量化投资

摘要： 随着金融科技的发展,金融与计算机相结合的投资方式也即量化投资逐渐在二级市场上流行起来。传统的投资方式主要是人为交易、手动操作,在交易过程中往往包含着主观与非理性等因素,而量化投资则具有更高的交易效率、更广的监控范围、更优的风控框架等优势。近几年来国内量化投资基金的管理规模节节攀升,甚至一度有量化私募突破百亿管理规模,而头部机构管理规模更是超过千亿人民币。因此,本文首先介绍了量化投资的相关概念,随后对二级市场量化投资策略进行了介绍,最后将机器学习算法优化引入到量化投资中来,以期推动量化投资在国内的进一步发展。

摘要： 随着大数据技术以及人工智能领域的不断发展,量化投资技术在金融领域的应用越来越广泛,受到了各界的关注与认可。然而目前对于量化投资的研究多是基于数理模型极少考虑到投资者情绪方面,本文将深入研究量化投资与投资者情绪乃至行为金融学的发展现状、存在问题以及将投资者情绪纳入量化投资策略中的必要性,从而推动量化投资的进一步发展。

摘要： 随着我国证券交易体量的不断增大,业界对运用深度学习等大数据分析技术对量化投资的兴趣日益增加。主流思路为研究个股投资策略(包括选股和择时)和设计合理的投资组合,从而寻找阿尔法。除此之外还有优化某些投资过程,把一些手动,半自动的投资方式变成自动化,解决大单交易市场冲击和对投资者的高风险行为监督等问题。随着深度学习技术的发展,国内外的研究者对深度学习在量化投资中的应用也经历了从使用人工神经网络、随机森林和向量机到卷积神经网络、LSTM神经网络和混合模型的发展。时至今日使用深度学习在还存在着一些问题,包括技术问题和不成熟市场的特有问题。总体来说,将深度学习运用到量化投资中是完全可行并具有广大发展空间的。

摘要： 股票波动一直是投资者所关注的重点,如何预测与处理股票的波动直接决定了投资者的收益水平。本文基于艾略特波浪理论,编写波浪理论八浪模型识别程序,利用沪深300指数历史数据对程序进行检验,并通过设计策略以贵州茅台数据进行回测检验,为量化投资分析提供一种新的参考方法。

摘要： 选取AI产业的109只股票进行初步筛选,运用主成分分析和模糊C均值聚类法对筛选出的29支股票的财务指标进行处理,综合股票的成长因子、盈利因子、偿债因子和资本结构等指标,筛选出进行投资组合的8只股票。基于马科维茨组合理论构建有效前沿,结合投资者在不同风险厌恶程度下的投资效用情况选取最佳的投资组合。计算构建的投资组合在99%和95%置信水平下的在险价值和波动率,发现所构建的投资组合较为合理。最后给出相应的投资建议。

摘要： 量化投资属于一种投资策略,经过多年的发展以及完善之后,这种类型的投资模式已经具有较高的影响力,甚至目前他已经影响到市场金融各个参与者以及市场金融本身。国外对量化投资的研究起步时间相对较早,该投资模式具有业绩稳定、投资理性的特点,所以会广泛地应用在投资决策的工作当中。在这几年量化投资的理念传播迅速,中国越来越多的基金经理在开展重大决策时使用量化投资的策略进行一系列的管理工作。而本文在进行研究的过程当中,主要以量化投资的独特优势作为切入点,探讨我国量化投资发展的内容,并提出科学合理的建议。

摘要： 随着资本市场发展愈加成熟,量化投资也受到了越来越多的关注。大数据与人工智能技术如火如荼地发展,为量化投资的流程自动化和策略智能化注入巨大动力。国内量化投资起步较晚但发展迅速,借鉴国外量化技术的演进道路,未来国内量化策略将更加注重基本面的底层逻辑,并朝着多元化、自动化以及智能化的方向发展。

摘要： 量化投资是当前股票投资策略构建的热门选择,利用模型和计算机技术来实现投资过程。构建基于布林带通道的交易策略模型,以贵阳银行股票2021年1月1日到2021年11月30日之间的220个交易日数据为研究对象进行仿真实验,将其与均线系统策略进行对比分析。实证结果表明,对于贵阳银行股票的投资决策,均线系统策略比布林带通道策略表现更好,但优势并不明显。在现实投资中应该使用多样化的策略来降低风险。

摘要： 本文基于证券投资基本分析和技术分析的理论基础,使用上市公司财务报表数据和周个股收益率数据,利用Stata编写程序,筛选出同时满足业绩强势和价格强势的股票,从而为下一步投资决策奠定了基础。本文是利用金融计量软件Stata进行量化投资教学的初步应用,未来可以在该研究的基础上进行进一步拓展和深化。本文的研究对于学习如何应用金融计量软件Stata进行量化投资具有一定的参考价值。

摘要： 量化投资从市场环境分析、宏观经济解读以及股票的基本面和技术面等方面入手,建立起可持续使用的数学模型,在市场上寻找盈利机会。该文构建了一个基于行业轮动的多因子选股模型,通过实证分析发现:使用行业轮动与市值解释因子模型结合的策略得出的投资效益远高于沪深300的市场平均,并高于单纯使用因子模型进行选股的投资方式。此外,还发现行业轮动多因子选股模型在风险防范上优于多因子选股模型,前者更能有效地防范风险。

摘要： 文章包括MATLAB简介.量化投资的概念及简介.量化投资中的各类数据.量化投资大数据处理MATLAB实践等.在金融领域，使用MATLAB可以加速产品研究，减少开发时间，提高模型的仿真速度和控制项目成本，利用MATLAB以及相关产品，可以进行分析数据，评估风险、开发并优化策略等一系列金融建模工作。

摘要： 近年以来,A股市场投资者,运用机器选股的量化投资越来越多.本文构建了以传统因子打分为理论依据的球面选股模型,选出若干股票,并运用MA、MACD、DMA技术指标构建算法择时对球面选股所选模型进行一系列的优化,风控,自适应,使得该模型选出的股票在A股市场中,可以有效交易并尽可能的获得超额收益.在2010年至2016年5月,本文依据HS300选取5个不同形态的时间段,对因子进行检验,辅助建立了实证模型并检验显示:无论是长,中,短三个时期,运用球面选股选出的股票比运用因子打分排序选出的股票在程序化交易中更具有超额收益.

摘要： 针对软件机器人自主自动管理投资数据和策略的问题,受人体免疫系统的智能免疫调节与免疫防御启发,从量化投资软件机器人与生物免疫调控、计算之间的关系入手分析,探究量化投资的数学模型和智能决策模型.归纳免疫计算等从自然机制启发而计算的新方法,为量化投资免疫机器人研究构建新的自然计算机制和架构.量化投资免疫机器人研究是一种新问题,拟用从自然计算的框架出发,构建适用于智能机器人量化投资与免疫计算的免疫数学形式化表示、推理、软件应用设计和硬件改进,将在金融智能管理、量化投资理财、软件机器人研究应用方面具有重要的理论意义和应用价值.

摘要： 语义挖掘研究如何从开放域网络信息资源中萃取以实体及实体间关系形式存在的知识条目；并据此构建以图模式存储的结构化语义知识库。

摘要： 人工智能的时代已经到来,它影响着社会的方方面面,金融行业也不例外.通过量化分析、智能投资等方法,人工智能在股票投资中的作用越来越明显.在中国A股市场中,人工智能的基础大数据也得到应用,这些参与实际投资的大数据基金利用百度、新浪、淘宝、360、银联、腾讯、京东等不同渠道的各种大数据,为基金管理者认识市场提供新的维度,利用更及时、更快捷的信息获取和处理技术挖掘投资者情绪、深挖实体经济行业变化趋势或者挖掘投资者投资智慧来获取投资价值.实证研究表明,大多数大数据基金都明显倾向于投资小盘股,有1/2的大数据基金倾向于投资成长股,这些基金中有半数能够跑赢与自己投资风格相符的市场基准,表明大数据在中国A股市场股票投资中的应用价值.

摘要： 人工智能的时代已经到来,它影响着社会的方方面面,金融行业也不例外.通过量化分析、智能投资等方法,人工智能在股票投资中的作用越来越明显.在中国A股市场中,人工智能的基础大数据也得到应用,这些参与实际投资的大数据基金利用百度、新浪、淘宝、360、银联、腾讯、京东等不同渠道的各种大数据,为基金管理者认识市场提供新的维度,利用更及时、更快捷的信息获取和处理技术挖掘投资者情绪、深挖实体经济行业变化趋势或者挖掘投资者投资智慧来获取投资价值.实证研究表明,大多数大数据基金都明显倾向于投资小盘股,有1/2的大数据基金倾向于投资成长股,这些基金中有半数能够跑赢与自己投资风格相符的市场基准,表明大数据在中国A股市场股票投资中的应用价值.

摘要： 人工智能的时代已经到来,它影响着社会的方方面面,金融行业也不例外.通过量化分析、智能投资等方法,人工智能在股票投资中的作用越来越明显.在中国A股市场中,人工智能的基础大数据也得到应用,这些参与实际投资的大数据基金利用百度、新浪、淘宝、360、银联、腾讯、京东等不同渠道的各种大数据,为基金管理者认识市场提供新的维度,利用更及时、更快捷的信息获取和处理技术挖掘投资者情绪、深挖实体经济行业变化趋势或者挖掘投资者投资智慧来获取投资价值.实证研究表明,大多数大数据基金都明显倾向于投资小盘股,有1/2的大数据基金倾向于投资成长股,这些基金中有半数能够跑赢与自己投资风格相符的市场基准,表明大数据在中国A股市场股票投资中的应用价值.

摘要： 人工智能的时代已经到来,它影响着社会的方方面面,金融行业也不例外.通过量化分析、智能投资等方法,人工智能在股票投资中的作用越来越明显.在中国A股市场中,人工智能的基础大数据也得到应用,这些参与实际投资的大数据基金利用百度、新浪、淘宝、360、银联、腾讯、京东等不同渠道的各种大数据,为基金管理者认识市场提供新的维度,利用更及时、更快捷的信息获取和处理技术挖掘投资者情绪、深挖实体经济行业变化趋势或者挖掘投资者投资智慧来获取投资价值.实证研究表明,大多数大数据基金都明显倾向于投资小盘股,有1/2的大数据基金倾向于投资成长股,这些基金中有半数能够跑赢与自己投资风格相符的市场基准,表明大数据在中国A股市场股票投资中的应用价值.

摘要： 本发明的一种电网项目投资风险量化与控制方法，有助于管控项目风险并为投资鞠策提供理论参考。包括：估算负荷增长系数、售电价格、单位容量长度造价和单位长度运营成本等影响因素的概率分布；采用蒙特卡洛方法拟合运营收益的概率分布；构建电网项目投资风险量化模型；并综合考虑项目的投资风险与收益建立风险控制模型。能够及时监控电网项目投资风险情况，评估项目投资风险大小，辅助投资计划的调整。

摘要： 本发明公开了一种基于量化K线的投资组合算法交易策略，设定股票池，对股票池中的股票进行数据清洗，数据清洗包括缺失值处理、数据量不足的删除处理以及数据的标准化处理，从清洁数据中提取因子，利用机器学习算法和深度学习方法构建多因子模型，给出初始股票池中股票的预测收益率；对初始股票池中的股票，在多因子模型的基础上，建立均线系统、并以此精炼个股，以提高预测的可靠性与准确性。本发明提供的基于量化K线的投资组合算法交易策略，多因子模型与均线系统结合，实现了量化模型中长期持仓的择股优势和技术分析短期强弱的择时优势，提高预测精度，并利用算法交易策略，保证收益，实现良好的风险控制。

摘要： 本发明适用于数据处理技术领域，提供了一种量化投资策略的交易清算方法、系统及装置，包括：从后台服务器获取盘前表信息；从所述后台服务器或柜台服务器获取交易参数信息，或获取用户输入的交易参数信息；执行账号初始化，其中，所述账号初始化包括从所述柜台服务器获取账号信息；从所述柜台服务器和/或根据获取的用户输入的下单指令获取和保存委托单信息，委托单信息来源于所述账号信息，所述用户输入的下单指令，委托回报，成交回报或委托单状态查询结果；根据所述盘前表信息、所述交易参数信息、所述账号信息和所述委托单信息进行清算处理。本发明能够在本地进行字段全面且基本无延时的交易清算。

摘要： 本发明公开了一种基于机器学习的量化投资策略设计和投资组合生成方法，涉及智能金融技术领域。该方法包括：构建投资基础框架模型；获取基础策略开发信息并导入至投资基础框架模型，以得到初始量化投资策略模型；获取并统计投资网络平台中的用户策略设计信息；对历史量化投资策略信息和对应的投资结果进行分析；构建目标量化投资策略模型；将投资者的资信信息导入预置的风险分析模型中；将投资需求和投资对象风险信息导入至目标量化投资策略模型中，生成投资策略设计信息；生成投资组合信息。本发明结合多方面的投资数据为投资者进行合理的量化投资策略设计，并生成全面精准的投资组合，为投资者提供全面的投资参考。

摘要： 本发明公开了一种机器学习驱动的高维量化投资模型的构建方法以及投资组合生成方法，能联合考虑资产间相关性信息、组合内资产数量以及投资者风险效益最大化，并采用基于非相似度机器学习聚类模型的随机采样方法进行优化求解，从而构建具有低相关性和高风险效益的最优投资组合，避免投资组合在市场异常波动时的组合内资产风险并创造风险可控的组合超额收益。

摘要： 本发明实施例提供一种数据处理方法及系统。所述方法包括：获取用户配置的基础投资参数；基于所述基础投资参数创建因子组合模型；基于所述因子组合模型以及所述基础投资参数确定用户的目标投资清单；输出所述目标投资清单。本申请的数据处理方法能提高量化投资策略的智能程度，提升了量化策略研究的便利性。

摘要： 本发明公布了一种基于价值投资理念的基本面量化选股方法，以及支撑该方法的决策支持系统构建方法。本发明旨在打通价值投资和量化投资融合，一方面巧妙利用价值投资理念，指导选股模型特征变量梳理，模型分类标签定义和模型有效性评估；另一方面使用基本面量化选股模型帮助选择价值投资选股的特征变量和阈值。在模型训练中，本发明采用两阶段训练，兼顾了模型准确度和业务规则提取。此外，本发明方法将企业风险评估引入到选股模型中，以及构建支持选股模型的决策支持系统的关键内容。采用本发明训练模型选出的股票，2021年平均涨幅为38％，而同期上证指数涨幅为4.8％，取得了较好的收益。本发明方法有重要的商业价值，尤其对中小投资者实践价值投资具有很好的辅助作用。

摘要： 本发明提供的一种量化投资处理方法及装置，基于长尾风险值以及预先设定的置信水平构建目标函数，通过将参考历史数据中每类资产的平均收益率代入目标函数，以预先配置的每类资产的比例限制条件求解目标函数，得到目标函数值最小时每类资产的最优权重。其中，每类资产的平均收益率可以不服从任何分布，应用更为广泛，且由于长尾风险值是损失额超过在险值的条件均值，衡量了超出分位数的预期损失值的大小，反映了超额损失的平均水平，比在险值更能体现资产组合的潜在风险，因此，基于长尾风险值能准确实现风险测度，计算出的每类资产的权重为投资风险最小的最优权重，给量化投资提供了有力的技术支持。

摘要： 本发明提供一种量化投资方法及装置，包括：选取股票市场中符合预设的选股条件的各个股票，从预选的各个候选因子中确定各个目标因子，并根据各个目标因子构建评分选股模型；根据评分选股模型，对各个股票进行评分，得到每个股票的评分结果，并根据各个评分结果由大到小的顺序对各个股票进行排序，从已经排序好的各个股票中确定排序前N的各个股票为目标股票；基于预先构建的HMS‑GMD择时模型和预设的技术面指标择时模型，确定各个目标股票的购入时间。应用该方法，可以从全面考虑各个因子对股票收益的影响，并且从多维角度进行股票的择时考虑，帮助投资者获取到股票的最佳买入抛出时机，提高投资者的股票投资成功概率。

摘要： 本发明公开了交互式量化投资因子分析方法及系统，属于量化投资领域，包括S1,创建标的市场数据库，标的市场数据库包括股票交易数据、市场信息、从股票交易数据和市场信息中计算出的金融因素；S2，创建预测模型，利用金融因素的集合建立投资候选股票池的预测模型，同时进行因子选择和收益预测；S3，通过预测模型回测评估，所选因子选择和预测模型的性能在可视化界面中进行。将因子细化和投资组合构建包含在同一个人机交互循环中。使用该系统交易者可以优化他们的投资策略并在行业标准的回测中对其进行评估。