股票
-
DDG-DA: 考虑市场变化的股票价格预测方法
· · · 1. 问题介绍 在时序数据中，由于环境的不稳定性，数据分布常常会随时间变化，且这种变化通常被认为是难以预测的。这种现象被称为概念漂移（Concept Drift），它会…
-
通过识别市场模式来提升股票预测算法的准确性
· · · 一. 市场存在不同的交易模式 股票收益率预测是量化投资中非常重要的任务。最近，深度神经网络因其强大的学习能力和建模能力而受到投资者的关注。目前的预测方法通常假设股票数据…
-
大语言模型是否能够取代金融专家？
· · · 一. 大语言模型在金融领域的作用 大语言模型在金融领域有着广泛的应用。通过大型预训练语言模型来处理金融文本，可以提供财务文件分析和决策支持。通过识别公司和产品，模型可以…
-
稳定性超越传统交易策略10倍的X-Trend金融预测模型
· · · 一. 本文概要 系统化交易策略是使用预测模型来进行金融交易的一种方法。然而，这些模型在金融市场条件发生剧变时无法快速适应，例如2020年的COVID-19爆发时，导致许…
-
优化技术指标的使用方法：从数字信号到模拟信号的转化
· · · 模拟信号是指用连续变化的物理量所表达的信息，如温度、湿度、压力、长度、电流、电压等等，我们通常又把模拟信号称为连续信号，它在一定的时间范围内可以有无限多个不同的取值。而…
-
年化收益33%的回购事件驱动策略
· · · 一. 回购对股价的影响 回购是上市公司以现金或其他方式购买其再二级市场交易的股票，当上市公司进行回购时，它在市场上购买自己的股票，这可以产生一系列影响，其中包括对股价…
-
Alpha的弱势群体: 兼职交易员如何取胜
· · · 我们希望这些东西没有吸引力、没有竞争。 作为交易员，你的任务是利用您所掌握的所有信息，并根据您在这方面的了解来判断某种资产是否以正确的价格进行交易。如果我们可以从市场中…
-
用时序交叉验证对抗过拟合
· · · 一. 本文简介 时序交叉验证方法适用于时间序列数据，可以有效防止过拟合。与传统交叉验证方法相比，时序交叉验证考虑了时间序列数据的特性，可以更好地评估模型在未来数据上的性…
-
适合低信噪金融数据的DoubleEnsemble算法，夏普比率提升超70%
· · · 一 论文概要 具有提取复杂非线性模式的能力的机器学习方法在金融市场预测中越来越流行。然而由于金融数据具有高噪声，且往往是非平稳的，导致可预测性较弱。复杂的机器学习模型往…
-
了解常见流动性指标的Python实现，提高收益，降低风险
· · · 流动性在金融市场中具有重要的价值。它涉及交易的执行成本、交易的可行性和风险管理。高流动性市场具有较低的交易成本，投资者能够以较低的成本进行买卖。此外，高流动性市场使得交…
-
MLMI的Python实现：结合机器学习算法的动量预测指数
· · · 机器学习动量指数（MLMI）是一种智能工具，帮助交易者洞察市场的动力和趋势。它结合了动量分析和机器学习算法，提供实时分析。MLMI通过识别趋势方向、盘整区域和超买/超卖…
-
为什么LSTM股价预测模型会失效？
· · · 一. 什么是LSTM？ LSTM（长短期记忆神经网络）是一种特殊的循环神经网络（RNN），用于处理和建模具有时间依赖性的序列数据。与传统的RNN相比，LSTM引入了一种…
