majunfu

原创 1000个量化策略第29例：经典红利低波策略

选股风格偏价值、偏防御（高股息 + 低换手）持仓数量高度集中（10只）换手频率月度风控方式昨日涨停打开即卖 + 停牌保护因子类型基本面+量价，跨类型双因子。

原创 策略实时看板【2026.08.31】

不定期上新优秀的策略课程，力争年底突破100个多类别、多品种、多市值分布的策略合集，用以作为策略市场表现的真实参考依据。

原创 【一个简单的量化投研智能体】

天量极客「自定义智能体」上线：把你的量化思路，转换为直观的评估结果

原创 A股量化因子库研究：1200+ Alpha因子分类体系

量化因子库是因子研究的重要基础设施，为研究者提供了丰富的分析工具。1200+ 个 A 股 Alpha 因子 × 23 个经典维度，覆盖盈利/质量、估值、成长、效率、规模、杠杆/风险、动量、技术、波动等量化研究领域公认的核心维度。对个人研究者而言，这样的因子库可以作为直接可用的分析工具集合。

原创 2026期策略训练营课程完结上线

历时两个月，我们的策略训练营所有课程均已上线，课程涵盖从基本概念、自动化交易、因子分析、ETF系列策略分享、大小市值与多因子轮动策略分享、仓位管理与多策略融合、策略加减仓与前沿拓展所有部分，感兴趣的可以试听哈。网页PC端查看：https://dayquant.com/custom/training。

原创 【一个免费的优质千因子库】

现在推出包含上千个因子的因子仓库【当前已经整理出1200+个因子】，我们会不定期更新，力争为研究者们提供一个优秀的因子研究知识库，争取做到万级的经典知识库。动量因子用多少天的窗口？因子库不是一堆指标的随意堆砌，而是按照价值、动量、质量、成长、反转、流动性、情绪、规模风险等经典维度进行系统化组织，每个因子都标注了所属类别、计算逻辑和经济学含义，让你快速建立对量化因子体系的全局认知。做量化的人都知道一个残酷的现实：80% 的时间花在找因子、洗数据、写计算代码上，只有 20% 的时间真正在做策略。

原创 天量极客因子库：量化研究的「兵器谱」，一键解锁 Alpha 之源

天量极客（dayquant.com）是一个专注于量化交易实战的垂直平台，由杭州天量极客信息技术有限公司运营，围绕「策略、课程、数据、工具、训练营」五大模块构建了一个"学练结合"的闭环生态。因子库则是这个生态中最核心的基础设施之一——它是一个系统化、结构化、可直接用于研究与回测的量化因子集合，覆盖A股市场主流的 Alpha 因子维度，致力于让每一位量化爱好者都能像机构一样拥有自己的"因子兵器谱"。🔗访问地址。

原创 【经济周期与资产配置】

把这些数据放在一起看，结论就很清楚了：不是衰退（GDP正增长、企业利润两位数增长），不是繁荣（CPI只有1%、消费负增长、投资下滑），也不是萧条（没有出现大规模失业、通缩螺旋）。优先配：周期股ETF（有色、煤炭、钢铁、化工）、商品ETF，其次配：价值风格股票ETF（沪深300、红利、银行），少配：债券、成长股（估值会被加息压制）优先配：商品ETF（原油、黄金）、现金，其次配：价值股、防御性行业ETF（消费、医药、公用事业），少配：成长股、债券。这四个阶段循环一次，短的三五年，长的十来年。

原创 【财务指标全景图】

看财报也是一样，不能只看净利润，得从盈利能力、收益质量、资本结构、偿债能力、营运能力多个维度去看，才能对公司有个全面的了解。回测结果有点意思，第5分位最好，年化11.16%，第10分位只有5.8%，差很多。我琢磨着，无形资产太低，说明公司没什么技术含量，也没什么品牌，就是个赚辛苦钱的。但无形资产太高也麻烦，因为无形资产这东西，水分很大，说减值就减值，说不值钱就不值钱了。所以说，现金流才是王道啊，赚不赚钱不重要，能不能收到钱才是真的。总的来说，偿债能力强的公司，不一定能涨得很快，但至少不容易爆雷，拿着放心。

原创 【过滤垃圾公司的四个指标】

今天介绍一点垃圾公司基本面过滤的知识，基本面量化投资策略中提到过四个指标，我觉得有一些参考价值，下面展开介绍。**第一类是现金流和利润不匹配。**简单说就是，利润表看起来很漂亮，净利润增长很快，但经营现金流一塌糊涂。赚的都是“纸面利润”，没拿到真金白银。这种最危险，因为利润可以造假，但现金流很难造假。**第二类是异常收入。**比如营业外收入特别多，或者公允价值变动收益占了利润的大头。这些都不是主营业务赚来的钱，今年有明年可能就没了，不可持续。**第三类是偿债能力有问题。**比如资产负债率太高，流动比率太

原创 【浅析-行业轮动ETF策略】

典型的例子就是2023年的医药行业，之前跌了两年多，估值跌到了历史底部，然后2023年下半年开始反弹，几个月就涨了30%多。选个5-8个主流行业ETF就够了，比如消费、医药、科技、新能源、券商、军工、半导体这些，都是经常有行情的。有人选了十几个行业，轮来轮去，最后效果未必好。看见哪个行业涨得好就冲进去，结果冲进去就被套，然后又看着另一个行业涨，又割肉去追，来回被打脸。比如某个行业跌了很多，估值也到了历史低位，这时候如果行业基本面出现好转的迹象，比如政策松绑、需求回升、业绩改善，那可能就有反转的机会。

原创 【浅析-大小轮动ETF策略】

本文深入探讨了A股市场中大小盘轮动策略的核心逻辑与实践方法。文章以沪深300（代表大盘）和中证500（代表小盘）为经典组合，分析了二者历史表现的分化特征（如2017年与2021年的显著差异）。估值法（看PE历史分位）、趋势法（动量策略）和经济周期法。重点介绍了简单有效的"二八轮动"策略及其回测表现（2005-2022年年化收益超15%），同时客观指出了其在震荡市中容易"来回打脸"的局限性。文章进一步探讨了进阶玩法（如均线过滤、多指数轮动）以及当前市场环境下策略的适用性与调整方法（如拉长周期、分仓操作）。

原创 【多因子风格轮动策略-第一篇】

另一类，则认为宏观经济情况、市场情况等外部条件会对因子收益率有潜在影响，当给定这些外在条件的取值时，通过统计模型来预测因子未来的收益情况。国外的学者早在2000年以前就发现在美股市场，存在着明显的价值类因子（PE、PB等）和规模类因子（流通市值等）之间的风格轮动。多因子选股策略是大A市场最主流的量化交易策略之一，其本质是：市场中的个股行情会出现分化，对个股的分化特征进行提取得到所谓的风格因子。但基础因子本身的阶段性有效以及长久健壮性却是不争的事实，适当的引入核心基础因子作为评估依据可能是比较明智的选择。

原创 【先抄再超】

文章揭示了巴菲特从早期盲目交易，到师从格雷厄姆学习价值投资，再到融合费雪与芒格思想形成自己体系的完整进化路径，旨在鼓励投资者承认无知、模仿优秀、持续进化，从而构建属于自己的可持续投资能力。正是因为有了那10年的实践，他才能在遇到格雷厄姆的时候，瞬间get到价值投资的精髓——因为他踩过所有的坑，知道为什么那些方法行不通。这句话说起来简单，但对于已经在"捡烟蒂"这条路上走了十几年、并且靠这个方法赚了钱的巴菲特来说，要否定自己过去的成功经验，接受一套新的方法论，其实非常难。第一，承认自己的无知。

原创 天量极客自动化技术：miniQMT系统实现量化交易自动化

天量极客自动化技术是一套完整的量化交易自动化解决方案，通过miniQMT系统实现从策略信号生成到交易执行的完整流程。该系统能够帮助量化交易者将策略研究、模拟交易和实盘执行无缝衔接，提高交易效率和稳定性。天量极客（）自动化技术为量化交易者提供了一个简单、稳定的自动化数据传输服务。实现策略信号到交易执行的自动化流程适配多平台、多QMT账号降低技术门槛和运维成本提高交易效率和稳定性该系统特别适合有一定量化策略基础，但希望简化技术实现和运维工作的交易者使用。

原创 推荐一个量化实战资源站：天量极客平台

天量极客（dayquant.com）是一个专注于量化交易实战的垂直平台，提供五大核心模块：策略（ETF/A股策略）、课程（因子分析等）、数据（行情/财务数据）、工具（分析脚本）和训练营（系统教学）。平台强调策略可落地、代码可回测，兼容聚宽平台，适合量化初学者、个人研究者和实盘爱好者。通过高质量策略库、离线数据支持和完整学习路径，帮助用户快速提升量化研究效率，形成"学练结合"的闭环。

原创 MeshLab基本使用方法

Meshlab基本用法

原创 linux下安装cmake

linux下安装cmakestep 1 确定当前机器位数step 2 下载指定版本的cmake压缩包step 3 解压的cmake压缩包step 4 安装gccstep 5 安装cmakestep 6 查看cmake版本，验证是否安装完成step 1 确定当前机器位数getconf LONG_BITstep 2 下载指定版本的cmake压缩包wget https://cmake.org/files/v3.3/cmake-3.3.2.tar.gzstep 3 解压的cmake压

原创 linux系统升级更新gcc

linux系统升级更新gccStep 1Step 2Step 3Step 4Step 5Step 6Step 7Step 8Step 1进入网站：http://ftp.gnu.org/gnu/gcc/ 选择你需要的gcc版本比如选择 gcc-5.4.0.tar.gz这个文件下载可以通过下边方式完成wget http://ftp.gnu.org/gnu/gcc/gcc-5.4.0/gcc-5.4.0.tar.gzStep 2解压已经下载的软件包，可以参考下面命令tar -zxvf gcc-5

原创 欧拉角-万向锁

欧拉角 万向锁旋转的三种表示方法欧拉角动态欧拉角万向锁其实欧拉角万向锁问题很好理解，想要完全理解欧拉角导致的万向锁问题首先要真的搞明白以下几个概念，这几个概念理解了万向锁问题就非常简单。旋转的三种表示方法1 旋转矩阵2 欧拉角3 四元数欧拉角动态欧拉角欧拉角分为两种，狭义上就是指动态欧拉角，实质上就是指旋转按照固定次序依据自身坐标系进行的操作。这里有两个重点，一个是固定次序，一个是自身坐标。以上两个因素决定了 第一次旋转会影响另外两个轴的变化 第二次旋转会影响另外一个轴的变化 第三次旋转只

原创 3D人脸重建资源汇总

3D人脸重建资源汇总1 High-fidelity Face Tracking for AR/VR via Deep Lighting Adaptation2 Beyond 3DMM Space: Towards Fine-grained 3D Face Reconstruction论文 |3 Inequality-Constrained and Robust 3D Face Model Fitting4 Towards Fast, Accurate and Stable 3D Dense Face Ali

原创 深度学习-常用激活函数-下篇

深度学习-常用激活函数-下篇SELU 激活函数Swish激活函数Maxout激活函数CRelu激活函数Softplus激活函数Softsign激活函数Mish激活函数H-Swish激活函数SELU 激活函数此激活函数来源：https://arxiv.org/pdf/1706.02515.pdf具体公式：其中lamada：1.0507009873554804934193349852946alpha：1.6732632423543772848170429916717具体以上两个值得得出细节可以参

原创 Whole-Body Human Pose Estimation in the World

论文题目:Whole-Body Human Pose Estimation in the World摘要（Abstract）这篇文章对人体全身的二维姿态进行研究，目标是定位出人脸，人手，身体以及人脚对应的稠密关键点。目前来说存在的公开数据集并没有全身的标注信息，以前的工作不得不集成在不同数据集上独立训练的不同模型(人脸特征点模型，人体特征点模型，手部特征点模型等)，并且要面对不同的数据集偏置和较大的模型复杂度。为了填补这个空白，我们引入COCO-WholeBody数据集，这是一个在全身关键点方面标注上对

原创 解决neural-renderer-pytorch编译安装问题

解决neural-renderer-pytorch编译安装问题问题概述错误列表如下解决方案step 1step 2step 3问题概述由于neural-renderer-pytorch这个python资源库本身的编写问题，导致和高版本的pytorch不兼容，我使用的是 pytorch=1.8.1错误列表如下ERROR: Command errored out with exit status 1: command: /home/majunfu/anaconda3/envs/spin/bin/p

原创 论文学习：I2L-MeshNet

论文学习：I2L-MeshNet: Image-to-Lixel Prediction Network for Accurate 3D Human Pose and Mesh Estimation from a Single RGB Image论文链接：论文代码链接：代码摘要（Abstract）：从单张图像回归3D人体姿态和蒙版的方法绝大部分都是以直接回归相关系数的方式实现。然而直接回归参数会损失输入图像像素之间的关系并且是一个高度的非线性的映射。除此之外，此类方法不能够对预测结果的不确定性进行量化

原创 Monocular, One-stage, Regression of Multiple 3D People

论文学习 CenterHMR: a Bottom-up Single-shot Method for Multi-person 3D Mesh Recovery from a Single Image摘要（Abstract）论文链接：论文代码链接：代码摘要（Abstract）本文的核心任务是从单张图像中恢复多人的3D姿态。目前存在的方法主流的一般都是多阶段的处理方式，首先利用人体检测器检测每个人体区域，然后再对每个人体区域进行进一步的3D姿态回归。相比较之下，我们提出了单阶段处理方法来实现单张图多人

原创 深度学习-常用激活函数-上篇

深度学习中的激活函数有很多种，本文将不断持续更新一些工业界常用并有效的激活函数，供大家查阅

原创 人脸美妆之饱和度调节

本次分享PS饱和度调节算法代码，具体实现如下：float max_value(float a, float b, float c) { if (a > b && a > c) return a; if (b > a && b > c) return b; return c;}float min_value(float a, f...

原创 利用简单阈值实现人脸假风格化

使用自定义阈值操作RGB颜色空间，实现简单人脸风格化操作void onchance(int value,void*param) { cv::Mat src = *(cv::Mat*)param; cv::Mat dst; cv::threshold(src, dst, value, 255, cv::THRESH_BINARY); cv::imshow("TrackBar", dst...

原创 人脸滤镜-几何变换简单代码

人脸几何滤镜主要是根据简单的几何变换公式，实现对图像的扭曲，达到类似哈哈镜的娱乐目的，具体代码如下，很简单：int test_func() { cv::Mat src_img = cv::imread("test.jpg"); float coe = 150.0; cv::Mat res_img; cv::Point cen_pnt(239, 364); sphere_trans(s...

原创 数据结构经典搜索算法

//顺序查找int seq_search(int* arrays, int len,int val){ if (NULL == arrays || len < 2) return 0; for (int i=0;i<len;i++) { if (val == arrays[i]) return i; } return -1;}//二值查找i...

原创 数据结构经典排序算法

//冒泡排序int bubble_sort(int *arrays,int arr_len) { if (NULL == arrays || arr_len < 2) return 0; for (int i = 0; i < arr_len - 1; i++) { for (int j = 1; j < arr_len - i; j++) { if...

原创 CVPR2019 人脸相关论文链接

Hi,Every Body以下链接是CVPR 2019 人脸相关链接下载，有需要请自取。链接：https://pan.baidu.com/s/1need1a-tWb1C7Uc3qYLenA提取码：2vn9复制这段内容后打开百度网盘手机App，操作更方便哦...

原创 PFLD: A Practical Facial Landmark Detector 论文解读

转载 深度 | 提升深度学习模型的表现，你需要这20个技巧（附论文）

深度 | 提升深度学习模型的表现，你需要这20个技巧（附论文） 2016-09-23 机器之心选自machielearningmastery机器之心编译 作者：Jason Brownlee 参与：杜夏德、陈晨、吴攀、Terrence、李亚洲本文原文的作者 Jason Brownlee 是一位职业软件开发者，没有博士学位的他通过「从应用中学习」的方法自学了机器学习，他表示对帮助...

原创 LeNet 网络详解

LeNet网络详解LeNet网络是Yann LeCun大神的论文，来源Gradient-Based Learning Applied to Document Recognition 具体结构如下：input-&gt;C1 由32*32的图像 经过6个卷积核的操作，生成六个feature maps ，也就是输出特征图(28*28)C1-&gt;S2 下采样层（pooling），...

原创 剑指offer 面试题3

#includeusing namespace std;bool Find(int *matrix,int rows,int columns,int number){ bool found = false; if (matrix!=NULL && rows>=0 && columns>=0) { int row = 0, column = colu

原创 Cascaded Pose Regression

摘要我们提出一种快速和准确的称为级联姿态回归（CPR）算法来计算图像中的对象的2D姿态。 CPR算法逐步细化随意指定的初始姿态，其中每一次姿态修正由不同的回归器确定。 每一个回归器执行简单图像测量依赖于先前回归器的输出结果; 整个系统从人工注释的训练数据集中自动学习。 CPR不限于刚性变换：“姿态”是对象外观的任何参数化变化，例如可变形和关节对象的自由度。 我们比较CPR与标准回归技术和人工标

原创 opencv快速傅里叶变换实例

opencv快速傅里叶变换实例int main(){ Mat I = imread("ted_cruz.jpg", CV_LOAD_IMAGE_GRAYSCALE); if (I.empty()) return -1; cout << I.size() << endl; Mat padded; /

原创 美团点评校招笔试题

美团点评11:在网络7层协议中，如果想使用UDP协议达到TCP协议的效果,可以在哪层做文章?因为UDP要达到TCP的功能就必须实现拥塞控制的功能,而且是在路由之间实现,这个在底层明显是做不到拥塞控制的,在应用层也是做不到的,因为应用层之间和应用程序挂钩,一般只能操控主机的程序,而表示层是处理所有与数据表示及运输有关的问题，包括转换、加密和压缩,在传输层是不可能的,因为你已经使用了UDP协议,无法