<fontcolor="brown"一、引言</font <fontcolor="red"TheFutureofCodingis‘TabTabTab’</font  OpenAI创始成员AndrejKarpathy曾说过："编码的未来是按Tab键自动补全"。 Cursor的出现推动开发者角色从“编写代码”转向“引导AI生成正确代码”。未来编程将高度依赖AI自动化补全能力，开发者只需通过反复按“Tab键”即可快速生成代码。目前，Cursor、GitHub...

我们运用统计上的显著性来检验因子是否有效。但是简单地使用统计检验得到的因子有时并不一定是靠“实力”，还有很大一部分“运气”成分。我们把显著性水平设为α，如果我们检测100个因子，至少有1个因子显著的概率高达1−(1−5%)^100=99.4%!因此，单纯检验每一个因子存在缺陷，我们需要引入多重检验的方法，同时检验多个假设(hypothesis)。 一、多重检验(multipletesting) 1.1核心思想 多重检验的核心思想可分为两种。一种是为了控制家族错误率(Family-wiseEr...

一一级标题 1.1二级标题 xxxx; xxxx; 1.2二级标题 1.xxxx; 2.xxxx;

一、引言： 在进行回测系统的搭建中，了解指标评估因子的质量的意义是重要的，现在写出一篇帖子用于评估策略。 本文采用的策略指标复现源自PandaAi开源项目截取。 量化策略的回测评估依赖多项绩效指标。通过分析年化收益率、超额收益率、最大回撤、波动率、夏普比率和信息比率等指标，可以全面了解策略的收益能力与风险特征。例如，夏普比率是一种衡量单位风险所获超额收益的指标，而超额收益表示相对于选定基准的附加回报。 此外，因子质量指标（如信息系数IC、IC信息比率ICIR、秩相关系数等）可用于评估单个因子的预...

<fontcolor="brown"一、开篇</font <fontcolor="red"工作流解锁量化大众化，全民玩转量化时代已来！</font  上篇文章详细介绍了PandaAI线性模型工作流的完整流程，同时也阐述了策略回测分析与因子相关性分析的具体步骤。正如我们之前所强调的——任何任务都能拆解为清晰可控的工作流，因此我们将进一步把机器学习相关工作流应用到量化分析场景中。 在下面连接中可以看到关于PandaAI工作流的详细介绍和多因子模...

一一级标题 1.1二级标题 xxxx; xxxx; 1.2二级标题 1.xxxx; 2.xxxx; 3.

行情类 获取股票详细数据 方法名：get_stock_detail 使用示例 python importpanda_quant stocks=panda_quant.get_stock_detail(symbol="000001.SZ",fields=["symbol","name"]) print(stocks) 入参： |字段|类型|描述|是否必填| |---------|----------------|------|------| |symbol|str|股票代码|必填| |fields|Optional[list]|返回字段|非必填| 响应参数： |字段|类型|...

报告原文下载链接：https://pan.baidu.com/s/1vTlDC54x6ha8FSz6ERSaiA 提取码：gsjg 锚定效应是行为金融学的代表理论之一。投资者在进行股票投资时，往往会考虑股票过去的价格走势，比如将过去一年中的低点视为支撑位、过去一年中的高点视为压力位。当股价逼近过去高点时，“锚定投资者”会认为股价很难继续上涨至突破高点，因此很容易造成股票价格对其他利好消息的反应不足。 因此我们想利用创新高股票来获取超额收益，并在中证800股票池上测试。创新高股票定义:某只股票...

上次我们通过天山老妖的教程了解了QuantFabric的系统架构设计，从理论层面认识了这套高频交易系统。今天继续跟着教程的第二部分，看看这个系统在实际运行时是什么样子的。 如果说上一篇是在看"设计图纸"，那么这一篇就是在看"驾驶舱"——一个真正运行中的量化交易系统，交易员每天面对的操作界面，以及系统背后各个组件是如何协同工作的。 从理论到实践的跨越 理论再完美，最终还是要落地到实际使用中。天山老妖在这个演示中，展示了一个完整的QuantFabric测试环境，让我们能够直观地看到： 行情数...

引言 我们在搭建量化数据库时，时常需要考虑到数据库与策略类型是否兼容。数据库的选型直接影响数据存储、查询效率、回测速度和实盘交易的稳定性。根据不同类型数据库可分为以下几类： 1.时间序列数据库 适用场景：高频交易、Tick级数据、市场深度数据等高频时间序列存储。 推荐选项： InfluxDB 优势：专为时间序列优化，高性能写入和压缩，支持连续查询（CQ）和降采样。 缺点：集群版闭源，社区版功能有限。 TimescaleDB 优势：基于PostgreSQL的扩展，支持SQL语法，兼容金融生态工...

延续上次对市场"状态转换逻辑"的探讨，我们知道识别市场状态固然重要，但真正的挑战在于如何快速执行。最近在学习天山老妖的QuantFabric教程（[edu.csdn.net/learn/37051/572467](https://edu.csdn.net/learn/37051/572467?spm=1002.2001.3001.4157)），对高频交易系统的架构有了更深入的理解。 作为量化交易者，我们都知道速度和精确性的重要性。今天分享一下从教程中学到的QuantFabric系统架构，看看它如何通过精妙的设计和优化，帮助交易者在毫秒甚至纳秒间执行交易。 高频交易的核心需求 在高频交易的...

报告原文下载链接：https://pan.baidu.com/s/165I89OfDhxVeoCdtWDylDA提取码：cryy 高、低位放量是技术分析中经典的价量形态，通常被用于择时或事件驱动类型的研究，本篇报告尝试将其拓展到横截面选股领域，构建有效的选股因子。按常理来说，若股价触发“高位放量”形态，往往预示着主力资金开始出货，股票未来下跌的概率较大；反之若触发“低位放量”形态，则通常表明主力资金开始进场，股票未来有正向超额。  在本篇研报中，标签有每日开盘价...

报告原文下载链接：https://pan.baidu.com/s/1jBGmWCS1l-SolG02kOF_Rw提取码：zu97 相对强弱指标RSI(RelativeStrengthIndex)是最常用的技术分析指标之一，常被用来评估多空力量的强弱程度，被广泛应用于各种金融产品的研究分析中，但是RSI通常被用于时序择时，较少被用来在横截面上进行选股。本篇研报则将RSI技术指标扩展到横截面选股领域，构建有效的选股因子。 在本篇研报中，标签有股票代码，每日开盘价、收盘价，成交量，分钟级涨跌幅，市...

GitHub网址：https://github.com/PandaAI-Tech/panda_factor?tab=readme-ov-file 一、环境准备 1.Python3.9及以上 2.从GitHub上克隆项目到本地 gitclonehttps://github.com/your_org/panda_factor.git cdpanda_factor 二、MongoDB数据库安装 1.安装MongoDB8.x 数据库网盘链接：https://pan.baidu.com/s/1q...

接上一篇：Alphagen学习笔记（1.Qlib因子生成部分）。接下来尝试简化和重写qlib因子生成（更准确说应该是“因子计算”），即：1.替换成本地parquet文件行情数据2.再按表达式计算出因子值。 行情和因子值在各个模块中传递顺序为从左至右：data—loader—stock_data。  小白编程还是要多用deepseek。我刚开始采用胡乱试的办法，把以上各个模块扔进对话框，先帮我解释一下代码，然后阐明接下来工作目标是要把mongodb行情数据替换成本地c...

一、引言 在A股量化投资中，构建完善的因子库对于策略研发和回测效率至关重要。传统基于CSV文件存储因子数据存在冗余、跨周期计算效率低和扩展性差等问题，而通过建立数据库式的因子库，可以显著提升数据管理和检索效率。本项目旨在基于AkShare和MongoDB构建一个A股的价格-成交量因子库，将常见的技术指标和量价指标按日保存，为选股和策略开发提供数据支持。借助开源工具，我们可以批量获取数据、自动清洗和计算因子，并方便地存入数据库，为后续的回测与分析打下基础。 二、技术架构与依赖工具 2.1该项目采用...

上一篇文章我们介绍了高频因子的波动率类因子，这一篇继续介绍高阶特征因子，并在因子分析的基础上加入策略回测。 研究环境利用聚宽因子分析API，构建因子函数类；研究在日内高频分钟级数据中挖掘构建高频因子，对该因子进行有效性检验，并利用回测平台进行回测。 一高阶特征因子 1.1构建方法 第三大类因子为高阶特征因子。高阶特征利用股票高阶矩与其未来收益建立联系，刻画日内价格分布以及快速变化的特征，能够有效反映价格的除动量和波动率这样一阶和二阶特征外更高阶的特征。  将分...

-----想定制魔改qlib因子计算和改用小型数据文件的，希望有帮助----- 今年深圳课上接触到的alphagen,最吸引人的部分是：仅通过表达式就可以快速生成相应因子可在表达式层面高效开展因子探索。意识到引入这个部分对我当前投研数据工作会是一个很大提升。初步了解这部分内容是使用qlib实现的而qlib使用的是MongoDB数据库。初步了解MongoDB后决定暂时放弃（目前只做股票日间交易，A股全市场daily数据1GB左右目前的parquet够用）。 细化一下研究工作域边界和内容：研究q...

<fontcolor="brown"一、开篇</font <fontcolor="orange"Lifeisshort,youneedPython!</font <fontcolor="red"人生苦短，我用Python!</font  文科生学习量化投资，确实存在诸多门槛。在前文提及的数理、代码、金融、交易这四个维度里，我觉得数理当属最为关键且难度最高的部分。毕竟里面有线性代数、统计、概率论、计量经济这些硬核内容，咱可以先Pass这部分。...

1.概述 前段时间搭好了一个多因子框架，从几十个因子里面挑出了5个表现比较好的因子，先进行了MLP的训练，但是因为因子数据太少，模型基本上没学习到什么东西，迭代一次，损失就不再下降了。于是决定采用随机森林模型来训练，这个系列将把自己学习模型过程中的经验分享出来，与大家一同交流。大家都知道，随机森林是由若干决策树组成的，所谓几十个臭皮匠，顶个诸葛亮。那么本文就先分享决策树模型，我们将从零开始实现完整的代码。 2.决策树 我们以下面这个例子为例，假如我们要租房，需要根据西区还是东区以及房间的数量来...