进击的小学生

在量化投资中，通常采用一列收益指标来评价投资策略的收益，常用的收益指标：总收益、年化收益率、胜率、盈亏次数比等。，泰坦尼克号（RMS Titanic），又译作铁达尼号，是英国白星航运公司下辖的一艘奥林匹克级游轮，排水量46000吨，是当时世界上体积最庞大、内部设施最豪华的客运轮船，有“永不沉没”的美誉。本篇主要梳理金融交易中常用到的数据，包括：宏观数据、行情数据、资金数据等等。该部分主要介绍量化交易系统的组成：数据获取、数据处理、策略开发、策略回测、风险管理、实盘交易、系统监控等。

查尔斯·布兰德斯价值投资法从三个角度对投资标的提出要求，即具备强力的资产负债表、合理的估值、公司经营阶层具备诚信且持股充足。从这三个角度出发，用负债净值比、董监事会持股比例、PE、市现率、市净率、市净率相对全市场这六个可观察且可量化的指标构建选股标准，形成具体的投资策略。

史蒂夫·路佛价值选股法则从估值水平、分红水平和财务状况三个角度出发，提出7条可量化的选股标准，强调通过客观指标筛选“便宜且财务健康”的股票。策略注重系统性设计，减少主观判断，回测显示其在A股市场具有较强适用性，年化收益率达23.9%，超额收益显著。

阿梅特·欧卡莫斯集中投资法则从估值水平、长期经营绩效、管理层管理水平、股价相对历史高位四个维度出发，提出9条选股标准和3条买进标准，形成量化筛选体系。策略强调**“低估值、高成长、管理层利益绑定、避免追高”**，回测显示其在A股年化收益率达21%，超额收益13%，体现出较强的适用性。

既能给主动投资者，也能给量化投資者参考：既能给偏基本面的价值投資者，也能给偏技术面的交易型投资者参考;研报复现|戴维•波伦价值型系统评价投资法。研报复现|本杰明.格雷厄姆经典价值投资法。研报复现|麦克.贝利2~2~2选股法则。研报复现|迈克尔普莱斯低估价值选股策略。研报复现|查尔斯·布兰德斯价值投资法。研报复现|詹姆斯·奥肖内西价值投资法。研报复现|格雷厄姆成长股内在价值策略。研报复现|迈克尔.喜伟收益型投资法。研报复现|罗伯特•山朋价值型投资法。研报复现|史蒂夫·路佛价值选股法则。

迈克尔·普莱斯是美国价值型基金经理中的传奇人物，1975年加入海涅证券，1976年开始管理共同股份基金，20年间将基金资产从500万美元增至130亿美元，年均回报率达20%，远超标普500指数。量化后的策略通过市净率、董事持股比例、资产负债率三项指标筛选股票，强调“以超低价买入被市场严重低估的资产”，在A股回测中表现出较好的适用性，年化收益率达31.8%。若有兴趣，可自行添加。：三项指标形成“估值安全-管理激励-财务稳健”的三重筛选体系，兼顾价值与安全，符合普莱斯“捡烟蒂”式价值投资理念。

戴维·波伦策略融合格雷厄姆的安全边际思想与巴菲特的优质公司投资理念，通过9项量化指标筛选总市值超市场均值、财务强度高、自由现金流充足、盈余动能强劲的公司，强调低换手率（持股周期6年）和集中投资（不超过20只），旨在通过深度研究捕捉长期价值标的。戴维·波伦策略的核心价值在于“深度价值+长期持有”，但回测显示其在A股的适用性有限，主要因指标阈值严苛及缺乏动态调整。实际应用中需结合中国市场特点优化参数，加入择时与仓位管理，方能在控制风险的前提下捕捉价值机会。

彼得·林奇基层调查选股法严格遵循自下而上的基本面分析，从公司负债水平、现金保障能力、财务灵活性、成长能力及市场估值等多角度筛选股票。量化后的策略准则明确，可操作性强，通过设定具体财务指标阈值实现机械化选股，减少主观判断偏差。

投资者为公司每单位净利润支付的价格，反映市场对公司未来盈利的预期。

本篇文章参考：20150915-申万宏源-申万大师系列价值投资篇之四：詹姆斯.奥肖内西价值投资法。詹姆斯·奥肖内西是美国重要的金融专家和股票数量分析领域的先驱，被《福布斯》网站称为“传奇的投资者”。他在《华尔街股市投资经典》中指出，多数情况下被动、机械化的投资系统会优于由人组成的投资系统，包括基金经理的投资系统。其价值投资法核心在于通过客观量化的指标筛选股票，考察公司的规模水平、盈利能力和派息水平，并结合A股特点，逐步筛选出符合条件的股票。

格雷厄姆企业主投资法是由"价值投资之父"本杰明·格雷厄姆在其著作《聪明的投资者》中提出的投资策略。该策略旨在通过量化指标筛选出被低估的股票，强调估值合理、盈利稳定和资产具备可实现价值三个核心角度。申万宏源研报对该策略进行了中国化改造，并通过回测验证了其在A股市场的适用性。格雷厄姆企业主策略从三个角度对股栗标的进行饰选，一方面要求估值合理，另一方西要求盈利稳定，最后要求资产具备可实现价值。企业主投资策略的通用版本。

[文献精汇]M2 作为市场趋势的预测指标[文献精汇]使用PyCaret预测 Apple 股价[文献精汇] 5 个波动率指标以改善市场时机[文献精汇]在 Python 中使用 ADX 进行算法交易[文献精汇] 使用 Python 的 VWAP TWAP 和 PoV 实现利润最大化[文献精汇]Python 中的 VWAP 算法策略[文献精汇]波动指数-用Python检测范围和趋势市场[文献精汇]使用Python优化RSI策略[文献精汇] Python 的波动率和交易量指标的高级动量交易策略[文献精汇] 基于SM

三重滤网交易系统由亚历山大·埃尔德博士（Alexander Elder）于1985年设计，是一种结合多时间框架和多种技术指标的交易策略。三重滤网系统的理念是，在不同时间结构之下，运用追踪趋势指标与震荡指标对相关金融工具进行分析。

的目标——旨在将深度学习的预测能力与金融计量经济学的基本原则相结合。以下是使121模型与众不同的基本思想和方法，以及它如何使用机器学习来驾驭金融市场的复杂性并根据微妙的价格变动生成信号。121模型的两个概念是协整和长短期记忆（LSTM）神经网络。换句话说，121模型依靠协整来检测一组具有长期均衡关系的资产对，然后应用LSTM来预测与该均衡的短期偏差。正是这种双重方法使该模型能够利用暂时的价格差异，从而获得令人印象深刻的121%的年化回报。

M2是广义货币供应量的简称，它包括流通中的现金（M0）、活期存款（M1），以及定期存款、储蓄存款和其他形式的存款。M0流通中的现金，即在银行体系外的现金。M1M0 + 企业活期存款。M2M1 + 定期存款 + 居民储蓄存款 + 其他存款。M2 反映了一个国家或地区内所有可以用于消费和投资的货币总量，不仅反映现实的购买力，还反映潜在的购买力。M2SL 和标准普尔 500 指数显示出非常强的相关性，表明 M2 可能对股市产生重大影响。

开发一个机器学习模型来尝试通过线性回归分析来预测 Apple 股票的价格会很有趣。PyCaret 的库，这是一个开源的 Python 低代码机器学习库，可以自动化机器学习工作流程，非常适合像我这样的机器学习初学者。

CHV 指标不直接预测价格方向，而是专注于波动性的变化，帮助交易者识别潜在的市场突破或趋势反转。Relative Volatility Index (RVI) 是一种强大的技术分析工具，能够帮助交易者识别市场波动性和趋势强度。尽管其计算复杂且存在一定滞后性，但结合其他指标使用时，RVI 可以提供更全面的市场洞察，帮助交易者做出更明智的决策。它通过计算一定周期内的最高价和最低价，形成一个价格通道，帮助交易者判断市场的支撑位、阻力位以及趋势方向。上升的 RVI 表明走强的趋势，而下降的 RVI 表明势头减弱。

在阅读本文前，可查阅以往文章:技术指标有几个分支，其中趋势指标使用最广泛。这些工具可帮助交易者确定市场趋势的方向和强度，使他们能够相应地调整交易。如果趋势指标得到有效应用，它们通常会产生积极的结果。在本文中，将仔细研究最突出的趋势指标之一——平均方向指数 （ADX）。首先，将对 ADX 有一个基本的了解，包括其用途和计算。之后，将从头开始开发指标，并在 Python 中基于它实施交易策略。

2024年，尽我所能，敬我不能，敬平凡，敬放下，敬坚持，敬付出，敬生命以痛吻我！时光换新历一切来得及，愿此成为自己的道路上，永远保持那份信念~

使用 Python 中的 VWAP 和移动平均线策略进行比特币算法交易回测。我们将深入探讨算法交易的 VWAP（成交量加权平均价格）和移动平均线 （MA） 指标的详细比较。VWAP 和移动平均线是交易者中流行的工具，每种工具都提供独特的见解。移动平均线提供了简单的价格平均值，而 VWAP 通过结合交易量提供了更微妙的视角。这种区别对于确定证券是被高估还是被低估至关重要。我们将讨论为什么 VWAP 经常受到交易者的青睐，以及它如何作为动态支撑位和阻力位。

它通过将多个不同的因子（如市值、动量、价值、质量等）结合起来，构建一个综合的模型来评估股票的表现。多因子模型不仅能够捕捉单个因子的影响，还能分析不同因子之间的相互作用，从而提供更全面的风险和收益解释。它主要用于量化投资领域，帮助分析师和研究人员评估因子在历史数据中的表现，并生成详细的统计报告和可视化图表。多因子模型的核心思想是假设股票的预期收益可以由多个系统性风险因子解释。每个因子代表市场中的某种风险或回报来源，投资者可以通过暴露于这些因子来获得相应的风险溢价。生态系统的一部分，通常与。

在彻底涵盖了理论和实施之后，我们对波动指数、其计算和实际应用有了深入的了解。虽然它看起来是一个简单的指标，但它在交易中非常有价值，因为它可以帮助避免不必要的损失。但是，由于其滞后性，在使用它进行交易决策时要谨慎行事至关重要。波动指数不应作为确定进入和退出点的唯一基础，而应用作更大交易策略中的补充过滤器。策略优化：波动指数的有效性不仅仅是较高和较低的阈值。必须有一个经过充分优化的交易策略来有效利用该指标。在将策略应用于实际交易之前，请务必改进您的策略。

多因子模型（Multiple-Factor Model, MFM）正是基于 APT 模型的思想发展出来的完整的风险模型。Alphalens的输入是因子的历史取值和对应的资产价格（或回报），然后比较因子的预测和资产的实际表现，最后给出。Alphalens是一个python库，用来分析一个因子预测未来收益的能力，可以验证并突出展示。多因子模型本质上是将对于 只股票的收益-风险预测转变成对于 个因子的收益—风险预测。多因子模型的优势在于它可以提供更为完整的。的取值和资产的价格（或回报）。与未来收益之间的相关性。

是开发量化交易策略的基础。有两种基本的思路来实现这个回测框架：（1）基于向量的：用一个稀疏的向量来记录是否有买入卖出的信号生成。（2）基于事件的：读入新的数据产生心跳，策略产生买入卖出信号，来触发一系列新的事件，产生交易行为。是一种投资策略，其原理是在价格波动的不同水平上建立买入和卖出订单，从而在市场波动中实现利润。具体来说，网格交易通常会在价格波动的不同水平上设置一系列买入和卖出订单，形成一个“网格”。当价格上涨时，卖出订单会在不同的价格水平上触发，从而实现部分利润，同时新的买入订单也会被设置。

从使用我们设置的参数（rsi_period=14，超买水平 = 70，超卖水平 = 30）的回测结果中，我们可以看到结果一点也不好，从 10,000 美元涨到了 10,167 美元。因此，我们需要进行优化以找到最佳参数。从结果中，我们可以看到，从 10,000 美元开始，它增长到 59,341.05 美元，跌幅不超过 25%。该策略是模拟的，用户从余额（例如 10,000 美元）开始，并根据 RSI 信号进行交易。下一步是找到关键 RSI 参数的最佳值，例如 RSI 周期、超买和超卖水平，以及止损百分比。

什么是 Renko 图表？Renko 图表（Renko Chart）是一种技术分析工具，最初源自日本，意为“砖块”（brick）。与传统的基于时间的图表（如线形图、柱状图或蜡烛图）不同，Renko 图表是基于价格变动来绘制的，而不是基于时间。每个“砖块”代表一个固定的价格变动幅度，只有当价格达到设定的阈值时，才会形成新的砖块。Renko 图表的独特之处在于它过滤了市场中的噪声，专注于价格的趋势和方向，因此在趋势跟踪和突破策略中非常有用。

一个简单的动量指标可以计算为给定时期内股票价格的变化率 （ROC）。这有助于发出潜在的买入或卖出操作信号。

Backtrader 是 2015 年开源的 Python 量化回测框架（支持实盘交易）。专注于为量化交易策略提供回测和实盘交易功能。它允许用户集中精力编写可复用的交易策略、指标和分析工具，而无需花费时间构建基础设施。

趋势类指标，判断当前资产的在一定时期内的趋势是否存在和趋势的方向和强度，趋势的方向可以是上升、下降或者是震荡。常见的趋势类指标有均线类、MACD、SAR 等。常见的成交量类 指标有 MFI、OBV、累计派发 AD 等。动量类衡量，趋势变动的速率，该指标通常被视为领先指标。常见的动量类指标有 MOM、RSI、KDJ、CCI、WR 等。常见的波动类指标有 ATR、BBANDS、DC 等。相关资料和源码，wx关注后，后台回复。相关资料和源码，wx关注后，后台回复。相关资料和源码，wx关注后，后台回复。

转融通业务是指由银行、基金和保险公司等机构提供资金和证券，为证券公司开展融资融券业务提供资金和证券来源，证券公司则作为中介将这些资金和证券提供给融资融券客户。转融通包括转融券业务和转融资业务两部分。

可转债，全名叫做“可转换公司债券”（Convertible bond；CB），简称“可转债”。可转换债券是上市公司发行的一种票面利率较低的债券。的组合，其持有人可以选择持有债券到期，获取公司还本付息；也可以选择在约定的时间内转换成股票，享受股利分配或资本增值。