投资策略

查了好久，没有找到实盘的指导，大佬们请指导一下。

量化不仅是用于选股，还有针对货币，期货，期权，基金都可以做出不同程度的量化，本文讨论其中选股注意的事项。有需要写量化代码编写的可私信或者评论区留言！

本文将继续对量化选股做一个小白的科普，介绍几种初步的量化选股模型，如有错误之处请于评论指出。

我们一般将基金的投资策略分为股票策略、宏观策略、期货策略、复合策略等，其中每个大类下又可细分为多个子策略。但是所有的大类策略基本都存在量化子策略，如果按投资的方法来分，投资策略又可以笼统地分为主观策略与量化策略。

简介

转债凸性的理论逻辑虽然和衍生品 greek 中的 gamma 类似，但实际操作 思路上更类似于债券的凸性。这主要是因为转债在目前的 A 股市场中的主 流投资策略是持有买入，而非 delta 对冲套利。

基于此，凸性对转债来说是“好属性”：当正股上行，凸性会放大转债 delta 收益；当正股下行，凸性会作为对冲项减少转债跌幅。从这个角度来看， 高凸性转债或有一定超额收益。

我们设计了两种衡量凸性的方案：BS 优化法和截面差分法。

BS 优化法：我们用隐波来替代 BS 公式的正股波动率，这种情况下 BS 公式得到的转债价格和实际转债价格一致，从而得到的BS公式 gamma

回测绩效

\

定义

可转债全称为可转换债券，指债券持有人可按照发行时约定的价格将债券转换成公司的普通股票的债券，如果债券持有人不想转换，则可以继续持有债券，直到偿还期满时收取本金和利息，或则在流通市场出售变现。

如果持有人看好发债公司股票增值潜力，则可以行使转换权，按照预定转换价格将债券转换为股票。

关键指标

• 转换比例（conversion ratio）：一债券可转换为普通股的数量。
• 转换价格（conve

本文14323字，阅读约28分钟

导语：本文旨在用精炼的语言阐述实操层面的机器学习量化应用方法，包括给出实践中一些常见、实际问题的处理方案，并结合了量化应用实例。读完后大家可以在本平台进行实践检验。

文章概览：

1.人工智能量化投资概述

2.人工智能技术简介

3.机器学习在量化投资中应用的具体方法解析

AI相对于传统量化投资的优势 传统的量化投资策略是通过建立各种数学模型，在各种金融数据中试图找出市场的规律并加以利用，力所能及的模式或许可以接近某一个局部的最优，而真正的全局“最优解”或许在我们的经验认知之外。如同不需要借助人类经验的Alpha Zero，不仅

量化投资

量化投资是一种基于数学模型和计算机算法来指导投资决策和交易执行的投资方法，不受主观交易的情绪化影响，严格按照程序执行**。** 量化投资在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。在国内，量化投资不再是一个陌生的词汇，近几年得到了迅猛的发展。

简单来说，是通过寻找金融数据，例如开盘价、收盘价、最高价、最低价、换手率、估值等等大量的数据，与股票收益之间的关系，建立较为稳定的数学模型，从而指导投资策略。

对AI量化有一定了解的选手可以直接查看量化策略模型，有投资经验但无量化的请从金融量化基础知识开始

量化投资策略是利用数学模型和算法来分析市场并做出投资决策的方法。这些策略可以大致分为几个类型，每种类型都有其特点、适用人群和适用场景。以下是一些主要的量化投资策略类型：

1. 趋势跟踪策略
   • 特点：识别并跟随市场趋势，比如股票或商品的价格走势。
   • 适用人群：适合那些相信市场趋势会持续一段时间的投资者。
   • 适用场景：在市场趋势明显且稳定的情况下效果最佳，如牛市或熊市。
2. AI量化机器学习策略
   • 特点：利用机器学习算法来分析大量数据并预测市场走势。
   • 适用人群：对人工智能和机器学习

来源：SSRN 作者：Sophie Emerson, Ruairi Kennedy, Luke O’Shea, and John O’Brien

机器学习是人工智能的一个子领域，它使用统计技术为计算机模型提供从数据集学习的能力，允许模型在没有显示编程的情况下执行特定任务。近年来，机器学习技术激增，人们对其在金融领域的应用也越来越感兴趣。在投资管理中，已被应用于新闻的情绪分析、趋势分析、投资组合优化、风险建模等。那么，机器学习在量化投资中有哪些潜在应用呢？

1.常见的机器学习算法

机器学习算法主要有三种：监督学习、无监督学习和强化学习。监督学习是在已知输入和输出的情况下训练出一个模型，将

投资策略的类型多种多样，具体选择取决于投资者的投资目标和风险承受能力，下面介绍几种常见的投资策略类型。这些策略各有特点，适用于不同类型的投资者和市场环境。

1. 价值投资策略：这种策略是基于购买那些市场价格低于其内在价值的股票。价值投资者通常会寻找价格被低估的公司，这些公司具有稳健的财务基础和良好的长期增长前景。著名的价值投资者如沃伦·巴菲特。
2. 量化投资策略：依托于先进的数学模型和算法，精准地捕捉和识别投资机遇。在实施过程中，量化投资深度挖掘和分析海量的历史数据，旨在揭示市场潜在的走势和股票的未来表现，为投资者提供科学、系统的决策支持。
3. *成长投资策略

老师，有没有可以学习的小市值策略。

还是这个配对交易原版demo，这里面的持仓从理论上来说应该一直维持在接近百分之百，但实际上运行后并不是如此，这应该是和回测的逻辑有关，想请问下这个是什么原因呢

[https://bigquant.com/codesharev3/2d635552-1c5b-4f79-9395-2f636e9d9907](https://bigquant.com/codesharev3/2d635552-1c5b-4f79

策略概述

本策略基于破净股的投资思想，主要通过筛选股价低于公司每股净资产的股票，来寻找市场中被低估的投资机会。破净股通常由于市场情绪、短期波动等因素被低估，但从长期来看，这类股票的内在价值往往会被市场重新认识并反映在价格上。策略通过剔除高风险和财务不稳定的股票，专注于那些具备稳健基本面且有较大反弹潜力的公司，旨在构建一个具备长期价值回归潜力的股票组合，符合稳健的价值投资理念。

因子介绍:

• 总市值（total_market_cap）: 该因子用于衡量公司的整体规模，是衡量公司在资本市场上影响力的重要指标之一。通常市值较大的公司具有较强的市场稳定性和抗风险能力，因此

策略介绍

小市值稳健增长策略是一种专注于挖掘市值较小但具有稳健增长潜力的股票的投资策略。该策略通过深入分析这些公司的基本面、财务状况、行业前景以及市场情绪，筛选出具备长期成长潜力的优质小市值公司，以期在未来获得超额回报。通过该策略选择的股票的优势包括有

• 高增长潜力：小市值公司通常处于成长期，具备高增长的潜力；
• 估值优势：相较于大市值公司，小市值公司可能存在估值低估的机会；
• 风险分散：通过分散投资于多个小市值股票，降低了单一公司业绩波动对整体组合的影响。

同时使用该策略也会承受一定的风险

• 流动性风险：小市值股票流动性较差，可能导致买卖

策略介绍

该策略是一个质量投资策略，即基于公司质量指标选择股票

在这里，我们将质量因子（score）定义为盈利能力（Profitability） + 成长性（Growth） + 安全性（Safety）

• 盈利能力指标由资产毛利率GPOA，ROE，ROA，资产流动资金比CFOA，毛利率GMAR，应计项目情况ACC组成
• 成长性指标包含ROE同比增长、每股收益同比增长、毛利润同比增长、经营活动产生的现金流同比增长
• 安全性由中证1000指数的22日BETA系数、杠杆组成

策略流程

1.股票池过滤：剔除ST、退市、停牌股、北交所股票

2.筛选条件：上市天数大于270

https://bigquant.com/codesharev3/972559fd-69be-41dd-9726-7bd2b8c7f9f4

\

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

\

1. 什么是Softmax

Softmax要解决这样一个问题：我有一个向量，想用数学方法把向量中的所有元素归一化为一个概率分布。也就是说，该向量中的元素在[0,1]范围内，且所有元素的和为1。

Softmax就是这个数学方法，本质上是一个函数。

假设我们有一个k维向量z，我们想把它转换为一个k维向量 ，使其所有元素的范围是[0,1]且所有元素的和为1，函数表达式是：

![softmax(x)_i = \frac {e^{x_i}

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

本篇报告详尽地介绍了基于人工智能的阿尔法策略框架，包括基于AI技术在策略研究上的阶段性的工作和成果，并提供完整代码，读者可克隆策略，复现效果和继续改进。 希望本文能帮助读者拓展研究思路，应用AI来做更好的量化策略研发，把人工智能的能力赋予更多的投资者 (Democratize AI to empower investors)。

\

摘要

本篇报告构建了一个完整的可复用的 人工智能阿尔法策略框架。

本篇报告用AI对基本面、财务、交易型等 282个因子 做了单因子策略研究和多个维度上的绩效分析，并 **发掘了在短、中、长周期上多个夏普比率超过1.5 、年化收益超过 30

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

什么是量化交易？

度娘官方版 — 理论这么说

量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术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，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策 。（注：文末含所有量化核心工具）

简介版 — 职场上的量化交易

量化交易主要是根据纯粹的数

https://bigquant.com/experimentshare/d10e7682969747bbb8c297180a844c7b

\

https://bigquant.com/experimentshare/5ffea17cf0ca4e78ab50a84762c2b596

\

收益率（Return）是衡量投资价值随时间变化的百分比。它是一个基本的财务指标，用于评估资产或投资组合在一定时期内的表现。收益率可以基于过去（历史收益率）或预期（预期收益率）来计算。

年化收益率（Annualized Return）是将投资在不同时间段内的收益率调整为一年的标准时间长度，从而使得不同时间长度的投资收益率可以进行公平比较。年化收益率对于评估和比较不同投资的长期表现尤为重要。BigQuant的金融数据因子平台以及[AI量化策略平台（PC端）](https://bi