引言

资本资产定价模型（CAPM）长时间以来是资产定价的第一范式，它在一系列假设基础上认为资产的期望收益率由无风险利率和其承担的风险溢价所决定。但是，自20世纪70年代以来，学者们逐渐发现按照某种风格交易股票能够战胜市场，比如：Basu（1977）发现的盈利市值比（EP）效应和Banz（19

预处理数据

数据预处理在众多深度学习算法中都起着重要作用，实际上，对数据进行适当处理后，很多算法能够发挥最佳效果。然而面对各种各样的数据，很多时候我们不知道怎么样才能针对性进行处理。本文介绍了Python下的机器学习工具scikit-learn。其中，“sklearn.preprocessi

《彼得·林奇教你理财》通俗解读：普通人的“接地气”赚钱指南 一、核心思想：菜鸟也能打败华尔街 简单说： 彼得·林奇认为，普通人的日常生活就是最好的选股工具。超市里卖断货的零食、小区门口排队的奶茶店、办公室里同事都在用的电子产品……这些“身边的机会”比华尔街的复杂模型更靠谱。 他的战绩：管理基金13年

导语

机器学习里面究竟有多少经典的算法呢？本文简要介绍一下机器学习中的常用算法。这部分介绍的重点是这些方法内涵的思想，数学与实践细节不会在这讨论。

回归算法

在大部分机器学习课程中，回归算法都是介绍的第一个算法。原因有两个：一.回归算法比较简单，介绍它可以让人平滑地从统计学迁移到机

本文章翻译自MSCI研报《MSCI INTEGRATED FACTOR CROWDING MODEL》下附PDF英文原文

作者：George Bonne, Leon Roisenberg, Roman Kouzmenko, Peter Zangari

时间：2018年6月

摘要

算法交易策略简单来说就是用计算机语言（如 Python）编码的策略，用于执行交易订单。交易者将这些策略编码，以利用计算机的处理能力，以更高效的方式进行交易，几乎不需要干预。

无论你是初学者还是经验丰富的交易者，跟随这个指南踏上算法交易策略的旅程。它旨在赋予你必要的知识，帮助你在交易中取得成功。

摘要

文章首先介绍了人工智能在金融市场中的应用，特别是强化学习在投资组合优化中的作用。强化学习作为一种机器学习方法，通过智能体与环境的交互来学习最优决策策略，以最大化累积奖励。文章提到，强化学习在动态资产配置中表现出色，能够有效管理交易成本和优化资产配置。

研究方法

研究采用了Fi

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

预计算因子表[数据平台] <https:/

投资组合风险和收益率的计算涉及多个财务概念和数学公式。让我们首先了解一些基本概念，然后进入具体的计算方法。

投资组合收益率的计算 假设投资组合由多种资产组成，每种资产的预期收益率和投资占比各不相同。

投资组合的预期收益率可以通过以下公式计算：Rp ​=∑(n,i=1) (wi ×Ri​ )

在外汇交易领域，利用外汇数据 API 接口获取实时市场数据并结合量化策略实现自动化交易已成为趋势。本文将介绍如何通过 iTick 免费外汇报价 API 接口与 Cursor AI 代码工具快速实现量化策略的自动编写与部署，涵盖外汇数据 API 调用、策略逻辑生成、代码自动生成及回测全流程。

![

在量化交易领域，iTick 报价 API凭借其多市场覆盖与高性能特性，成为策略开发者的核心基础设施。其外汇 API支持全球主流货币对（如 EURUSD、USDJPY）的实时行情推送，提供 Tick 级 Bid/Ask 深度数据与波动率指标；股票 API则覆盖 A 股、港股及美

在量化交易领域，iTick 报价 API凭借其强大的多市场覆盖能力，已成为专业交易员的首选数据解决方案。其外汇 API支持全球主要货币对（如 EURUSD、GBPUSD）的毫秒级行情推送，包含 Bid/Ask 深度报价和实时波动率数据；股票 API则覆盖 A 股、港股及美股市

在全球金融市场波动率加剧的背景下，传统量化投资体系正面临数据维度单一、策略迭代滞后、决策响应缓慢等痛点。iTick 外汇股票报价 API 服务与 DeepSeek-R1 大模型的深度整合，通过 "数据 + 算法 + 场景" 三位一体的创新架构，为量化投资领域带来了革命性突破。

![](/wiki

简单来讲，量化投资就是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。

量化交易 是指借助现代统计学和数学的方法，利用[计算机技术来进行交易的证券投资方式。量化交易从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，用数量模型验证及固化这些规

在量化投资的汹涌浪潮中，你是否渴望拥有一个强大且便捷的工具，助你乘风破浪，驶向财富的彼岸？如今，Qbot 与 iTick 强强联合，为广大投资者和开发者打造出一个前所未有的 AI 量化生态系统。

![](/wiki/api/attachments.redirect?id=60c5b10d-cbc

研究背景

文章从现代投资组合理论出发，强调了通过多样化投资来优化风险和收益的重要性。再平衡（PR）是维持投资组合风险收益特征的关键策略，通过定期调整资产权重来应对市场变化。再平衡的频率（ORF）是一个关键参数，因为它直接影响交易成本和投资组合的灵活性。文章指出，频繁再平衡会增加交易成本，而过

随着 AI 技术的不断发展，其应用领域得到进一步扩展。同时，基于外汇API、贵金属API、股票API等量化投资凭借其科学、系统的决策方式，在金融领域中扮演着愈发重要的角色。QLib，作为一个专注于量化投资研究的开源项目，就利用了 AI 技术，结合iTick的免费外汇API、股票API数据接口，为广大

文章摘要

金融市场的复杂性、非线性、非平稳性和时间变异性使其成为一个充满挑战的领域。随着技术的进步，AI技术在金融市场中的应用越来越广泛，尤其是在自动化交易、投资、保险和风险管理等领域。AI技术能够通过分析大量数据来提高金融服务的效率、安全性和个性化。然而，金融市场数据的质量、高频数据处理以

在量化分析领域，股票数据接口、免费外汇API、实时外汇API以及实时外汇报价和实时外汇数据的可靠性与便捷性堪称核心要素。经过大量严谨且深入的实测之后，我们成功筛选出了一系列稳定且高效的股票数据接口及外汇相关API。

![](/wiki/api/attachments.redirect?id=bf

https://bigquant.com/codesharev2/b160be9e-4349-4ad9-b677-4dbf116ec292

\

1. 文章背景

股票市场预测对于投资者来说至关重要，但由于市场的高度波动性、不确定性和复杂性，这一任务极具挑战性。近年来，机器学习（ML）和深度学习（DL）算法在处理大规模数据和复杂关系方面展现出巨大潜力，能够识别传统方法可能遗漏的模式和趋势。因此，本文旨在比较不同ML和DL模型在股票市场预

1. 文章背景

近年来，算法交易在股票市场中的应用迅速增加，显示出比传统交易方法更优越的性能。人工智能（AI）系统在处理大量数据和市场变量方面表现出色，能够超越基于人类的交易策略。然而，人类交易员在分析海量数据时存在局限性，且容易受到贪婪和恐惧等情绪的影响，从而导致错误决策。相比之下，AI交

您如何衡量持有单一资产（如公司股票）的风险？您如何比较两种资产的风险？您如何选择要添加到现有投资组合中的资产？

了解单项资产的回报

什么是资产回报率？

假设某一时刻某项资产价值 100 美元，你购买了它。下一刻（比如说一周后），价格上涨到 110 美元。

那么你的投资回报率是