MACD（Moving Average Convergence Divergence）是一种常用的技术分析工具，用于识别股票或其他资产的价格动量和趋势转变。

它由三个部分组成：MACD线、信号线（或平均线），以及柱状图。

下面是MACD

阿隆指标由两条线组成：阿隆上行（Aroon Up）和阿隆下行（Aroon Down），同时还包括阿隆振荡器AROONOSC，旨在识别股票或其他资产的趋势变化以及趋势的强度。

阿隆上行（Aroon Up）测量自最近一次高点以来经过的时间百分比，阿隆下行（Aroon Down）测量自最近一次低点以来经过的时间百分比。这两条线通常在0到100之间变动。指标的关键在于这两

顶级交易者喜欢把布林带（Bollinger Bands，简称BBANDS）指标作为指导买入和卖出决策因子之一；

布林带是由约翰·布林格发明的，用于测量市场的波动性和确定可能的过度买入或过度卖出的区域。

布林带的组成：

中间线：通常是20日简单移动平均线（SMA）。

上带和下带：分别是中间线以上和以下两个标准差的位置。

![](/wiki/api/atta

\

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、

导语

这是本系列专题研究的第六篇：基于DNN模型的深度学习智能选股策略。本文简单介绍了和DNN相关的原理，并举了一个实例，具体展示了如何应用以及应用的结果。

DNN原理介绍

神经元

神经网络的每个单元结构如下：

其对应公式如下： ![](/wiki/api/attachments.redirect?id=786ada84-4578-45b9-98a9-a281762597

用卷积网络处理序列数据

我们知道卷积神经网络(convnet)在计算机视觉问题上表现出色，原因在于它能够进行卷积运算，从局部输入图块中提取特征，并能够将表示模块化，同时可以高效地利用数据。这些性质让卷积神经网络在计算机视觉领域表现优异，同样也让它对序列处理特别有效。时间可以被看作一个空间维度，就像二维图像的高度或宽度。

对于某些序列处理问题，比如金融时间序列数据，这种一维卷积神经网络的效果可以媲美RNN[循环神经网络]，而且计算代价通常要小很多。最近，一维卷积神经网络[通常与空洞卷积核(dilated kernel)一起使用]已经在音频生成和机器翻译领域取得了巨大成功。除了这

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

导语

这是本系列专题研究的第四篇：基于卷积神经网络CNN的深度学习因子选股模型。卷积神经网络（Convolutional Neural Network, CNN），是计算机视觉研究和应用领域中最具影响力的模型之一。同样，如果将时间看作一个空间维度，类似于二维图像的高度或宽度，CNN也可以对时间序列处理产生令人惊喜的效果。本文首先大致介绍了CNN的原理，然后详细解释了一维CNN模型如何进行应用于时间序列并进行特征选取，最后以一个实

导语

研究过集成学习中的 随机森林和XGBoost后，本文将介绍一种更传统的机器学习方法：SVM支持向量机。SVM由于其较高的准确度，并且能够解决非线性分类问题，曾一度成为非常流行的机器学习算法。本文分别介绍线性支持向量机和核支持向量机，探究SVM如何解决线性和非线性分类、回归问题，最后以一个实例展示SVM模型在选股方面的应用。

VM原理介绍

支持向量机（Supp

导语

上篇报告介绍了集成学习里Bagging方法的代表算法随机森林，本文将着眼于另一种集成学习方法：Boosting，并深入介绍Boosting里的“王牌” XGBoost 模型。最后，以一个实例介绍XGBoost模型在智能选股方面的应用。

Boosting V.S. Bagging

作为集成学习的两大分支，Boosting和Bagging都秉持着“三个臭皮匠顶个诸葛亮”的想法，致力于将单个弱学习器组合成为一个强学习器。他们的不同主要在组合方式上：

Bagging如上篇报告介绍的，采用bootstrap随机抽样从整体数据集中得到很多个小数据集（小

导语

机器学习已经成为量化策略设计中的一大利器，了解各种机器学习算法的原理、特点、优劣，对于量化建模有着极大的帮助。因此，本系列【专题研究】介绍几种在资本市场中非常流行的机器学习算法及其在选股方面的相应应用，希望能对大家有所帮助。

随机森林是当前使用最广泛的机器学习集成算法之一。由于其简单灵活、不容易过拟合、准确率高的特性，随机森林在很多应用中都体现了较好的效果。

本文从单棵决策树讲起，逐步解释了随机森林的工作原理，然后将随机森林预测应用于二级市场，介绍了基于随机森林模型的智能选股策略。

什么是随机森林

随机森林是一种集成算法（Ensemble

导语

这是本系列专题研究的第五篇：基于长短期记忆网络LSTM的深度学习因子选股模型。LSTM作为改进的RNN（循环神经网络），是一种非常成熟的能够处理变化的序列数据的神经网络。此算法在keras, tensorflow上都有可以直接调用的api，在BigQuant平台中也有封装好的可视化模块。本文首先大致介绍了RNN和LSTM的原理，然后以一个可视化实例展示LSTM模型在因子选股方面的应用。

LSTM原理介绍

https://bigquant.com/experimentshare/2fbb2629dcb0450bbf72e224835b4957

\

量化选股是一种基于数学和统计方法的股票投资策略，它使用复杂的数学模型和算法来分析和选择股票。这种方法强调数据驱动和系统化的决策过程，与传统基于主观判断和基本面分析的选股方法相对。

概念

量化选股的核心是利用历史数据和统计分析来预测股票未来的表现。这通常包括对大量历史数据的分析，如股票价格、交易量、公司财务指标、宏观经济数据等。量化投资者会开发算法模型，以识别股票表现的潜在驱动因素和预测市场趋势。

\

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

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

备注：本策略含有未开放的数据，故克隆之后无法运行。

{{membership}}

https://bigquant.com/codeshare/b6e80d6b-f5e0-4778-97cf-77fcadb7b488

\

python版

{{membership}}

https://bigquant.com/codeshare/3ca8301b-8f1d-40ee-885e-3c79f50de068

DAI版

[https://bigquant.com/codeshare/7720fa73-2034-40ea-a94f-f59a56dd53a0](https://bigquant.com/codeshare/7720fa73-2034-40ea-a94

旧版声明

本文为旧版实现，仅供学习参考。

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

近年来，随着市场对专利的关注度逐渐上升，基于专利数据的指数与基金产品逐渐增多。使用了专利数据的相关指数包括专利领先、创业专利、深创100 、央企创新驱动指数000861等，相关基金总规模超 100 亿元。本文将基于平台的专利数据库进行深入研究。

Bigquant平台共计收录了486个专利因子。专利数据可分为发明专利、实用新型专利、外观

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

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过借鉴传统机器学习算法——XGBoost——对相同的量价因子进行实验，方便与深度学习模型进行对比实践。

二、算法介绍

XGBoost 是在 Gradient Boosting（梯度提升）框架

作者：woshisilvio

导语

在以往的认知中我们认为一个量化策略的选股>择时>风控，但经过多次的实盘交易发现风控处理不当会导致我们牛市赚的少、熊市亏更多。因此提出一种次优解的风控思路：风控>择时>选股。根据人工择时的经验，设计执行的固定量化风控准则（交易纪律），可以决定我们收益的下限，以及回撤的上限。

在本次分享中，将从以下四个方面展开：

1.仓位管理的策略。同时，优化上期分享的超跌反弹策略。

2.常用来做优化的工具和方法

3.对抗过拟合的方法

4.彩蛋策略：资金流大单追涨策略。预告下一期meetup

仓位管理策略

一个完整的AI-量化模型由三部

作者：陈奥(chenao1106)

导语

前期分享过⼀个策略可以由多个选股规则组成，如何新增优质的选股规则就成为策略的重点。本次分享从以下6个步骤完成优质选股规则从⽆到有的开发全过程讲解：

找灵感->构思逻辑->逻辑实现初次回测->调优->去拟合回测->判定是否优质，最终将优质选股规则加⼊到组合策略中。

本次分享⼀共介绍2个选股规则开发的案例：1个成功案例、1个失败案例。

选股规则

1.指数不⾼开情况下，个股股价处于低位，当天⾼开并阳线收盘，博低位开始反弹

![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}

https://bigquant.com/experimentshare/a1ba84205e3b4322970e3e5d6c75b43f

\

报告摘要

主要观点

本篇是学海拾珠系列第七十九篇，本期推荐的海外文献提出了一个新颖的基金业绩归因模型。该模型主要基于投资组合的持仓数据，衡量了基金来自不同业绩来源的增值，如动量策略、选股、择时，并且可以分离出被动择时对业绩的影响。回到国内基金市场，投资者常常会用回归法对基金的择时能力进行分析，鲜有基于持仓的视角，本文为我们深入探究基金择时能力提供新颖的思路。

选股能力是基金业绩的主要贡献来源

关于个股选择能力，本文考虑了两个组成部分。第一个部分，衡量基金经理的动量策略所增加的价值，这些策略包括对具有特异性回报的证券进行增持或减持。结果表明，这部分的