股票
-
Quantlab策略向导：因子配置与交易规则
策略开发第一步，要准备指标，或者说因子，这里基于咱们的因子表达式引擎，直接选择就好的，大家可以根据自己的需求修改参数。 添加因子的streamlit 代码发下： def add_f…
-
Quantlab4.0框架代码发布：支持零代码快速创建策略（代码+全市场数据下载）
AI量化 策略回测成功后，可以自行发布到服务器： if st.button(label=’发布策略’): import requests,json,uuid task_data =…
-
图灵真是计算机之父吗？|Quantlab支持服务端发布策略（代码+数据）
AI量化 策略回测成功后，可以自行发布到服务器： if st.button(label=’发布策略’): import requests,json,uuid task_data =…
-
AI量化的逻辑 | 阅读的方法
星球下一步的重点：因子挖掘、智能策略。 实战场景下的AI量化投资。这里的方向会往风险方向去，刻意拥抱风险和不确定性。不是做指数增强或者大类资产的逻辑，分散也许并非必要，但止损是必须…
-
Quantlab4.1发布 | 新增一些策略，补充Metrics
AI量化 今天发布版本Quantlab 4.1： 1、回测结果metrics显示 2、优化了Streamlit 的 session_state逻辑。 3、补充了一些策略： 3、修正…
-
Quantlab 4.1：基于Deap遗传算法多股票因子挖掘
遗传算法本身并不复杂，但gplearn的实现，把问题复杂化了，尤其在因子挖掘这个场景。 使用deap进行因子挖掘的代码在如下位置： import copy from deap_pa…
-
AI量化：从入门到实战
大类资产配置类，实现七个策略，回测结果如下： 大类资产配置分析： 从卡玛比率看（综合风险收益之后），风险平价最优，甚至优于中国版的全天候（毕竟参数会随时间变化），但其实差不多。 回…
-
【实证】轮动不择时，年化29.7%，回撤25%，加上择时效果反而不好（代码+数据）
今天的代码：对比深红利与创成长轮动，择时与不择时的两个策略： 轮动不择时，年化29.7%，回撤25%，择时反而不好。 import config from datafeed.dat…
-
Quantlab4.0: 全新bt引擎，策略开发向导，内含全量数据。
Quantlab4.0，应大家建议，去除wxpython，最小化安装依赖： 我们通过定时任务，更新etf的数据，然后dump到csv供本地回测使用。 def job_update_…
-
Quantlab4.0框架代码发布：支持零代码快速创建策略（代码+全市场数据下载）
本次改动比较大，底层引擎更换了。 使用更加简洁了，代码量更少了。 1、去除了wxpython壳。 2、使用bt引擎。 3、支持低代码创建与回测策略。 代码已经提交，大家可前往下载，…
-
年化26.1%，夏普2+，改进后的轮动策略（代码+数据下载）
策略篇 我们知道，择时非常难。 轮动相对容易。 指增本身也是轮动。它介入主动管理与被动管理之间。 轮动本质也不预测。 比如多因子评分，还是动量轮动。这里的轮动因子，就是相对优势。我…
-
【实证】轮动不择时，年化29.7%，回撤25%，加上择时效果反而不好（代码+数据）
今天的代码：对比深红利与创成长轮动，择时与不择时的两个策略： 轮动不择时，年化29.7%，回撤25%，择时反而不好。 import config from datafeed.dat…
