- 博客(147)
- 收藏
- 关注
RSS订阅原创 深入探讨如何使用 Python、TA-Lib 和 Backtrader 深度组合技术指标，构建并回测交易策略
好的，我们来深入探讨如何使用 Python、TA-Lib 和 Backtrader 深度组合技术指标，构建并回测交易策略。目录单一技术指标往往存在局限性，例如趋势指标的滞后性、动量指标在震荡市中的频繁误报等。通过深度组合不同类型的指标，可以：以下是一些更深度的组合思路：选择理由:策略逻辑:8. 代码解释 类:: 定义策略的可调参数，方便后续优化。: 初始化函数，获取数据线引用，并使用 (或 如果直接用 TA-Lib 函数) 计算所需的技术指标。 指标用于方便地检测两条线的交叉。初始化订单和止
2025-04-19 00:02:56
356
原创 TA-Lib Python 深入解析与常用指标教程
TA-Lib Python 深入解析与常用指标实践教程目录TA-Lib (Technical Analysis Library) 是一个用于技术分析的 C 语言库，并提供了多种语言的接口（Wrapper），包括 Python。它包含了超过150种常用的技术指标，如 SMA、EMA、MACD、RSI、布林带等，以及 K 线形态识别功能。安装 TA-Lib 的 Python 包可能比普通 Python 包复杂，因为它依赖底层的 C 库。推荐步骤:先安装 TA-Lib C 库:安装 TA-Lib Pyt
2025-04-19 00:02:45
505
原创 《主动投资组合管理：创造卓越收益并控制风险的量化方法》量化策略示例及其简化的 Python 代码
以上策略主要关注如何产生 Alpha信号（即对个股未来超额收益的预期）。Alpha 信号精炼可能需要对原始信号（如因子排名、Z-score、Surprise Ratio）进行转换，使其成为量化的 Alpha 预期值（例如，预期的年化超额收益率）。这可能涉及历史回测、IC 分析、与其他信号的组合等。不同策略产生的 Alpha 信号可以组合起来，形成一个综合的 Alpha 看法。风险模型使用多因子风险模型（如 Barra、Axioma 或自定义模型）来估计投资组合的协方差矩阵（Ω）。
2025-04-19 00:02:35
533
原创 新手的量化投资学习方案
这个方案分为五个主要阶段，每个阶段都有明确的学习目标和建议资源。时间投入因个人背景和努力程度而异，但建议循序渐进，不必急于求成。为你设计一个针对新手的量化投资学习方案。这个方案旨在系统性地构建知识体系，并强调理论与实践相结合。量化投资是金融、数学、统计和计算机科学的交叉领域。学习过程需要打好基础，逐步深入，并持续实践。祝你学习顺利，在量化投资的道路上取得成功！
2025-04-19 00:02:26
295
原创 Python 开源量化交易框架设计方案 DragonQuant
旨在通过借鉴现有优秀框架的经验，并针对国内市场的特殊需求进行深度定制和优化，提供一个高性能、高易用性、高扩展性的 Python 开源量化框架。其双引擎设计、全面的本地化支持和开放的社区策略，有望成为国内量化开发者和研究人员的有力工具。好的，结合您对 Backtrader, VectorBT, Zipline, vnpy, wtpy, qlib, WonderTrader, Hikyuu, PyBroker 等库的了解，以及针对国内市场的需求，我为您设计一套全新的 Python 开源量化交易框架方案。
2025-04-19 00:02:17
227
原创 R 语言 `quantstrat` 量化投资开源包的深度解析和教程
quantstrat是 R 语言中一个强大且灵活的开源软件包，专门用于开发、回测和评估量化交易策略。它提供了一个结构化的框架，帮助研究人员和交易员系统地构建和测试交易想法。quantstrat的功能远不止于此。如果内置函数不满足需求，可以编写自己的 R 函数，并将其通过add.signaladd.rule集成到quantstrat框架中。quantstrat是 R 生态系统中进行严肃量化交易策略回测的基石。它提供了无与伦比的灵活性和定制能力，但也伴随着较高的学习门槛。
2025-04-19 00:02:10
420
原创 CCXT 深度解析与实战教程
目录CCXT (CryptoCurrency eXchange Trading Library) 是一个强大的 JavaScript / Python / PHP / C# 库，旨在连接和交易全球超过 100 家加密货币交易所。它提供了一个统一的接口，用于访问不同交易所的市场数据、进行交易以及管理账户。使用 pip 可以轻松安装 Python 版本的 CCXT：2.2 查看支持的交易所你可以通过 属性获取 CCXT 支持的所有交易所 ID 列表。3. 核心概念：交易所实例化要与某个特定的交易所交互
2025-04-19 00:02:01
401
原创 Pandas TA (Technical Analysis) 深度解析教程 (Python)
Pandas TA 是一个 Python 包，它利用 Pandas DataFrame 的强大功能来计算技术分析指标。它提供了一个简单直观的 API，可以轻松地将超过 130 种技术指标和实用函数添加到你的金融数据分析流程中。在 Pandas TA 中，策略本质上是一个预定义的指标计算列表。你可以将常用的指标及其参数组合成一个策略，然后一次性应用到 DataFrame 上。最简单的策略定义方式是使用一个列表，列表中的每个元素可以是一个指标名称字符串（使用默认参数），或者是一个包含kind。
2025-04-19 00:01:48
609
原创 SciPy, Statsmodels, 和 Scikit-learn 教程
它包含了处理优化、线性代数、积分、插值、特殊函数、快速傅里叶变换(FFT)、信号和图像处理、常微分方程(ODE)求解等问题的模块。它提供了广泛的统计模型，包括线性模型、广义线性模型、时间序列分析模型、状态空间模型等，并强调模型的统计推断（系数显著性、模型拟合优度等）。Scikit-learn 提供了大量用于分类 (Classification)回归 (Regression)聚类 (Clustering)降维 (Dimensionality Reduction)模型选择 (Model Selection)和。
2025-04-19 00:01:37
342
原创 对比一下 `pandas_ta` 和 `talib` 的性能，主要关注执行速度和使用效率
对于大多数在 Python 中进行日常技术分析的用户来说，特别是在使用 pandas DataFrames 时，，因为它在易用性、工作流效率和功能丰富性方面提供了显著优势，并且安装简单。（例如，在高频交易系统中进行实时计算）的情况下，才更有理由优先考虑。的集成性带来的效率提升往往能弥补其在单一计算速度上的劣势。在原始计算速度上有优势，但在整个分析流程中，的性能，主要关注执行速度和使用效率。好的，我们来对比一下。
2025-04-19 00:01:27
455
原创 使用 Redis 作为数据存储的 A股本地模拟交易平台的 Python 代码结构
好的，我们来设计使用 Redis 作为数据存储的 A股本地模拟交易平台的 Python 代码结构。Redis 是一个内存数据库，以键值对的形式存储数据，并支持多种数据结构（字符串、哈希、列表、集合、有序集合等）。它不是一个关系型数据库，所以我们需要在应用层面管理数据之间的关系和索引。技术栈：Redis 数据结构映射设计：我们将之前设计的数据库表结构映射到 Redis 的数据结构：账户 (Account):持仓 (Position):委托 (Order):成交 (Trade):费用配置：行情数据：Python
2025-04-19 00:01:16
318
原创 pandas_ta` 和 `TA-Lib` 在指标列表上的具体差异
提供的指标集已经完全足够，并且其易用性和集成度带来了巨大的开发效率优势。TA-Lib 则在对极致性能有要求或深度依赖其蜡烛图库的场景下更具优势。在标准的技术分析指标（趋势、动量、波动率等）总数上，TA-Lib 可能依然有优势，因为它是一个非常成熟的库，涵盖了几乎所有经典的指标。在指标列表上的具体差异，列举一些通常来说在一个库中有而另一个标准库中没有的指标。通过加入一些流行但 TA-Lib 缺失的指标以及更多变种来弥补这一点。的核心优势和在指标数量上的主要体现是其。好的，我们来对比一下。
2025-04-19 00:01:04
479
原创 技术分析完整教程：从经典理论到实战应用
好的，基于您提供的这些技术分析经典书籍，我们可以构建一个全面、深入的技术分析教程框架。这个教程将融合不同作者的核心思想和方法，旨在提供一个从基础到高级的、注重实践应用的知识体系。这个框架提供了一个结构，你可以根据自己的学习进度和理解程度，深入挖掘每本书的内容，并最终融合成你自己的技术分析体系。记住，理论是基础，实践才是检验和提升的关键。
2025-04-19 00:00:50
383
原创 本 Python 框架旨在为基于技术指标和量价分析的CTA（商品交易顾问）类策略提供一个**模块化、可配置、可扩展的开发、回测与参数优化环境**
好的，这是带有详细中文注释的完整代码，以及对整个框架（包含参数优化）的最终详细总结。一、 最终详细总结本 Python 框架旨在为基于技术指标和量价分析的CTA（商品交易顾问）类策略提供一个模块化、可配置、可扩展的开发、回测与参数优化环境。其核心设计理念是将策略的不同部分解耦，方便独立开发、测试和组合。核心模块与功能:框架特点:潜在改进方向:总而言之，该框架提供了一个从策略逻辑定义、信号生成、风险管理集成、回测执行到参数优化的完整解决方案，特别适合进行基于技术分析的量化策略研究与开发。二、 带有详细中文注释
2025-04-19 00:00:31
590
原创 构建一个基于 DEAP 的 Python 核心框架，用于自动挖掘 CTA 策略，并融入规避过拟合和欠拟合的考虑
Okay，我们来构建一个基于 DEAP 的 Python 核心框架，用于自动挖掘 CTA 策略，并融入规避过拟合和欠拟合的考虑。这个框架将利用你现有的 和 函数，并用 GP 自动生成交易信号逻辑。代码说明与关键点:框架集成:GP 基元集 ():适应度函数 ():规避过拟合:规避欠拟合:主流程:如何使用和进一步改进:这个框架提供了一个起点，将 GP 的自动发现能力与你的结构化回测环境相结合，并通过严格的数据划分和复杂度控制来应对量化策略开发中的核心挑战——过拟合。
2025-04-19 00:00:16
460
原创 VictoriaMetrics 深度解析与 Python 教程示例
VictoriaMetrics 是一个高性能、经济高效且可扩展的时序数据库 (TSDB) 和监控解决方案。核心特性:极高的写入吞吐量和查询速度。内存和 CPU 使用率相对较低。单节点版本零依赖，部署简单。能有效处理大量唯一的时序标签组合。支持 Prometheus、InfluxDB、Graphite、OpenTSDB 等多种数据协议和查询语言 (MetricsQL 兼容 PromQL)。高效的数据压缩算法，节省存储空间。架构优势:部署极其简单，性能强大，足以满足许多场景。
2025-04-18 00:11:41
447
原创 Grafana 是开源的、功能丰富的指标可视化和分析平台
Grafana 是一个开源的、功能丰富的指标可视化和分析平台。它允许你查询、可视化、告警和理解你的指标数据，无论它们存储在哪里。Grafana 可以连接多种不同的数据源，并将它们的数据整合到美观、灵活的仪表盘中。Grafana 是一个极其强大和灵活的可视化工具。本教程覆盖了从基础概念到核心的进阶功能。连接更多数据源: 尝试连接不同的数据库、日志系统、追踪系统。探索不同 Panel 类型: 尝试使用表格、仪表盘、热力图等，了解它们的适用场景和配置。深入学习查询语言。
2025-04-18 00:11:33
707
原创 AbuQuant (阿布量化) 的深度解析、安装教程和策略示例
阿布量化（AbuQuant）是一个开源的 Python 量化交易系统框架，由陈阿布（abu）开发并主要在国内量化爱好者社区推广。它的核心目标是简化量化策略的回测过程，让使用者能够专注于策略逻辑本身，而不是繁琐的回测框架搭建和数据处理。AbuQuant 特别适合对量化交易感兴趣的初学者、学生、研究人员以及希望快速验证策略想法的个人投资者。它提供了一套相对完整的、基于因子的回测体系，包含了数据获取（主要依赖 Tushare、baostock 等）、因子定义、信号生成、回测执行、结果度量和可视化等功能。
2025-04-18 00:11:22
476
原创 RQAlpha 深度解析：安装与策略示例教程
RQAlpha 是由 Ricequant (米筐科技) 开源的一款功能强大、易于使用的量化交易回测与实盘交易引擎。它基于 Python 语言开发，旨在为量化研究者、开发者和交易员提供一个本地化、可扩展、高性能的策略开发与执行平台。6.1 环境隔离的重要性: 务必使用虚拟环境安装 RQAlpha 及其依赖，避免库版本冲突。6.2 理解数据 Bundle: RQAlpha 依赖本地数据 Bundle 进行回测，需要定期更新。6.3 避免未来函数: 确保策略在决策时只使用当前时间点及以前的数据。
2025-04-18 00:11:15
648
原创 Notable 是一款简洁而强大的本地 Markdown 笔记工具
Notable 是一款强大的、基于 Markdown 的笔记应用程序。它专注于简洁、高效和本地优先，让你的笔记数据完全掌握在自己手中。它不依赖云同步（虽然你可以通过 Dropbox/坚果云等方式自行同步），核心是将你的笔记以 Markdown 文件的形式存储在本地。Notable 是一款简洁而强大的本地 Markdown 笔记工具。掌握其核心的 Markdown 编辑、标签系统、笔记链接和附件管理功能，就能高效地组织和管理你的知识。由于数据存储在本地，请务必做好数据目录的备份工作。
2025-04-18 00:11:02
519
原创 Streamlit 定制化的 Web 应用
Streamlit 是一个开源的 Python 库，它使得为机器学习和数据科学项目创建和共享美观、定制化的 Web 应用变得极其简单快捷。你无需任何前端知识（HTML, CSS, JavaScript），只需使用 Python 即可构建交互式的数据应用。对于更高级的需求，如果内置控件不满足，可以创建自己的 Streamlit 组件。这需要一些前端知识（React），允许你将任何 Web 技术集成到 Streamlit 应用中。这是一个更深入的主题，可以查阅官方文档了解更多。
2025-04-18 00:10:52
545
原创 VitePress 适合用于构建技术文档、博客、作品集等内容驱动的网站
使用特定的标记创建不同样式的提示框。::: tip这是一个提示信息。:::这是一个警告信息。:::::: danger这是一个危险/错误信息。:::::: details 点击展开详情这里是隐藏的详细内容。虽然默认主题很棒，但你可能需要进行定制。直接在style.css中编写你需要的 CSS 规则，覆盖默认样式或添加新样式。VitePress 允许你为特定页面指定不同的布局（通过 Frontmatter 的layout字段）。你可以在目录下创建 Vue 组件作为布局。
2025-04-18 00:10:44
627
原创 AFFiNE 深度解析：下一代集成知识库平台
现代工作流程中，我们常常需要在不同工具间切换：用 Notion 写文档、做笔记，用 Miro 进行头脑风暴、画流程图，用 Airtable 管理结构化数据。这种割裂不仅降低效率，也使得知识和信息分散在各处，难以形成合力。AFFiNE 的核心理念正是要打破这种工具孤岛，将规划 (Plan)整理 (Sort)和创造 (Create)的能力整合到同一个空间中。AFFiNE 是一个雄心勃勃的项目，它试图通过将文档、白板和数据库的核心能力整合到一个隐私优先、开源的平台中，来解决现代知识工作者面临的工具碎片化问题。
2025-04-18 00:10:34
517
原创 围绕微盘股、高股息股、全天候ETF（国债期货、黄金）以及可转债日内短线构建量化策略研究与组合的完整精细化方案
这是一个高度复杂的量化投资体系，需要专业的团队、持续的研究投入、强大的技术支持和严格的风险管理流程。在投入实际资金前，必须进行充分的尽职调查、风险评估，并强烈建议从模拟交易或小规模实盘开始，逐步验证和完善策略体系。获取高质量、长周期的历史数据（日线、分钟线、财务、宏观、可转债条款等），进行 دقیق的数据清洗（去重、填补缺失值、异常值处理、复权处理）。将通过验证的子策略按照选定的资金分配和再平衡规则进行组合回测。对每个子策略独立进行回测，评估其历史绩效和风险特征。
2025-04-18 00:10:25
666
原创 《量化择时系列（1）：金融工程视角下的技术择时艺术》的核心内容总结
这份中金公司的金融工程研究报告《量化择时系列（1）：金融工程视角下的技术择时艺术》的核心内容总结如下：核心观点：报告旨在探讨如何从金融工程的角度，系统性地开发和评估技术择时指标，以克服传统技术分析机械化应用效果不佳的问题。报告提出了一个包含择时逻辑构思、代理指标构造、指标拆解改进、效果评估与外推的完整开发范式，并通过构建一个名为 **QRS (阻力支撑相对强弱) **的技术择时指标作为实例，证明了该范式的有效性。主要内容与发现：问题提出与挑战：金融工程开发范式：QRS 指标核心表现：结论：报告成功构建了一个
2025-04-18 00:10:07
365
原创 量化策略报告分享《国内商品期货常用日内 CTA 策略测试》
东方证券2016年10月13日朱剑涛目录报告概述与核心结论常用日内 CTA 策略介绍2.1 Dual Thrust 策略2.2 ATR 策略2.3 R-Breaker 策略2.4 菲阿里四价策略2.5 空中花园策略策略回测的准备与设置3.1 数据准备3.2 回测框架与参数设置3.3 一般性过滤条件主要 CTA 策略实证研究4.1 Dual Thrust 策略实证参数选择与敏感性分析ATR 过滤优化止盈止损优化跨品种表现与推进分析4.2 ATR 策略实证。
2025-04-18 00:09:55
741
原创 《日内交易策略及趋势体系更新——金融工程 CTA 策略专题报告之六》研究报告并提供一个基于其日内策略思路的 Python (Backtrader) 策略示例
好的，我们来深度解析一下这份渤海证券的《日内交易策略及趋势体系更新——金融工程 CTA 策略专题报告之六》研究报告，并提供一个基于其日内策略思路的 Python (Backtrader) 策略示例。在考虑了较高的滑点和手续费后，策略在锡和镍上表现尚可，尤其是在低杠杆（最大10%保证金占用）的情况下。渤海证券《日内交易策略及趋势体系更新——金融工程 CTA 策略专题报告之六》(2017年7月10日)我们将实现报告中描述的日内策略核心逻辑，以沪镍 (Ni) 的参数为例，并做一些简化以便于演示。
2025-04-18 00:09:48
394
原创 《基于商品期货期限结构的交易策略》总结教程并提供一个基于核心思想的Python策略示例
相信高展期收益率（Backwardation）的品种未来倾向于上涨（或展期带来正收益），低展期收益率（Contango）的品种未来倾向于下跌（或展期带来负收益）。通过做多前者、做空后者来构建市场中性（理想情况下）的投资组合，赚取 Alpha。好的，我们来对中信期货的这份《基于商品期货期限结构的交易策略》报告进行说明来源、深度解析、总结教程，并提供一个基于核心思想的Python策略示例。报告进一步研究了将市场中常见的动量效应（价格上涨的品种倾向于继续上涨，下跌的继续下跌）与期限结构策略结合的效果。
2025-04-18 00:09:42
431
原创 重新设计和完整阐述的、一个纯自建的、非遗传规划的自动化趋势策略挖掘框架，整合了因子挖掘、精细化流程和改进思路
框架通过非遗传规划的生成机制（如模板化随机、逐步构建、因子组合）产生大量候选因子与策略，再运用严格的多阶段评估、验证与鲁棒性检验流程，着重对抗数据挖掘中的过拟合风险，最终筛选出少数精英策略。，致力于在广阔的搜索空间中，以系统化、自动化、数据驱动的方式，发现高质量的趋势交易策略，并最大限度地控制过拟合风险。这是一个复杂但强大的系统，旨在应对量化交易策略研发中的核心挑战，并需要持续的维护、评估和改进来适应不断变化的市场。对生成的候选因子和策略进行严格的回测、评估和筛选，核心目标是对抗过拟合。
2025-04-18 00:09:33
361
原创 《系统化择时之路3—一力降十会》 遗传规划 进行**系统化择时因子挖掘**的方法 基于deap库复现学习例子
报告认为，通过遗传规划并结合针对性的优化（日内数据、Beam Search、固定根算子、PCA-similarity、Family Competition），可以有效挖掘出高质量的择时因子。DEAP 是一个优秀的工具，但最终策略的质量和有效性，更多取决于使用者的设计和验证过程。它提供了一个高度灵活的实验平台，但也要求使用者具备扎实的金融知识、编程能力和对进化计算原理的理解。Okay, 基于这篇报告的核心思想，我们可以使用 DEAP 库来尝试复现一个简化版的遗传规划（GP）择时因子挖掘流程。
2025-04-17 09:55:26
692
原创 使用 Backtrader 复现国信证券这篇报告《CTA 系列专题之五：基于连续信号的商品期货交易策略》
好的，我们来使用 Backtrader 复现国信证券这篇报告《CTA 系列专题之五：基于连续信号的商品期货交易策略》。请注意：复现思路总结本次 Backtrader 复现旨在将报告的核心思想转化为代码：Backtrader 复现代码如何运行:这个复现版本提供了一个框架，抓住了报告的核心逻辑，但在某些高级特性（如动态波动率目标调整）上进行了简化。你可以基于此代码，根据实际需求和更深入的研究进行扩展和优化。我们来对这个基于连续信号的商品期货 CTA 策略进行一次深度总结。核心目标与创新该策略的核心目标是克服传
2025-04-17 09:55:14
311
原创 《基于信息论的商品 CTA 中长周期趋势策略初探》深入探讨了商品期货（CTA）市场中长周期趋势跟踪策略 深度总结和python例子
目录 (Table of Contents)报告概述 (Report Overview)核心逻辑与方法论 (Core Logic & Methodology)2.1 趋势策略理论基础 (Theoretical Basis)2.2 最优频率选择 (Optimal Frequency Selection)2.3 指标筛选与检验 (Indicator Selection & Testing)2.4 互信息特征选择 (Mutual Information Feature Selection)
2025-04-17 09:55:00
713
原创 《量化CTA系列报告——线性趋势策略和展期策略》的深度总结，并附上基于Python的策略实现思路
这个总结和代码示例提供了一个理解报告内容和基本策略实现框架的起点。要构建真正可用的CTA策略，还需要在数据、因子细节、风控和组合优化等方面进行大量深入的工作。好的，我们来整理一份关于国联证券《量化CTA系列报告——线性趋势策略和展期策略》的深度总结，并附上基于Python的策略实现思路。类中直接实现比较复杂，因为它通常是针对单个数据源（品种）进行迭代。是一个功能强大且灵活的Python量化回测框架。报告中的BTG因子需要跨品种截面排序，这在。库来演示策略的基本实现。
2025-04-17 09:54:51
500
原创 深度总结海通证券的这份《高频量价因子在股票与期货中的表现》报告，并提供基于 Python 的策略复现代码示例
收益率分布: 利用分钟收益率计算偏度、峰度、上下行波动率等统计量。发现: 股票中，低偏度、高下行波动占比（反转）有效；期货中，高偏度、高上行波动占比（动量）有效。峰度效果相对较弱。成交量分布: 分析一天中不同时段成交量的相对占比。发现: 股票中，特定时段（如10:30-11:00，14:30-15:00）占比有预测力；期货中效果不佳。量价复合: 计算价格序列与成交量（或持仓量）序列的相关性。发现: 股票中，量价负相关（背离，反转）有效；期货中，量价/仓价正相关（动量）有效。资金流。
2025-04-17 09:54:41
545
原创 深入总结海通证券《海通证券-选股因子系列研究（七十五）：限价订单簿（LOB）的还原和应用》这篇关于LOB的报告，并提供基于Python的策略复现代码示例
深入总结海通证券这篇关于LOB的报告，并提供基于Python的策略复现代码示例。重要提示:目录1. 报告核心策略深度总结1.1 LOB 还原：基础与价值报告强调，通过逐笔委托和成交数据，可以构建比快照行情更实时、更全面的限价订单簿（LOB）视图。这为理解市场微观流动性、订单簿压力和潜在价格变动提供了基础。1.2 模拟撮合：评估交易成本的关键在还原的 LOB 基础上，可以模拟策略订单的执行过程，更精确地估计滑点和冲击成本，避免传统回测中对交易成本的低估。这是高频策略回测有效性的关键一步。1.3 基础 TW
2025-04-17 09:54:31
519
原创 《选股因子系列研究（六十九）——高频因子的现实与幻想》详细探讨了利用高频数据构建选股因子及其在量化策略中的应用。基于Python的策略/因子计算代码示例
报告详细介绍了基于分钟K线、TICK委托和TICK成交数据构建的十余个高频因子，检验了它们的选股效果（Rank IC、ICIR、多空收益等），并探讨了如何将这些高频因子信息有效地融入传统的多因子模型中（直接作为Alpha因子、构建空头虚拟变量、剔除空头个股等），以提升指数增强策略的超额收益和风险调整后收益。好的，这份海通证券的报告《选股因子系列研究（六十九）——高频因子的现实与幻想》详细探讨了利用高频数据构建选股因子及其在量化策略中的应用。这份总结和代码示例希望能帮助你理解报告的核心内容和实现思路。
2025-04-17 09:54:21
250
原创 《高频量价因子在股票与期货中的表现》 深度总结
该报告深入挖掘了高频数据的价值，构建并测试了多种高频因子在股票和期货市场的表现。报告中提出的部分因子（如下行波动占比、改进反转、期货趋势强度）表现突出，具有较强的实战参考价值。实际应用中需要结合具体的回测框架、处理更复杂的数据问题，并进行严格的回测验证。好的，我们来深度总结一下这篇海通证券关于高频量价因子在股票和期货中表现的研究报告，并提供相应的Python策略代码示例。这篇报告系统性地研究了利用分钟级别数据构建的高频因子在A股市场和商品期货市场中的表现，并揭示了两者之间的显著差异。
2025-04-17 09:54:09
660
原创 《高频量价因子在股票与期货中的表现》 深度总结 提供相应的Python策略代码示例
该报告深入挖掘了高频数据的价值，构建并测试了多种高频因子在股票和期货市场的表现。报告中提出的部分因子（如下行波动占比、改进反转、期货趋势强度）表现突出，具有较强的实战参考价值。实际应用中需要结合具体的回测框架、处理更复杂的数据问题，并进行严格的回测验证。好的，我们来深度总结一下这篇海通证券关于高频量价因子在股票和期货中表现的研究报告，并提供相应的Python策略代码示例。这篇报告系统性地研究了利用分钟级别数据构建的高频因子在A股市场和商品期货市场中的表现，并揭示了两者之间的显著差异。
2025-04-17 09:53:55
830
原创 《大单精细化处理与大单因子重构》 深入解读 提供相应的Python策略代码示例
这份报告提供了一个有价值的大单因子改进思路和实证结果，通过对数变换处理数据偏度是核心亮点。好的，我们来深入解读这份海通证券关于大单因子的研究报告（系列七十二），并提供相应的Python策略代码示例。这份报告的核心目标是改进先前报告中提出的大单因子，通过更精细化的大单定义方式，重构因子，以提升其选股能力。开盘后大单净买入占比。开盘后大单净买入强度。开盘后大单净买入占比。开盘后大单净买入强度。开盘后大单净买入占比。开盘后大单净买入占比。开盘后大单净买入占比。开盘后大单净买入占比。开盘后大单净买入占比。
2025-04-17 00:10:48
550
原创 《选股因子系列研究(六十四)——基于直观逻辑和机器学习的高频数据低频化应用》 报告核心内容总结
这份 Python 代码提供了报告中核心因子计算思路的实现框架。在实际应用中，需要根据具体的数据源、精确的指标定义以及计算效率要求进行调整和优化。这里我们根据报告表10中的公式，用Pandas实现其中几个Alpha因子的计算逻辑。这需要日度聚合后的分钟数据和滚动窗口操作。ML因子的计算（尤其是Alpha2等涉及乘积波动的）可能更复杂，并且。这个指标可能需要从TICK级委托数据计算得到，然后聚合到分钟。，以构建有效的选股因子。操作在大型数据集上可能较慢，需要优化。是处理面板数据滚动计算的常用方法。
2025-04-17 00:10:39
703
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人