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:2024-05-17 03:49
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:2024-05-17 02:54
本文为旧版实现,供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
\
https://bigquant.com/experimentshare/53afe5c70e1f48b28f66eeb980d86ebb
\
更新时间:2024-05-15 06:37
更新时间:2023-08-16 09:10
更新时间:2023-06-01 06:18
\
更新时间:2023-05-11 03:12
更新时间:2023-01-03 07:44
更新时间:2022-11-20 03:34
更新时间:2022-11-20 03:34
更新时间:2022-11-20 03:34
更新时间:2022-11-20 03:34
更新时间:2022-11-20 03:34
更新时间:2022-11-20 03:34
更新时间:2022-11-20 03:34
更新时间:2022-11-05 08:13
Renaissance Technologies文艺复兴科技公司交易策略揭秘记录!该短片中详细介绍了文艺复兴科技公司多年来如何开发各种交易策略,从早期的均值回归到利用内核方法等等。
https://www.bilibili.com/video/BV1ae4y1f7Em
\
更新时间:2022-10-10 12:50
分享头部量化私募团队、策略、深度资料等
\
更新时间:2022-10-10 09:45
更新时间:2022-10-09 11:05
文献来源:Jennifer Bender, Jerry Le Sun and Rick Thomas, Asset Allocation vs. Factor Allocation – Can We Build a Unified Method?[J] The Journal of Portfolio Management, 2018, 45 (2) 9-22
推荐原因:近60年间,股票和债券等资产一直是多元化投资组合的主要基石。长期以来,投资者普遍认为,对不同类别的资产进行分散投资足以为组合带来多元化投资的裨益,但近期在市场大幅下挫过程中,对不同类别资产进行分散投
更新时间:2022-10-09 10:01
中国商品期货市场近30年来取得历史性突破和跨越式发展。近年来,伴随股票市场多因子选股策略的风靡,越来越多的期货界投资人士,在尝试使用多因子框架构建商品市场的CTA策略。这类策略的核心是找到各类可以影响商品市场价格涨跌的公共因子,如资产动量、波动率、宏观基本面等,构建统一框架来评估资产价格上涨、下跌的潜力,进而构建商品市场的组合投资策略,多因子策略是近年来CTA策略的一个重要分支。本文主要尝试对多因子CTA策略构建中一些常用的因子进行测评,并试图构建一个基本的多因子CTA策略,以深入洞察该类策略的运作,供投资者参考
测试的因子包括技术面因子以及宏观基本面两类因子。技术面因子采用横
更新时间:2022-10-08 10:30
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
更新时间:2022-08-31 08:06
2018 年 5 月多因子指数增强模型沪深 300 组合跑赢基准 0.65%,月中超额收益最大回撤 0.49%。中证 500 组合跑赢基准 1.57%,月中超额收益最大回撤 0.23%。
2018 年 5 月短周期价量模型跑赢中证 500 基准指数 2.69%,月中超额收益最大回撤 0.26%。
2018 年 5 月 AI 人工智能选股模型绝对收益 2.38%,跑输沪深 300 指 数-1.51%。
2018 年 5 月 Smart Beta 选股模型组合绝对收益 4.61%,跑赢万德全 A指数 1.45%。
2018 年 5 月事件驱动选股模型组合绝对收益 5.54%,
更新时间:2022-08-31 07:46
\
更新时间:2022-08-31 01:47
机器学习波动率预测
大多数量化策略的盈利与波动率高度相关。预知波动率对于分配每个策略的仓位至关重要。使用机器学习进行波动率预测较传统方法的预测效果有所提升。
机器学习策略判断失效的方法
判断机器学习策略失效有独特的方法,可以在击穿最大回撤前提前下线策略。
机器学习在量化投资中应用的杂谈
我们在这一章节中致力于打通实盘的各个环节,以及展开对机器学习对冲基金运营方式的探讨。
[/wiki/static/upload/3a/3af7bff5-f4fe-4eef-96df-74530303b737.pdf](/wiki/static/up
更新时间:2022-08-30 09:00