及市场择时

资产配置就是在给定的预期收益条件下,期望组合风险最小;在给定期望组合风险条件下,期望投资收益最大。实现其目标主要包括资产选择和权重配置两部分。

隐马尔可夫模型的本质是对复杂数据进行降维,学习低维隐藏状态的转移进行预测

隐马尔可夫模型将每一个可观测值的产生对应着市场状态的变化,通过观测序列得知对于目前市场状态建模,进而帮助择时判断。市场状态是隐藏状态不可观测的,其通过可观测变量来进行推断。模型本质上是将市场观测状态用隐藏状态进行降维,之后再对低维的隐藏状态空间拟合状态转移,根据状态转移概率对未来市场状态形成预测。

更新时间:2023-09-04 03:22

LLT低延迟趋势线择时交易

研报:

{{membership}}

LLT低延迟趋势线择时交易模型研究

https://bigquant.com/codeshare/38ef8568-518b-4756-98f0-8dd8722d01e5

LLT低延迟趋势线择时交易

[https://bigquant.com/codeshare/942d320a-c17f-4061-9e56-d24e3a0ac472](https://bigquant.com/

更新时间:2023-08-07 05:52

低延迟趋势线与交易性择时-短线择时策略-广发证券20130726

摘要

传统移动平均线(MA)的缺点

移动平均线(MA)是技术分析中常用的一类趋势跟踪指标,其可以在 一定程度上刻画股票价格或指数的变动方向。MA 的计算天数越多,平滑 性越好,但时滞带来的延迟影响也越严重。因此,在使用 MA 指标进行趋 势跟踪时,容易出现“跟不紧”甚至“跟不上”的情况。平滑性和延迟性 在 MA 指标中成为了不可避免的矛盾,这就促使我们去寻找化解这一矛盾 的工具和方法。

低延迟趋势线(LLT)的构造

与 MA 类似的均线指标还有 EMA,其本质是在计算中对靠近计算日的 价格赋予更大的权重。EMA 指标的计算方式在信号处理理论中恰好对应着 一类一阶低

更新时间:2023-08-07 05:50

开源金工|看看顶级量化私募择时选股能力

222

更新时间:2023-07-21 03:16

华西证券机器学习择时系列之三:LSTM模型市场择时策略 2021/09/09

摘要

量化择时交易策略

机器学习量化交易策略的制定,是通过从海量历史数据中,利用计算机强大的处理能力,挖掘并分析出那些能够为投资者带来收益的各种大概率可行的投资方式来实现的。通过数学模型对这些策略进行分析并加以验证,以期望让投资者获得更高更稳定的收益,或更合理地规避风险。

长短期记忆模型具有明显优势

长短期记忆模型通过记忆单元有效地学习长期依赖关系,在金融市场预测中具有明显优势长短期记忆网络是人工神经网络的一种,具有负责计算时间序列中各个观测值之间依赖性的能力,同时具有快速适应趋势中急剧变化的固有能力。所以,长短期记忆模型可以在波动的时间序列中很好地工作。在处理股

更新时间:2023-06-13 06:53

股市极值及收益率预测模型的周度择时研究 海通证券_20180706_

摘要

本文主要考察宏观经济指标、利率、股市概况以及技术指标,对市场未来一周走势的预判效果。一方面,从市场本身来看,当刻画股市的某些指标出现极端情况时,后续市场走向具有一定的可循规律。另一方面,基于各个指标可对市场收益率构建预测模型,通过比较预测收益率与特定阈值的大小,也能对市场走向进行辅助判定。

如下情形发生时,应警惕市场下跌风险。上涨时沪股通净流入极大(指标在最近1年的分位点大于90%),下跌时风险溢价极低(指标在最近1年的分位点小于10%),下跌时波动率极高,三者出现其一时下一周市场下跌概率大。

如下情形发生时,下一周市场上涨概率大。从资金流来看,上涨时资金流入指标极大或增幅极

更新时间:2023-06-13 06:53

基于涨跌模式识别的指数和行业择时策略 广发证券_20180812_

摘要

本报告通过建立随机森林模型,从宏观指标和市场数据中提取信息,识别市场的上涨和下跌模式

采用预测模型进行沪深300指数择时,样本外的年化收益率为16.6%

采用预测模型进行行业轮动研究,样本外的超额年化收益率为8.2%

正文

/wiki/static/upload/90/90124080-52bc-4cd4-9eb4-af97e9a6f224.pdf

\

更新时间:2023-06-13 06:53

考虑领先滞后关系的宏观因子择时策略

回顾

交易性择时系列报告

系列之十三《基于条件随机场的周频择时策略》 2018-04-03 系列之十二《虚拟遗憾最小化应用于量化择时与交易》 2017-07-06 系列之十一《广发TD线:在趋势中把握波段》 2017-07-03 系列之十《广发TD幅度膨胀指标:在动量中寻找突破》 2017-04-20 系列之九《利用均线间距变化提前预判趋势》 2017-03-14 系列之八《指数高阶矩择时策略》 2015-05-20 系列之七《基于加权傅里叶变换的长期趋势预测》 2014-08-28 系列之六《探寻抛物线逼近下的创业板拐点》 2014-07-11 系列之五《从希尔伯特变换到波浪理论择

更新时间:2023-06-13 06:53

基于卷积神经网络模型的市场择时策略-华西证券-20220828

摘要

量化择时交易策略

深度学习量化交易策略是从海量历史数据中利用统计原理通过数据挖掘和逻辑验证的方式发掘出超额收益来源。相比于传统的线性模型,深度学习模型的表示能力更强,能够学习的特征更多。本文以卷积神经网络为例,介绍深度学习模型在量化择时模型中的应用。

卷积神经网络感受野更宽,非线性表达能力更强,在收益率分类的场景下表现突出

卷积神经网络是一种常用的机器学习模型,相比于传统的全连接神经网络,卷积神经网络通过卷积层和池化层的结构,使得输出的感受野更宽,同时卷积核的权值是共享的,从而有效减少参数数量,卷积神经网络通过卷积层、池化层、全连接层不同块的组合结构设计,使

更新时间:2023-06-13 06:53

基于条件随机场的周频择时策略 广发证券_20180403

摘要

报告摘要:条件随机场模型及股市择时思路自1988年,西蒙斯成立了大奖章基金并在多次股灾中取得稳定的收益后,纯技术量化型的投资策略开始受到投资者的广泛关注,而机器学习正是这种技术量化型策略的中坚力量。目前使用较为成熟的模型之一是隐马尔可夫模型HMM,其与条件随机场是一对“生成判别对”。相比起HMM,条件随机场具有更加灵活等优点。事实上,条件随机场(Conditional Random Field,CRF)是描述给定一组输入随机变量条件下另一组输出变量的条件概率分布的模型。基于条件随机场,我们可以建立观测指标值和走势状态及走势状态与走势状态之间复杂的函数依赖关系,从而,当给定新的观测

更新时间:2023-06-13 06:53

开源金工|看看顶级量化私募择时选股能力,从龙虎榜营业部视角

原标题:量化私募行为的蛛丝马迹:龙虎榜营业部的新视角 | 开源金工

分析师:开源证券金融工程首席分析师 魏建榕

开源证券金融工程分析师 高鹏(本报告联系人)

发表时间:2021年10月30日

摘要

如何识别量化私募的关联营业部? 在市场交易的黑暗森林中,量化私募的行为终究难觅踪迹。我们尝试从龙虎榜营业部的视角出发,探寻量化私募行为的蛛丝马迹。

量化私募频繁现身中小票前十大流通股东。我们选取了4家具有代表性的头部量化私募作为考察对象。2018年Q4以来,4家私募进入前十大流通股东分别397、134、98、21次。股票风格上,4家量化私募进入前十大流通股东的股票市值相对较低,行业

更新时间:2023-06-07 05:51

情绪指数择时模型

简介

本帖对国信证券的研报——《国信投资者情绪指数择时模型》进行了复现,文末有策略链接,欢迎克隆研究。

研报在借鉴 A. D.Persaud 风险偏好指数的基础上,根据中国股市特点,将该方法完善改进后移植到 A 股市场,构建了国信投资者情绪指数 GSISI。

A.D.Persaud 因为在金融领域的诸多创新而为众人所知,其在研究货币市场时,发明了一种度量投资者风险偏好的良好方法——风险偏好指数(Risk AppetiteIndex)。基本方法是在度量资产的风险与收益之间的相关系数的基础上设计了风险偏好指数。 该报告在借鉴 A. D.Persaud 风险偏好指数的基础上,根据中国股市

更新时间:2023-04-23 15:28

如何刻画基金经理的择时能力

报告摘要

基金经理是否具有择时能力的讨论

现存的研究指出基金经理是不具备市场择时能力的,例如,Treynor和Mazuy(1966)开发出一个择时模型用来刻画基金经理的择时能力,然而,在其57只基金的样本池中,只有一只基金具备择时能力。Henriksson(1984)利用Henriksson和Merton(1981)提出的择时模型发现,在116只基金的样本池中,只有3只基金具有显著的市场择时能力。

本文通过构建和剥离基金收益相对于合成基金收益的部分来衡量基金经理的择时能力,同时发现使用日度收益率进行刻画效果远显著于使用月度收益率进行度量。

**基金经理择时能力统计

更新时间:2023-02-16 01:49

3年回测 年化50 回撤11,极端行情回撤18. 持仓5只,带大盘择时+个股风控。

{w:100}

个股信号开仓前多指标风控。

大盘多指标择时。

最大回撤出现在22年行情急速下跌时,在这之前回撤10左右。

个股初始止损8% 动态止损5%(涨了以后 下跌5个点卖出)

个股止盈40%。

持仓为动态持仓,每支票风控独立运行




交易方式:

涨7个点不卖

盘中低开5%不买

盘中交易


该策略不通过机器学习构建,不存在训练集测试集,过拟合欠拟合问题。

该策略没有进行特别调参,基本上都是采用非常普通的参数

更新时间:2022-12-24 06:34

为什么选择时间,和生成出来数据的时间不一样?

我在选择策略的时候,最大时间是2022-11-26,而生成的数据最大时间2018-01-04,这是为什么呢?

{w:100}

https://bigquant.com/experimentshare/96081c27eb2f4a5a8d45f4e55e13b59f

\

更新时间:2022-12-09 10:39

机器学习+择时+跟踪止损+技术分析

策略案例

https://bigquant.com/experimentshare/41ba8c41f99346a6872f3ecac3a50c80

\

更新时间:2022-11-20 03:34

分页第1页第2页第3页第4页
{link}