量化策略阅读比赛策略

比赛策略-统计三剑客-喵

决策树,有过拟合和使用历史数据问题

量化策略阅读01

【七行】年化68.177% | 夏普3.771 | 回撤11.447%_Allen Frostline

地址:https://www.ricequant.com/community/topic/2422/#share-risk-metrics_content_13622_1285785
思路:
每周1,9.31
选择最小市值(market_cap)的500个,丢掉st的。按照近80日的价格std排序,取top5。
并且:00300.XSHG的10日LinregressResult系数 abs(rg[0] / rg[1]) < .01
也就是过滤掉大盘狂涨狂跌的单边行情情况(比如第一日3000,等价于每日最高30点平均(单边),再高认为是高波动行情,不建仓)

量化策略阅读03

搜索:投资组合有效边界-》page4

【MPT】经典投资组合理论的优化

量化策略阅读02

你不是破鞋!——策略分享

https://www.ricequant.com/community/topic/2009/
思路:
1.找到市场上和benchmark收益率偏离最大的股票
2.在过去一个月中,找到10只与大盘每日收益率相差最大的股票并用10%资金持仓,
3.每月一调仓。
4.简单的止损策略:当日跌幅达2%即空仓,之后再运行选股函数

量化策略阅读05

搜索_动量

基于交易量选择动量&反转策略,lz自行回测十年,年化50%

量化策略阅读04

机器学习系列:算法基础—-聚类

https://www.ricequant.com/community/topic/4044/
思路:
在国信证券的《金融工程专题研究:基于 K-Means 聚类的 多因子特征检验》中指出,采用市值以及波动率来聚类,聚成的不同的类中,因子对未来收益的解释性会有一些明显区别。
我们采用股票的市值,波动率作为特征,进行KMeans聚类,类的个数设置为5,这样就把全A股分成了5类股票,在每一类股票中,分别建立基于lasso回归的多因子模型。再根据模型预测的收益排序,选取收益率大于90%分位点的股票

量化策略阅读07_模板收集

模板收集

MA指标的趋势效应与择时交易:https://www.ricequant.com/community/topic/36776/
Quartz 1.x - 因子分析模板:https://uqer.io/v3/community/share/57b574eb228e5b79a2758ff9
波动率因子分析:https://www.ricequant.com/community/topic/4185/
用机器学习解释市值-特异市值因子:
https://uqer.datayes.com/v3/community/share/5b62a0346bc6270117bf5128

量化策略阅读06

多因子权重优化方法比较(不同权重融合方法)

https://www.ricequant.com/community/topic/4559
大类因子下细分因子存在一定的相关性,因子之间的多重共线性会导致因子的权重配置不合理,可能导致选股结果对个别因子的暴露纯度过大,资产分散化程度不足。
大类因子在不同的合成方式下效果差异较大,因此针对不同大类因子宜采用不同的合成(降维)方式;PCA方法适用于具有较强相关性的细分因子,降维效果明显,在一定程度上解决了多重共线性问题,但是主成分代表的经济含义不明;逐步回归(stepwise)方法稳健性不佳,在不同的时期上同一大类因子下不同的细分因子的占比可能存在较大差异,这可能导致选股的换手率过大,增大投资者在佣金上的开销。
通过计算大类因子的IC进行配置权重时,权重取值波动频繁,说明大类因子同样受到市场风格轮动的影响,并且这种程度不亚于普通细分因子。
在数种大类因子权重配置方式中,通过观察各种选股绩效指标,使用压缩矩阵最大化复合因子IR的权重配置方式的效用最好,此种方式可以将各大类因子的IC中存在的噪音减弱,将偏离平均水平的IC协方差矩阵系数压缩至中心水平,进而可以获得更高的IR,达到权重优化的效果。

量化策略阅读10

A量化学习_B策略学习整理50

01. 20170108_jiang.wei_策略探讨:价量结合+动量反转

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×