股票
-
HireVAE：构建市场状态自适应的因子模型
· · · 一 本文概要 因子模型是量化投资中一种重要的工具，可以通过深度学习技术的应用变得更加灵活和高效，特别适用于复杂的投资情境。然而，在在线和自适应的环境下，构建一个能够预测…
-
探索高频与日度的混频深度学习因子的选股能力
· · · 一 高频数据特征和日频量价特征 高频数据特征是通过在较短时间间隔内获取的数据提取的特征，包括价格、成交量、成交笔数、盘口委托、成交分布和交易行为等指标。这些特征揭示了股…
-
揭示股市政策的秘密:开源的中国股市政策检索数据集
· 论文 | Meta contrastive label correction for financial time series · · 一 本文摘要 本文介绍了一个新的任务—…
-
RTI指标的Python实现：更精确地识别超买超卖、确认趋势和捕捉反转信号
· · · RTI是什么？ 相对趋势指数（RTI）是一种用于衡量市场趋势强度和方向的技术分析工具。RTI具有独特的适应性和对市场波动的响应能力，并且尽量减少次要的、短期的市场波动的…
-
基于价量数据的排序学习选股模型
· · · 一 本文概要 在本文中，我们使用LGBMRanker算法对沪深300、中证500和中证1000的成份股进行排序学习。我们构建了基于价量数据的选股模型，并进行了回测。回测…
-
如何在交易中理解并利用自相关性
· 论文 | Meta contrastive label correction for financial time series · · 什么是自相关？ 自相关是一个统计学概念…
-
什么是低效市场？交易者可以做什么？
· 论文 | Meta contrastive label correction for financial time series · · 市场低效是指金融市场中某个证券的价格未…
-
GPT-InvestAR开源框架：利用ChatGPT分析企业年报的股票投资策略
· 论文 | Meta contrastive label correction for financial time series · · 一 本文摘要 公开上市公司的年度报告包…
-
年化超额收益24%的强化学习行业配置策略
· · · 一 本文简介 由于市场存量博弈，行业轮动速度加快，行业配置策略经常失效。本文采用强化学习和跨行业神经网络优化行业配置策略，实现了年化收益达到了17.36%，相较于等权基…
-
综述：利用外部知识改善股价预测的准确性
· 论文 | Meta contrastive label correction for financial time series · · 一 本文摘要 预测股票价格是一个具有挑…
-
自适应地利用多粒度时间信息，提升股票预测准确性
· · · 一 本文摘要 时间序列预测在许多领域中都非常有用，比如经济学和气象学。这些领域的数据通常都有时间上的模式。然而，以往的研究往往忽视了动态模式的多样性，也就是不同粒度的变…
-
imodels：揭开模型黑盒，使复杂模型易于理解和应用
· 论文 | Meta contrastive label correction for financial time series · · 近期的机器学习进展使得预测模型变得越来…
