分类目录归档:架构-ONE

新闻驱动的量化交易策略-


交易思路

看新闻

重点

导致的

股票

重点新闻

选股

盯盘

看盘口

埋伏

首板

从新闻中捕捉股票交易机会的实战思路

在股票投资领域,新闻事件是不可忽视的重要因素,它犹如一把双刃剑,既能为投资者带来丰厚回报,也可能让投资者陷入困境。掌握从新闻中挖掘交易思路的方法,对于投资者来说至关重要。

一、重点新闻筛选与关注

  1. 宏观经济新闻:GDP数据、就业数据、利率决策等宏观经济指标的公布,往往会引发市场的剧烈波动。例如,当GDP数据超预期增长时,可能意味着整体经济形势向好,企业盈利预期提升,从而推动股市上涨;反之,若数据不及预期,股市可能面临下行压力。投资者可通过官方经济数据...

Read more

东方财富量化


东方财富量化

一、简介

东方财富量化是东方财富证券提供的量化交易平台,旨在为个人和机构投资者提供智能化的交易工具。该平台支持股票、期权、期货等多种市场和品种的交易,集成了行情展示、策略研究、交易执行和风控管理等功能,适用于频繁交易者、量化爱好者和专业投资者。

二、功能特点

(一)策略开发与回测

  • 多语言支持:东方财富量化平台支持Python语言进行策略开发,结合其数据资源优势,为用户提供方便快捷的量化交易服务。
  • 数据资源:平台提供丰富的数据接口,可以轻松获取股票的历史行情数据,为策略开发提供数据支持。
  • 回测与优化:用户可以在平台上进行策略回测和优化,通过模拟交易过程计算策略的盈亏情况,并...

Read more

掘金量化


掘金量化

掘金量化是一个专业的量化投资平台,集成了金融数据、策略研究、交易工具、风险控制、绩效分析和增值服务等功能。它支持多种编程语言,包括Python、C++、C#和Matlab,适合量化投资机构和个人使用[^1^][^3^]。以下是关于掘金量化的一些详细信息:

功能特点

  • 多语言支持:掘金量化支持Python、C++、C#和Matlab四种编程语言,方便不同背景的用户编写和优化策略[^1^][^3^]。
  • 丰富的数据支持:平台提供实时行情数据、历史数据等多种数据源,支持股票、期货等多个市场[^2^][^15^]。
  • 策略开发与回测:用户可以在平台上进行策略开发、回测和仿真交易,平台提供了...

Read more

开源智能投顾平台-多维项目对比-分析报告


  • TradeMaster
  • FinGPT
  • FinRobot
  • AlphaNet
  • VNPY

TradeMaster、FinGPT、FinRobot、AlphaNet和VNPY对比分析

项目定位与功能

项目名称 定位与功能
TradeMaster 基于强化学习的开源量化交易平台,提供沙盒工具箱,包括PRUDEX-Compass、市场状态建模工具和市场价格模拟器,用于系统性评价算法性能、建模市场状态和模拟市场价格。
FinGPT 开源的大型金融语言模型,适用于金融领域的语言处理和数据信息处理,支持快速微调以适应市场变化,可用于金融预测、分析等。
FinRobot 金融领域的...

Read more

统计套利


统计套利(Statistical Arbitrage)是一种基于数学和统计方法的量化交易策略,旨在通过识别和利用金融资产价格之间的短期偏离来获取收益。其核心思想是,资产价格之间的历史关系会在未来重现,当价格偏离历史关系时,可以通过买入低估资产、卖出高估资产来获利。

统计套利的基本原理

  1. 均值回归:假设资产价格或价差会围绕其历史均值波动,当价格偏离均值时,会回归到均值水平。
  2. 配对交易:选择两个或多个相关性高的资产,构建价差(Spread),当价差偏离历史均值时进行交易。
  3. 统计模型:利用时间序列分析、协整关系、主成分分析(PCA)等统计方法,识别资产之间的关系。

统计套利的常见策略

  1. 配...

Read more

AlphaNet-V3-


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:

  1. AlphaNet--V1 模型在实证检验中表现不佳,其给出的标签预测值几乎为常数,因此对其进行改进。
  2. 在 AlphaNet--V3 中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),并调整标签值为涨跌方向和超额收益方向。
  3. 使用不同方法查看 AlphaNet--V3 的网络结构,并对模型进行训练和测试,绘制训练集和测试集上损失的变化,比较预测值和真实值。
  4. 调整预测目标为收益率的方向和超...

Read more

AlphaNet因子挖掘网络


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

  • AlphaNet-V1 的不足与改进方向:AlphaNet-V1 给出的标签预测值几乎都为常数,不理想。因此在 AlphaNet-V3 中进行两方面改进,一是调整网络结构,加入不同步长的特征提取层并将池化层转换为 GRU;二是调整标签值,转换为涨跌方向...

Read more

量化策略-分类


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。

Read more

量化策略整体架构图


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...

Read more

特征挖掘-构建量化交易策略


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:


一、特征挖掘的四大维度

1. 技术面特征

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...

Read more