分类目录归档：ONE
| 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... |
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。
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。
股票价格预测引擎的预测能力在2025年通过多种技术创新得到了显著提升，结合机器学习、深度学习以及多模态数据分析，能够更精准地捕捉市场动态。以下是当前主流预测引擎的核心能力与技术进展：
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...