量化
-
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…
-
deap：多股票多维度遗传算法因子挖掘，可以整合chatGPT。
继续因子挖掘： 因子挖掘，其实是一个“开放式的”，有很多tricks的工作，其实遗传算法不复杂。 说白了，根据你给定的“符号集”——就是表达式函数：比如ts_rank, log, …
-
deap：多股票多维度遗传算法因子挖掘，可以整合chatGPT。
因子挖掘 传统券商研报里，多使用gplearn。 gplearn有一些天然的缺陷： 为了兼容类似sklearn的接口，失去了一些数活性，比如需要传入数据X, y，需要传入预定义的函…
-
Deap因子挖掘：比gplearn强100倍（代码+数据）
继续因子挖掘： 因子挖掘，其实是一个“开放式的”，有很多tricks的工作，其实遗传算法不复杂。 说白了，根据你给定的“符号集”——就是表达式函数：比如ts_rank, log, …
-
Deap因子挖掘基础框架完成|量化私募投研的典型工作流程
继续因子挖掘： 因子挖掘，其实是一个“开放式的”，有很多tricks的工作，其实遗传算法不复杂。 说白了，根据你给定的“符号集”——就是表达式函数：比如ts_rank, log, …
