登录社区云，与社区用户共同成长
邀请您加入社区
在中国，SRI还处于初期阶段，但随着人们对社会道德投资的重视逐渐增加，以及政府对提高公司治理、保护环境等方面的法规出台，SRI和ESG投资在中国的发展前景广阔。中国已经开始推动相关的投资理念，如深交所发布的《上市公司社会责任指引》以及兴业社会责任基金发行的“兴业社会责任股票型基金”，这些都是中国SRI和ESG投资发展的积极信号。这个例子将使用Pandas库来处理数据，并计算一些常见的价值投资指标，
通过以上代码示例，您可以很容易地计算出股票的均线和RSI指标，并利用matplotlib绘制简单的K线图。这是Python在股票量化分析方面的一个小例子，如果您对此感兴趣，可以进一步学习此类量化分析方法，并使用Python编写更多高效的分析代码。量化交易的核心是筛选策略，策略也是依靠数学或物理模型来创造，把数学语言变成计算机语言。量化交易的流程是从数据的获取到数据的分析、处理。提取码: 【k1y8
市场中性的 Alpha 策略旨在利用资产的价格波动，而不受整个市场的整体涨跌影响核心思想是通过同时买入和卖出相关联的资产，以达到对冲市场风险的目的，从而专注于捕捉资产之间的价差或其他价格不一致性所产生的 Alpha。
多位大佬提示错误原因时matplotlib的版本过高与backtrader不兼容，遂尝试卸载matplotlib3.8.3，但在安装matplotlib 3.2.2时，conda提示我安装不了。老师的文章中看到，新版的matplotlib3.8.3可以兼容，于是按照他的办法把数据源中补齐了datetime、open、high、low、close、volume这几个要素。notebook 或者 %m
量化交易学习笔记
【代码】[021量化交易] python 绘画K线 MACD RSI 成交量 指标。
如何在本地运行Zipline回测框架：详细指南本文介绍了如何在本地机器上运行Zipline回测框架，并提供了详细的步骤。Zipline是一款强大的开源回测框架，被认为是目前最好的回测工具之一。Zipline的优势：强大的回测功能，支持自定义市场、数据源和策略。可以用于回测各种资产，包括股票、期货、比特币等。运行Zipline的挑战：安装过程较为复杂，需要安装多个依赖库。需要使用...
本教程是使用 Ponython 进行回测和金融分析的迷你系列。在上一节教程中，我们经历了在机器上运行 Zipline 的繁琐过程，并运行了一个简单的买入苹果股票的策略。我们最终运行了策略并看到了输出结果。无论你用什么方式运行它，我们至少可以说输出结果应该保存到 strat.pickle 文件中。那么，我们现在该怎么做呢？如果你通过魔术方式运行它，你确实可以将输出结果保存到这个明显的数据框架中，它创
python spyder Tushare 股票
colorup='red', colordown='green')# 使用candlestick_ohlc绘图。ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))# 设置横轴日期格式。mpl.rcParams['axes.unicode_minus'] = False# 解决保存图像是负号'-'显示为方块的问题。# 将第一行
量化因子的测算通常都是模拟交易，计算各种指标，其中：- 测算需要用到的第三方库：numpy，pandas，talib- 绘图需要用到的第三方库：matplotlib，seaborn其他库随策略的需要额外添加
本文介绍了数据可视化的基本概念与常用图表类型，并总结了Python中主流可视化工具库的特点。数据可视化通过图形化呈现数据规律与趋势，核心流程包括数据读取、图表选择、绘制与保存。常见图表如折线图、柱形图、散点图等各有适用场景，能直观展示趋势、对比、分布等不同数据特征。
Python股票量化交易入门学习并记录《Python股票量化交易从入门到实践》，原书贴近实战，许多踩过的坑都有解决方案，个人觉得这是一本比较合适的快速入门书籍。文章目录Python股票量化交易入门前言一、Python基础关键点二、NumPy快速入门及量化关键点三、Pandas快速入门及量化关键点四、Matplotlib快速入门及量化关键点五、行情数据的获取和管理六、技术指标的可视化分析七、回测及构
由于Peter Harrington所著的这本《机器学习实战》中的官方代码是Python2版本的且有一些勘误，使用Python3的朋友运行起来会有很多问题，所以我将自己在学习过程中修改好的Python3版本代码分享给大家，以供大家交流学习，共同进步！官方源码文件下载地址：https://manning-content.s3.amazonaws.com/download/3/29c6e49-7df6
神经网络的学习的目的是找到使损失函数的值尽可能小的参数。这是寻找最优参数的问题，解决这个问题的过程称为最优化（optimization）。遗憾的是，神经网络的最优化问题非常难。这是因为参数空间非常复杂，无法轻易找到最优解（无法使用那种通过解数学式一下子就求得最小值的方法）。而且，在深度神经网络中，参数的数量非常庞大，导致最优化问题更加复杂。优化器的角色就是用来更新模型参数的方法，例如SGD、Ada
matplotlib
——matplotlib
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
量化交易与投资社区
松山湖开发者村综合服务平台
讯飞AI开发者社区
