logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

年化390%,回撤7%,夏普6.32 | A股量化策略配置

原创内容第985篇,专注AGI+,AI量化投资、个人成长与财富自由。年岁渐长,了解一些事实、真相和细节,越发喜欢简单、纯粹的东西。我加了一个,人生之关键词: 自由,安全,真理,分享。确实,条条大路通罗马。哪条路并不重要,也不确定。今天看到一本书,提及人生规划,目标比路径重要。有人天生就擅长且喜欢,组织他人就完成一件事。年化390%,回撤7%,夏普6.32。她写的人生的关键词:自由,真理,分享。往回

#人工智能#python
aitrader+qlib引入智能化前沿技术,多因子模型,topK轮动为主。——这是AI量化的未来。

再来一个意义,用来赋能投资的AGI,是人类技术的未来,是人工智能的王冠上的明珠。人类的大脑,AGI就是”仿生“人的大脑,在通过”奇点“的路上, 这是最前沿的技术——没准可以衍生出可与其他人、其他公司合作的副产品,这是意义之二。就是说,这里的赔率,胜率是可以预估的。————念念不忘,必有回响,只要功夫深,一切皆有可能!等,支持vnpy,qlib,backtrader和bt引擎,名内置多个。其他领域,

文章图片
#人工智能
将机器学习应用于金融投资中 | Qlib从入门到精通 #6

今天开始整合机器学习训练至主界面中。机器学习应用到金融量化的核心框架一个量化策略,无论是传统的技术分析,还是机器学习策略,无外乎几个部分:一、数据准备,一般是整理成pandas的dataframe,包含基础的OHLCV等数据。二、计算衍生指标,比如技术指标、或者worldquant101这样的alpha因子,一切皆因子,即机器学习模型里的特征,机器学习模型还需要打label,即预测未来某段时间的收

文章图片
#机器学习#人工智能#深度学习
年化12.6%,最大回撤才2.6的债券​轮动策略,卡玛比4.79,稳稳的幸福

另外就是日线价量数据,基本就足够量化回测使用,而且我们直接同步后复权数据——与真实价格有差别,但不影响结果。场内基金今天的准确数字是1426支,含LOF,跨全球市场,跨股票、债券、商品,REITs等,足够了。因此,量化实验室,专注ETF/LOF市场,把事情做扎实,创造真实的价值。好执行大于好点子,好产品是持续打磨出来的,战线太长就不容易打磨精致。平台的扩展性在于因子扩展,包含因子挖掘,还有后续的实

#人工智能#大数据#python
年化429%,夏普5.51 | 全A股市场回测引擎构建

但新技术日新月异,变化快,门槛也不高,比如就算AI这样的领域,现在谁不会讲一点大模型,提示词和RAG呢?就是在别人眼里,你是一个有观点的人,有见解的人,那就是管理者和合伙人。在互联网和现在AI时代,学习资源,甚至学习方法都是海量,公开用免费的,需要一点点方法,甚至就是一些意愿和好奇心。不过股票的数据量大,所以,更多的优化在大量数据的计算上,这也算是一个门槛吧。但这个规划背后,是有对行业深刻的洞见,

#python#开发语言
年化429%,夏普5.51 | 全A股市场回测引擎构建

但新技术日新月异,变化快,门槛也不高,比如就算AI这样的领域,现在谁不会讲一点大模型,提示词和RAG呢?就是在别人眼里,你是一个有观点的人,有见解的人,那就是管理者和合伙人。在互联网和现在AI时代,学习资源,甚至学习方法都是海量,公开用免费的,需要一点点方法,甚至就是一些意愿和好奇心。不过股票的数据量大,所以,更多的优化在大量数据的计算上,这也算是一个门槛吧。但这个规划背后,是有对行业深刻的洞见,

#python#开发语言
策略公开了:年化494%,夏普比率5.86,最大回撤7% | 大模型查询akshare,附代码

当双方珍视关系本身,愿为对方妥协部分自由,可构建“共同主体性”。如李银河所言:“唯与挚友相处时,人才能真情流露,无拘无束”。超越零和博弈:社会心理学指出,通过共情沟通(如“四C原则”:接触、合作、沟通、和解)可化解冲突,避免猜疑链固化。原创内容第907篇,专注智能量化投资、个人成长与财富自由。:如尼采警示:“凝视深渊时,深渊亦凝视你。双向努力——既坚守自我,亦容他人成为自己。AGI星球——开发智能

#python
稳稳的年化10%,多任务时序动量策略——基于pytorch的深度学习策略(附python代码)

以下是一些可能的途径和策略,但请注意,这些方法都涉及不同程度的风险,并且成功并不是保证的。但在深度学习时代,最大的一点进步就是不需要特征工程,因为特征工程本身是对现实数据的简化。——本身也是一种”拟合“,或者说试图”解释“过往的收益率,有一种符号表达的方式。图像识别就是端到端,AlphaGo就是端到端,深度强化学习端到端构建投资组合——从逻辑上更符合金融投资的场景——它甚至不需要label。所以,

文章图片
#深度学习#python#pytorch
年化27.9%,最大回撤-13.6%的可转债因子策略,结合机器学习特征筛选(附python代码)

bond_value IC值不明显,分层不单调,但lightGBM的权重重要性很高。咱们还是使用lightGBM集成学习的方式,决策树是可以筛选特征的重要性的。——这是与股票市场不一样的地方,股票退市相对少,而转债本身就有退出周期。有时候,淡定一点,把事情处理得稳妥一点,后续的事情会更少。IC值大,但分层效果不好,大概率因子里包含了非线性因素。结果有可能,事情也许办了,但引入其他更加不可控的事情。

文章图片
#机器学习#python#人工智能
机器学习量化前的准备——全球指数数据篇

可以这么说,传统量化使用backtrader就够了,而前沿的机器学习量化qlib更合适。好在我们把数据聚焦在OHLCV上,而且专注在指数上,那么数据量就少很多,使用csv就可以轻松管理——很多时候,是因子的问题,还是模型参数的问题,这就是我们要解决的核心关键。但上述的模型在实盘中仍然不好操作,原因是它经常交易50支以上的股票,而且由于计算量大,单机训练已经很吃力了。,A股,港股,美股等以及A股里重

文章图片
    共 190 条
  • 1
  • 2
  • 3
  • 19
  • 请选择