量化投资

连续两个模块都有open\high\low\close字段报错问题

https://bigquant.com/codesharev3/135bce3b-1a14-4a32-a909-e88d2de2b7d6

\

前言

策略全称

基于股息率的红利量化策略

策略绩效图

作者

大田

发布日期

2024-08-26

风险提示

• 本文只是基于公开的研报、书籍做策略复现，纯技术和工具使用交流，不代表投资建议
• 本文涉及的文字、图片、链接、代码，仅作为量化交易这门技术的学习交流，不代表投资建议
• 投资有风险，入市需谨慎

策略概述

*红利策略也叫高股息策略

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平台：

https://bigquant.com/data/home

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

新版表达式算子：

https://bigquant.com/wiki/doc/dai-sql-Rceb2JQBdS

新版因子平台：

因为我是科技相关从业人员，不太懂股票，比较了解的就是纳指

https://bigquant.com/codesharev3/ed12c9ad-408c-462f-add0-aa833e6660c8

\

https://bigquant.com/codesharev3/09654761-4d0b-4393-9e01-7f8e1123ef78

\

策略介绍

小市值策略是一种经典的量化投资策略，旨在通过筛选市值较小的股票，并根据市值对股票进行排序，选取市值最小的一部分股票进行投资。这种策略基于小市值股票在某些市场条件下可能具有较高的增长潜力和投资回报率。

策略背景

小市值策略的理论基础可以追溯到Fama-French三因素模型。该模型指出，除了市场风险外，股票的收益还与市值和账面市值比有关。具体来说，小市值股票通常具有更高的预期回报，因为小市值公司相对于大市值公司在市场上更容易被低估，从而在未来具有更大的增长潜力。此外，小市值公司通常具有较高的灵活性和创新能力，能够迅速适应市场变化和抓住新的商业机会，这进一步增强了其投

https://bigquant.com/codeshare/8248b881-b99d-4a82-a6f1-6bd55ecadf0c

\

策略介绍

在量化投资领域，小市值股票和动量因子是两个广泛应用的选股指标。小市值股票因其相对较小的市值，更容易受到市场情绪和资金流入的影响，从而表现出高收益特性。而动量因子则反映了股票价格在一段时间内的趋势，具有延续性的特点。本文结合这两个因子，构建一个针对全A股市场的量化策略，旨在通过选择具有高动量的小市值股票来实现最大化的年化收益率。

策略背景

小市值股票和动量因子在量化投资中具有重要地位。小市值股票通常具备高成长潜力，能在短期内带来显著收益。动量因子则是基于“强者恒强，弱者恒弱”的市场动量效应，追踪价格上涨或下跌的趋势。结合这两个因子可以捕捉市场中的高收益机会。小市值股

策略介绍

全A股市场的量化投资策略在近年来受到越来越多投资者的关注。此次我们介绍的策略主要依赖小市值因子和动量因子进行股票选择，以期在不进行风险控制的情况下最大化年化收益率。小市值因子（Small Size Factor）和动量因子（Momentum Factor）是量化投资中常用的两个因子。

小市值因子基于“规模效应假说”，认为小市值股票往往具有更高的收益潜力，因为它们的增长空间较大且往往被市场低估。动量因子则基于“惯性效应假说”，认为过去表现好的股票在未来一段时间内仍有可能继续表现优异。这两个因子的结合可以在一定程度上兼顾成长性与市场趋势，形成一个较为稳健的投资组合。

然而，这

策略介绍

量化投资领域中，因子模型是非常重要的一类策略。因子投资策略通过提取市场中的某些特征（如价值、动量、规模等），并以此来构建投资组合。本文介绍的策略主要采用了小市值因子和动量因子，目的是在全A股市场中最大化年化收益率。

小市值因子（Size Factor）指的是选取市值较小的股票进行投资。根据“规模效应”理论，市值较小的股票往往能够获得较高的收益率。动量因子（Momentum Factor）则是选取价格上升趋势明显的股票进行投资。动量策略的理论基础是“惯性效应”，即股票价格在一段时间内的走势会继续保持。

这两个因子的结合可以捕捉到市场中的不同特征，从而提高策略的收益。需要注意

策略介绍

量化投资策略通过数学和统计方法，从历史数据中提取出有用的信息，指导投资决策。今天我们要介绍的是一个基于小市值因子和动量因子的全A股量化策略。该策略通过选择市值较小且动量较高的股票，力图在不进行额外风险控制的情况下，实现高年化收益。

小市值因子，即市值较小的股票往往具有较高的预期收益，这是因为小市值股票通常具有较高的成长性，但也伴随着较高的风险。动量因子，是指股票的价格具有惯性，即过去表现好的股票在未来一段时间内仍然可能表现较好。在实际操作中，动量因子常通过一定期间内的价格变化率来衡量。

该策略的优点在于通过组合小市值因子和动量因子，能够捕捉到市场中的高成长

这篇文章的主要目的是介绍有效前沿这个理论工具和分析框架。我们由均值方差分析展开，逐步推演到有效前沿。然后，我们又说到有效前沿在投资或者量化中的应用场景，最后我们也总结了有效前沿的一些问题，尤其是敏感性问题。在教程中，特意加入了一些实验代码，可以让大家在阅读的过程中有更好的理解。

有效前沿

说到有效前沿（有些叫效率边界），就要提到马科维茨的投资组合理论了。

首先介绍下它的三大假设：

• 单一投资期，比如一年
• 流动性很高，无交易成本
• 投资者的选择基于最优均值方差

于是，我们可以开始推导有效前沿，在这之前，我们先约定一些数学符号：

• rf：无风险利率
• μ：风险

旧版声明

本文为旧版实现，仅供学习参考。

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

下列代码在读取数据时，使用最新dai.query接口即可。

数据读取

\

策略案例

[https://bigquant.com/codesharev2/5509a634-c207-4eaf-a6f2-a73d15fada39](https://bigqua

\

PLUS简介

欢迎来到BigQuant PLUS专区，专注于量化投资的学习、交流、成长。我们的会员来自全球各地，包括投资组合经理、数据科学家、金融分析师和程序员等多个领域的专业人士。作为会员，您可以享受全站优质文章、在线课程、量化研报、专属研讨会等9大权益，更好地帮助您进行量化投资。同时，我们提供交流活动和社区论坛等多种形式的学习和交流机会，帮助会员不断提升自己的投资能力。作为BigQuant PLUS会员，您将能够与同行交流、分享经验和探讨最新的市场趋势，从而更好地实现自己的投资目标。

9大会员权益

专业量化培训：系统专业的量化教学，提高职业发展晋升

• AI量化

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平

导语

1989年发表的论文《The Fundamental Law of Active Management》及其随后的相关论文揭示了寻求主动投资的alpha收益的数量化关系，这为主动组合投资管理带来一套令人信服的分析框架，这个数量化关系很好揭示了数量化技术(量化投资)可以如何或者应该如何切入投资管理领域。

和被动组合管理(passive porfolio management)相比,主动组合管理(active porfolio management)更显投资水平的能力，或者说运气。被动投资力求完全复制相应的基准成分股及其权重，所以每当某指数做成分股的调整时，新入选的股票

导语

近年来，国内量化投资迎来了发展的黄金期，但涉及机器学习的量化投资还比较少。机器学习领域的大神Andrew Ng(吴恩达)老师曾经说过机器学习很大程度上就是特征工程，因此本文主要介绍下特征工程在量化投资领域的应用。

特征工程是什么？

有这么一句话在业界广泛流传： 数据和特征决定了机器学习的上限。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。简单理解为：特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。

**特征工程在量化投资领域有非常适宜的土壤，

人工智能（AI）技术得到了飞速发展，其在各个领域的运用也不断取得成果。机器学习被评为人工智能中最能体现人类智慧的技术，因此开发AI量化策略可以理解为将机器学习应用在量化投资领域。

理解机器学习算法

机器学习算法太多，本文讨论只针对适用于金融数据预测的常用有监督型机器学习（Supervised Machine Learning）算法：StockRanker。假设我们要去预测某个连续变量$ Y$未来的取值,并找到了影响变量$ Y$取值的$K$ 个变量，这些变量也称为特征变量（Feature Variable）。机器学习 即是要找到一个拟合函数$f(X_1,X_2,\ldots,X_K|

5大散户亏钱原因详解！总共25条，看看中了多少条！

BigQuant.com是适合散户并以AI人工智能为核心的量化开发平台，为量化投资宽客提供机器学习AI技术、量化金融数据、精准回测、量化因子等，去除人为情感，做到理性投资。

1、信息不对称

散户通常无法获取与机构投资者相同的信息资源。机构投资者拥有更多的研究资源、更高级的数据分析工具，以及行业内部的信息。这种信息上的差异导致散户投资者在决策时处于不利地位。具体分析：

![散户炒股-信息不对称概念图](https://pic1.zhimg.com/80/v2-c1b685028520f87a660385f4d79e68

投资策略的优化是一个复杂的过程，旨在提高投资回报、降低风险并适应市场的变化。这通常涉及对现有策略的评估、调整和改进。以下是一些常见优化投资策略的方法和案例：

投资策略优化方法

1. 资产配置调整
   • 根据市场变化和个人的风险承受能力调整资产配置比例。
   • 例如，随着市场利率的上升，可能需要减少债券的比重，增加对股票的投资。
2. 定期平衡
   • 定期重新平衡投资组合，以维持原始的风险和回报水平。
   • 例如，如果股票的比重因市场上涨而增加，就卖掉一部分股票，购买更多的债券。
3. 采用或调整量化策略
   • 使

量化投资是指使用数学模型、统计分析和计算机算法来指导投资决策的方法。

这种方法试图通过消除人为情感和直觉的影响，以客观和系统的方式分析市场和价值。

量化方法通常涉及以下几个方面：

1. 数学模型与统计分析：量化投资的核心在于运用精密的数学模型和统计分析，精准识别市场脉络、估算资产内在价值以及全面评估潜在风险。这些模型囊括了时间序列分析、回归分析、因子模型等多种高级统计工具。
2. 算法交易技术：量化投资者

基本面量化策略是一种结合了基本面分析和量化分析方法的投资策略。通过对公司的财务报表、行业数据、宏观经济指标等基本面信息的量化分析，来识别被低估或高估的股票。这种策略通常涉及以下几个方面：

基本概念

1. **数据驱动的基本面深度分析：**基本面量化策略巧妙地结合统计方法与计算机算法，对公司盈利能力、财务稳健性、增长潜力等传统基本面指标进行精准分析，为投资者提供全面深入的企业价值洞察。
2. **

工欲善其事，必先利其器，本文精心整理了各大编程语言常用的量化分析工具，会用其中几个就应该可以在私募找到一份不错的量化工作，如果不想安装推荐 BigQuant 人工智能量化投资 一站式的Python+机器学习+量化投资平台，打开浏览器就可以开发算法策略。

欢迎大家补充~~~

编程语言

1. Python
2. R
3. Matlab
4. Julia
5. Java
6. JavaScript
7. Scala
8. Ruby
9. Frameworks

Python

• [numpy 7](http://li

摘要

雪球的投资本质

①投资人与券商充当的角色

②投资人与券商是否对立

这是投顾经常被问到的问题。销售机构在推荐雪球产品时，必定会讲到交易对手方是券商，一些投资人会简单理解自己在和券商做博弈。我自己在第一次接触雪球时也有这样的误解：如果雪球产品跌破敲入价格，保本保息机制就消失了，所以作为对手方的券商特别有动力想股票下跌，这样就不用支付利息了。路演里刘博士很清晰的描述了券商与投资