皮皮网

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。