暂无搜索历史
因子做的事情,就是把一句主观形容词,翻译成每只股票都能算出来的一个数字,从而可以:排序 → 分组 → 检验 → 组合。
对前者,你要做的是降低换手;对后者,你要做的是不要被单次结果误导。把噪声当损耗去优化,是在浪费时间。
合计单边万 3 ~ 万 10 是合理估计。听起来很小——万 3 就是 0.03%。但如果你一年换手 100 次,就是 3% 被吃掉。对一个年化 8% 的策略,这...
关键区别:固定止损盯的是你的成本,跟踪止损盯的是市场给过你的最好价格。前者保命,后者保收益。
结果是:你的账户波动 = 那只股票的波动。它一天跌 8%,你就跌 8%。而分散最反直觉的地方在于——把钱分到 5 只上,组合波动会低于这 5 只的平均波动,且这...
这个动作叫网格搜索(grid search),它在机器学习里是标准操作,在量化里却是头号杀手。原因很简单:历史只有一条,你试的组合越多,撞上"运气好"的组合的概...
问题是:这 12.71% 是用同一批数据挑出来的。挑的过程本身就已经把答案偷看了一遍。相当于先看完考卷再选复习范围——考多少分都不能说明你会。
大多数人的策略是这样的:"我觉得放量突破 20 日线可以买。" 然后打开行情软件手动翻。问题在于:这句话无法被验证。涨的时候你记得,跌的时候你忘了。
很多策略只有"信号",没有"怎么管仓位、怎么退出"。海龟法则(源自 1980 年代著名实验)把趋势跟踪做成可复制的完整系统,普通人照做即可。
有些收益来自"信息差被消化":业绩超预期、重组、政策利好,价格会在事件后修复。事件驱动就是系统化捕捉这类定价偏差修复。
只看一个指标(如动量)容易偏科。多因子把"便宜、质量、动量"等多个维度拧成一个综合分,按分数排座次,选头部的。
系列写到这,你会发现:做因子(#33–#37)、可转债(#44)、基金(#45)、基本面(#46)需要财报 / 转债 / 基金数据,而麦蕊目前以实时 + 历史 ...
新手卡在「环境装好,但不知道怎么把行情变成代码里的变量」。这篇把取数讲透,顺带把证书 / 额度这两个绕不开的事说清。
你研究出一个策略,同事按你的步骤却得出不同结果——多半是数据源不一致、手工抄表有误差。量化的命根是「同样输入 → 同样输出」,Excel 手抄做不到这点。
上一篇你把"活跃股"写成了一条规则、并用真实行情跑了出来。下一步自然要问:这条规则(或者说,任何策略)到底行不行?
很多人炒股的痛点是:买在高点、卖在低点,情绪被盘面牵着走。双均线金叉是量化里最经典的"择时"入门套路——它用两条均线把"趋势转强"这个模糊的感觉,变成一个机械的...
真实情况没那么玄,也没那么难。量化投资干的第一件事,特别朴素:把你脑子里那句"我觉得某某要涨",翻译成一条计算机能执行、能重复、不带情绪的规则。
你买基金、看策略,是不是常被一串指标砸脸:「年化夏普 2.3」「最大回撤仅 8%」?
很多人想用 Python 做量化,第一步就卡在「环境装好了,代码也抄了,一跑全是 401 / 证书错误」。
你不想预测哪只涨,只想"每个月持有当前最强的那几只"。动量轮动把"追涨"系统化:定期按动量排名,换仓到头部。
暂未填写公司和职称
暂未填写个人简介
暂未填写技能专长
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市