分类目录归档：个人量化
全文总结 本文主要介绍了对 AlphaNet--V1 模型进行改进得到 AlphaNet--V3 模型的过程，以及将随机森林模型作为基准与 AlphaNet--V3 进行比较。具体内容包括：
运算符嵌套和卷积神经网络
全文总结 本文主要介绍了对 AlphaNet--V1 模型进行改进得到 AlphaNet--V3 模型的过程，以及与随机森林模型进行比较。具体内容包括在 AlphaNet--V1 基础上加入多步长的特征提取层、将池化层替换为门控循环单元（GRU）、调整预测标签值、训练和测试模型、与随机森林模型对比等。 重要亮点
量化策略包括：
1) 统计套利策略，这种策略利用价格偏差进行买卖；
2) 机器学习策略，通过数据建模预测市场走势；
3) 动量策略，基于价格趋势追踪表现良好的资产；
4) 反转策略，基于历史价格行为寻求逆向交易的机会；
5) 基于事件驱动的策略，利用公司并购、财报发布等事件带来的市场波动进行交易。
每种策略都有其独特的风险和收益特征。
这是一张量化策略整体架构图。其展示了量化投资策略从数据输入到策略输出的完整流程。
从左至右来看： - 数据集种类：包括K线、MA均线、KDJ随机指数、MACD等技术面数据，以及宏观经济、行业分析、公司分析等数据，这些数据为后续分析提供基础。 - 输入数据：涵盖行情数据（技术面）、财务数据（基本面）、自定义数据（自定义）、投资经验（经验、喜好），还提及了历史数据集、验证数据集和预测数据集。这些数据是策略制定的依据。 - 操作策略：通过机器学习算法模型，进行候选选股、择时买入、仓位管理、止盈止损等操作，利用模型预测来指导投资决策。 - 策略输出：最终产生买入信号、出卖信号、交易收益、交易成本...
特征挖掘是构建交易策略的核心环节，旨在从海量市场数据中提取有效信号，为模型或决策提供关键输入。以下是特征挖掘的系统化方法论，结合金融市场的实际应用场景：
| 类别 | 典型特征与公式 | 应用场景 |
|---|---|---|
| 趋势类指标 | - MACD：EMA(12)-EMA(26)，信号线EMA(9) - ADX：衡量趋势强度（>25为强趋势） |
趋势跟踪策略 |
| 动量类指标 | - RSI：100 - 100/(1 + 平均涨幅/平均跌幅) - CCI：(TP-MA)/(0.015×标准差)，TP=(H+L+C)/3 |
超买超卖判断 |
| 波动率指标 | - ATR：True R... |
交易体系是交易者在金融市场中实现稳定盈利的核心框架，它是一套系统化的规则和流程，涵盖市场分析、策略执行、风险管理等多个维度。以下是构建交易体系的关键要素和步骤：
市场情绪分析：监测VIX恐慌指数、新闻舆情、社交媒体热度等情绪指标。
交易策略设计
信号生成：明确入场/出场条件（例...
估值分析模型是用于评估资产（如股票、债券、公司等）内在价值的工具和方法。这些模型通过分析财务数据、市场数据和经济环境，帮助投资者判断资产是否被高估或低估。以下是常见的估值分析模型及其应用：
绝对估值模型通过预测资产未来的现金流或收益，并将其折现到当前价值来估算资产的内在价值。
量化模型是利用数学、统计学和计算机科学等技术，通过分析历史数据和市场行为来制定投资策略的模型。量化模型广泛应用于金融领域，包括股票、债券、期货、外汇等市场。以下是量化模型的关键组成部分、类型和应用方法：
量化基本面模型是一种结合了传统基本面分析和量化投资方法的模型。它通过将基本面数据（如财务报表、行业数据、宏观经济指标等）转化为量化指标，并利用统计和机器学习技术进行投资决策。以下是量化基本面模型的关键组成部分和应用方法：
基本面因子是用于评估公司内在价值和未来表现的财务和经营指标，通常分为以下几类：