量化
-
Deap因子挖掘：比gplearn强100倍（代码+数据）
又到了星球发布代码的日子： 更新说明：1、Deap做因子挖掘的框架使用。值得说明的是，源码级别，并非产品级，不能指望输入一堆symbols，然后就开始挖掘。——我相信需要做因子挖掘…
-
Quantlab4.1发布 | 新增一些策略，补充Metrics
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因子挖掘基础框架完成|量化私募投研的典型工作流程
又到了星球发布代码的日子： 更新说明：1、Deap做因子挖掘的框架使用。值得说明的是，源码级别，并非产品级，不能指望输入一堆symbols，然后就开始挖掘。——我相信需要做因子挖掘…
-
源码发布Quantlab4.2，Deap因子挖掘|gplearn做不到的咱们也能做。（代码+数据）
又到了星球发布代码的日子： 更新说明：1、Deap做因子挖掘的框架使用。值得说明的是，源码级别，并非产品级，不能指望输入一堆symbols，然后就开始挖掘。——我相信需要做因子挖掘…
-
streamlit里的alphalens：单因子分析框架（代码+数据）
单因子分析： roc(20)为何有效，因为10D的ic超过0.09，一般来说，超过0.05即为有效因子。 多空收益分析： 核心代码如下： elif choose == “单因子分析…
-
“股票投资和减肥一样，决定最终结果的不是头脑而是耐心。”
“股票投资和减肥一样，决定最终结果的不是头脑而是耐心。” 《彼得·林奇的成功投资》 修正一个小bug：(bt框架里获取历史持仓的逻辑，有一些小变化，这里做了一下修正)，主体不受影响…
-
【研报复现】年化16.19%，人工智能多因子大类资产配置策略
昨天星球同学分享一篇研报，我觉得挺有意思，打算拆解和复现了下。 研报先同步到星球，代码后续跟上。 准备数据 指数以及对应的ETF，一般来说，指数的历史数据比较全，而ETF的数据更容…
-
深红利与创成长轮动：年化27.5%，优化了一下策略（代码+数据）
研报先同步到星球，代码后续跟上。 准备数据 指数以及对应的ETF，一般来说，指数的历史数据比较全，而ETF的数据更容易获得，但有些ETF成立时间太短，比如513880.SH（日经2…
-
【研报复现】年化27.1%，人工智能多因子大类资产配置策略之benchmark
我们的研报得现工作，用了两篇文章讲数据准备： 【研报复现】年化16.19%，人工智能多因子大类资产配置策略 【研报复现】年化27.1%，人工智能多因子大类资产配置策略之benchm…
-
10年13倍(年化28.2%,夏普1.2)大类资产趋势轮动（python代码+数据）
今天来看一个有意思的策略——10年13倍(年化28.2%,夏普1.2)大类资产趋势轮动。 净值从1开始算，结果是13.79，翻了13倍。 折合到长期年化，按复利算，达到28.2%。…
-
quantlab5.2代码更新，含本周所有策略集和数据集。
最近这篇文章，收到很多同学的反馈： 长期年化收益45.9%：兼顾高成长与低波动的趋势轮动策略（附python代码） 很多同学问的是不是所谓“过拟合”，其实这个策略特别简单，也没有参…
