【黄色暗雷源码】【青云直上源码】【抵押贷app源码】掘金量化策略源码_掘金量化策略源码是什么
1.不知道哪位大大可以解释下网格交易法?
2.请问国内哪家量化平台比较好?
3.Barra模型因子的掘金掘金构建及应用系列七之Liquidity因子
4.量化交易领域有哪些经典策略
不知道哪位大大可以解释下网格交易法?
网格交易是啥子这是一种仓位策略,用于动态调仓。量化量化该大法秉持的策略策略原则是"仓位策略比选股策略更重要"。当然,源码源码我们做策略的掘金掘金,选出好的量化量化黄色暗雷源码股票池是我们孜孜不倦的追求~~
几个基本概念
1.底仓价:价格的标准线,建仓和调仓的策略策略重要依据。
2.低吸高抛:仓位控制贯彻低吸高抛,源码源码绝不追涨杀跌。掘金掘金根据网格设置买卖价位。量化量化下面举个例子
在底仓价的策略策略附近,我们根据网格的源码源码大小,比如每跌3%按仓位买入(第一档:买%,掘金掘金第二档:买%,量化量化第三档:买%,策略策略第四档:买%)。青云直上源码要注意的是,这里买卖不是绝对的定量,而是调仓到对应仓位。如果第一次跌破3%,而后上涨到5%时,是不操作的,因为下跌时只建了%的仓,而上涨5%的仓位是%,不够抛出。
3.网格大小:上图给出了3种网格大小。特点是买入网格小于卖出网格。这种不对称编织网格的道理在于网格的目的是网获利润,将利润建立在趋势的必然性中,而不仅仅是靠震荡的偶然性。
先讲特点和局限吧
首先,抵押贷app源码定理&公理:没有万能的策略。
1.趋势决定策略的成败。在长期的上涨趋势中策略才能获得满意回报。
2.选股集中在波动大、成长性好的中小市值股票。不断盘整的周期股、大盘股和业绩不佳的垃圾股踩中就麻烦了。
3.底仓价格设定在安全边际内。在估值顶部设立底仓价格风险极大,会造成很大的损失。
4.牛市表现不佳。分散的仓位策略,没有依据价格形态来修改网格,都可能在牛市中跑输大盘。降低贝塔的logback 日志分割 源码代价就是阿尔法也较低。
5.买卖规则不灵活,可能使一些重要的突破支持或阻力位置的买卖点被忽略在网格之外。
来看看策略步骤
1.选股
重点行业:I 互联网和相关服务,I 软件和信息技术服务业
低估值PE小:PE<
小市值:分行业按市值排列选市值小的只
高波动:分行业在市值最小的只中选出过去一年波动率最大的5只股票
So,我们的股票池有只股。每3个月按上述条件更新一次股票池,更新时不在新股票池的股票全部清仓。
2.网格:[-3%买,5%卖]、[-5%买,%卖]、[-8%买,%卖]、[-%买,%卖]
四种大小的魔兽k服源码网格都会相应尝试一下看看效果。
3.资金安排:在仓位控制时,满仓的概念是(总资金/股票池总数*2.5)
后面的乘数是为了提高资金利用率,因为3个月的周期内可能不是每只股票都能达到满仓。
好啦,收韭菜的时候到了
回测做了很多组,大致是分市场行情(牛、震荡和熊)各做了一次。然后在震荡期调整网格大小分别做了4次
回测详情与代码见 w(防)w(度)w(娘).joinquant.com/post/
请问国内哪家量化平台比较好?
推荐澎博财经的真格量化。云端运行,行情和交易速度都经过专业优化。
支持期货、期权和ETF的tick级别回测。
有完善的文档和培训教程。
支持编程语言为Python2.7和Python3.5.
上手很快,对用户非常友好。
Barra模型因子的构建及应用系列七之Liquidity因子
在构建Barra模型系列文章的篇章中,我们深入探讨了因子构建及应用,前文已详尽地介绍了Size、Beta、Momentum、Residual Volatility、NonLinear Size及Book-to-Price因子的构建与应用。此系列文章的第七部分,我们将关注于Liquidity因子的构建与应用。
Liquidity因子在Barra模型中的计算方法包含三个关键子因子:月度换手率、季度换手率与年度换手率,各子因子权重分别为0.、0.、0.3。该因子的换手率通过成交量与流通股本的比率计算,通过T天的加总求得对数形式,具体换手率的计算周期分别为月度天、季度天、年度天。
通过使用alphalens对Liquidity因子进行分析(年-年3月5日),我们发现:各调仓周期下的alpha收益均为负数,而5天调仓周期下的beta收益为正且最高;Liquidity因子的最大分组与最小分组均贡献负收益,且最大分组的负收益远超最小分组。进一步分析信息系数,IC均值与IC标准差在不同调仓频率下差异不大,平均IC仅为-0.,低于0.的阈值,显示了该因子的选股能力有限。从分组收益图可见,Liquidity因子表现出两端负收益、中间正收益的特征,这表明过高的或过低的换手率均会导致平均收益的下降。
基于因子分析,Liquidity因子的收益能力不佳,若作为单因子策略应用,预期回测收益同样较差。然而,为了后续对Barra模型个因子进行综合分析,我们依然编写了代码以备后续使用。接下来,我们将深入探讨Liquidity因子的回测分析。
回测时间设定为年1月1日至年3月5日,采用全A股作为回测品种(剔除ST股、停牌股与一年内的次新股),初始资金设定为万。手续费采用双边万二佣金与单边千一印花税(总计千1.4,即双边万7)作为计算依据,滑点设定为双边千1.,最大持仓数量限制为只股票。
策略净值曲线显示波动较小,在下跌阶段(年7月-月)具备较强的抗跌能力,在随后的反弹阶段亦展现良好的进攻能力,整体表现较为稳健。然而,从历史回测数据来看,Liquidity因子的收益虽能跑赢大盘指数,但未能创造正收益。年化收益率为-1.%,最大回撤率为-.%,夏普比率-0.,胜率仅.%。总体而言,尽管Liquidity因子在构建与应用中展现出一定的分析价值,其收益表现与预期仍有较大差距。
总结而言,本期文章详细探讨了Liquidity因子在Barra模型中的构建与回测分析,揭示了其在策略应用中的收益特点与潜在局限性。读者可通过掘金量化社区获取本期策略源码,进一步探索因子在实际投资决策中的应用与优化。
量化交易领域有哪些经典策略
量化交易种比较受宽客们所熟知的量化经典策略有:alpha对冲(股票+期货)
集合竞价选股(股票)
多因子选股(股票)
网格交易(期货)
指数增强(股票)
跨品种套利(期货)
跨期套利(期货)
日内回转交易(股票)
做市商交易(期货)
海龟交易法(期货)
行业轮动(股票)
机器学习(股票)
以上这些经典的量化交易策略源码都可以到掘金量化交易平台查阅。