<fontcolor="brown"一、背景</font <fontcolor="red"谁是西蒙斯？</font  2019年，我天天对着堆成山的财务报表加班，眼睛都快看花了。Excel和财务软件上跳动的数字突然变得陌生——难道我的人生就要永远困在这些冰冷的账目里？难道我就这样替人做利润表一辈子，自己的财务人生却还是空白？ 想起大学时炒股的“黑历史”，看了两本技术指标书后，啥也不懂就瞎买，最后被割得干干净净，成了妥妥的韭菜。但心里一直藏着个梦想：...

最近在研究时间序列分析时，读到一篇关于相空间粗粒化的论文，让我对符号动力学产生了浓厚兴趣。作为量化交易者，我们总是在寻找市场转折点——从上涨转向下跌，从震荡转向趋势，从高波动转向低波动。传统的技术分析往往基于价格的绝对数值，但符号动力学提供了一个全新的视角：不要纠结于具体的价格，而是要关注状态的转换逻辑。 这个思路很有意思，让我想起做高频交易时的一个困惑：同样是上涨10个tick，在不同的市场状态下意义完全不同。如果我们能够准确识别和预测状态转换，是否就能在关键时刻抓住机会？ 为什么要关注状...

报告原文下载链接：https://pan.baidu.com/s/1yShAqy_AY8aB8Vx4RvgvNg提取码：lvi0 和上次一样，我们先来分析标签、特征和因子分别是什么。在这篇研报中，标签有股票代码、每日开盘价、每日收盘价、交易者结构等未经加工的底层市场数据。特征有交易者结构（大小单）、交易占比（如小单交易占比=小单成交金额/总成交金额）、过去20日累计涨跌幅（Ret20）、过去240日累计涨跌幅（Ret240）、剔除最近40日的过去200日涨跌幅（Ret240_40）等从原始标签...

概述 因为高频数据量非常大，若要进行多年度的回测需要大量的时间计算，所以我采用先计算因子值，计算完之后再执行回测，本篇主要分享可以优化的方向以及一些高频数据预处理的发现。 1.高频因子特点 相比低频因子IC半衰期更短 需要更高频的调仓（如日频），带来换手率的增加，但基金业绩表明，即使高频因子的换手率更高，但高频因子的信息收益在合适的控制下仍然高于高换手率的成本 Level2级的数据资讯更多但同时也有更大的噪声 本系列将依照高频数据低频...

引言：想通过一招擒龙大法就梦想长期盈利的人，我只能说，你想多了。 一、为什么私募不喜欢高夏普单策略？ 1.高夏普意味着显著的优势 比如夏普比率=3或更高，这通常意味着策略非常赚钱又不怎么波动。 然而这种策略容易被别人发现，因为信号太明显、回测曲线太好看、某些因子一眼就能看出来，还没有等你赚钱就很快被别人反向收割了。 2.卷来卷去会快速失效 一旦市场上的人都用这个策略，阿尔法就被榨干，比如套利空间越来越小、滑点越来越大。 所以为了不愿“跟别人卷”——高级的量化私募不是不想赚这个钱，而是知道这个钱赚不长久。 二、他们为什么喜欢“夏普为1，相关性为0（理想状态下）”的多个策略...

探讨因子的本质与检验方法 1.1探究的原因 因子、标签、特征是什么关系，我们买的到底是什么？ 因子到底是什么，研究因子如何区别民科还是具备科学的方法？ 因子如此重要如何正确的科学检验？因子分布如何看等等 GPlean到底该学什么因子？最后产出什么因子？ 论坛都有各种复现和生成因子，不仅有中金的因子手册还有阿尔法101等等，但是归根结底因子到底是什么，其检验和实战意义暂时还没人讨论，在此我讲下我的一些理解，希望大家纠错，共同进步。 1.2因子、标签、特征的关系 1.首先是按照我们做机器学...

<fontcolor="firebrick"一、背景</font <fontcolor="red"Alpha101的核心是通过特征工程优化因子，以此简化模型构建并提升训练效率与效果。</font  Alpha101因子体系如同量化投资领域的一座宝藏，其中101个因子构成了众多投资策略的"地基"，始终备受关注。 此前的两篇文章已深入拆解这些因子的设计逻辑及其预测市场走势的底层原理，可参考以下链接获取深度解析： [<fontcolor="pu...

报告原文下载链接：https://pan.baidu.com/s/1xPDtXF138Q6bGZ4CxoTd7g提取码：dy4o 在这篇研报中，标签为每日开盘价、每日收盘价、每日换手率、指数隔夜涨跌幅等未经加工的底层市场数据。特征为传统隔夜涨跌幅、隔夜涨跌幅绝对值、超额隔夜涨跌幅、超额换手率、滚动相关性等从原始标签中提取或计算出的尚未验证预测能力的中间变量。因子为传统隔夜因子、隔夜跳空因子、新因子MIF等对收益率有显著解释力的特征。 本篇研报的核心与上一篇研报相同，都是利用A股市场的非有效性...

一、标签 1.定义 标签是原始数据中直接观测到的底层属性，是分析的基础原材料。 2.核心特点 未经加工的自然记录（如数据库中的原始字段）。 可能包含无关变量，需筛选后才能用于建模。 3.示例 金融领域：股票每日收盘价、成交量、财务报表中的净利润。 其他领域：气温、犯罪率、冰淇淋销量。 二、特征 1.定义 特征是从标签中筛选或派生出的变量，与当前分析目标直接相关。 2.核心特点 是标签的子集或变换结果（如对数收益率、移动平均线）。 需经过业务逻辑过滤（如投资分析中排除“天气数据”）。 3.示...

最近几年在做量化研究时，我有一个很深的感受：A股市场正在发生一些根本性的变化。以前那种靠题材炒作、概念驱动的投资方式越来越难赚钱了，反而是一些基本面扎实的公司开始受到资金青睐。 这种变化背后有两个很重要的推手。第一个是外资的持续流入。我记得2016年刚开始关注北上资金的时候，很多人还把它当作一个短期的资金流向指标来看。但现在回头看，外资买入的逻辑其实很清晰：ROE高、现金流好、行业地位稳固的龙头公司。这些公司可能不是最sexy的，但确实是最赚钱的。 第二个推手是监管层面的变化。2020年的退...

1.概述 这两天看到一个开源项目，[TradingAgents项目GitHub](https://github.com/TauricResearch/TradingAgents)还挺火的，下来来玩了玩，给大家分享下。  这涨星的速度还是可以的。 2.安装 安装就看github上的readme页有介绍。  先把各个库安装好，如果没有安装conda的，需要先安装下conda。 环境安装好之后，还需要设置KEY，一共有两个 ![im...

上一篇文章我们介绍了高频因子的动量反转类因子，这一篇继续介绍波动率因子，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。 一波动率因子 1.1波动率因子构建 第二大类因子为波动率因子。波动率因子刻画了股票价格或股票收益在过去一段时间的不确定性程度，高波动率通常反映其不确定性程度较高，未来收益表现可能相对较弱。  将传统的收益波动、振...

<fontcolor="firebrick"一、背景</font Alpha101 <br Weemphasizethatthe101alphaswepresentherearenot‘toy’alphasbutreal-lifetradingalphasusedinproduction. <fontcolor="red"101个阿尔法因子并非用于理论研究的“玩具”因子，而是在实际交易中使用的真实因子。</font  此前，在《Alp...

<fontcolor="brown"一、背景</font Alpha101 <br Verycoarsely,onecanthinkofalphasignalsasbasedonmean-reversionormomentum. <fontcolor="red"大致来说，Alpha信号可基于均值回归或动量来理解。</font  量化交易作为金融市场的重要组成部分，在过去几十年中经历了显著的发展与演变。在这一领域，Alph...

报告原文下载链接:https://pan.baidu.com/s/1ab9uNgS2Ydhimlu1jf5raA提取码:hgei 本篇研报以趋势资金为切入点:通过日内分钟级别的成交量来识别趋势资金，再通过对应的价、量数据推测其交易行为，构建有效的选股因子。该因子主要利用了市场的无效性，根据A股市场散户占比高，定价效率较低的特征，得出主力资金行为更容易产生超额收益机会这一结论，并将将主观交易经验(如“跟庄策略”)转化为可量化的指标。 由于获取数据上的限制，我在复现研报时只采用了2024-03-...

1.概述 行业中性化（IndustryNeutralization）旨在从因子中剔除行业所带来的系统性偏差，使因子能够更真实地反映个股的特质（idiosyncraticcharacteristics）。许多因子天然地与特定行业相关联，比如市盈率因子在金融行业普遍较低，而在科技行业可能较高。 行业中性化通常通过分行业去均值或引入行业哑变量回归等方式实现，处理后因子值在行业间趋于均衡，从而避免策略因行业偏好而产生非预期的暴露。经过行业中性化处理的因子，更具普适性和解释力，在多因子模型、因子排序及回...

开篇：什么是量化投资？ 想象你是一个经验丰富的菜市场买菜高手。每次买菜时，你都有自己的一套"规则"： 西红柿要挑红润饱满的 价格比平时低20%时大量采购 避开周末人多的时候去买 量化投资就是把这套"买菜经验"用代码写出来，让电脑帮你在股市里"买菜"。 传统投资靠感觉和经验，量化投资靠的是数据+规则+纪律执行。就像用GPS导航代替问路一样，虽然偶尔会绕路，但长期看更靠谱。 为什么从双均线开始？ 双均线策略是量化投资的"九九乘法表"，简单但包含了完整的投资逻辑： 趋势判断：短期均线长期均线...

1.概述 在计算完因子数据之后，进行下一步的模型训练之前，通常需要对因子数据进行预处理，以及中性化处理。其中预处理比较简单，一般就是3倍MAD截断，zscore标准化，缺失值填充为0。中性化稍微复杂一些，本文将从市值中性化开始介绍如何进行市值中性化，下一篇将介绍如何进行行业中性化。 2.市值中性化 2.1市值中性化的必要性与逻辑 市值中性化是因子中性化处理中最常见且重要的一种，其核心目的是剔除因子值中由于市值（Size）因素引起的系统性影响，使得因子能够更纯粹地反映其自身的信息，从而提升因...

引言 在Niederhoffer和Osborne的证券交易所的市场做市与价格反转(1996)一文中，作者通过观察并举例股票价格在连续交易的变动ΔYt-1，ΔYt试图寻找在时序上的运动规律，并且得出如股票价格的短期波动并非完全随机，而是由市场制造机制和投资者行为共同塑造等结论。其中，作者认为股票价格在高频数据中存在显著的负自相关特性，即前一期价格ΔYt-1上涨会增加本期ΔYt下跌的概率，反之亦然。作者将这种现象归因于交易所做市商制度和限价订单簿的非均匀分布等市场微观结构因素。另外一个相对更近期的例...

1.概述 平时大家搭建自己的因子库，肯定要会涉及到行情数据的下载，因子库的计算入库等工作，股票数据相对来说数量比较大，更新一次需要不少时间，本文将分享如何通过多线程的方式加快数据的下载，以此为例，也可以扩展到其他大数据任务的计算中。 本文使用Tushare作为数据源，下载A股市场所有股票的日线数据（open,high,low,close,vol），我们将分析串行跟并行两种方法在时间效率上的表现。 2.串行下载 串行下载是最直观的实现方式，按顺序逐个处理每只股票的数据下载请求。注册好tushar...