量化交易中所谓「回测易，实盘难」的问题怎么解释？ - 知乎1315被浏览92431分享邀请回答0添加评论分享收藏感谢收起量化交易中所谓「回测易，实盘难」的问题怎么解释？ - 知乎1315被浏览92431分享邀请回答1添加评论分享收藏感谢收起期货反跟单交易的几大致命问题？ - 知乎15被浏览2500分享邀请回答06 条评论分享收藏感谢收起拒绝访问 | www.hainei.org | 百度云加速
请打开cookies.
此网站 (www.hainei.org) 的管理员禁止了您的访问。原因是您的访问包含了非浏览器特征(39b76f2cc8b26d42-ua98).
重新安装浏览器，或使用别的浏览器{"debug":false,"apiRoot":"","paySDK":"/api/js","wechatConfigAPI":"/api/wechat/jssdkconfig","name":"production","instance":"column","tokens":{"X-XSRF-TOKEN":null,"X-UDID":null,"Authorization":"oauth c3cef7c66aa9e6a1e3160e20"}}
{"database":{"Post":{"":{"title":"十行代码带你量化交易入门","author":"liang-hua-cai-niao","content":"说起量化交易入门，很多时候得到的答案都是长长的书单，让人望而却步。这里，就为新手准备了这篇文章--十行代码带你量化交易入门数据获取，策略回测，行情链接，交易信号，直接体验整个量化交易的核心流程，立刻学会并跟着做起来！这里，就为新手准备了这篇文章--十行代码带你量化交易入门学习内容：学会写一个简单的量化交易策略理解策略的基本框架学会建立连接实盘的模拟交易，并使其自动发送交易的信号到微信首先，进入，点击导航栏我的策略，新建策略，进入策略编辑画面，如图。 左侧是编写策略代码，右侧是策略运行结果。我们就在左侧写策略代码。下面教你用10行代码写个量化交易策略——单股票均线策略1 确定策略内容与框架若昨日收盘价高出过去20日平均价今天开盘买入股票 若昨日收盘价低于过去20日平均价今天开盘卖出股票只操作一只股票，很简单对吧，但怎么用代码说给计算机听呢？想想人是怎么操作的，应该包括这样两个部分既然是单股票策略，事先决定好交易哪一个股票。每天看看昨日收盘价是否高出过去20日平均价，是的话开盘就买入，不是开盘就卖出。每天都这么做，循环下去。对应代码也是这两个部分def initialize(context):\n
用来写最开始要做什么的地方\ndef handle_data(context,data):\n
用来写每天循环要做什么的地方\n答疑与延伸：def后面的空格和最后的冒号不能少！符号都要用英文输入法！为什么这么写？就这么规定的，先别管了。handle_data 按天循环时，如此处，其中的操作都是在9:30执行。毫无编程基础？，丝毫不懂变量，函数，if else的，还是先到的编程部分学习下python语言吧。几乎所有策略都基于这个基本的策略框架：先初始化，然后循环操作1 初始化，即最开始要做的事情，如选定股票，设置变量、参数等等 2 周期循环：即每个周期要做的事情，如计算指标，买入卖出等，周期可能是分钟，天等，本文策略的周期是一天。当你要做一些盘中短线操作的时候，周期就要调成分钟，先别着急会遇到的。2 初始化我们要写设置要交易的股票的代码，比如 兔宝宝（002043）def initialize(context):\n
g.security = '002043.XSHE'# 存入兔宝宝的股票代码\n答疑与延伸：“g.”是什么？全局变量前都要写”g.”，全局变量就是全局都能用的变量，一般变量只能在该函数下使用。如security不加”g.”,只能在第一部分即initialize里用，不能在第二部分handle_data里用。不懂什么是变量的，到量化课堂的python编程里学习下基础内容，或者问问度娘。“XSHE”是什么？ 股票代码使用时要加后缀，深交所股票代码后缀为 “.XSHE “，上交所股票代码后缀为 “.XSHG”。代码中“#”是什么？”#“后的内容都是注释，是为代码做说明的，不会被计算机当做代码处理。3 获取收盘价与均价首先，获取昨日股票的收盘价# 用法：变量 = data[股票代码].close\nlast_price = data[g.security].close# 取得最近日收盘价，命名为last_price\n然后，获取近二十日股票收盘价的平均价# 用法：变量 = data[股票代码].mavg(天数，‘close’)\n# 获取近二十日股票收盘价的平均价，命名为average_price\naverage_price = data[g.security].mavg(20, 'close')\n答疑与延伸：4 判断是否买卖数据都获取完，该做买卖判断了# 如果昨日收盘价高出二十日平均价, 则买入，否则卖出\nif last_price & average_price:\n
买入\nelif last_price & average_price:\n
卖出\n问题来了，现在该写买卖下单了，但是拿多少钱去买我们还没有告诉计算机，所以每天还要获取账户里现金量。# 用法：变量 = context.portfolio.cash\ncash = context.portfolio.cash# 取得当前的现金量，命名为cash\n答疑与延伸：这句看着有点复杂，先记住吧。然后我们看看买入卖出怎么写。5 买入卖出# 用法：order_value(要买入股票股票的股票代码，要多少钱去买）\norder_value(g.security, cash)# 用当前所有资金买入股票\n# 用法：order_target(要买卖股票的股票代码，目标持仓金额）\norder_target(g.security, 0)# 将股票仓位调整到0，即全卖出\n答疑与延伸：为什么没有指定交易价格？此策略是按天回测进行的且使用的较为简单的市价单下单方法，交易价格为开盘价(加上滑点)无法交易的情况？涨跌停，停牌，T+1制度等无法交易的情况，系统会自动使下单不成交并在日志中发出警告。6 策略代码写完，进行回测把买入卖出的代码写好，策略就写完了，如下def initialize(context):#初始化\n
g.security = '002043.XSHE'# 股票名:兔宝宝\ndef handle_data(context, data):#每日循环\n
last_price = data[g.security].close# 取得最近日收盘价\n
# 取得过去二十天的平均价格\n
average_price = data[g.security].mavg(20, 'close')\n
cash = context.portfolio.cash# 取得当前的现金\n
# 如果昨日收盘价高出二十日平均价, 则买入，否则卖出。\n
if last_price & average_price:\n
order_value(g.security, cash)# 用当前所有资金买入股票\n
elif last_price & average_price:\n
order_target(g.security, 0)# 将股票仓位调整到0，即全卖出\n现在，在策略回测界面右上部，设置回测时间从160601，设置初始资金100000，设置回测频率，然后点击运行回测。 答疑与延伸：什么是回测？回测是量化交易策略研究中的关键，是指给定一段时间的历史数据（如此处是160601的每日数据），计算机按照所编写的策略进行模拟仿真交易，以测试策略效果好坏。如果你代码没有问题，就会顺利的进行回测，回测结果如下图： 至此，你就完成了一个简单策略的回测了。答疑与延伸：如何根据回测结果评价策略好坏？很初级地讲，有三： 盈利能力：策略收益与年化收益高，则说明盈利能力强。盈利能力不行说啥都没用。盈利稳定性：最大回撤要低。最大回撤是指最大亏损幅度，50%则意味着历史上看最大亏损率为50%。回测可靠性：交易次数要多。交易次数越多意味着经历了越多次的检验，回测的结果也越可靠。 更多说明见：这个策略回撤大，交易次数少，只交易一只股票，并不靠谱。但是结构简单适合新手入门理解整个流程。7 建立模拟交易，使策略和行情实时连接自动运行策略写好，回测完成，点击回测结果界面（如上图）右上部红色模拟交易按钮，新建模拟交易如下图。 写好交易名称，设置初始资金，数据频率，此处是每天，设置好后点提交。答疑与延伸：模拟交易创建成功后，需要等待A股至少开盘一次，才能查看模拟交易结果。8 开启微信通知，接收交易信号点击聚宽导航栏我的交易，可以看到创建的模拟交易，如下图。 点击右边的微信通知开关，将OFF调到ON，按照指示扫描二维码，绑定微信，就能微信接收交易信号了。 当策略买卖操作，微信会收到信号提醒类似下图。 答疑与延伸：能不能自动下单？目前不能，国家管制。你可根据信号手动下单买卖，施行策略。自测与自学能否理解整个策略框架。能否成功编写单股票均线策略，成功回测，建立模拟，开启微信通知。能否理解年化收益，最大回撤。浏览JoinQuant 导航栏-帮助-之后的文章，将在本文的基础上，进行深入和扩展，比如多股票，指标获取，大盘择时等，旨在帮助对量化交易有兴趣的人快速入门，能够自主实现自己心中的想法与策略。本篇文章和后续将收录到
， 敬请关注：）更多进阶内容可以到
学习，特点是讲解细致，代码规范，可以在聚宽实践演练。都看到这里了，不点个赞嘛：）推荐阅读：，干货，答疑，指路，一应俱全。","updated":"T04:58:59.000Z","canComment":false,"commentPermission":"anyone","commentCount":55,"likeCount":965,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","titleImage":"/v2-3c28650fab8d9ef163e85c6f_r.jpg","links":{"comments":"/api/posts//comments"},"topics":[{"url":"/topic/","id":"","name":"量化交易"},{"url":"/topic/","id":"","name":"编程"},{"url":"/topic/","id":"","name":"投资"}],"adminClosedComment":false,"href":"/api/posts/","excerptTitle":"","column":{"slug":"JoinQuant","name":"量化交易&宽客"},"sourceUrl":"","pageCommentsCount":55,"snapshotUrl":"","publishedTime":"T12:58:59+08:00","url":"/p/","summary":"说起量化交易入门，很多时候得到的答案都是长长的书单，让人望而却步。这里，就为新手准备了这篇文章--十行代码带你量化交易入门数据获取，策略回测，行情链接，交易信号，直接体验整个量化交易的核心流程，立刻学会并跟着做起来！ 这里，就为新手准备了这…","reviewingCommentsCount":0,"meta":{"previous":null,"next":null},"commentsCount":55,"likesCount":965},"":{"title":"【国外前沿】量化研究搬运","author":"liang-hua-cai-niao","content":"近期又在网上看到一系列的量化研究文章，分享在社区里和大家一起学习～ 01. 基本面交易与高频交易的碰撞· 高频交易和基本面交易 High Frequency Trading and Fundamental Trading关键词：高频交易 基本面信息 价格有效性 价格信息含量 非法预先交易（扒头交易）作者运用多时段交易模型来分析一个基本面交易者是如何调整他的交易策略以及信息制造决定来适应高频交易（HFT）的存在。研究结果表明不同的基本面交易者调整措施非常不同，并且取决于高频交易释放出的信息的类型。与没有高频交易的基准相比，和以往交易活动相关的信息减少了基本面交易以及信息的制造，以及带来更少的价格信息。然而有意思的是，高频交易正好相反，和基本面信息相关的高频交易信息不会产生上述影响，同时整体来看价格可能会更加能够反映市场信息。同时，研究者还关注了价格反映资产价值以及随时间推移产生信息的能力。研究结果与传统经验一致，均反映出高频交易提升了短期价格发现能力，减少了价格反映长期基本面信息的能力。02. 广泛使用的市盈率因子与市场关注的结合· 市盈率和价值投资者的关注点 P/E Ratios and Value Investor Attention关键词：市盈率 有限关注 投资者行为 交易量 流动性 异质波动市盈率作为最流行的价值代理，被广泛认为使用在最近四个季度的收入中。与上期净收益率或者当前市净率相比，相应的净收益率有更显著的更高的回报率预测能力。回报率的每周状况和单个投资者的交易活动一致。回报率的预测对基本面、价格栋梁、收益动量、成交量以及流动性不敏感。相应的收益率和交易量呈正相关，和异质波动率呈负相关。金融数据提供者只提供有正回报的股票的市盈率；相应的回报率只用来预测这些股票的回报率、成交量和流动性。03. 有关指数交易和积极／消极投资者行为及影响的讨论· 指数交易是良性的吗？Is Index Trading Benign?关键词：CAPM 被动交易 指数 夏普率 联动 部分解释均衡 消极／被动的投资者将他们的资产分配在市场组合和无风险资产两者之间，然而积极的投资者投资单独资产。在一个理性预期模型中，研究表明CAPM风险收益关系存在。消极投资者不是搭便车的人。随着更多的积极投资者变得消极，资产中异质风险在总风险中所占比例上升，价格的联动更加显著，回报率联动下降，以及对于除市场资产外的其他投资组合，夏普率下降，收益的条件方差上升。04. 投资者的关注与情绪对市场有影响吗？· 投资者关注点和情绪：风险还是异常？Investor Attention and Sentiment: Risk or Anomaly?关键词：投资者关注 投资者情绪 限制套利 资产定价 异质风险之谜 股票价格的变动是和投资者关注点的变化相关并且根据投资者情绪定价的吗？在文章中研究者通过研究上述两部分内容的网络搜索指数发现了和该理论一致的新结果。和投资者关注负相关的股票在未来几个月会有良好的表现，这一行为和风险溢价一致。和投资者情绪负相关的定价取决于总体的错误定价，当错误定价过低时和风险溢价类似，在错误定价过高时有更像是一种异常。对于情绪和投资者注意力的敏感和异质波动率以及对于套利的限制高度相关：更高的绝对关注／情绪可能带来更高的波动率、更小的规模和其他对于套利的限制。然而，对于价格的关注以及情绪成分和异质风险之谜有着明显的不同，并且当控制相关定价因素和公司特征之后表现显著。对于定价一系列各种资产，投资者的关注是稳定而且强有力的。另一方面，投资者的情绪对于股票表现的影响和收益反转／动量有较强的相关性。05. 关于股票期限结构的深入研究· 股票期限结构的时间变化 Time Variation of the Equity Term Structure关键词：资产定价 股票期限结构 时变贴现率文章中作者研究了预期股票回报率期限结构的时间变化状况。研究表明，股票期限结构的斜率是反周期的：期限结构在较差的周期内斜率更加向上（或者说向下得更少）。这一发现对于股票溢价的来源有着广泛的应用。诚然，研究表明反周期特征的期限结构和长期风险的理论一致，但是这些理论无法解释整体下行的斜率。与此同时，时间的变化与最近建立起的用来匹配向下斜率的模型不一致。如果喜欢此类内容，请留言告诉我们，如果需求的人多，我们会加大力度提供此类内容的。同时如果大家有感兴趣的部分也请在评论中留言，当然也欢迎提意见哈：）链接:
密码: dp3e到JoinQuant查看原文","updated":"T03:49:19.000Z","canComment":false,"commentPermission":"anyone","commentCount":8,"likeCount":18,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T11:49:19+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-88ee515c452ba_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":8,"likesCount":18},"":{"title":"不了解量化？来听听JP Morgan的建议吧～","author":"liang-hua-cai-niao","content":"金融行业的技术性工作总是像走马灯一样，“你方唱罢我登场”。在2001年对于互联网公司的股票研究火遍全球，2006年大家的关注点集中在担保债权凭证（CDOs);2010年，信用交易变为潮流；2017年则是机器学习和大数据登场的一年。近期由Marko Kolanovic和Rajesh T. Krishnamachari领导的J.P. Morgan量化投资和衍生品策略小组发布了题目为“大数据和人工智能策略--投资中的机器学习和另一种数据方法“针对大数据和机器学习在金融领域最为全面的报告。报告中提到机器学习在未来对于市场的变化。分析师、证券投资经理、交易员和投资主要负责人都应该熟悉机器学习技术。传统的数据来源例如季度收益和GDP数值会很快变得失去价值因为经纪人们会运用新的数据库和方法来提前预测这些指标并且在发布之前进行交易。这份报告共280页，这里我们对它进行简化。01. 银行需要懂市场运行的优秀数据科学家J.P. Morgan着重提到对于银行和一些金融公司更偏爱数据分析技能而不是市场知识的做法，这是非常危险的。了解数据和信号背后的经济学知识比单纯的技术更加重要。02. 机器可以用来做短期和中期的交易决策摩根大通指出，在未来，他们说的机器将在中期中越来越流行，“机器已经快速分析新闻和信息的能力，运行交易指令，浏览网页，并同时完成上述行为。这将降低对基本面分析、股票经理和宏观投资者的需求。03. 需要能够获取、处理和评估数据的人才在实现机器学习策略之前，数据科学家和定量研究人员需要获取和分析数据以获得可交易的信号和洞察能力。摩根大通指出，数据分析是复杂的。今天的数据量往往比昨天更大。数据包括从个人数据（如社交媒体的文章，产品评论，搜索趋势等）到业务数据程（公司发布数据、商业交易、信用卡数据等）和由传即感器产生的数据（卫星影像数据等）。这些新的数据形式需要加以分析，然后才能应用于交易策略中。他们还需要对这些数据进行“阿尔法内容”评估——他们生成alpha的能力。alpha内容部分取决于数据的成本、所需的处理量以及数据集的使用情况。04. 有不同种类的机器学习。它们用于不同的目的机器学习有各种各样的迭代，包括有监督学习、无监督学习和深度学习和强化学习。监督学习的目的是建立两个数据集之间的关系，并使用一个数据集来预测另一个数据集。无监督学习的目的是试图理解数据的结构，并找出它背后的主要驱动力。深度学习的目的是利用多层神经网络来分析一种趋势，而强化学习则鼓励算法探索并找到最有利可图的交易策略。05. 监督学习将用于利用样本数据进行基于趋势的预测在财政方面，J.P. Morgan表示，监督学习算法将利用历史数据来找到最有预测力。监督学习算法分为两类：回归和分类方法。基于回归的有监督学习方法尝试基于输入变量预测输出。例如，他们会考虑如果通货膨胀率飙升，市场将如何移动。分类方法遵循后向原则，并试图确定一组分类属于哪一类。06. 无监督学习将用于识别大量变量之间的关系无监督学习方法分为聚类分析和因子分析。聚类涉及基于相似性的概念将数据集分割成较小的组。例如，它不能涉及识别高波动率和低波动率或上升和下降的通货膨胀的历史制度。因子分析旨在确定数据的主要驱动力，或者确定数据的最佳代表性。例如，收益率曲线走势可以用收益率的平行移位、曲线的陡峭程度以及曲线的凸性。在多资产组合中，因子分析将确定主要驱动力，如动量、价值、波动性或流动性。07. 深度学习系统将承担人们难以定义但容易执行的任务深度学习实际上是人为地再现人类智力的一种尝试。摩根大通表示，深度学习是特别适合于非结构化大数据集的预处理（例如，它可以用来计算卫星图像重的汽车数量）。一个深度学习模型可以使用一个假设的金融数据序列来估计市场修正的可能性。深层的学习方法是建立在神经网络的基础上，而神经网络的灵感来源于人脑的运作。在网络中，每个神经元接收来自其他神经元的输入，并计算这些输入的加权平均值。不同输入的相对权重是由过去的经验确定的。08. 强化学习将被用来选择一个连续的行动过程以最大化最终回报强化学习的目标是选择一个连续动作的过程以最大化最终（或累积）回报。与监督学习（通常是一步过程）不同，强化学习模型不知道每一步的正确动作。摩根大通的电子贸易团队已经使用强化学习算法。下图显示了它的机器学习模型。09. 你不需要成为一名机器学习专家，你需要做一名优秀的量化交易员和程序员摩根大通表示，数据科学家的角色技能是几乎任何其他定量研究者一样。现有的买卖双方的量化人员背景包含计算机科学、统计学、数学、金融工程、计量经济学和自然科学。定量交易策略的专业技能将是关键技能。“对于定量研究人员而言改变数据集的大小格式、用更好的统计和机器学习的工具应该比IT专家或者硅谷企业家更容易。”相比之下，摩根大通指出，你不需要知道机器学习非常具体的细节--大多数机器学习方法已经编码（例如在R），所以只需要应用现有的模型。他们建议初学者可以使用基于GUI的软件如Weka小数据集。Python也有广泛的库，像Keras（keras.io）。有开源的机器学习库像Tensorflow和Theano.10. 这些是你需要知道的编码语言和数据分析软件包如果你只打算学一种机器学习相关的编码语言，摩根大通建议您选择R和下图所示的相关的包。然而，C++，Python和java也有机器学习的应用如下图所示。11. 一些常用的使用Python的机器学习代码的例子12. 支持性部门也需要理解大数据最后，J.P. Morgan指出，辅助支持性部门同样需要了解大数据。报告提到，太多的招聘官并不能区分高谈阔论人工智能的能力和实际设计出一个可用于交易的策略的能力。到JoinQuant查看J.P. Morgan原文","updated":"T03:52:01.000Z","canComment":false,"commentPermission":"anyone","commentCount":5,"likeCount":49,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T11:52:01+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-1bdf1d62c337c_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":5,"likesCount":49},"":{"title":"【干货】均线&多因子策略应用实例","author":"liang-hua-cai-niao","content":"故不积跬步，无以至千里；不积小流，无以成江海。--《荀子·劝学篇》均线类策略1.2.3.4.5.多因子策略1.2.3.4.5.6.7.8.9.10.11.12.13.14.更多实战策略思路及源码请到JoinQuant查看","updated":"T04:06:51.000Z","canComment":false,"commentPermission":"anyone","commentCount":0,"likeCount":29,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T12:06:51+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-bcd0b26b4e712d28d78f0_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":0,"likesCount":29},"":{"title":"一听名字就很奇葩的「狗股理论」","author":"liang-hua-cai-niao","content":"“狗股策略（Dogs of the Dow Theory）”被认为是最简单和最成功的投资策略之一，它由美国基金经理迈克尔·奥希金斯于1991年提出。这一策略关注的核心指标是股息率。01. 策略思想对投资者而言，投资股票获取收益的途径有两个，公司分红和卖出股票后获得的差价，即股息和资本利得。公司股息取决于经营状况。如果业绩稳定，分红政策稳定，那么就可以有稳定的现金回报。股价虽然最终取决于公司经营状况，但在很多情况下会发生背离，市场火爆时股价被热捧，市场低迷时又被打入谷底，所以与股息回报相比，资本利得稳定性低，不易把握。衡量公司股息水平的指标是股息率，即（每股股息／股价）。股息率越高，意味着投资回报越高，股票就越值得购买；也表明股息相对于股价偏高，股价可能正处于底部，一旦市场转暖，上涨势头很可能强于其他股票。由此投资高息股，可以算“攻守兼备”的策略：股价低迷时，只要获得高于银行定期存款的股息，就相当于为资金构建了一个“熊市保护伞”，此为“守”；而当股价上扬时，不但能继续享受股息收入，还能让资产升值，高位抛出赚取资本利得，此为“攻”。如果把股息率的高低作为投资的重要参考，那么完全可以不被市场价格的波动所左右，只要股息率达到自己的心理水平，便咬定青山不放松，守住一份稳定回报。根据这个理念发展出来的“道指狗股理论”则颇有些“懒人投资”的意味，为一些懒于（或不懂）分析公司基本因素、从中寻找“超值”股票，却又希望跑赢大市的散户，提供了一个方便实用的选择。02. 操作方法“道指狗股理论”具体的做法是，投资者每年年底从道琼斯工业平均指数成份股中找出10只股息率最高的股票，新年买入，一年后再找出10只股息率最高的成分股，卖出手中不在名单中的股票，买入新的符合标准的股票，每年都重复这一投资动作，便可获取超过大盘的回报。“狗股策略”注重股利的做法与本杰明·格雷厄姆的投资理论有异曲同工之妙。一些投资者愿意抓住股票的本质视股票为企业，既然他们不愿意频繁地通过股票短期差价来盈利，那么股利就是他们获取回报的一种直接表现，因此股利对投资者的作用非常重要。如果有太多的上市公司不肯派发股利，就会导致投资价值的扭曲，因此不向投资者分配股利的公司算不上好公司，除非它能用这部分留在账面上的股利创造出比投资者自己投资于其他领域所能得到更高的获利回报。投资者购买股票得到股利回报是天经地义的，因为上市公司存在的目的就是向它的投资者支付股利。在格雷厄姆看来，股利支付能够真正反映一家上市公司的投资价值。股利与公司的经营业绩之间有着密切的关系。能够稳定分配股利的公司，表明其经营状况稳定，这也是投资者看好这只股票的基本原因之一。事实证明，那些一贯坚持给投资者派发稳定的股利的公司，其盈利能力和股价水平反而能不断上升，投资者更能从中获取更多的回报。相关数据统计表明，过去半个世纪以来，运用“狗股理论”的投资者，其投资的平均回报率为14.08%，远高于道琼斯指数3%的平均水平。仅有两次表现逊于市场，第一次为1999年，当时资本额巨大的科技股泡沫达到高点；第二次为2008年，在百年一遇的金融危机中。这是因为在牛市后期，当投机者的注意力集中于成长型股票时，使用这种策略就较差。但是在接下来的熊市中，这种策略就大放异彩了，比如在年的两年熊市中，“狗股”的回报率要比道琼斯指数和标准普尔指数的回报率增长2.9%。03. 狗股理论与中国市场“狗股策略”能够成功的奥秘在于道指和标准普尔500指数整体估值一直处于10倍至20倍PE区间波动，远远低于美股估值中位线，再从中选择20%至30%的最高收益率股票，事实上仅股息率就已大大超越银行存款收益率。当A股市场蓝筹股指数估值缺乏竞争力之前，“狗股策略”并不适用于A股市场，但是今天上证50指数、中证100指数和沪深300指数的估值已低于道指和标准普尔500指数的估值，因此“狗股策略”同样适用于A股市场。何谓高股利？我国银行目前一年期存款利息2.25%，分发股利时扣除现金红利10%的红利税，如果股息率能达到5%以上，派息政策比较稳定，就可以叫做高股利了。我们A股市场存在一些股票类似于“狗股”，即那些分红能力较强，公司负债率较低，现金流充沛，盈利稳健以及分红政策较稳定的公司股票，比如钢铁、石化、医药、公用事业、高速公路等行业的一些股票。另外“狗股策略”在美股市场往往选择岁末入市，这一规律也同样适用于A股市场。数据统计显示，选择四季度建仓的中期趋势成功概率是一年中投资成功概率最高的季度，即便是熊市最低迷阶段成功概率也极高，仅牛市末期A股处于高估值阶段的季度不适用该规律。不过这一策略并非每一年都能跑赢大盘，也有少数年份“狗股组合”表现不及道指。狗股策略的支持者有赖于对长期平均表现的评估，但价值型股票成为“价值陷阱”的风险也是始终存在的。狗股策略没有考虑到股票回购，但这在功能上与派发股息是等同的。同时高股息收益率也可能意味着，股票背后的企业有着更大的风险和更小的增长空间。到JoinQuant查看更多","updated":"T03:07:38.000Z","canComment":false,"commentPermission":"anyone","commentCount":4,"likeCount":29,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T11:07:38+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-28d6cda116f60_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":4,"likesCount":29},"":{"title":"【6月精选】聚宽社区量化投研帖","author":"liang-hua-cai-niao","content":"查看更多干货：","updated":"T03:51:22.000Z","canComment":false,"commentPermission":"anyone","commentCount":0,"likeCount":8,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T11:51:22+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-ac72ed5cf532c546be546ce_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":0,"likesCount":8},"":{"title":"【实习生招聘】我们在找的人，就是你","author":"liang-hua-cai-niao","content":"JoinQuant聚宽，北京大本营实习生职位～岗位：量化实习生坐标：北京光华路soho2官网：我们相信，你的到来，会让聚宽变得更好～01. 数量化研究方向工作内容：分析金工研报和论文，并用回测引擎实现思路 总结知识，撰写量化交易相关的文章供平台用户学习职位要求：数学基础扎实，有概率统计、随机过程、数学规划、机器学习方面的学习 有一定的编程经验，掌握至少一门编程语言 有一定的金融知识，有二级市场交易经历的为佳 英语能力过关，可熟练阅读英文文献 实习时间三个月以上，每周四天以上 本科四年级在校生或以上02. 工程技术方向\n\n工作职责：在导师指导下，完善各类指标，寻找新的有效因子 在导师指导下，完成相关量化交易模型的开发 投资策略研究 撰写研究报告 5、维护公司相关技术文档职位要求： 有一定的编程经验，掌握至少一门编程语言，如 python、matlab、c/c++、java、c#等；（掌握python者优先）对量化交易有浓厚兴趣 较强的沟通能力，抗压能力 实习期3个月以上，每周四天以上 踏实勤奋，自我驱动 有股票、期货等金融投资经验者优先；计算机相关等理工科专业背景者优先；\n\n03. 研发实习生-WEB开发方向工作内容： 聚宽官网WEB项目的日常设计开发聚宽客户项目的定制化开发 WEB系统/PHP框架的扩展性、性能优化 业务数据库的性能优化任职要求： 扎实的计算机理论基础，网络/HTTP/操作系统原理 掌握常规的数据结构和算法，并能灵活运用 熟悉PHP语言，熟悉SQL语言，了解至少一种关系型数据库 有较好的责任心、团队配合意识，有较好的学习能力有实际项目经验的优先 6、一周至少保证4天上班，持续3个月以上\n\n04. 研发实习生-策略研发方向\n\n工作内容： 向导式策略框架的设计开发和优化 根据需求完成具体策略因子的设计开发和优化 根据需求完成交易引擎相关特定API函数的设计开发和优化 根据要求完成金融大数据的分析和处理任职要求： 扎实的计算机理论基础，网络/HTTP/操作系统原理 掌握常规的数据结构和算法，并能灵活运用 熟悉Python语言 有较好的责任心、团队配合意识，有较好的学习能力 有实际项目经验的优先，有金融领域知识的优先 一周至少保证4天上班，持续3个月以上\n\n05. 运营实习生\n\n工作描述：收集与整理量化相关资料 翻译英文的量化相关文献 阅读与搬运中文投资研报与论文 在网站、公众号、网络上编辑与发布内容职位要求： 能流畅阅读英文论文 善于信息检索与整理 良好文字表达能力 实习时间至少三个月；每周至少4天加分项： 金融、计算机相关专业 有炒股经历 有记日记或做笔记的习惯 有python编程能力 在知乎有过高赞回答\n\n06. 福利\n聚宽拥有海量的金融数据和大规模集群系统，可以满足不同层级实战的要求；24小时不间断供应的老师和零食，免费中晚两餐，聚宽会陪你一起度过一个超有意义的暑假，表现优秀者可以发正式Offer～\n07. 投递方式\n简历请发送至：\n\n邮件标题：研发实习生+ 工作方向 + 姓名 + 实习时长\n\n到JoinQuant社区查看更多职位","updated":"T10:13:22.000Z","canComment":false,"commentPermission":"anyone","commentCount":7,"likeCount":3,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T18:13:22+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-137f244fc16f0b220de754add6db384a_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":7,"likesCount":3},"":{"title":"【国外前沿】量化研究搬运0717","author":"liang-hua-cai-niao","content":"当当当当～每周一次的量化论文搬运又和大家见面啦！本周内容包括以下部分：价值投资过度自信时市场表现如何判断真正的市场低迷ESG对于不同风格投资者期权定价与非线性抛物方程 01. 关于价值投资和有效市场的很有趣的文章· 价值投资经济学 The Economics of Value Investing关键词：价值投资 证券分析 投资CAPM 有效市场 投资中的CAPM理论为Graham和Dodd（1934）的证券分析提供了经济学基础。预期收益率在不同行业部门非常不同，这取决于公司的投资状况、预计投资增长和盈利能力。从实践经验上看，许多异常变量预测未来投资对资产的变化状况与这些变量预测未来回报的方向一致。然而，预期的投资增长效应在某种程度上是微弱的。投资资本资产定价模型经历了Miller和Modigliani的估值模型和Penman，Reggiani，Richardson，和Tuna的（2017）特征模型的发展已经具备许多不同的特性。总之，价值投资与有效市场是一致的。 02.过度自信时的股票价格表现也要好好把握· 过度自信的交易者高估自己的能力而低估竞争时的股票价格模式 Stock Price Patterns When Overconfident Traders Overestimate Their Ability and Underestimate the Competition关键词：动量 反转 信息交易 在这篇文章中研究者分析了一个模型，模型中机构依次接收信息并且表现为过度自信。在我们的模型中，过度自信表现为对自身信号质量的过高评价和对其他机构信号质量的怀疑。具体来说，较晚收到信息的机构对较早知情信号的精确性的怀疑和对自身信号精度的过分自信。动量在这一模型中出现，因为模型中较晚知情的投资者为较早知情的提供太多的流动性，以至于较早知情的投资者让价格反应不足。过度自信和风险厌恶也会导致长期反转。如果早期知情者的数量较少，早期知情者过于自信，或者迟来的知情者更多疑、自负，那么短期动量的程度就更高。03. 如何做到未雨绸缪避免杞人忧天？· 你正处于下跌状态，什么时候应该开始担心？You are in a drawdown. When should you start worrying?众所周知，量化策略具有时效性，或者说是有效期。以往有利可图的交易策略往往随着时间而降低效果。因为低迷的时期也会对有效的策略造成影响，那么我们如何判断是否是真正需要注意的事情呢？直观的是，持续时间较长或程度较深的下跌会导致对夏普比率下降。在这篇论文中，研究人员基于上一次下跌上行的Brownian运动的时长和下降程度的精确概率分布给出了一个定量的答案，并且指出，基金经理和投资者往往低估与相关策略的夏普率一致的下跌的长度和深度。04.一个新的投资理念——ESG· 风格，动量和ESG投资Style, Momentum and ESG Investing关键词：价值 增长 动量 晨星投资风格箱 可持续性的表现 ESG ESG Investment：在投资中将Environmental, Social, Governance方面的考量作为影响决策的指标。近十年内ESG的概念在欧美国家得到越来越多关注，国内目前有一些国际NGO，投资服务机构如MSCI，本土公司如Syntao对该方面有较高关注。在这篇研究论文中，研究者证明了传统风格和动量投资者不必因为他们在构建投资组合中将ESG标准纳入自身标准而感到羞愧。从欧洲的视角，我们实证分析并讨论了将环境、社会和公司治理等方面成功融入长期投资实践的条件。研究结果表明，价值型和成长型投资者都可以提高其投资组合的可持续性评级，同时提高风险调整的业绩，而动量投资者则难以达到可比水平。这一证据带来了对传统投资行业可持续产品的日益增长的需求，克服了可持续性是古典投资实践的负担的理念。05.关于期权定价的数学烧脑干货 · 数学金融中的非线性抛物方程 Nonlinear Parabolic Equations arising in Mathematical Finance关键词：期权定价 非线性Black Scholes方程 这篇论文侧重于在金融数学领域的完全非线性抛物型偏微分定性和定量分析。研究的主要目的是审查的经典金融工具定价理论——布莱克斯科尔斯理论的各种非线性扩展，以及随机动态优化组合所涉及的汉密尔顿-雅可比-贝尔曼（HJB）方程模型。经过适当的转换形态后，这两个问题可以表示为解非线性抛物型方程。定性分析将集中在解的存在性和唯一性问题上。在数值部分，研究人员讨论了求解完全非线性抛物型方程的稳定的有限和有限差分体系。链接:
密码: 6v94如果喜欢此类内容，请留言告诉我们，如果需求的人多，我们会加大力度提供此类内容的。同时如果大家有感兴趣的部分也请在评论中留言，当然也欢迎提意见哈：） 到JoinQuant查看原文","updated":"T03:38:36.000Z","canComment":false,"commentPermission":"anyone","commentCount":0,"likeCount":8,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T11:38:36+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-ef77fdc98_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":0,"likesCount":8},"":{"title":"量化投研平台+策略组合，方正证券开启智能投顾新尝试","author":"liang-hua-cai-niao","content":"智能投顾作为一种新兴投资模式，近年来在美国市场快速崛起，世界知名咨询公司A.T. Kearney预测，美国智能投顾行业的资产管理规模将从2016年的3000亿美元增长至2020年的2.2万亿美元，年均复合增长率将达到68%。在国内，智能投顾业务也在快速发展，根据盈灿咨询的数据，目前国内已有数十家互联网金融平台及金融科技公司推出了智能投顾服务。方正证券作为国内证券行业的领军企业之一，紧跟智能投顾领域的发展趋势，联合聚宽，创新性推出量化投研平台+策略组合的新尝试，希望能为个人投资者提供最优质的智能投顾服务。方正量化投研平台借助聚宽在量化交易云平台领域的积累，为内部投顾提供向导式策略生成器、策略回测、模拟交易在内的一体化服务，使用者可以通过投研平台研发多因子策略、事件驱动策略、统计套利策略在内的各种量化策略。服务于广大个人投资者永远是证券行业的核心命题，待策略组合功能上线后，个人投资者将可以通过小方APP查看多个优质策略，同时可以根据自身的风险偏好、资金量、股票偏好等特点，在策略模板的基础上进行自定义，创建自己的专属量化策略；通过这一过程，广大个人投资者不仅学习到了优质的量化投资理念，还可以跟随量化策略获得收益。方正证券相关负责人表示，证券行业正在快速发展，智能投顾是未来的趋势，我们希望借助智能投顾，为广大个人投资者提供最优质的投顾服务。了解聚宽企业版&&","updated":"T09:59:35.000Z","canComment":false,"commentPermission":"anyone","commentCount":7,"likeCount":7,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T17:59:35+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-3a1b3bd8c98eae6c19cf2_r.png","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":7,"likesCount":7},"":{"title":"关于银行轮动实盘可行性的探讨","author":"liang-hua-cai-niao","content":"作者：止一之路（聚宽社区昵称）首先看看今年的回测曲线：以及日至今的回测结果：什么策略这么牛？下面我们来正式展开。这个策略是以银行为基础的轮动策略。之所以会想起使用银行进行轮动，主要是前不久，看了雪球大V的分析：&《》文中对银行未来的前景非常看好，这里我就不复述了，有兴趣你可以可以去看看。基于这样的原因，我就回忆起在之前聚宽上，看到的排名第一的量化策略：这是该策略模拟盘的效果：接着在看评论的过程中，我发现这么好的策略竟然是开源的，可以通过以下链接进行打开：如果任性点的话，这篇文章到这里就可以结束了，但本着提供价值的心态，我又进行了一些研究。在此之前，我们先看看原来的策略在日到日的回测结果：策略的逻辑是：& 计算每个银行当前的价格和前一天价格的比值，最大比值和最小比值之差大于千分之五就开仓，持仓股票比值和最小比值之差大于千分之五就换仓。之所以只在4大行中间轮动，估计是这些银行的波动幅度小吧。有没有发现，其实这里的收益和回撤比我上面的截图稍微要小一点。原因其实是本来是4个银行轮动，我改成了3个，这是回测结果：中国银行、工商银行、农业银行三者的轮动效果最好。其实，这个策略有一个最重大的缺点：策略设置的是0滑点，意味着实盘必须使用限价单交易。由于这几个银行交易量都很大，前面可能有一大堆的单子在排队，我们的下单的结果，很有可能是不能成交的。因为这几个银行股股价过小，而中国股市中最小的变化单位是1分钱。这就意味着，如果我们通过买一卖一交易，最少也要承担千分之二的滑点。一买一卖就是千分之四，而策略的交易触发的价格比之差是千分之五……所以，设置了2分钱的滑点的回测结果是这样的：也许有人认为，我们交易就有滑点，不能实盘，这个策略还有什么意义呢？我本来也是这样认为的，但是策略原创人的实盘给了我信心：虽然比模拟盘差，但也算是不错的收益了。所以，交易的时候：一定要使用限价单。就算是交易不成功，也不要勉强交易。其实打印出日志，我发现交易的机会还是挺多的：价格经过波动，并再次回到了原位，这也就意味着，我们的限价单能够成交。其实该策略的重点，是在两个银行价格比差值扩大的时候，就卖出高的，买入低的。所以，这意味着，就算我们错过了其中一个，还可以买其他的。例如，农业银行换工商银行，卖出了农业银行之后，发现工商银行价格上涨了，那就再换仓到工商银行就不合适了。而此时，农业银行价格下跌，我们又可以将它买回来。类似的，中国银行换工商银行，如果发现换工商银行不划算，也可以换成农业银行。只要我们轮换的价差能够覆盖切换的成本就可以了。切换的成本大概是多少呢？目前大部分券商的佣金是0.025%，一买一卖两次交易的切换成本就是：& (0.025% + 0.002% + 0.00487%) × 2 + 0.1% = 0.16374%由于印花税是在卖出的时候才需要的，所以是单向收费的，但它也是费用最高的，你可以看到切换成本的主要构成就是印花税。再看上面例子中的农业银行，3.11卖出，3.10买回来，赚了多少呢？(3.11-3.10) ÷ 3.11 = 0.3215%也就是说，这是一笔合算的交易。论证完了策略的可行性，再说说其中的缺点：& 1.全仓只持有一个股票，如果出现黑天鹅，三大行之一倒闭了，就血本无归了，倒闭的概率自行判断。\n2.基本上每天都需要交易一次，考虑到不能成交只能通过打印的数据换仓，需要花费一点时间来盯盘。暂时就想到这么多了，如果你有什么建议，请到原文给作者留言～查看源码并与作者交流","updated":"T11:44:55.000Z","canComment":false,"commentPermission":"anyone","commentCount":8,"likeCount":8,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T19:44:55+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-22d37204aa2bcb5c3faa2_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":8,"likesCount":8},"":{"title":"【招聘】两家国内龙头券商在找量化研究员","author":"liang-hua-cai-niao","content":"国信证券信息技术总部职位：量化策略工程师（量化策略开发岗）工作地点：深圳岗位职责:1) 量化策略及应用设计与开发2) 量化策略的优化、维护、与监控3) 相关数据处理与清洗4) 相关需求、说明等文档的整理。5) 提供量化策略开发方面的技术支持。任职要求：1) 国内985，211大学或国外顶尖名校计算机、统计学、金融工程等相关专业，具有1-5年相关工作经验；2) 熟练使用C++、C#、Java等至少一门面向对象编程语言及R、Matlab等至少一门统计软件；3) 熟悉金融市场基本规则，有意愿从事资本市场和金融行业相关的工作；4) 有较强的文字表达和处理能力，学习能力强，逻辑清晰，有独立和协作设计、开发的能力；5) 诚实守信、责任心强、工作积极，具备良好的心理素质和自我约束能力；6) 能熟练使用TradeStation等相关平台进行策略开发者优先；7) 待遇面议。国内某龙头券商网金部招聘量化研究员职位：量化研究员工作地点：上海薪资待遇：15K-30K岗位职责：1) 研究开发量化投资策略，挖掘有效因子，并持续跟踪因子有效性；2) 构建资产配置和风险管理模型；3) 完成策略的设计及回溯测试，并对其进行维护；4) 量化投资和交易策略的投后跟踪和归因分析；5) 上级交办的其他工作。任职资格：1) 数理功底扎实，掌握随机过程，时间序列分析和优化理论等技能；2) 重点院校全日制硕士及以上学历，具有理工科、计算机、金融工程、数学等相关专业知识背景；3) 具有1年以上量化投资策略研究和投资经验，对量化投资有深入研究；4) 学习和研究能力强，可流利阅读英文文献；5) 精通Python语言，有丰富的numpy,pandas,sickit-learn等库的使用经验。6) 有良好的团队合作意识和敬业精神；有意者请发送简历至，格式为 姓名+专业+学校+应聘岗位名称。","updated":"T12:06:47.000Z","canComment":false,"commentPermission":"anyone","commentCount":10,"likeCount":12,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T20:06:47+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-747a4ddfd68d628eab86c9d_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":10,"likesCount":12},"":{"title":"第一创业证券发力量化交易市场，联合聚宽打造量化生态","author":"liang-hua-cai-niao","content":"在美国等成熟资本市场，量化交易已经具有超过30年的发展历史，量化交易是海外对冲基金的常规手段，投资业绩稳定的同时市场规模和份额也在持续增大，交易量在整个市场占比超过50%；而在中国，量化交易还处于起步阶段，量化交易在A股市场占比很低，国内量化交易有广阔的发展空间。第一创业证券零售经纪部吴孟哲表示：“量化交易借助数学、统计学方法，从海量历史数据中寻找能够带来超额收益的多种‘大概率’策略，并纪律严明地按照这些策略所构建的数量化模型来指导投资，力求取得稳定的、可持续的、高于平均的超额回报。量化交易在中国有巨大的发展前景，第一创业将会发力量化交易市场，联合聚宽打造国内领先的量化生态。一创量化生态将会在工具、交易、策略、培训四个维度发力，为公募、私募、个人客户、高净值客户、高校、企业提供完整的量化服务。”工具层面：一创聚宽量化交易平台由第一创业证券主导，联合国内量化云平台领军品牌聚宽共同打造，为个人客户、机构客户提供从金融数据、策略研究，到策略回测、模拟交易的完整服务，支持沪深A股、场内基金、股指期货等交易品种，客户通过使用一创聚宽量化交易平台，可以研发Alpha策略、套利策略、机器学习策略、事件驱动策略等各类策略。交易层面：一创聚宽量化交易平台将会对接柜台，支持全自动实盘交易，实现完整的账户管理、风控管理，客户可以使用策略快速、安全地完成实盘交易。策略层面：第一创业将会发动内部员工研发策略、通过比赛等方式征集优秀策略，同时，也会与聚宽进行策略合作，为个人客户、机构客户提供优质的策略服务。培训层面：目前，绝大多数的个人投资者均需要优质的量化内容，通过联合国内顶尖的量化培训机构，第一创业将为个人客户和机构客户提供完善的量化培训服务。 随着国内金融市场的发展和科技的进步，未来，中国的量化交易市场将会快速发展；第一创业证券后续会继续深耕量化市场，持续提升第一创业的服务；同时，第一创业证券还会联合其他金融机构、互联网企业、高校等团体，共同推动中国量化市场的发展。点击『』，了解聚宽企业版","updated":"T05:17:14.000Z","canComment":false,"commentPermission":"anyone","commentCount":6,"likeCount":8,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T13:17:14+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-313bfde9e3faa7ed1c35bb594a078d9f_r.png","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":6,"likesCount":8},"":{"title":"【归因分析】一键分析收益来源，多角度刻画策略风格","author":"liang-hua-cai-niao","content":"TA说：如果聚宽能帮我分析收益来源，就好了。于是就有了：归因分析归因分析是使用数据可视化方法， 对策略的风险收益水平、超额收益及来源进行分析的功能。使用步骤：运行回测&&归因分析&&自动生成以下归因分析结果。1、净值分析▼ 收益概览通过17个风险收益指标， 对策略整体的风险、收益表现进行刻画。▼ 收益分析基于策略的收益情况， 提供可视化的累积收益。可视化部分包括普通和对数轴两种模式下的逐年年化收益统计、月度收益热力图、以及月度收益分布图的展示。▼ 风险指标可视化展示评估期内策略的滚动 beta、sharpe 等指标以及几处最大回撤区间。支持展示策略组合的历史 beta 表现， sharpe 表现， 定位前5大回撤区间。▼ 持仓分析对前10大持仓的股票及时间区间、 日交易量、日换手率的数据进行可视化展示和分析。可视化展示前10大持仓股的市值权重变化、日内的交易量以及换手率。Brinson分析绩效归因分析是将投资组合的超额收益量化为投资决策过程中的主动决定的技术。我们使用 Brinson 的模型去分解超额收益， 将其量化为主动配置、标的选择和交互效应三部分， 可以评估策略相对基准在主动配置和个股选择方面的优劣。『即将上线』因子分析使用类似fama-french的模型以及因子构建手段。展示策略收益对SMB、HML、RMW、CMA几个因子的beta。因为大家的支持，才有了今天越来越好的聚宽?比心?点击『』，查看包括-智能选股-在内的更多新功能","updated":"T09:22:25.000Z","canComment":false,"commentPermission":"anyone","commentCount":1,"likeCount":7,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T17:22:25+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-11ac79c2dff2b216156eccf39cf682a0_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":1,"likesCount":7},"":{"title":"《机器学习》从零开始学(1) 数据分析之“岩石与水雷”","author":"liang-hua-cai-niao","content":"文|混沌参考教材：1.《Python机器学习预测分析核心算法》-[美]M·鲍尔-沙嬴＆李鹏(译)-人民邮电出版社-20172.Machine Learning in Python：Essential Techniques for Predictive Analysis（Python机器学习：预测分析核心算法）, Michael Bowles, Wiley, 2015.pdf（链接:
密码: 1wh1）注意：书中的代码很繁杂，我用更精炼的代码重写之。所谓“从零开始”面向的对象其实仅指我本人。也就是我的学习笔记。本节及随后的4节的目的仅仅是：如何“看”数据？ 如何对目标数据形成粗略的，但有意义的感性认识？----本节以 “岩石&水雷”数据集 为例。此数据集的测量值代表声纳接收器在不同地点接受到的返回信号，其中一半是反映了岩石的形状，一半是金属圆桶的形状（水雷）。 而每个返回信号由60个不同频率返回信号组成。这是一个分类问题。----01.获取“岩石&水雷”数据集由此可见，此数据集有在208个地方采集的数据， 每个地方用60个频率进行测量获得60个测量值（float），第61列数据是标签,标记是岩石还是水雷。----02.“岩石&水雷”数据集统计特征pandas工具包提供了基本统计特征的概览：----03.用分位数图展示异常点分位数图展示数据的百分位边界与高斯分布的同样百分位的边界对比。以第4列属性为例。----04.利用平行坐标图进行可视化对于具有多个属性问题的一种可视化方法叫平行坐标图，即绘制每行数据由属性值构成的行向量。虽然对应的图看不出明显的差别，但 1）沿图的底部，蓝色的线要突出一点；2）在30-40之间蓝色的线多少要比红色的线要高点。而这些观察有助于解释和确认某些预测的结果。----05.属性和标签的关系可视化1）首先绘制属性之间的散点图（以2-3， 2-21属性对为例）下面绘制的两张散点图直观显示，频率离的近的信号相关性要更高，后面的相关系数计算更加说明了这一点。注意：原书的代码一定是错误的（即下面代码中被屏蔽的代码是错误的），自然原书画出的图也是错误的。2） 绘制区分度最大的属性（猜测）和标签的散点图根据前面的平行坐标图，在30-40之间蓝色的线多少要比红色的线要高点，并且大概在35索引值附近有所分离。于是我们猜测第35个属性区分度最大，并绘制这个属性和标签的散点图。下面第一张图的散点挤在一起看不清楚，于是故意将标签值上下随机做点扰动，并且进行半透明处理，于是有了第二张图。观察第二张图， 左上方的点更密集一点（水雷）。经过简单的观察，我们可以建立一个粗略的分类器（至少效果比随机猜测要好点）： 判断第36个属性是否大于0.5，如果大于则判断为岩石，否则判断为水雷。----06.用热度图展示属性和标签的相关性颜色越红表示相关度越高。 特别地，沿对角线附近的稍浅颜色部分，说明采样频率越接近，相关度越高。----本节内容可以点击查看原文，支持一键克隆：另外3节内容请点击查看：","updated":"T03:52:07.000Z","canComment":false,"commentPermission":"anyone","commentCount":1,"likeCount":13,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T11:52:07+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-fa9c38d0_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":1,"likesCount":13},"":{"title":"《机器学习》从零开始学(2) 数据分析之“鲍鱼的年龄”","author":"liang-hua-cai-niao","content":"文|混沌1.参考教材：Python机器学习预测分析核心算法-[美]M·鲍尔-沙嬴＆李鹏(译)-人民邮电出版社-20172.Machine Learning in Python：Essential Techniques for Predictive Analysis（Python机器学习：预测分析核心算法）, Michael Bowles, Wiley, 2015.pdf链接:
密码: 1wh1注意：书中的代码很繁杂，我用更精炼的代码重写之。所谓“从零开始”面向的对象其实仅指我本人。也就是我的学习笔记。本节以 鲍鱼数据集 为例。此数据集记录了鲍鱼的长度，宽度，重量等指标，最后一列数据就是“环数”（即年龄，和树的年轮类似）。这是一个基于因素变量的实数值预测，属于回归问题。---01.鲍鱼数据集的读取---02.绘制箱线图箱线图也是一种识别异常点的强大工具：中位数：中间红线；25%分位数：箱顶；75%分位数：箱底；上边缘水平线： 到箱顶的距离是箱高的1.4倍（默认参数）, 即4分位间距的1.4倍下边缘水平线： 到箱底的距离是箱高的1.4倍（默认参数）, 即4分位间距的1.4倍异常值： 上下边缘以外的数据。下面第一张图由于年轮数远大于其他指标，看不清楚，剔除年龄数于是有第二张图。第二张图进行标准化于是有第三张图。注意：书中将normalization翻译成\"归一化\"似乎不合理，应该翻译成标准化。---03.回归问题的平行坐标图注意：分类问题只要标志两种颜色，但回归问题需要将标签实数值压缩到[0,1]区间，方便将实数映射到颜色值。第一张图采用线性映射到[0,1]区间，颜色区分度不高，于是有第二张图。第二张图先对标签值进行标准化，然后使用分对数变换(1/(1+exp(-x))), 映射到(0,1)区间，颜色区分度大为改善。可视化结果发现，属性值相近的地方，折线的颜色也很接近。这可以暗示可以构建相当准确的预测模型。---04.鲍鱼问题属性的相关性可视化---本节内容可以点击查看原文，并与作者交流讨论，支持一键克隆：另外3节内容请点击查看：","updated":"T10:01:21.000Z","canComment":false,"commentPermission":"anyone","commentCount":5,"likeCount":20,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T18:01:21+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-96ced750c1cfdd29b94d817a18d4fcf4_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":5,"likesCount":20},"":{"title":"聚宽两周年，感谢一路有你","author":"liang-hua-cai-niao","content":"TO 每一个聚宽用户感谢你选择聚宽感谢你的每一次分享感谢你的每一次意见反馈感谢你的一路陪伴，聚宽因你而不同--------线下三地量化沙龙纵然线上常相赞，怎比线下见一回&北京站&时间：（14:00-17:30）地点：海淀区北四环路68号左岸工社6层&上海站&近期开放&深圳站&近期开放--------线下献礼三大活动任性礼包，助力拿下个人量化新里程&聚宽两周年用户评选&量化之路，见证我与聚宽的成长&模拟交易折扣优惠&感恩回馈，8月15日-9月15日&一键跟单：大同礼包&开通市价单，大同实盘最后一公里--------两周年成绩单：注册用户：80,000+月活人数：20,000+用户策略：800,000+运行回测：8,000,000+模拟交易：110,000+--------聚宽大事纪两年相伴，聚宽是我量化生涯重要驿站2015年8月：2015年9月：支持投资研究、回测功能、模拟交易。发布2015年11月：增加行情指数、历史成分股数据、基金数据（ETF、LOF、分级A、分级B）2016年3月：支持回测、支持发送自定义消息、开设、支持股指期货、增加2016年6月：模块汉化、支持调用、支持指数回测、支持2016年8月：支持、开设、支持股指期货回测、模拟交易2016年11月：支持策略擂台订阅、支持对数轴和超额收益2016年12月：与大同证券合作，推出功能2017年1月：支持，支持模拟交易仓位统计2017年4月：支持社区打赏悬赏，新增向导式策略生成器，开设2017年4月：助力，打造国内首个券商版量化交易平台2017年6月：增加因子库（、），开设，新增银行、保险、证券专项财务数据2017年7月：助力方正证券，开启智能投顾新尝试2017年8月：助力第一创业证券，打造量化生态2017年8月：助力华融证券，推出策略组合服务--------?比心?","updated":"T03:42:21.000Z","canComment":false,"commentPermission":"anyone","commentCount":4,"likeCount":8,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T11:42:21+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-b20abb0ad7d0e_r.png","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":4,"likesCount":8},"":{"title":"量化“抓妖”新尝试——布林带“开口型喇叭口”股票投资策略","author":"liang-hua-cai-niao","content":"导语：BOLL指标的使用方法众多，大多依靠投资者主观的趋势分析和形态分析进行操作，本文以布林带“开口型喇叭口”为切入点，实现BOLL指标的量化使用，旨在捕捉妖股，实现超额收益。妖股竟然还有这种特征！小编最近在看一些妖股行情的时候，发现了妖股行情启动时都有这样的特征！特力A：平安银行：富奥股份：安阳钢铁：可以发现，这个喇叭口形态确实便是一些小妖甚至大妖行情开始的特征，本帖的目的，就是用量化的方式去抓这样的小妖甚至是大妖！看到这里你肯定会很好奇，图里那个喇叭口一样的通道线是什么指标？其实那就是我们很常用的BOLL指标。BOLL指标的原理一般而言，股价的运动总是围绕某一价值中枢（如均线、成本线等）在一定的范围内变动，而布林线指标便是在这个基础上，引进了股价信道的概念。在BOLL指标的思想中，股价信道的宽窄会随着股价波动幅度的大小而变化，并且会随着股价的变化而自动调整。股价信道的变异性特征使得BOLL指标具有了趋势分析与形态分析的功能：1.当股价波动很小，处于盘整时，股价信道就会变窄，这可能预示着股价的波动处于暂时的平静期；2.当股价波动超出狭窄的股价信道的上轨时，预示着股价的异常激烈的向上波动即将开始；3.当股价波动超出狭窄的股价信道的下轨时，同样也预示着股价的异常激烈的向下波动将开始。BOLL指标的计算方法BOLL指标的计算是建立在移动平均线与标准差的基础之上的，分为上轨线、中轨线和下轨线，在三线的基础上还可以计算出布林信道的宽度，具体计算的公式如下：中轨线： 上轨线：下轨线：信道宽度：其中：MB、UP、DN分别表示中轨线、上轨线与下轨线数值width表示布林信道的宽度，以百分数表示MA(N)表示的是N日的移动平均线，如果对移动平均线不太了解，可以查看进行查看STD(N)表示的是N日的标准差，如果对标准差不太了解，可以查看进行查看Ci表示的是第i日的收盘价α是与置信程度相关的系数，默认为2比如我们现在要计算日平安银行的BOLL指标信息，计算周期选用20日。首先得到过去20天收盘价为8.68，8.68，8.51，8.38，8.32，8.39，8.40，8.38，8.39，8.34，8.34，8.30，8.34，8.32，8.26，8.28，8.27，8.31，8.32，8.54。通过计算这20个收盘价的算术平均值，得到中轨线：接着是标准差：由这两项便可以算出上轨线与下轨线：最后便可以计算出布林信道宽度：以上计算公式相信大家很容易看懂，放到代码当中实现也很简单：
security = '000001.XSHE'\n
# 取得股票的收盘价信息\n
price=attribute_history(security,20,'1d',('close'),skip_paused=True)\n
# 可以运用numpy自带的函数计算过去20日的移动平均线作为中轨\n
mid=np.mean(price)\n
# 或是直接计算\n
# mid=sum(price)/len(price)\n
# 可以运用numpy自带的函数计算昨日20日的标准差\n
std=np.std(price)\n
# 或是直接计算\n
# sqr=[(each-mid)**2 for each in price.T.iloc[0]]\n
# std=sqrt(sum(sqr)/(len(price)))\n
# 用up来保存昨日的上轨线\n
up=mid+2*std\n
# 用down来保存昨日的下轨线\n
down=mid-2*std\n
# 用wd来保存昨日的布林信道宽度\n
wd=(up-down)/mid\n若是读者不想自己编写BOLL指标，可以直接调用进行计算哦，本策略也是采用现有函数进行计算。具体的代码如下：代码开头需要引入技术分析指标函数库：from jqlib.technical_analysis import *\n运用该函数时，会依次返回一只股票某一日的布林信道信息，返回值类型为类型：
我们返回昨日的BOLL指标信息\n
security = '000001.XSHE'\n
up,mid,down = Bollinger_Bands(security,check_date=context.previous_date,timeperiod=20,nbdevup=2,nbdevdn=2)\n
wd=(up[security]-down[security])/mid[security]\n本帖策略——“开口型喇叭口”抓小妖实战中有很多很多对布林信道的使用方法，本帖“抓妖”，选择的是其中较为特殊的“开口型喇叭口”策略，也就是在文章开头小编注意到的妖股启动特征。所谓“开口型喇叭口”策略，指的是布林信道在收缩盘整之后扩张打开，形成像喇叭口一样的形态时，进行股票选择。大致原理是布林信道收缩时，股票进入横盘调整阶段，意味着资金力量在进行调整，等待选择突破方向，这时候布林信道扩张的话，便意味着资金做出了方向的选择。这个时候，我们可以选择买入向上突破的股票，因为这个形态大概率意味着该股票一波行情的开始。 策略实现本帖之中，小编构建了如下策略以模拟“开口型喇叭口”的形态：设定一个股票池，并在该股票池中进行股票选择选定参数：我们购买的股票需要收缩横盘的最短周期lag，用以判定收缩的布林信道最大宽度lim；每日开盘前从股票池中选出连续lag日布林信道宽度在lim以内的股票；若股票的布林信道宽度连续lag-2日都逐渐增大，且昨日放量上涨突破了布林信道上轨线，则在今日开盘时买入股票；在每日收盘前，若收盘价格触碰布林信道中轨，则卖出股票。回测因为要抓妖，小编选用的股票池是股票波动率相对较小但行业龙头却较为集中的沪深300指数的成分股。由于创业板与中小板股票的市值小、波动率大，少有能有聚焦场内资金的股票，符合喇叭口形态的股票则更加少，还需要耗费更多地时间去进行参数与止损函数的设计，有兴趣读者可以克隆代码以后根据自己的需求对策略进行优化。小编首先采用的参数是lag=5，lim=0.12，得到了如下的回测结果：可以看出总体的表现是要远优于指数的，不过我们关心的是它到底能不能抓住妖股。通过查看回测的日志，可以看出这个策略确实可以抓到很多的妖股，比如14年10月28日抓住了收益率145.86%的妖股中国铁建，15年3月10日抓住了收益率24.25%的张裕A，以及17年6月19日至今收益率已经实现64.59%的北方稀土，除此之外的小妖行情也有10次左右，可以说是“抓妖”效果显著！。为了检验策略时效性，我们修改策略运行的时段，使得开仓时持仓股票与之前是不同的，于是小编又对2017年以来的行情进行了回测，得到了以下结果：这个回测结果就更加明显了，在震荡市时，由于场内资金热点不统一，很难产生真正的妖股行情，因此该策略的表现并不佳。可是当最近稀土、钢铁行情到来时，本策略敏锐地捕捉到了北方稀土一只妖股，实现了超额收益。回测评估回测结果可以显著地看出这一策略的特点，大部分时期该策略都处在横盘波动的阶段，但一旦成功选中目标，则能够实现很明显的收益，所谓“三年不开张，开张吃三年”。可是，在实际操作中，股票选取不能简单地依据某一个特定指标进行选择，技术分析本就是多指标结合方才有更大的成功率，这个策略目前只是凭借小编的主观直觉指定的参数，还没有进行参数选择，可优化空间还很大！可对本策略进行的优化当本策略要使用到创业板与中小板上的时候，需重新选择lag与lim指标，以使其更加适用于波动率较大的双板，并且由于双板股票少有能有聚焦场内资金的股票，使得符合喇叭口形态的股票更加少，因此小编建议在套用到双板上时需多加考虑；由于本策略设定的持仓股票最高为1支，因此可能会出现错过更佳标的的情况，读者可以通过修改Max值来寻找一个合适的持仓数；读者可以优化止盈止损函数，区分震荡洗盘和行情结束下跌的情况，来使策略效果更加；当具有多支潜在标的的时候，本策略采取的是依据成交量涨幅与股价涨幅进行综合排名之后取排名靠前者，读者可以通过加入其它指标来进行二次筛选；当喇叭口收缩时也有反弹妖股行情可以寻找，有兴趣的读者可以从这个角度入手提高捕捉妖股的成功率；为了练手，本策略中所有的排序函数都是小编自己用冒泡排序法手写实现的，各位读者可以运用其它更高效的算法进行运算，提高回测效率。到JoinQuant查看原文并参与讨论","updated":"T09:44:29.000Z","canComment":false,"commentPermission":"anyone","commentCount":6,"likeCount":15,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T17:44:29+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-055fcd84df566d033a1b57404bcf0b70_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":6,"likesCount":15},"":{"title":"操作方便结果优质！还有向导式策略生成器这种操作！","author":"liang-hua-cai-niao","content":"导语：很多读者是不是都会面临这样的情况，自己脑子里想出了一个觉得可行的策略，但就是不知道怎么用代码去实现；或是策略太复杂，不知道从哪里起手：再或是脑子里有一个初步想法，但是怕用代码实现以后发现思路错了，白白浪费大量时间。本帖当中，小编将用一个例子来一步一步引导大家使用神器——向导式策略生成器。策略介绍本帖策略的核心逻辑是：购买市盈率低且业绩优质的股票。什么？完了？没错就是这么简单。因为当我们在构思一个策略时，总是最先诞生一个核心逻辑，之后在这个逻辑上将策略补充完成的。就像盖房子，都是先盖好地基外墙，再铺线粉刷，最后才装修住人，从来没有听说过房子一边盖就一边装修，盖好了直接住人的说法。就像盖房子需要工程图纸指导一样，我们构建策略同样需要一条逻辑线来引导，而向导式策略生成器就是这么一张“工程图纸”。策略实现——跟着向导走我们打开向导式策略生成器，在选股部分先把我们的核心逻辑实现：购买市盈率低且业绩优质的股票。首先是股票池，小编选择了沪深300、中小板和创业板作为股票池：选好股票池，自然就是选择其中市盈率低且业绩优质的股票了：目前为止，我们之前的想法都已经实现了，那么接下来怎么办呢？“向导式”的强大之处现在就体现出来了！股票池页面的排序选项，提醒我们要对筛选出来的股票进行排序，于是我们就取市盈率低且收益更高的股票：股票选好了，我们看下一项，买入设置与卖出设置。对，我们现在要设定一个合适的买点与卖点去交易这些股票。生成器给了很多很多可以选择的指标，小编选择了传说中的“指标之王”MACD，用金叉与死叉来选择买入与卖出的时机。同时，我希望在购买时股票能够处在一个相对强势的时期，于是小编添加了二十日涨幅大于2%的指标。由于MACD可能会因为股票短期的波动造成超小区间的金叉死叉波动，举个栗子：为了避免这种情况，小编设置了10日涨幅大于10%时遇到死叉才出售：做完了这些就结束了吗？向导式告诉我们还要进行风控：最后的最后，设置持仓股数，小编选择的是3支。一个策略就这样完成了！真是飞速啊！那么这个策略收益怎么样呢？不论是从短期或是长期来看，策略的收益曲线都是较为平滑的，并且回撤不大，收益不错，一个优秀的策略就这样在短短几分钟之内诞生了！结语本帖的目的在于告诉大家向导式策略生成器的强大功能，希望大家能够把这样的好工具使用起来。在这里，小编给大家提供一些使用向导生成器的使用建议：熟悉量化策略流程。如果你是第一次接触量化策略，那么通过向导式生成器来入门实在是再合适不过了；快速检验想法。如果你脑海中突然跳出了某个策略的点子，可以用向导式生成器来快速检验想法的可行性，避免了耗费大量心血编程却回测结果不佳的悲剧；快速搭建策略框架。如果你的策略很复杂，那向导式策略生成器是不是就没用了呢？当然不是。你可以选择用向导式策略生成器来快速地搭建起代码的基础模块，并且还能够大幅缩短自己编写选股函数的时间。看了本文是不是内心开始蠢蠢欲动了呢？快打开向导式策略生成器生成一个自己的策略吧！到JoinQuant查看更多","updated":"T04:22:23.000Z","canComment":false,"commentPermission":"anyone","commentCount":3,"likeCount":5,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T12:22:23+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-7db50f92c37ea00f254aeb9_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":3,"likesCount":5},"":{"title":"【某大型券商招聘】高级量化交易系统开发工程师（Python）／大数据工程师（量化投研方向）职位","author":"liang-hua-cai-niao","content":"职位：高级量化交易系统开发工程师（Python）职位类别：社会招聘招聘人数：2人岗位归属：公司总部-信息技术部／证券金融部工作地点：深圳简历提交时间：至岗位职责：负责量化交易云平台的系统开发和优化;负责将量化交易云平台对接公司其他业务体系;岗位要求：重点院校本科及以上学历，计算机、自动化、电子、数学、金融工程等专业硕士优先。3年以上研发经验，有系统设计经验，精通Python服务端编程和网络编程，有扎实的编码能力;熟悉C或者C++语言, 能编写少量代码;掌握常用数据结构与算法;理解Linux底层原理, 比如共享内存, 进程间通信, 名字空间等机制;能在Linux系统上熟练开发; 7. 英文水平良好, 能阅读英语技术文档;有强烈的好奇心与学习意愿，能够迅速地学习新知识;-------职位：大数据工程师(量化投研方向)职位类别：社会招聘招聘人数：1人岗位归属：公司总部-信息技术部／证券金融部工作地点：深圳简历提交时间：至岗位职责:负责大数据特色因子的数据研发;负责量化交易云平台相关算法研发和统计分析类研发;负责量化策略研发和实现;负责机器学习在量化投研上的应用探索;岗位要求:重点院校本科及以上学历，计算机、自动化、电子、数学、金融工程等专业硕士优先。2年以上的数据开发经验，在量化领域1年以上经验优先;有出色的编程能力，掌握并熟练应用至少一种编程语言: Python/C/C++/Java/Matlab等; 对量化行业有兴趣，有志于在量化投资领域长期发展;具有良好的英文读写能力;有股票、期货、外汇等金融投资经验者优先。有机器学习背景者优先;-------有意者请发送简历至po_，格式为 姓名+专业+学校+应聘岗位名称。","updated":"T05:17:40.000Z","canComment":false,"commentPermission":"anyone","commentCount":6,"likeCount":8,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T13:17:40+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-bea24cf99d05a6a_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":6,"likesCount":8},"":{"title":"聚宽两周年，拥抱智能投资（深圳聚会明日开启）","author":"liang-hua-cai-niao","content":"关键词：人工智能、量化投资、技术交流、宽客聚会、股票投资、聚宽时间：9月2日（周六）13:30-18:00地点：广东省深圳市福田区深南中路田面设计之都6栋1层交通指引：坐公交车到中心公园站，或坐地铁到岗厦北B出口分享主题：聚宽与我的量化成长之路深圳站嘉宾及分享内容：量化使者：王恒鹏（聚宽华南区总经理）分享主题：聚宽两周年，拥抱智能投资量化达人：李孟博（聚宽资深用户，社区昵称：止一之路，互联网公司工程师，业余时间自主运营干货订阅号“止一之路”）分享主题：过去一年，未来一天量化达人：霍华明（广发基金指数量化基金经理，社区昵称：shanks，量化研究方向包括多因子选股模型，行业轮动模型、CTA策略等）分享主题：量化投资的基础、误区及未来量化达人：何文建（社区昵称：HOVE，国华家里投资基金经理，“自由派”策略风格）分享主题：基金经理是如何用聚宽的量化达人：刘宇翔（深圳盛冠达资产基金经理，目前管理资金规模数千万，社区昵称 Robin Liu）分享主题：量化交易漫谈分享征集：经验技巧分享、策略案例分享、国内外量化投研趋势，只要是量化投资相关的话题都可参与，小编将推荐优秀的分享者参与线下分享，都说量化高手在民间，你可能就是下一个明星宽客! 可关注 JoinQuant聚宽 公众号，留言获得联系方式。活动背景：量化投资是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。简言之，就是指以数据模型为内核，以程序化交易为手段，实现投资策略，自动触发交易的投资方法。行业趋势以美国为主的成熟资本市场，量化交易占比超过50%，量化对冲基金已经成为资管市场的翘楚。中国的量化交易起步较晚，量化交易在证券市场占比还不足5%。随着科技的进步，中国的量化交易市场正在快速发展。目前，量化交易已逐渐成为资管行业的热点。JoinQuant聚宽量化交易平台是国内量化交易领域领军品牌。自2015年7月创立以来，一直专注于量化交易领域，为个人投资者和机构客户提供服务。面向个人投资者的聚宽量化交易平台，目前有超过8万宽客聚集。面向券商、公募、私募客户的量化交易服务，聚宽已与广发证券、国泰君安证券、第一创业证券、大同证券、华融证券、方正证券、鼎锋资产、六禾投资等十余家机构达成合作。聚宽两周年，感谢每一位选择聚宽的用户，感谢你的每一次分享，感谢你的每一次反馈，感谢你的一路陪伴宽粉们总说：想见见社区和群里的量化达人们，希望聚宽能提供这样一个机会“聚宽两周年，感谢一路有你”系列活动之深圳线下聚会，将于日举办欢迎深圳量化爱好者踊跃，请在报名信息处填写聚宽社区昵称及账号～","updated":"T08:08:19.000Z","canComment":false,"commentPermission":"anyone","commentCount":2,"likeCount":3,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T16:08:19+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-82ca97aebccc988fb77ff1e45eb654dd_r.png","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":2,"likesCount":3},"":{"title":"《机器学习》从零开始学 系列学习笔记","author":"liang-hua-cai-niao","content":"《机器学习》从零开始学 系列学习笔记 是聚宽社区用户 混沌 在聚宽社区分享的个人学习笔记，内容详实，对机器学习爱好者和新手相信有相当的借鉴与学习价值。ps:他本人并非高校师生或科研人员，而是一名电工，但工作之余仍自学量化交易、机器学习等\"新潮\"科技，其学习精神令人敬佩。orz文&研究 | 混沌所谓“从零开始”面向的对象其实仅指我本人。也就是我的学习笔记。欢迎指出错误，我会改正的。但不要质疑我的学习路径，毕竟主要是写给我自己看的。本系列笔记主要是理论学习（计划3个月完成）。我力图：当前关注主题上的Python代码不使用机器学习算法包，而非当前关注主题上可能会使用机器学习算法包。(1)-(20)的Python代码改造自参考书；(21)开始的Python代码由我提供。建议数学基础： 概率论统计初步，高等数学，线性代数矩阵， 以及应用于向量&矩阵的微积分扩展。数据分析常用工具预测模型入门惩罚线性回归：原理惩罚线性回归：构建模型集成方法：原理集成方法：构建模型支持向量机专题距离模型专题《机器学习》从零开始学(26) 距离模型专题之度量学习 【暂时跳过】概率模型专题概率图模型专题《机器学习》从零开始学(32) 概率图模型专题之结构学习 【学习中】《机器学习》从零开始学(33) 概率图模型专题之参数学习深度学习专题......特征工程专题......scikit-learn专题......tensorflow专题......【学习进行中....】","updated":"T03:55:08.000Z","canComment":false,"commentPermission":"anyone","commentCount":5,"likeCount":53,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","sourceUrl":"","publishedTime":"T11:55:08+08:00","links":{"comments":"/api/posts//comments"},"url":"/p/","titleImage":"/v2-59a283d3fcb_r.jpg","summary":"","href":"/api/posts/","meta":{"previous":null,"next":null},"snapshotUrl":"","commentsCount":5,"likesCount":53}},"User":{"liang-hua-cai-niao":{"isFollowed":false,"name":"聚宽君","headline":"既然都来我主页了，是不是想学量化交易啊？ 请看十行代码带你量化交易入门 /p/内向的人做推广，不容易啊（笑）","avatarUrl":"/v2-53d64fc316646adc8b5a6b6b080d5e7d_s.jpg","isFollowing":false,"type":"people","slug":"liang-hua-cai-niao","bio":"想学量化交易，我教你啊","hash":"e425eaa5c7a1","uid":596100,"isOrg":false,"description":"既然都来我主页了，是不是想学量化交易啊？ 请看十行代码带你量化交易入门 /p/内向的人做推广，不容易啊（笑）","profileUrl":"/people/liang-hua-cai-niao","avatar":{"id":"v2-53d64fc316646adc8b5a6b6b080d5e7d","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false}},"Comment":{},"favlists":{}},"me":{},"global":{},"columns":{"next":{},"JoinQuant":{"pins":[""],"followersCount":6269,"creator":{"bio":"JoinQuant创始人","isFollowing":false,"hash":"edfff0c9bfcfb0aa6dd3540","uid":88,"isOrg":false,"slug":"gao-si-meng","isFollowed":false,"description":"JoinQuant聚宽，免费提供金融数据获取,分析,投资策略编写,回测,实盘连接,发送交易信号等功能服务。\n\n官网：/\n雪球名：JoinQuant聚宽\n微博名：JoinQuant聚宽\n微信公众号名：JoinQuant","name":"高斯蒙","profileUrl":"/people/gao-si-meng","avatar":{"id":"89b03d766b7e127d4e8344cfdb5d3ab3","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false},"topics":[{"url":"/topic/","id":"","name":"量化交易"},{"url":"/topic/","id":"","name":"程序化交易"},{"url":"/topic/","id":"","name":"回测框架"}],"activateState":"activated","href":"/api/columns/JoinQuant","acceptSubmission":true,"firstTime":false,"postTopics":[{"postsCount":75,"id":90588,"name":"量化交易"},{"postsCount":16,"id":3084,"name":"机器学习"},{"postsCount":16,"id":3217,"name":"股票"},{"postsCount":16,"id":136633,"name":"金融工程学"},{"posts