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

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

旧版声明

本文为旧版实现，供学习参考。

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

\

策略案例

https://bigquant.com/experimentshare/53afe5c70e1f48b28f66eeb980d86ebb

\

{{membership}}

https://bigquant.com/codeshare/075d9454-cde6-4306-a113-84fcae5b3248

\

这几年跟着别的老师学习价值投资，抱着实现自动交易的目的，误打误撞接触了量化这个领域，

发现这个领域的人的都是高人，自己按照价值投资的思路，每年能拿到百分之十左右的利润就很不错了，但量化领域里面的大神都在研究每年60-70%的收益，甚至一个月翻倍…

跟武侠小说里面的藏经阁一样，扫地僧随便丢一本秘籍给你你就能横扫江湖一大半的人了…

从别的平台看到机器学习很厉害，一直没招到入门的方法，编程也不懂，就一直找地方学习，最后来到了big quant，里面资料很多，天天拿到策略改个日期看看回测，学习效果不理想

伟人说过，实践出真知，

想在这里做个计划，一步步去实现自己的想法看看能做到什么程度，

不多BB,上图

可合作交流，并出售源代码，也可按月付费，详情请添加本人wx并注明来意，本人w'x：151*****

https://bigquant.com/codeshare/4515d40b-c2f4-4439-a2c9-92931adb0c6d

\

策略回撒2个月,找人帮忙

\

sss

https://bigquant.com/codeshare/2b248cfd-00e7-410e-b176-f858ee0239ca

\

私募排排网最新数据显示，2019年至2023年（截至6月2日），中证500指增策略私募产品的平均超额收益率依次为19.19%、15.52%、8.55%、9.93%和2.86%；沪深300指增策略的平均超额收益率依次为0.39%、12.24%、12.99%、6.35%和3.87%。从趋势上来看，指增策略超额收益率呈逐步衰减态势。

超额收益衰减后，人才之争自然愈演愈烈。某私募研究员坦言，由于很多量化私募前两年初步完成了团队的搭建工作，在超额收益获取难度越来越大的情况下，头部机构对优秀人才的渴求更为强烈，因此行业频频出现“挖角”、人才争夺纠纷等现象，天价薪资也常被当作量化的标签。

业内人士表示，

Learning the Dynamics of Technical Trading Strategies

作者：Murphy N. J., Gebbie T. J.

出处：Quantitative Finance, 2021-03

摘要

本文使用了一种基于对抗型专家的在线学习算法来学习，使财富最大化的零成本组合交易策略所需的最佳参数。该学习算法用于确定大量技术交易策略的动态，这些技术交易策略可以通过历史回测，并从约翰内斯堡证券交易所每日和日内数据执行的基础交易策略集合中形成一个聚合的投资组合交易策略。本文一个关键的贡献是：在每日取样和日内时间尺度上，使用一个新的假设检验来测

摘要

根据信号传递理论，企业对研发支出资本化或费用化处理，实际上向市场传递了研发项目未来盈利能力的信号。资本化的研发支出应当可以带来未来经济利益，而费用化的研发支出则没有未来经济利益。

企业会计准则规定的资本化条件相对较为主观，使得上市公司在资本化和费用化上有很大的隐性选择空间，企业可能出于其他目的操纵研发支出的会计处理，从而传递虚假信号。

市场对研发投入资本化存在负面认知。统计结果表明，有研发投入资本化的公司在年报公布后的一个月内明显跑输所在行业。由于投资者在年报公布时无法判断研发投入未来的经济利益，即使传递真实信号的公司也有可能被错杀。

理论和实证分析表明，研发投入大、盈余管

Generative Adversarial Networks for Financial Trading Strategies Fine-tuning and Combination

作者：Adriano Koshiyama, et al.

出处：Quantitative Finance, 2020-09-01

摘要

系统交易策略是分配资产以优化特定绩效的算法程序。为了在竞争激烈的环境中获得优势，分析师需要适当地微调策略，或者发掘如何通过创造新的alpha以组合弱信号。已经有多种方法对微调和组合这两个方面进行了广泛研究，但是新兴技术，例如生成对抗网络，也会对这些方面产生

\

https://bigquant.com/experimentshare/91d5e91c4aec407c95ea3aafdf0ac74f

\

https://bigquant.com/experimentshare/1eb503d1a209469aaf998b5c61f2da3b

\

https://bigquant.com/experimentshare/d8fb2ec62bec4b57b09947850c349109

\

https://bigquant.com/experimentshare/6202fc78d2a44a509a5e422b68890491

\

\

\

作者：woshisilvio

导语

对于部分中长线策略来说，并不是当天买入股票，第二天必须卖出，其持仓天数可能要长达5-10天及以上。除了止损之外,还要对部分看好的股票进行补仓，在个股的处理逻辑上会更多样化，也更加复杂。实际交易中我们除了需要大盘风控应对大盘下行的风险之外，可能还要有一套针对个股进行择时的方法。 因此，我们这一期Meetup将结合上一期三种构建大盘风控指标的方法 ，将 一些日常用的个股操作逻辑汇总结合大盘风控与个股择时的方法，糅合在一起做一个综合型策略案例。

![{w:40}

问题

AI量化策略中如何选择合适的因子

视频

https://www.bilibili.com/video/BV1J24y1f7mJ/?spm_id_from=333.999.0.0

PPT

{{membership}}

[/wiki/static/upload/42/4267409e-a9f4-42db-bb79-1321ba5e4c59.pdf](/wiki/static/upload/42/4267409e-a9f4

• 点击新建对话，创建一个新对话

• 点击输入框，开始与QuantChat交流

• 您可以直接输入以下对话

![{w:100}](/wiki/api/attachments.redirect?id=df515aaf-cef1-460