精华帖子
文档目录
- 策略分享——隙光·偏振|A股双状态轮动策略
- 基于隐马尔科夫链的市场状态划分
- 基于均值方差理论的组合优化
- cowork使用心得与工程性指南
- 从正股冲板到转债成交:一个事件驱动的可转债 Tick 策略
- 回测绩效数据
- BigQuant Cowork 智能体 Skill 全指南:从创建到调用的完整教程
- 多因子合成选股策略:从因子打分到组合构建
- 干货分享|新手量化入门|完整拆解多因子选股全策略,从零选因子到 AI 优化落地
- 滚动训练5日选股系列之KAN
- 概念热度驱动的打板追涨停量化策略【分钟频】
- 滚动训练5日选股系列之lightgbm
- 基于研报因子构建多因子选股策略示例
- 缓步上涨选股策略
- 因子研究(3)——动量效应在 A 股的实证检验与改进
- 滚动训练5日选股系列之DNN
- 因子研究(2)——行为金融学视角下的因子溢价来源
- 因子研究(1)——基本面因子分析
- 搞定外汇数据:实时行情接口实操方法
- “质量·低波·可转债”选股策略
- 量化回测指南
- 用 SHAP 看懂这套量化选股策略:从模型打分到数学归因
- MA、MACD、RSI等指标解析与量化策略实操
- 基于随机森林的横截面量化选股策略及 Optuna-TPE 超参数优化研究
- XGBoost 多因子量化选股
- BigTrader 滑点设置指南
- 如何用Python实现资产组合最优化
- 量化人需要掌握的Numpy与Pandas
- 指数也有阿尔法?—— S&P 500和Russell 2000都有
- Alpha 因子与量化交易:入门黑话解释
- 量化交易中的数学基础
- 弹性网络选股:机器学习多因子模型搭建
- 梁文锋们该骂吗?量化交易到底是什么
- 钉钉推送格式分享
- Lasso 滚动多因子选股策略
- 手把手教你用BigQuant写第一个量化策略:高股息+低估值实战教程
- 最大化 ICIR 的滚动训练多因子选股策略
- 基于Transformer模型的选股策略
- 基于支持向量回归模型的选股策略
- 如何在sql中使用python函数:dai.DaiUDF
- 基于深度学习的指数增强策略
- 基于 ICIR 动态加权的多因子行业中性选股
- 策略分享——小盘价值质量复合因子(行业中性 + 动量过滤)
- 基于DNN深度学习网络的选股策略
- 基于概率模型的蓝筹与小盘轮动策略
- RF小市值增强策略
- AI策略参数寻优方法:网格搜索和并行模块M.tune
- 基金重仓增持下的低估值选股策略
- 神经网络算法下的风格轮动策略
- 策略分享-时间序列分析风格判断
- 基于趋势过滤的股息率策略
- 小市值WFA动态回测寻优策略
- 马丁格尔加仓交易策略
- 分时段择优小市值策略
- 攻守平衡的风格轮转策略
- 基于换手率波动的“行业领头羊”策略
- 小市值多因子风控策略
- 大小市值轮动的多因子选股策略
- 中小盘趋势选股策略
- 策略分享-基于高频动量突破的ETF择时策略
- 基于市场存量状态择时的小市值策略
- 基于海龟交易系统的ETF轮动策略
- 大模型+bigtrader新闻实时监控
- 策略分享-基于宏观经济状态的自适应ETF轮动策略
- 策略分享-基于跨品类相关性控制和回撤组合优化的 ETF选基策略
- 基于资产质量的多因子选股策略
- 策略分享-牛市高盈利小市值策略
- 策略分享-基于Z-score的风险平价动态止损ETF 选基策略
- ETF核心资产动量轮动
- 策略分享-基于多周期风险加权双重动量的 ETF选基策略
- 单股分仓波段策略
- 基于市场宽度的小市值择时策略
- 策略分享-基于夏普比率风险调整的ETF选基策略
- 策略分享-蓝筹股小盘股混合策略
- 一致性风险度量的全天候策略
- 策略分享——趋势增强因子ETF策略
- 策略分享-基于CatBoost模型与分类任务的ETF选基策略
- 大类ETF-DRO组合优化-不确定集、扰动逻辑优化
- 策略分享——RSRS弹性ETF策略
- 策略分享-基于XGBoost模型和滚动训练的预测策略
- 策略分享-动量多因子选股策略
- 策略分享-大类ETF策略-DRO组合优化
- 策略分享——金叉赢家ETF策略
- 策略分享-趋势稳健性动量ETF组合策略
- 风险平价ETF躺盈策略
- 策略分享—基于StockRanker模型和排序学习的选股策略
- 好基优选·多因子动态智能轮动
- 策略分享—基于LightGBM模型和超参优化的收益率预测策略
- 策略分享-基于成长因子的电子行业多因子选股策略
- 策略模板-可转债StockRanker收益预测策略-可视化版
- 策略分享——低价主力小单共振策略
- 策略分享-基于随机森林的半自动量价多因子策略
- 策略分享-低PE高EPS组合策略
- 策略分享——低波动价值动量轮动策略
- 策略测试方法--自定义买卖价设置教程
- 策略分享——金叉共振择时策略
- 策略分享——低负债高roe轮动策略
- 贝叶斯参数优化原理与使用
- 策略分享——主力追踪策略
- 策略分享——可转债摊大饼策略
- 策略分享——归母净利润暴增轮动策略思想
- 策略分享——优质基本面高股息策略思想
- 一天一因子
- 使用dai加工实时因子(必读)
- 量化策略框架封装用法
- AI因子增强低波小市值策略
- SR-中证2000策略 before_start_days 参数设置影响分析报告
最新文章
- 策略分享——隙光·偏振|A股双状态轮动策略 · 2026-10-22
A 股双状态轮动:沪深300 状态机 × 趋势市主线 TOP4 × 震荡/熊市高分红 TOP4 回测区间:2017-01-03 ~ 2026-09-10(2354 个交易日) 初始资金:1 亿元 | 业绩基准:沪深300(000300.SHhttp://000300.SH) 回测平台:BigQuan
- 策略分享——趋势增强因子ETF策略 · 2026-10-15
1. 趋势增强因子 在原来趋势得分因子的基础上,加入了时间的二次项和时间的三角函数项,分别代表趋势强度和趋势波动,并通过岭回归算法计算预测值,算出加强后的拟合优度,从而计算趋势增强因子。 1.1 原来的趋势得分因子 !/wiki/api/attachments.redirect?id=a9a8e8
- AI策略参数寻优方法:网格搜索和并行模块M.tune · 2026-10-09
在量化策略当中,策略逻辑当然是排在第一位的。但是,在一个策略已经表现较好时,对参数进行调整,往往能收获更多的超额收益。本文以模板策略中的可视化AI策略为例,进行参数寻优过程,看能为绩效结果提高带来什么效果。 一、策略核心逻辑回顾 模板中的可视化AI策略的核心逻辑如下: 1. 因子筛选层:从全市场股票
- 好基优选·多因子动态智能轮动 · 2026-09-20
一、基金池 标普500 纳指ETF 300ETF 创业板 嘉实原油 豆粕ETF 黄金ETF 恒生科技 优点 1. 地域分散:覆盖中美市场(标普 500、纳指、300ETF、恒生科技),对冲单一国家风险。 2. 资产多元:股票(权益)+ 原油 / 黄金 / 豆粕(商品),相关性低,平滑波动。 3. 周
- 基于隐马尔科夫链的市场状态划分 · 2026-09-10
用隐马尔科夫模型(HMM)划分沪深300的市场状态 市场不会一直上涨,也不会一直下跌,它总是在"趋势"和"震荡"之间来回切换。如果能提前识别当前市场处于哪种状态,仓位管理和策略选择就会更有依据。本文介绍如何用隐马尔科夫模型(Hidden Markov Model, HMM)对沪深300指数近十年的走
- 基于均值方差理论的组合优化 · 2026-08-20
一、为什么需要组合优化 选出股票以后,还需要确定每只股票应该配置多少资金。 假设当前持有 10 只股票,最简单的方法是每只股票配置 10%,即等权组合。但等权没有区分不同股票的收益和风险特征。 组合优化希望解决的问题是: > 在给定股票池和约束条件下,如何分配股票权重,使组合更符合预期的收益与风险目
- 策略分享-基于高频动量突破的ETF择时策略 · 2026-08-14
0. 策略名词解释: (1)突破因子(Breakout): 上突破信号: !/wiki/api/attachments.redirect?id=3d346482-fc3a-4f55-ba84-3eb23ed0d92f " =452x86" 下突破信号: !/wiki/api/attachme
- cowork使用心得与工程性指南 · 2026-08-12
一、阶段性使用心得:真实感受 用了一段时间CoWork 后,最大的体会是:CoWork 不是来替代你思考的,而是你的私人助手。它帮你扛下那些重复繁琐的工作——整理零散的想法、归纳知识点、拆解晦涩的概念、拆解复杂任务。省下来的时间和精力,你可以用在真正需要判断和决策的地方。这样工作效率能提升不少,特别
- 多因子合成选股策略:从因子打分到组合构建 · 2026-07-30
一、策略简介 单个因子通常只能反映股票的某一类特征。 例如,动量因子主要观察价格趋势,估值因子关注股票是否便宜,质量因子关注公司的盈利能力。不同因子在不同市场环境下的表现可能存在较大差异,因此,仅依赖单一因子容易受到市场风格切换的影响。 多因子策略的基本思路是: > 将多个选股因子统一处理后合成为一
- 从正股冲板到转债成交:一个事件驱动的可转债 Tick 策略 · 2026-07-27
从正股冲板到转债成交:一个事件驱动的可转债 Tick 策略 > 标签:可转债、Tick 回测、BigTrader、事件驱动、日内交易 本文仅用于量化研究与策略开发交流,不构成任何投资建议。 一、策略简介 传统可转债策略通常从转债本身出发,例如低价、低溢价率、低余额或者多因子选债。 本文尝试从另一个角
- 回测绩效数据 · 2026-07-21
利用平台回测函数 python performance.getstats 可以得到如下指标,示例如图: !/wiki/api/attachments.redirect?id=2b7906cb-1f1a-4e96-9520-8216ead8710b " =229x190" 1. 累计收益率(retu
- BigQuant Cowork 智能体 Skill 全指南:从创建到调用的完整教程 · 2026-07-16
> 一句话总结:本文系统介绍 BigQuant Cowork 智能体的 Skill(技能)体系——如何创建、发布到 SkillHub 以及安装调用,并结合高频因子投研实战案例,展示 AI 原生量化投研的新范式。 --- 一、为什么需要 Cowork? 与 AI 助手的传统交互,是一种即时的、一问一答
- 市盈率因子 · 2026-07-12
因子原理 今天我们理解一个因子——市盈率。简单来说,它是股价和每股收益的比值!比如,某家公司的股价是20元,每股收益是1元,那么它的市盈率就是20倍!这就意味着,你愿意花20元来获取公司1元的收益。 市盈率的计算公式如下: P/E Ratio = PriceperShare/EPS Price p
- 因子研究(1)——基本面因子分析 · 2026-06-26
研究区间:2015-01-01 ~ 2024-12-31(共 10 年,覆盖完整牛熊周期) 股票池:全 A 股(剔除 ST、停牌、上市不足 1 年、PE≤0 的股票) 研究因子:市盈率TTM、市净率、市销率TTM、ROE TTM、ROA TTM、毛利率TTM、净利润增长率(七个基本面因子,仅作示例)
- 因子研究(3)——动量效应在 A 股的实证检验与改进 · 2026-06-05
1. 摘要 本文基于 BigQuant 平台对 A 股市场 2015—2025 年 5,487 只股票(含 324 只已退市个股)的全量数据,系统检验价格动量因子(Price Momentum)与残差动量因子(Residual Momentum)的有效性,并从三个维度深化研究: | 维度 | 核心发
- 干货分享|新手量化入门|完整拆解多因子选股全策略,从零选因子到 AI 优化落地 · 2026-06-03
一、前言 最开始做量化的时候我踩过无数大坑:网上扒几十号因子胡乱堆砌,回测曲线漂亮到离谱,一模拟盘直接大幅回撤;要么只顾埋头找 “黑马因子”,原始数据拿来直接相加选股,最后赚的钱全是蹭行业风口、赌小盘行情,压根没有真正的阿尔法收益。 打磨很久之后落地了这套 13 因子选股体系,整套逻辑通俗落地,核心
- 小单资金流残差因子 · 2026-06-03
小单资金流残差因子——一个用来捕捉"散户异常情绪"的信号。 听起来很高大上,但逻辑其实很朴素: > 散户(小单)在疯狂买入或疯狂卖出一只股票,但这种行为又无法用股价本身的涨跌来解释——这就是一个值得关注的信号。 先聊聊背景:什么是资金流? 在 A 股,每一笔交易都可以按照挂单金额分为四类: | 类型
- 基于随机森林的横截面量化选股策略及 Optuna-TPE 超参数优化研究 · 2026-05-19
一、研究背景与问题提出 传统量化选股策略通常建立在人工构造因子和线性打分模型基础上,例如将价值、成长、质量、动量等因子进行加权求和,再依据得分进行选股。这类方法优点在于逻辑清晰、可解释性强,但也存在明显局限:一方面,不同因子与未来收益之间的关系未必是线性的;另一方面,不同因子之间可能存在复杂交互关系
- 概念热度驱动的打板追涨停量化策略【分钟频】 · 2026-05-18
一、策略概述 这是一个打板的分钟回测策略,如果要实盘的话肯定需要自动化。回测绩效结果如下: 从24年9月到25年3月,取得了年化82.43%的年化收益,最大回撤可控,-20.74%。策略的特点就是胜率较高,符合打板策略的特色。 !/wiki/api/attachments.redirect?id=
- 滚动训练5日选股系列之KAN · 2026-05-11
1. 策略概览 本策略基于KAN模型,在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年,测试集时段为未来一年,如2018年训练集采用2013-01-01至2017-12-29,测试集时段为2018-01-03至2018-12-31。数据使用当期全市场数据,聚焦于量价数据及其衍生,