分类
外匯交易平台排名

经典的股票量化交易策略

经典的股票量化交易策略

原题网址:https://leetcode.com/problems/invert-binary-tree/Invert a binary tree. 4 / \ 2 7 / \ / \1 3 6 9to 4 / \ 7 2 / \ / \9 6 3 1思路:递归调用,对左右子节

socket编程初学及原理_qingtianweichong的博客-程序员ITS404

整治直播经济下的治理乱象,或许该从区块链入手_陀螺财经的博客-程序员ITS404

Protobuf 的安装使用总结_流子的博客-程序员ITS404_anaconda安装protobuf

Delphi 接口技术_小蚂蚁_CrkRes的博客-程序员ITS404

1、接口和类的联系和区别: 接口把类给包装了。类是应用程序功能的实现,所以必然会导致大而全,而接口是简单的,看看各个接口及其方法,都是很少的。 类喜欢采用深层继承关系,这样一来改变一个父类属性将导致一堆子类属性的更新,但是接口可以申明而不实现,接口是不推荐深层继承的。 我觉得MS对COM的说明是正确的,我们用了接口后可以在对用户隐藏内部实现的情况下同时保护老功能还

Day33Qt实现屏幕截图-2022-03-16_晓晓暮雨潇潇的博客-程序员ITS404_qt实现截图功能

SpringBoot非官方教程 | 第三篇:SpringBoot用JdbcTemplates访问Mysql_方志朋的博客-程序员ITS404

ChangeFormer(A Transformer-based Siamese Network 经典的股票量化交易策略 for Change Detection)_小王今天没学习的博客-程序员ITS404

ChangeFormer论文地址:A Transformer-based Siamese Network for Change 经典的股票量化交易策略 DetectionChangeFormer的三个主要模块:1.一个层次化的transformer编码器(用于提取双时相图片的粗细特征)2.四个特征差异模块(计算不同尺度下的特征差异性)3.一个轻量的MLP解码器(混合多层的特征差异以及预测Mask)Hierarchical Transformer EncoderTransformer BlockAttention(

BIT_201906【B - Visual Cube】_Masker_43的博客-程序员ITS404

思路:画图题。初始化为 ‘.’ ,画出图形。代码:46ms 1004KB#include <iostream>#include <cstring>using namespace std;const int maxn = 1005;int A,B,C;int length , height;char mp[maxn][maxn];int .经典的股票量化交易策略

tf.summary.merge等summary是怎么玩的?Tensorboard咋玩_小李飞刀李寻欢的博客-程序员ITS404

hi各位大佬好,在分析GCN代码时遇到这个现实的问题,之前也见到过,以为只是训练日志用的,没想到这里似乎在训练中(甚至还可以用来保存图)也用到了,如果再去掉就报错了。咋整啊,人生艰难,还是勇敢面对吧。For Video Recommendation in Deep learning QQ Group 277356808视频推荐深度学习加这个群For Visual in deep learning QQ Group629530787视觉深度学习加这个,别加错I'm here waitin.

小目标检测的五个方向 + Global Context +Local Context 综述_Snoopy_Dream的博客-程序员ITS404

首先推荐大家两篇目标检测综述论文,都是2018年11月的。Recent Advances in Object Detection in the Age of Deep Convolutional Neural NetworksDeep Learning for Generic Object Detection: A SurveyCVPR2019目标检测方法进展综述【另附一个2019的】.

window命令行查看exe调用库dll及其接口 [email protected] 的博客-程序员ITS404_windows查看exe的链接库

打开“Visual Studio命令提示”窗口:进入到.exe所在的目录,有时候会出现cd无法进入其他盘符的问题,这样解决:cd /d D:\src(注意这里添加了一个/d);输入命令:dumpbin /dependents test.exe >output.txt ,依赖库信息就输出到.exe所在目录下的output.txt文件中了。还可以直接在打开的命令提示窗口中输入:dumpbin /dependents D:\test\test.exe,即可打印出依赖库信息。如果要查看调.

经典的股票量化交易策略

1.多因子选股(股票)

2.小市值(股票)

3.Alpha对冲(股票)

4.集合竞价选股(股票)

5.指数增强(股票)

6.经典的股票量化交易策略 日内回转交易(股票)

7.行业轮动(股票)

8.机器学习(股票)

通常来说,我们会将数据集分成,训练集和测试集,比例一般是7:3。使用训练集去训练模型,使用测试集去评估模型的泛化能力。

xapian编译问题_davidsu33的博客-程序员ITS201

这几日想研究下doxygen,发现其include了xapian.h,一败毒发现是个字符串查找库,正好字符串查找也是研究重点之一,下了份xapian 1.2.8准备编译。结果出现NMAKE : fatal error U1073: 不知道如何生成“"pian\xapian-core-1.2.8\config.h"”Stop.NMAKE : fatal error U10

2018年-3-13-上午-工作日志_dongdong_888的博客-程序员ITS201

Vue中this.$router.push传参方式_鉴泉~Richarlie的博客-程序员ITS201_this.$router.push传参

数据库优化方案(一):查询请求增加时,如何做主从分离?_andy.cao的博客-程序员ITS201_数据库主从分离

现在的架构图如下所示:此时,你的数据库还是单机部署,依据一些云厂商的 Benchmark 的结果,在 4 核 8G 的机器上运行 MySQL 5.7 时,大概可以支撑 500 的 TPS 和 10000 的 QPS。这时,运营负责人说正在准备双十一活动,并且公司层面会继续投入资金在全渠道进行推广,这无疑会引发查询量骤然增加的问题。那么今天,我们就一起来看看当查询请求增加时,应该如何做主从分离来解决问题。主从读写分离其实,大部分系统的访问模型是读多写少,读写请求量的差距可能达到几个数量级。这很好理解,刷朋友圈

epics my "getting started"_colegmh的博客-程序员ITS201

环境OS: Linux SLC57(RH5)EPICS base: baseR3.14.12.1平台的搭建 编译base安装readline-dev 软件包;修改configure/os/ CONFIG_SITE.Common. linux-x86文件中COMMANDLINE_LIBRARY 参数,适合自己的系统;设置环境变量expo

[js] cesium中 使用dayjs 处理时间_啊嘞嘞嘞嘞的博客-程序员ITS201

API当前时间 dayjs() 时间字符串 dayjs('2018-06-03') 时间戳 dayjs(1528361259484) Date 对象 dayjs(new Date(2018,8,18)) 复制 dayjs().clone() 检测当前 Dayjs 对象是否是一个有效的时间 dayjs().isValid() 获取 年 : dayjs().year() 月 : day.

Ubuntu安装虚拟机_爱莫能助~的博客-程序员ITS201_ubuntu虚拟机

如果客户有在Ubuntu下安装虚拟机的要求,可以用到本篇文档,目前只测试16.04.6版本,虚拟机为16.1测试版,有效期为30天,软件仅供测试。1,先安装Ubuntu系统2,安装后把虚拟机软件放到桌面上,这里需要注意,和windows的差别,这里的虚拟机安装包不再是exe格式的应用程序,是bundle格式的文件,这个如果需要不同版本,可以在VMware官网下载。这里用的是16.1版本虚拟机。先把虚拟机加上权限,然后直接./运行即可。chmod a+x vmware.bundle./vm

深度神经网络结构以及Pre-Training的理解_Ddreaming的博客-程序员ITS201

深度神经网络结构以及Pre-Training的理解Logistic回归、传统多层神经网络1.1 线性回归、线性神经网络、Logistic/Softmax回归线性回归是用于数据拟合的常规手段,其任务是优化目标函数:h(θ)=θ+θ1x1+θ2x2+. θnxnh(θ)=θ+θ1x1+θ2x2+. θnxn线性回归的求解法通常为两种:①解优化多元一次

递归查询数据库分销上级_魔君归来的博客-程序员ITS201

//太阳线为准 团队中所有的uid(一般情况最多10个) //关于向上去找,还是向下去找,这里取个巧 先比较下他们的uid大小, //uid大的一定是后面注册上来的 所以,以uid为大的来向上查找 public function team_tree($uid,$level=1) < static $arr=[]; static $.

JS干货,父子窗口跨域通讯,ajax操作封装+非空验证_晚风拂柳颜的博客-程序员ITS201

深入理解 Kafka 读书笔记 6 -- 生产者拦截器_morningcat2018的博客-程序员ITS201

深入理解 Kafka 读书笔记 6 – 生产者拦截器拦截器是 Kafka 0.10.0.0 引入的功能分类生产者拦截器消费者拦截器功能可以用来在消息发送前做一些准备工作修改消息、完善消息过滤不需要发送的消息可以用来在发送回调逻辑前做一些定制化的需求统计类工作实现 org.apache.kafka.clients.producer.ProducerInterceptor<K,V> 接口onSendKafkaProducer 在将消息序列化和计

十大经典量化交易策略,量化交易策略信号测试—— 动量因子回测

我们在物理课上都学过惯性,物体有保持原有运动状态的属性。而人们认为这样的惯性在股票市场中也存在,比如很多投资者都喜欢采取追涨杀跌的方式购买股票,但是学术界好像一直对此不以为然,直到1993年,Jegadeesh和Titman发表在《The Journal of Finance》上的论文《Returns toBuying Winners and Selling Losers: Implications for Stock Market Efficiency》,探讨从1965年到1989年的美国股市上是否存在动量效应

这样我们就可以构造出一个非常简单直观的投资策略:依据J个月前的股票收益排序,我们从本月初期开始买入赢家组合,卖掉输家组合,或者说传说中的追涨杀跌策略,然后持有K个月,来观察是否存在持续的投资效果,而这就是最初的J-K投资策略。举一个简单的例子,我在12月决定利用3个月的动量因子进行策略设计,那么就需要对9月的所有A股股票进行排序,买入表现最好的,卖掉表现最差的,并持有这些股票到明年2月,而到明年1月时,我会对今年10月的股票进行排序,继续这样的买卖方法,持有股票到明年3月,如果我们设定了每月换仓的交易频率的话,那么我们会在每个月的月初不断重复这个策略。

而Cahart在1997年基于著名的Fama-French模型,又加入了动量因子作为解释股票超额收益率来源的因素,构造出著名的四因子模型,从此动量成为所有量化投资者都会着重研究的对象。

其中右边第一项是人们认为前期股票的表现可以持续所导致的预期增加收益,不过这种预期是理性的,而第二项才是我们认为的真正的基于时间变化的持续动量。但是通过实际检验,研究者们对这两个因素谁是主导并没有达成共识,还有一些研究认为动量效应其实完全可以通过对宏观因素的预期、行业的交叉影响、个人的交易风格来解释,也就是动量一说并不成立。不过大多数人还是认为动量是一种独立的价格波动现象,并且放弃基于传统金融模型的思路,开始从行为金融的角度来做出解释,也就是将动量作为一种金融异象对待。

不过具体到A股,动量效应表现如何呢?结合Jegadeesh和Titman的思路,结合Cahart的构造方法,来进行一个简单的计算,采用A股前n个月累积收益最高的30%的所有股票组合加权收益率减去前n个月累积收益最低的30%的所有股票组合加权收益率,使用流通市值加权,对A股2016年以来的3、6、9和12个月动量因子收益进行计算。结果如下图:

从计算结果到图例,都说明对A股而言,动量效应并不明显。大部分研究也认为基于月度或年度数据的动量效应在A股并不突出,然而也有一些报告认为存在1个月以内的动量效应,这意味着较高的换手率和交易成本。那么事实真的是这样吗?我们来基于倍发科技投资研究系统 1.0(Betalpha BAR 1.0)的分析结果与大家一起探讨。

而这并不是只在12M动量因子中才存在的现象,通过BAR 1.0选择3M、6M、9M原始动量因子,对同期数据进行检验。

改良的动量因子,是指我们将回测分组使用的股票收益再向前滚动一个月,以规避可能存在的1个月的反转效应。

那么这是否意味着动量因子在国内是不可行的呢?也许未必,我们对12个月原始动量因子的策略进行了一个小小的改动,把换仓频率由月度改为日度,这大大提高了我们交易的节奏,而结果也非常有趣。

通过上图我们可以发现,在相同的时间周期里,日度换仓表现出了明显的动量效应,买入F1组合而卖出F5组合的交易策略能带给我们显著为正的回报,信息比也很高。但是,日度换仓意味着更高的手续费。

一个可能的原因是市场中的投资者状况不同,美股投资的主要参与者是机构投资者,而A股的主要投资者是个人投资者,机构投资者对于信息的处理趋于同质化,而个人投资者的行为则较为难以预测,容易出现过度反应的状况。此外A股流行的坐庄风气,也使得市场更容易出现补涨、补跌的状况,股票表现的可持续性并不好,相反大家更喜欢高抛低吸。

另一个可能的问题在于我们需要对股票进行更为细化的分类,基于其他研究的结论,A股中的动量效应往往存在于低换手率和低交易量的股票之中,这一类股票对信息的反应时间较长,更符合动量效应的来源,而沪深300这类交易量较大的成分股由于包含了大量过度反应的交易决策,更容易提供反转效应的土壤。

风险管理工具 / 量化投资知识 / 金融大讲堂 公众号:有金有险

戳 倍发投资研究系统试用申请 申请试用倍发科技投资研究系统(Betalpha BAR 1.0),目前仅接受二级市场机构投资者申请。申请成功后倍发科技的工作人员会与您进一步联系,请一定保证填写的联系方式正确。

量化交易中简单均线交易策略策略存在哪些问题?

【1】某些行情被反复打脸。主要是在震荡行情的时候,或者喇叭形态的行情,这时候均线不管多大周期,都容易被打脸。而周期如果小的话,死得更惨。

所以如果你要用均线,你需要考虑如何在上述行情下,少亏,或者不亏,甚至有点小赚更好。

【2】回撤周期大,主要体现在回撤时间和回撤金额上,这主要是由于其滞后性和反复打脸导致,均线如果周期小,我通过程序化测试,发现回撤很大,且基本都亏,主要亏交易成本。而周期大的话,回撤也大,但是比周期小的好点,因为长期收益曲线还是能向上的,不过回撤金额和回撤时间普通人基本扛不住,且投入产出往往不成正比。

所以,如果你要用均线,那么你如何让均线系统的回撤周期和回撤金额降低到,你能接受的范围,这个是难点。

总结一下,滞后性难以克服,任何技术指标都有滞后性,既然难克服,我就暂时忽略,那么你能解决上述两点,做出的交易系统,应该也是优秀的。

克服掉震荡行情的大幅度亏损。

降低回撤金额和周期到可接受范围。

你们说的量化交易策略,如何入手的,具体是怎么着手编写?

这里用SMA/MAX比值选股技术,选出SMA/MAX比值,适中的股票,也即选择强势股,同时抛弃涨得差不多到头的股票。

这里使用KDJ指标入场

止盈止损策略,你可以选择分钟级别的指标,毕竟根据以往很多次的经验,A股暴涨暴跌,一顿饭的功夫没准就跌停了

这里使用分钟动态止损,价格跌破120日分钟线止损(止盈)

毕竟天天调仓光给券商交手续费了。这里设定的是一个月一调整

2019年以后量化交易新提出的比较有意思的量化因子有哪些?

说一个早些时候提出的,在2019年之后“大放异彩”的因子,它就是《101 Formulaic Alphas》中第22号因子,主要是倾向选择“量价背离 波动率放大”的股票

“correlation(high, volume, 5)”表示是最近5个交易日,股票最高价和成交量的相关系数;

“-1 * delta(correlation(high, volume, 5), 5)”就表示选择最近5个交易日(1周)股价与成交量背离扩大的股票

“rank(stddev(close, 20))”则表示最近股价波动率的横截面排序,波动率越大,排序值越大。

左右两个部分的式子合在一起就是表示要在横截面中选择“最近股价与成交量背离扩大,且股价波动率较大”的股票。

“为了避免被我这英语二把刀“坑害”,我把论文中的原文贴出来
rank(x) = cross-sectional rank
delta(x, d) = today’s value of x minus the value of x d days ago
correlation(x, y, d) = time-serial correlation of x and y for the past d days
stddev(x, d) = moving time-series standard deviation over the past d days”

适合合约小白玩的量化策略有那些?

IAI TRADE:一文读懂“量化交易”策略

IAI Trade致力于降低量化交易门槛,在IAI Trade用户可以使用“可视化策略生成器”:0代码生成EA策略,并一键接通“模拟交易”及“实盘交易”。

经典的股票量化交易策略

在量化交易回测中容易犯的9个错误

随机选择500个试验者;
5年内让他们每天服药;
每天测量他们的血压;
在实验的开始,参与者们的平均血压为160/110,在结束的时候血压为120/80(显著地更低,更好)。

图中绿色的线表示2012年属于S&P 500的股票的曲线。注意到所有股票都从2008、2009的下跌中很好地反弹了。
2

当我开始真实交易的时候,我们发现真实表现在图上是这样的,对应着区域B的绿色线条,很平坦。这个策略失效了,所以几周后我们停止了交易。在我们停止交易后,模拟交易中我们再一次表现的很好(区域C)。
3
这是怎么回事呢?我们猜测误差来源于我们的预测模型,所以我们再次在我们的“真实交易”区域进行了回测,得到的也是同样的平坦曲线。在7.0的夏普指数区域和这个平台区域之间唯一的区别就是我们在平坦区域参与了市场交易。