股票
-
“智能投研”还是智能投顾?
最近可能要开始一个系列,与工作中的事情相关,就是梳理一下企业级应用开发的技术栈。你也许要问一个问题——这与量化投资有什么关系呢? 越做量化,越发觉得,量化并不是一个两个策略的问题,…
-
“先胜而后求战”,先构建自己的交易系统,因子,算法都是术的层面的东西。
今天的工作,把策略由代码,变成了配置,这是一个toml的文件,使用toml配置工程,模块化开发策略的门槛更低,toml比yaml要优雅很多: name = ‘静待花开的聚宝盘’ […
-
反脆弱的投资体系:gplearn因子挖掘系列,支持3000支股票
本周重点是“gplearn因子挖掘”。 昨天年化167%,夏普比大于7:基于gplearn的股指期货的高频因子挖掘开了头,我们继续 因子挖掘为何重要? 量化最重要的东西是什么?——…
-
反脆弱看投资体系构建:从ETF动量策略到CTA
昨天重读塔勒布的《反脆弱》,如何应对高度不确定的环境,建立反脆弱的体系呢? 1、避免极端的负面黑天鹅。 对于个人,就是关乎生命安全,自由,重大财产损失的可能,要远离。 对于公司,…
-
一个交易体系,不应该只有信号或者说追求胜率,赔率同样重要
咱们星球的ETF动量策略,看起来年化32%还不错对不对? 但你有没有仔细想过,敢不敢all in? 我的逻辑是,不太敢。 资本市场的风险和魅力同源,就是它的不确定性。 回测是对历史…
-
gplearn在期货和多支股票上因子挖掘实战的代码(代码+数据下载)
回顾一下AI量化的心路历程: 1、低风险阶段。 从场外基金开始,一开始是纯债,然后接触到固收+,到股债平衡。 做过一段时间优质主动型基金的评测和跟踪。 当时的目标是“智能投顾”。 …
-
系统源代码发布v2.4供下载,带年化32.1%策略,简化GUI逻辑
1、低风险阶段:长期10%的年化。这套体系已经基本固化下来,基本不用操心。 2、ETF做趋势交易是长期有效的。我们开发了一系列策略,其中这个是我比较满意的。 系统源代码发布v2.4…
-
端到端因子挖掘框架:DeepAlphaGen:因子生成的强化学习Env Wrapper包装器实现细节
DeepAlphaGen系列: 端到端因子挖掘框架:DeepAlphaGen:因子生成的强化学习Env Wrapper包装器实现细节 端到端因子挖掘框架:DeepAlphaGen:…
-
端到端因子挖掘框架:DeepAlphaGen:已经可以挖掘因子
今天的代码是独立的工程,与quantlab暂时未整合,下一步会考虑。 由于qlib最高仅支持python3.8,所以环境上与quantlab的3.9有区别。 另外,本次需要pyto…
-
端到端因子挖掘框架:DeepAlphaGen V1.0代码发布,支持最新版本qlib
今天的代码是独立的工程,与quantlab暂时未整合,下一步会考虑。 由于qlib最高仅支持python3.8,所以环境上与quantlab的3.9有区别。 另外,本次需要pyto…
-
系统源代码发布v2.4供下载,带年化32.1%策略,简化GUI逻辑
本周gplearn在期货和多支股票上因子挖掘实战的代码已经发布至星球: 昨天在星球收集开源框架,有星友建议的freqquant,加起来,下周工作重点是拆解wondertrader,…
-
Quantlab3.0进展,结合Quant4.0的思考:全自动,可解释AI量化是未来
昨天的文章,简单回顾了咱们“AI量化实验室”一路走来,成长的三个阶段。 quantlab3.0开启:回测+实盘+数据+AI智能的一体化交易平台 1、低风险阶段:长期10%的年化。这…