墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
4.5k累计阅读
4.5k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
BigQuant平台创建默认模板策略后，可以看到默认的因子，并且已经被组合在一起了。因子来源有很多种，此次我们从以下进行因子构建：
“如何从证券机构的研报获取相应的因子“详细戳以下视频（指路"P46:0924初中级用户如何写出一个好策略"）：
BigQuant AI量化专家 Meetup(update:1119)
摘取部分讲解：
比如《国泰君安证券：基于短周期价量特征的多因子选股体系》中分享了基于短周期量价特征的多因子选股体系，意思就是传统多因子跟短周期多因子的区别在哪里？这篇研报整理了阿尔法评价的体系以及实操做法，并且介绍了短周期交易型阿尔法策略的构建思路。
首先，短周期交易阿尔法与传统多因子模型的区别是什么？
解构因子组合：量化交易的核心策略与加密市场的应用
组合优化与风险控制 使用马科维茨均值-方差模型或Black-Litterman模型优化收益-风险比。 加密市场需额外关注尾部风险（如黑天鹅事件、交易所暴雷、加息事件等）
利用Python进行量化投资：因子投资的实践与策略
利用Python进行量化投资：因子投资的实践与策略在当今快速变化的金融市场中，投资者们正面临着前所未有的挑战与机遇。随着科技的迅猛发展，传统的投资方法逐渐显得力不从心，而量化投资作为一种新兴的投资方式，正逐渐崭露头角。特别是在因子投资领域，Python作为一种高效且灵活的编程语言，已经成为众多投资者和分析师的首选工具。本文将深入探讨如何利用Python进行量化投资，特别是因子投资的实践与策略，同时结合实际案例和专业金融知识，为您揭示量化投资的奥秘。一、量化投资与因子投资的魅力。
量化投资策略_因子打分选股的案例实现
因子打分选股是一种量化投资策略，它通过选取多个与股票收益率相关的因子，对股票进行综合评分，然后根据评分来选择股票构建投资组合。
揭秘Alpha因子：量化交易中的信号挖掘与策略构建
本文深入解析Alpha因子在量化交易中的核心作用，从数据准备、因子设计到策略构建全流程揭秘。通过实际案例展示如何挖掘有效信号并避免过拟合陷阱，特别探讨机器学习在因子挖掘中的应用技巧与注意事项，为量化投资者提供实用指导。
量化因子实战指南：从基础分类到策略构建
本文提供了一份量化因子实战指南，系统解析了基本面、技术面和宏观因子三大核心分类，并详细阐述了从单因子测试到多因子策略构建的完整流程。文章重点介绍了如何通过分层回测验证因子有效性，并构建稳健的多因子模型，同时强调了风险控制与因子迭代的重要性，为投资者构建可落地的量化选股策略提供了清晰路径。
基于价值因子的A股量化选股策略回测分析
随着A股市场机构化程度提升，量化投资凭借系统性优势成为重要投资范式。价值投资作为经典投资理念，其核心因子（如低估值、高分红）在量化框架下可转化为可回溯、可验证的选股策略。如何将传统价值投资指标转化为可计算的量化因子？价值因子在A股市场的长期有效性如何？回测过程中需考虑哪些市场微观结构因素（如交易成本、停牌处理）？价值投资理论与因子体系（核心概念）因子计算、选股逻辑与回测算法（技术实现）数学模型与量化指标详解（理论支撑）A股实战案例（数据获取、策略编码、结果分析）
群晖存储空间损毁不等于硬盘损坏：排查与修复实战
NAS存储系统中，物理硬盘、存储池与文件系统空间构成层级结构，任何一层出现异常都可能在管理界面汇总为“存储空间损毁”。事实上，异常断电、卷未正常挂载等软性问题也会触发这一红色告警，而存储池和硬盘SMART状态往往完全正常。理解这一机制后，用户无需急于格式化重建，通过事件日志审查、SSH确认挂载状态，再借助btrfs scrub等文件系统自愈工具，即可在数据不丢失的前提下恢复存储空间正常。该方案对家庭及小型办公环境中的群晖NAS尤其适用，特别是在供电不稳或硬盘休眠频繁的场景下，能有效规避误判风险。本文完整记录
基于CNN的三相故障识别算法及实现（Matlab）
通过预处理数据、构建CNN模型、训练与评估模型等步骤，我们可以准确快速地识别三相故障。现代电力系统中，三相故障是一种常见的故障情况，可以导致电网中断、设备损坏甚至火灾等严重后果。本文将介绍基于卷积神经网络（CNN）的三相故障识别算法，并提供Matlab源代码实现。首先，将原始信号分为训练集和测试集。然后，对输入信号进行归一化处理，确保数据在合适的范围内。CNN适用于处理二维数据，所以我们可以将输入信号看作是时间序列数据和特征（如电压、电流等）的二维矩阵。在开始之前，我们需要一个包含正常和故障样本的数据集。
windows中搭建sonic云真机环境/云真机环境搭建-基于docker容器部署
基于Windows系统搭建Sonic远程云真机环境实现通过浏览器操作手机端系统
【VS Code插件开发】通用功能（二）
本篇主要从command（命令）、menus（菜单）、快捷键三个方面讲解，都归于通用功能。
MySQL 一一 MySQL基本使用
1、数据库 简单来说，所谓的数据库就是存储数据的容器，而且是永久存储的。 2、为什么需要数据库 3、为什么要学习MySQL数据库 最早MySQL数据，瑞典AB公司开发的一款开源型的关系型数据库。 随着时间的推移，瑞典AB公司把MySQL数据库转让给Sun公司（Java语言的创始公司） 后来，Sun公司经营不善，又把MySQL数据库转让给甲骨文公司（Oracle数据库） 4、数
RK3588芯片CAN总线调试秘籍：SocketCAN与错误帧攻略
RK3588芯片在嵌入式领域凭借8nm工艺和强大性能成为核心控制器。本文详细介绍了其CAN总线配置流程，包括硬件连接、内核驱动配置及SocketCAN命令操作，并深入解析了CAN通信中的错误帧机制及分析方法。通过智能工厂案例，展示了从问题定位到解决方案的全过程，强调了稳定通信对工业应用的重要性。文章为RK3588的CAN总线应用提供了实用技术参考，并对未来智能诊断技术在该领域的应用进行了展望。
STM32 W5500 Freemodbus Modbus TCP协议功能实现
STM32F103VCT6 W5500(SPI1)，实现Modbus-TCP协议的功能
【微服务】Java 对接飞书多维表格使用详解
Java 对接飞书多维表格使用详解
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3335
扫一扫
