# 9.1 指數跟蹤 · [策略] 指數跟蹤低成本建倉策略
> 來源:https://uqer.io/community/share/56632448f9f06c6c8a91b337
## 指數跟蹤
指數追蹤通常是指利用某個股票組合復制某一現實指數或者虛擬指數的市場表現,來獲取與指數相近的收益,試圖最小化跟蹤誤差。為什么要跟蹤指數呢?那要從指數廣泛的用途說起:1)很多大型的公募基金都設有專門的指數投資部,通過跟蹤特定的指數標的發行ETF、分級基金等產品,以供投資者使用;2)目前在A股市場上做期限套利者通常需要建倉SH50、HS300、ZZ500等指數的現貨;3)有些投資者熱衷于行業投資,因此其投資標的不是個股而是行業指數;4)近年流行的FOF,是以基金產品作為投資標的,構建基金產品的組合,基金產品也可以認為是代表基金經理投資特定的指數。如果直接購買指數產品有限制或者需要較低成本的建倉指數,那就需要一些策略啦!
通常指數跟蹤分為兩類:完全復制法和部分復制法。顧名思義,完全復制法即為盡可能完全按照指數的成分股和配比權重來調整組合,使之盡可能的跟蹤所選的標的。這種方法對于一般的投資者來講通常成本和操作難度比較大,這種方法通常僅限于大型公募基金指數部門所使用。部分復制法即為選擇某個不同于指數成分股和權重的組合(通常是指數的子集)來盡可能的去跟蹤指數。這就需要采用一些優化策略去做選股和配權重。本文參考了文獻“Carrier Portfolios.--Steven Kusiak”中的思想,意在研究一種部分復制指數的方法。
## Carrier Portfolios
1)模型:
指數本質上是由其成分股按照特定的權重線性組合而成,其成分股張成一個線性空間,每個成分股的權重即相當于指數在每個維度上的長度。我們希望從這個線性空間中找到一個子空間,并根據子空間的基去配以合適的權重,使得配比后的結果能夠最大程度上的模擬原指數,思想就是主成分分析(PCA)。將其建模成一個優化問題,假設我們構建的資產組合為`P = {w1,w2,...,wN}`,`wi`表示給于第i各成分股的權重。優化的目標便是使得P中權重的1范數的和`∑|wi|,i = 1,2,3,...,N `最小,其含義就是令投資組合的建倉成本達到盡可能小。如果我們只允許做多,那么問題便可以變成更為簡單的使`∑wi`最小。然而如何保證讓構建的P盡可能的跟蹤指數走勢呢?我們可以做這樣一個簡單合理的假設:如果P在過去一段時間窗口`T`日中能夠擬合指數的走勢(體現在收益率的一致性),那么`P`就能下一次調倉前跟蹤指數的走勢。如果令`r(i,t)`表示第`i`個成分股在t日的收益率,`R(t)`表示待跟蹤的標的指數在`t`日的收益率,那么:`∑r(i,t)*wi = R(t)`,`t = 1,2,3,...,T`.那么我們要建模的優化問題便是:
```
min ∑wi, i = 1,2,3,...,N
s.t. ∑r(i,t)*wi = R(t), t = 1,2,3,...,T
wi >= 0
```
2)分析:
+ ①若 `N > T`: 約束條件為欠定方程組,解空間會有無數的解。我們需要通過迭代運算從解空間中尋找滿足優化目標的最優解,通常在邊界取到;
+ ②若 `N = T`: 有唯一解,不具備優化的空間;
+ ③若 `N < T`: 約束條件為超定方程組,解空間無解(假設曲線每天的走勢是不相關的)
3)求解:
通過分析我們知道應該在`N > T`的條件下去做優化,具體的步驟為:
+ ①:不等式約束`wi >= 0`可通過添加log barrier懲罰項將其約束到優化目標中: `min∑wi-u*log(wi)`
+ ②:可利用原對偶內點法去求解目標函數,算法原理可參考文獻“Primal-Dual Interior Point algorithms for Linear Programming--George Tzallas-Regas”
+ ③:依據②中求得的權重去配指數。由于近似最優解一般在邊界上取到,因此必然最優`w`是一個降維后的結果,即有些成分股的權重配比小到無法操作,舍去即可
## 策略回測
1)策略目標
以上證50為例,我們希望選取部分上證50的成分股并配以一定的優化后的權重構建投資組合 `P = {w1,w2,...,w50}`,讓`P`可以有效的跟蹤上證50的走勢,并且盡可能的選用部分成分股去構建組合。
2)仿真環境
+ ①跟蹤標的:上證50
+ ②股票池:上證50成分股
+ ③調倉:5天(由于只是研究策略,因此假設每次調倉都用新得的股票替換掉原有的,實際做的時候并不需要這樣,只要交易當前組合和原組合的差額即可)
```py
from CAL.PyCAL import *
import numpy as np
import copy as cp
start = '2014-05-01' # 回測起始時間
end = '2014-12-01' # 回測結束時間
benchmark = 'SH50' # 策略參考標準
universe = set_universe('SH50') # 證券池,支持股票和基金
capital_base = 100000 # 起始資金
freq = 'd' # 策略類型,'d'表示日間策略使用日線回測,'m'表示日內策略使用分鐘線回測
refresh_rate = 5 # 調倉頻率,表示執行handle_data的時間間隔,若freq = 'd'時間間隔的單位為交易日,若freq = 'm'時間間隔為分鐘
def initialize(account): # 初始化虛擬賬戶狀態
account.portfolioNumList = []
pass
def dict2list(dictionary):
tmplist = []
for index in dictionary:
tmplist.append(dictionary[index])
return tmplist
def handle_data(account): # 每個交易日的買入賣出指令
histLength = 15
stockLength = len(account.universe)
####get the return rate of the universe
closePrice = account.get_attribute_history('closePrice',histLength+1)
uniRetList = []
for index in closePrice:
uniRetList.append(((closePrice[index][1:]-closePrice[index][:-1])/closePrice[index][:-1]).tolist())
uniRetMat = np.mat(uniRetList).T
####get the return rate of the benchmark
calendar = Calendar('China.SSE')
startDate = calendar.advanceDate(account.current_date,'-'+str(histLength+1)+'B').toDateTime()
endDate = calendar.advanceDate(account.current_date,'-1B').toDateTime()
benchmark = DataAPI.MktIdxdGet(ticker = "000016",
field = "closeIndex",
beginDate = startDate,
endDate = endDate,pandas = '1')
bmClose = benchmark['closeIndex'].tolist()
bmRet = []
for index in range(len(bmClose)-1):
bmRet.append((bmClose[1:][index]-bmClose[:-1][index])/bmClose[:-1][index])
bmRetMat = np.mat(bmRet)
####initialization: constant
##ones: stockLength
ones = np.ones(stockLength)
##unitMat: stockLength * stockLength
unitMat = np.diag(ones)
##zeros: histLength
zeros = np.zeros(histLength)
##zero: stockLength
zero = np.zeros(stockLength)
##zeroMatMid: histLength * histLength
zeroMatMid = np.diag(zeros)
##zeroMat: stockLength * stockLength
zeroMat = np.diag(zero)
##zeroMatRes: histLength * stockLength
zeroMatRes = np.zeros((histLength,stockLength))
##initialization: variables
##w: stockLength
# w = np.ones(stockLength)/(stockLength)
w = np.ones(stockLength)/(stockLength)
##wmat: stockLength * stockLength
wMat = np.diag(w)
##u: histLength
u = np.ones(histLength)/histLength
##uMat: histLength * histLength
uMat = np.diag(u)
##v: stockLength
v = np.ones(stockLength)/(stockLength)
##vMat: stockLength * stockLength
vMat = np.diag(v)
##R: histLength * stockLength
R = uniRetMat
##Q: histLength * stockLength
Q = R
##splMat: (stockLength + histLength + stockLength) * (stockLength + histLength + stockLength)
splMatTmp1 = np.hstack([zeroMat,Q.T,unitMat])
splMatTmp2 = np.hstack([Q,zeroMatMid,zeroMatRes])
splMatTmp3 = np.hstack([vMat,zeroMatRes.T,wMat])
splMatTmp = np.vstack([splMatTmp1,splMatTmp2,splMatTmp3])
splMat = splMatTmp
##mulVec: length = stockLength + histLength + stockLength
firstCol = np.subtract(ones,np.dot(Q.T,u))
firstCol = np.subtract(firstCol,v)
secondCol = np.subtract(bmRetMat,np.dot(Q,w))
thirdCol = np.mat(np.subtract(np.dot(0.1,ones),np.dot(wMat,v)))
mulVec = np.hstack([firstCol,secondCol,thirdCol])
####algorithm iteration part
d = 1
mu = 0.1
itera = 0
while itera < 300:
# while d > 0.01:
##calculate the dirtaw, dirtau, dirtav
temp = np.dot(splMat.I,mulVec.T).tolist()
dirtaw = [index[0] for index in temp[:stockLength]]
dirtau = [index[0] for index in temp[stockLength:stockLength+histLength]]
dirtav = [index[0] for index in temp[stockLength+histLength:]]
##update the vector w, u, v and the matrix wmat, umat, vmat
w = np.add(w,dirtaw)
u = np.add(u,dirtau)
v = np.add(v,dirtav)
wMat = np.diag(w)
uMat = np.diag(u)
vMat = np.diag(v)
##init the matrix splmat: (stockLength + histLength + stockLength) * (stockLength + histLength + stockLength)
splMatTmp1 = np.hstack([zeroMat,Q.T,unitMat])
splMatTmp2 = np.hstack([Q,zeroMatMid,zeroMatRes])
splMatTmp3 = np.hstack([vMat,zeroMatRes.T,wMat])
splMatTmp = np.vstack([splMatTmp1,splMatTmp2,splMatTmp3])
splMat = splMatTmp
##init the vector mulvec: length = stockLength + histLength + stockLength
firstCol = np.subtract(ones,np.dot(Q.T,u))
firstCol = np.subtract(firstCol,v)
secondCol = np.subtract(bmRetMat,np.dot(Q,w))
thirdCol = np.mat(np.subtract(np.dot(mu,ones),np.dot(wMat,v)))
##calculate the iteration condition variable d
tmp1 = 0
for index in dirtaw:
tmp1 += index**2
tmp2 = 0
for index in dirtau:
tmp2 += index**2
d = tmp1 + tmp2
##update the itera and mu
itera += 1
mu = mu*(1-stockLength**(-0.5))**5
##weight of the components
weight = w
for index in range(stockLength):
if weight[index]<0:
weight[index] = 0
weightSum = np.sum(weight)
weightReg = [index/weightSum for index in weight]
for index in range(stockLength):
if weightReg[index]<10*10**(-3):
weightReg[index] = 0
count = 0
for index in weightReg:
if index != 0:
count += 1
account.portfolioNumList.append({account.current_date:count})
##Sell portfolio
for index in account.valid_secpos:
order_to(index,0)
####Buy portfolio
portfolio = []
for index in range(stockLength):
amount = round(100*weightReg[index])*100
if amount != 0:
portfolio.append({account.universe[index]:amount})
# amount = account.cash*weightReg[index]/account.referencePrice[account.universe[index]]
order(account.universe[index],amount)
print 'The portfolio at '+str(account.current_date) + ' has ' + str(len(portfolio)) + ' stocks, which '
print portfolio
```

```
The portfolio at 2014-05-27 00:00:00 has 15 stocks, which
[{'601601.XSHG': 500.0}, {'600111.XSHG': 100.0}, {'600018.XSHG': 500.0}, {'600519.XSHG': 1400.0}, {'601668.XSHG': 100.0}, {'601088.XSHG': 1500.0}, {'601998.XSHG': 500.0}, {'600010.XSHG': 500.0}, {'600637.XSHG': 500.0}, {'600999.XSHG': 300.0}, {'600887.XSHG': 1100.0}, {'601169.XSHG': 1300.0}, {'601988.XSHG': 200.0}, {'601318.XSHG': 900.0}, {'601901.XSHG': 100.0}]
The portfolio at 2014-06-04 00:00:00 has 11 stocks, which
[{'600583.XSHG': 500.0}, {'600893.XSHG': 300.0}, {'601288.XSHG': 1700.0}, {'600585.XSHG': 700.0}, {'600256.XSHG': 500.0}, {'601800.XSHG': 800.0}, {'601989.XSHG': 100.0}, {'600887.XSHG': 800.0}, {'601398.XSHG': 3400.0}, {'600030.XSHG': 500.0}, {'600150.XSHG': 800.0}]
The portfolio at 2014-06-11 00:00:00 has 15 stocks, which
[{'601601.XSHG': 600.0}, {'600893.XSHG': 300.0}, {'600111.XSHG': 100.0}, {'600018.XSHG': 400.0}, {'601390.XSHG': 1500.0}, {'601288.XSHG': 800.0}, {'601668.XSHG': 700.0}, {'601818.XSHG': 500.0}, {'600690.XSHG': 1400.0}, {'600010.XSHG': 700.0}, {'600999.XSHG': 500.0}, {'601628.XSHG': 200.0}, {'600887.XSHG': 400.0}, {'601766.XSHG': 400.0}, {'600030.XSHG': 1400.0}]
The portfolio at 2014-06-18 00:00:00 has 7 stocks, which
[{'600036.XSHG': 100.0}, {'600018.XSHG': 300.0}, {'600256.XSHG': 500.0}, {'600406.XSHG': 7600.0}, {'600048.XSHG': 400.0}, {'600887.XSHG': 200.0}, {'600030.XSHG': 900.0}]
The portfolio at 2014-06-25 00:00:00 has 7 stocks, which
[{'600050.XSHG': 1200.0}, {'600089.XSHG': 900.0}, {'600256.XSHG': 900.0}, {'600104.XSHG': 1500.0}, {'601989.XSHG': 2000.0}, {'600837.XSHG': 1000.0}, {'601398.XSHG': 2200.0}]
The portfolio at 2014-07-02 00:00:00 has 9 stocks, which
[{'600036.XSHG': 800.0}, {'601390.XSHG': 1900.0}, {'600016.XSHG': 200.0}, {'601006.XSHG': 600.0}, {'601088.XSHG': 300.0}, {'600585.XSHG': 1300.0}, {'600690.XSHG': 1300.0}, {'601988.XSHG': 2900.0}, {'601186.XSHG': 500.0}]
The portfolio at 2014-07-09 00:00:00 has 8 stocks, which
[{'601288.XSHG': 2100.0}, {'601668.XSHG': 400.0}, {'601088.XSHG': 2100.0}, {'600089.XSHG': 1400.0}, {'600690.XSHG': 900.0}, {'600010.XSHG': 1400.0}, {'601988.XSHG': 1100.0}, {'601398.XSHG': 400.0}]
The portfolio at 2014-07-16 00:00:00 has 6 stocks, which
[{'600583.XSHG': 1400.0}, {'601006.XSHG': 1400.0}, {'600256.XSHG': 500.0}, {'601998.XSHG': 1700.0}, {'600048.XSHG': 400.0}, {'600518.XSHG': 4400.0}]
The portfolio at 2014-07-23 00:00:00 has 23 stocks, which
[{'600583.XSHG': 200.0}, {'601601.XSHG': 700.0}, {'600036.XSHG': 400.0}, {'600018.XSHG': 300.0}, {'600519.XSHG': 100.0}, {'601390.XSHG': 1400.0}, {'601288.XSHG': 200.0}, {'601006.XSHG': 300.0}, {'601088.XSHG': 500.0}, {'600256.XSHG': 500.0}, {'601998.XSHG': 100.0}, {'600015.XSHG': 100.0}, {'600028.XSHG': 500.0}, {'600010.XSHG': 300.0}, {'600999.XSHG': 400.0}, {'600109.XSHG': 100.0}, {'601989.XSHG': 1100.0}, {'600887.XSHG': 200.0}, {'601766.XSHG': 200.0}, {'601169.XSHG': 700.0}, {'601988.XSHG': 1100.0}, {'600030.XSHG': 200.0}, {'601901.XSHG': 300.0}]
The portfolio at 2014-07-30 00:00:00 has 8 stocks, which
[{'600893.XSHG': 200.0}, {'600104.XSHG': 300.0}, {'600015.XSHG': 100.0}, {'601989.XSHG': 600.0}, {'600518.XSHG': 800.0}, {'601628.XSHG': 2000.0}, {'600887.XSHG': 300.0}, {'601318.XSHG': 5400.0}]
The portfolio at 2014-08-06 00:00:00 has 7 stocks, which
[{'601328.XSHG': 2800.0}, {'600036.XSHG': 600.0}, {'600111.XSHG': 1200.0}, {'601088.XSHG': 700.0}, {'601800.XSHG': 1300.0}, {'600028.XSHG': 1900.0}, {'600518.XSHG': 1100.0}]
The portfolio at 2014-08-13 00:00:00 has 7 stocks, which
[{'601601.XSHG': 1400.0}, {'600018.XSHG': 100.0}, {'601818.XSHG': 600.0}, {'601088.XSHG': 2100.0}, {'600406.XSHG': 1600.0}, {'600999.XSHG': 2900.0}, {'600887.XSHG': 1300.0}]
The portfolio at 2014-08-20 00:00:00 has 6 stocks, which
[{'600000.XSHG': 1900.0}, {'600111.XSHG': 900.0}, {'600016.XSHG': 1600.0}, {'600690.XSHG': 300.0}, {'600150.XSHG': 100.0}, {'601186.XSHG': 5100.0}]
The portfolio at 2014-08-27 00:00:00 has 8 stocks, which
[{'601328.XSHG': 2000.0}, {'600585.XSHG': 300.0}, {'600048.XSHG': 1300.0}, {'601800.XSHG': 1200.0}, {'600690.XSHG': 700.0}, {'600028.XSHG': 1400.0}, {'601989.XSHG': 1200.0}, {'601988.XSHG': 1800.0}]
The portfolio at 2014-09-03 00:00:00 has 8 stocks, which
[{'600016.XSHG': 2200.0}, {'601818.XSHG': 1100.0}, {'600585.XSHG': 2500.0}, {'600089.XSHG': 2000.0}, {'600048.XSHG': 400.0}, {'600104.XSHG': 1100.0}, {'600518.XSHG': 500.0}, {'600150.XSHG': 200.0}]
The portfolio at 2014-09-11 00:00:00 has 7 stocks, which
[{'601857.XSHG': 4300.0}, {'601088.XSHG': 700.0}, {'600048.XSHG': 1000.0}, {'600690.XSHG': 600.0}, {'600518.XSHG': 1000.0}, {'601169.XSHG': 800.0}, {'601901.XSHG': 1400.0}]
The portfolio at 2014-09-18 00:00:00 has 8 stocks, which
[{'601328.XSHG': 1700.0}, {'600111.XSHG': 500.0}, {'600016.XSHG': 3100.0}, {'600015.XSHG': 300.0}, {'600887.XSHG': 400.0}, {'600030.XSHG': 1800.0}, {'601186.XSHG': 600.0}, {'601318.XSHG': 1700.0}]
The portfolio at 2014-09-25 00:00:00 has 11 stocks, which
[{'600050.XSHG': 600.0}, {'600583.XSHG': 700.0}, {'600111.XSHG': 3000.0}, {'600048.XSHG': 500.0}, {'600015.XSHG': 300.0}, {'600028.XSHG': 400.0}, {'600837.XSHG': 1400.0}, {'601169.XSHG': 100.0}, {'601988.XSHG': 600.0}, {'601186.XSHG': 100.0}, {'601901.XSHG': 1700.0}]
The portfolio at 2014-10-09 00:00:00 has 9 stocks, which
[{'600519.XSHG': 1400.0}, {'600585.XSHG': 3000.0}, {'600256.XSHG': 300.0}, {'600048.XSHG': 2500.0}, {'600104.XSHG': 900.0}, {'600015.XSHG': 600.0}, {'600999.XSHG': 300.0}, {'600109.XSHG': 600.0}, {'600887.XSHG': 100.0}]
The portfolio at 2014-10-16 00:00:00 has 8 stocks, which
[{'600519.XSHG': 800.0}, {'601166.XSHG': 6900.0}, {'600104.XSHG': 700.0}, {'600010.XSHG': 200.0}, {'600999.XSHG': 200.0}, {'601766.XSHG': 700.0}, {'601169.XSHG': 100.0}, {'600030.XSHG': 100.0}]
The portfolio at 2014-10-23 00:00:00 has 7 stocks, which
[{'601390.XSHG': 400.0}, {'601668.XSHG': 1100.0}, {'600048.XSHG': 1100.0}, {'600104.XSHG': 200.0}, {'600837.XSHG': 4000.0}, {'601398.XSHG': 2200.0}, {'601318.XSHG': 800.0}]
The portfolio at 2014-10-30 00:00:00 has 6 stocks, which
[{'601857.XSHG': 800.0}, {'600256.XSHG': 600.0}, {'600015.XSHG': 200.0}, {'600887.XSHG': 100.0}, {'601398.XSHG': 7600.0}, {'600030.XSHG': 500.0}]
The portfolio at 2014-11-06 00:00:00 has 8 stocks, which
[{'601328.XSHG': 4800.0}, {'600519.XSHG': 1000.0}, {'601818.XSHG': 800.0}, {'601088.XSHG': 900.0}, {'600585.XSHG': 600.0}, {'600406.XSHG': 900.0}, {'600104.XSHG': 500.0}, {'601901.XSHG': 400.0}]
The portfolio at 2014-11-13 00:00:00 has 7 stocks, which
[{'600583.XSHG': 1300.0}, {'601601.XSHG': 2400.0}, {'600893.XSHG': 400.0}, {'601818.XSHG': 1500.0}, {'600104.XSHG': 1700.0}, {'600109.XSHG': 200.0}, {'601318.XSHG': 2300.0}]
The portfolio at 2014-11-20 00:00:00 has 9 stocks, which
[{'601601.XSHG': 3800.0}, {'600018.XSHG': 300.0}, {'601006.XSHG': 600.0}, {'600089.XSHG': 1300.0}, {'601998.XSHG': 800.0}, {'600015.XSHG': 1300.0}, {'600010.XSHG': 300.0}, {'601989.XSHG': 300.0}, {'601988.XSHG': 1200.0}]
The portfolio at 2014-11-27 00:00:00 has 14 stocks, which
[{'601601.XSHG': 400.0}, {'600893.XSHG': 1700.0}, {'600111.XSHG': 600.0}, {'600519.XSHG': 300.0}, {'601288.XSHG': 800.0}, {'601088.XSHG': 100.0}, {'600585.XSHG': 1800.0}, {'600089.XSHG': 500.0}, {'600015.XSHG': 500.0}, {'600999.XSHG': 200.0}, {'600109.XSHG': 600.0}, {'600518.XSHG': 300.0}, {'601988.XSHG': 1900.0}, {'601318.XSHG': 100.0}]
```
## 回測結果
從上面的回測結果中我們可以看到,每個時點的持倉個股數在7-15只的范圍內,然而組合依然可以較好的跟蹤標的上證50指數。跟蹤誤差沒有詳細去計算,應該在400bps(4%)以內,考慮到大大減少了建倉的難度和成本,因此這個跟蹤誤差是可以接受的。
## 思考
+ ① 考慮到我們上面僅僅回測了最簡單的model,事實上我們完全可以在上面的優化問題中加入更多的限制條件,以獲得更為進準的匹配效果。例如,如果我們限制了每只股票的持倉不得高于某個比例,則可以將條件 `wi >= 0` 改為 `xi >= wi >=0`。如果考慮可以融券做空,則優化目標變為 `min ∑|wi|`。如果考慮加入倉位限制,例如倉位控制在70%以上,則可加入 `∑wi > 70%`,等等。
+ ② 該模型可以在一定程度上挖掘任意指數、股票型基金曲線的持倉信息。以基金為例:只要是股票型基金,尤其是該基金的投資標的池已知,例如基金嘉實大盤研究精選的標的池很有可能就是HS300,那么便可以用HS300去跟蹤該基金,得到的股票組合很有可能就是嘉實大盤研究精選的持倉。
- Python 量化交易教程
- 第一部分 新手入門
- 一 量化投資視頻學習課程
- 二 Python 手把手教學
- 量化分析師的Python日記【第1天:誰來給我講講Python?】
- 量化分析師的Python日記【第2天:再接著介紹一下Python唄】
- 量化分析師的Python日記【第3天:一大波金融Library來襲之numpy篇】
- 量化分析師的Python日記【第4天:一大波金融Library來襲之scipy篇】
- 量化分析師的Python日記【第5天:數據處理的瑞士軍刀pandas】
- 量化分析師的Python日記【第6天:數據處理的瑞士軍刀pandas下篇
- 量化分析師的Python日記【第7天:Q Quant 之初出江湖】
- 量化分析師的Python日記【第8天 Q Quant兵器譜之函數插值】
- 量化分析師的Python日記【第9天 Q Quant兵器譜之二叉樹】
- 量化分析師的Python日記【第10天 Q Quant兵器譜 -之偏微分方程1】
- 量化分析師的Python日記【第11天 Q Quant兵器譜之偏微分方程2】
- 量化分析師的Python日記【第12天:量化入門進階之葵花寶典:因子如何產生和回測】
- 量化分析師的Python日記【第13天 Q Quant兵器譜之偏微分方程3】
- 量化分析師的Python日記【第14天:如何在優礦上做Alpha對沖模型】
- 量化分析師的Python日記【第15天:如何在優礦上搞一個wealthfront出來】
- 第二部分 股票量化相關
- 一 基本面分析
- 1.1 alpha 多因子模型
- 破解Alpha對沖策略——觀《量化分析師Python日記第14天》有感
- 熔斷不要怕, alpha model 為你保駕護航!
- 尋找 alpha 之: alpha 設計
- 1.2 基本面因子選股
- Porfolio(現金比率+負債現金+現金保障倍數)+市盈率
- ROE選股指標
- 成交量因子
- ROIC&cashROIC
- 【國信金工】資產周轉率選股模型
- 【基本面指標】Cash Cow
- 量化因子選股——凈利潤/營業總收入
- 營業收入增長率+市盈率
- 1.3 財報閱讀 ? [米缸量化讀財報] 資產負債表-投資相關資產
- 1.4 股東分析
- 技術分析入門 【2】 —— 大家搶籌碼(06年至12年版)
- 技術分析入門 【2】 —— 大家搶籌碼(06年至12年版)— 更新版
- 誰是中國A股最有錢的自然人
- 1.5 宏觀研究
- 【干貨包郵】手把手教你做宏觀擇時
- 宏觀研究:從估值角度看當前市場
- 追尋“國家隊”的足跡
- 二 套利
- 2.1 配對交易
- HS300ETF套利(上)
- 【統計套利】配對交易
- 相似公司股票搬磚
- Paired trading
- 2.2 期現套利 ? 通過股指期貨的期現差與 ETF 對沖套利
- 三 事件驅動
- 3.1 盈利預增
- 盈利預增事件
- 事件驅動策略示例——盈利預增
- 3.2 分析師推薦 ? 分析師的金手指?
- 3.3 牛熊轉換
- 歷史總是相似 牛市還在延續
- 歷史總是相似 牛市已經見頂?
- 3.4 熔斷機制 ? 股海拾貝之 [熔斷錯殺股]
- 3.5 暴漲暴跌 ? [實盤感悟] 遇上暴跌我該怎么做?
- 3.6 兼并重組、舉牌收購 ? 寶萬戰-大戲開幕
- 四 技術分析
- 4.1 布林帶
- 布林帶交易策略
- 布林帶回調系統-日內
- Conservative Bollinger Bands
- Even More Conservative Bollinger Bands
- Simple Bollinger Bands
- 4.2 均線系統
- 技術分析入門 —— 雙均線策略
- 5日線10日線交易策略
- 用5日均線和10日均線進行判斷 --- 改進版
- macross
- 4.3 MACD
- Simple MACD
- MACD quantization trade
- MACD平滑異同移動平均線方法
- 4.4 阿隆指標 ? 技術指標阿隆( Aroon )全解析
- 4.5 CCI ? CCI 順勢指標探索
- 4.6 RSI
- 重寫 rsi
- RSI指標策略
- 4.7 DMI ? DMI 指標體系的構建及簡單應用
- 4.8 EMV ? EMV 技術指標的構建及應用
- 4.9 KDJ ? KDJ 策略
- 4.10 CMO
- CMO 策略模仿練習 1
- CMO策略模仿練習2
- [技術指標] CMO
- 4.11 FPC ? FPC 指標選股
- 4.12 Chaikin Volatility
- 嘉慶離散指標測試
- 4.13 委比 ? 實時計算委比
- 4.14 封單量
- 按照封單跟流通股本比例排序,剔除6月上市新股,前50
- 漲停股票封單統計
- 實時計算漲停板股票的封單資金與總流通市值的比例
- 4.15 成交量 ? 決戰之地, IF1507 !
- 4.16 K 線分析 ? 尋找夜空中最亮的星
- 五 量化模型
- 5.1 動量模型
- Momentum策略
- 【小散學量化】-2-動量模型的簡單實踐
- 一個追漲的策略(修正版)
- 動量策略(momentum driven)
- 動量策略(momentum driven)——修正版
- 最經典的Momentum和Contrarian在中國市場的測試
- 最經典的Momentum和Contrarian在中國市場的測試-yanheven改進
- [策略]基于勝率的趨勢交易策略
- 策略探討(更新):價量結合+動量反轉
- 反向動量策略(reverse momentum driven)
- 輕松跑贏大盤 - 主題Momentum策略
- Contrarian strategy
- 5.2 Joseph Piotroski 9 F-Score Value Investing Model · 基本面選股系統:Piotroski F-Score ranking system
- 5.3 SVR · 使用SVR預測股票開盤價 v1.0
- 5.4 決策樹、隨機樹
- 決策樹模型(固定模型)
- 基于Random Forest的決策策略
- 5.5 鐘擺理論 · 鐘擺理論的簡單實現——完美躲過股災和精準抄底
- 5.6 海龜模型
- simple turtle
- 俠之大者 一起賺錢
- 5.7 5217 策略 · 白龍馬的新手策略
- 5.8 SMIA · 基于歷史狀態空間相似性匹配的行業配置 SMIA 模型—取交集
- 5.9 神經網絡
- 神經網絡交易的訓練部分
- 通過神經網絡進行交易
- 5.10 PAMR · PAMR : 基于均值反轉的投資組合選擇策略 - 修改版
- 5.11 Fisher Transform · Using Fisher Transform Indicator
- 5.12 分型假說, Hurst 指數 · 分形市場假說,一個聽起來很美的假說
- 5.13 變點理論 · 變點策略初步
- 5.14 Z-score Model
- Zscore Model Tutorial
- 信用債風險模型初探之:Z-Score Model
- user-defined package
- 5.15 機器學習 · Machine Learning 學習筆記(一) by OTreeWEN
- 5.16 DualTrust 策略和布林強盜策略
- 5.17 卡爾曼濾波
- 5.18 LPPL anti-bubble model
- 今天大盤熔斷大跌,后市如何—— based on LPPL anti-bubble model
- 破解股市泡沫之謎——對數周期冪率(LPPL)模型
- 六 大數據模型
- 6.1 市場情緒分析
- 通聯情緒指標策略
- 互聯網+量化投資 大數據指數手把手
- 6.2 新聞熱點
- 如何使用優礦之“新聞熱點”?
- 技術分析【3】—— 眾星拱月,眾口鑠金?
- 七 排名選股系統
- 7.1 小市值投資法
- 學習筆記:可模擬(小市值+便宜 的修改版)
- 市值最小300指數
- 流通市值最小股票(新篩選器版)
- 持有市值最小的10只股票
- 10% smallest cap stock
- 7.2 羊駝策略
- 羊駝策略
- 羊駝反轉策略(修改版)
- 羊駝反轉策略
- 我的羊駝策略,選5只股無腦輪替
- 7.3 低價策略
- 專撿便宜貨(新版quartz)
- 策略原理
- 便宜就是 alpha
- 八 輪動模型
- 8.1 大小盤輪動 · 新手上路 -- 二八ETF擇時輪動策略2.0
- 8.2 季節性策略
- Halloween Cycle
- Halloween cycle 2
- 夏買電,東買煤?
- 歷史的十一月板塊漲幅
- 8.3 行業輪動
- 銀行股輪動
- 申萬二級行業在最近1年、3個月、5個交易日的漲幅統計
- 8.4 主題輪動
- 快速研究主題神器
- recommendation based on subject
- strategy7: recommendation based on theme
- 板塊異動類
- 風險因子(離散類)
- 8.5 龍頭輪動
- Competitive Securities
- Market Competitiveness
- 主題龍頭類
- 九 組合投資
- 9.1 指數跟蹤 · [策略] 指數跟蹤低成本建倉策略
- 9.2 GMVP · Global Minimum Variance Portfolio (GMVP)
- 9.3 凸優化 · 如何在 Python 中利用 CVXOPT 求解二次規劃問題
- 十 波動率
- 10.1 波動率選股 · 風平浪靜 風起豬飛
- 10.2 波動率擇時
- 基于 VIX 指數的擇時策略
- 簡單低波動率指數
- 10.3 Arch/Garch 模型 · 如何使用優礦進行 GARCH 模型分析
- 十一 算法交易
- 11.1 VWAP · Value-Weighted Average Price (VWAP)
- 十二 中高頻交易
- 12.1 order book 分析 · 基于高頻 limit order book 數據的短程價格方向預測—— via multi-class SVM
- 12.2 日內交易 · 大盤日內走勢 (for 擇時)
- 十三 Alternative Strategy
- 13.1 易經、傳統文化 · 老黃歷診股
- 第三部分 基金、利率互換、固定收益類
- 一 分級基金
- “優礦”集思錄——分級基金專題
- 基于期權定價的分級基金交易策略
- 基于期權定價的興全合潤基金交易策略
- 二 基金分析
- Alpha 基金“黑天鵝事件” -- 思考以及原因
- 三 債券
- 債券報價中的小陷阱
- 四 利率互換
- Swap Curve Construction
- 中國 Repo 7D 互換的例子
- 第四部分 衍生品相關
- 一 期權數據
- 如何獲取期權市場數據快照
- 期權高頻數據準備
- 二 期權系列
- [ 50ETF 期權] 1. 歷史成交持倉和 PCR 數據
- 【50ETF期權】 2. 歷史波動率
- 【50ETF期權】 3. 中國波指 iVIX
- 【50ETF期權】 4. Greeks 和隱含波動率微笑
- 【50ETF期權】 5. 日內即時監控 Greeks 和隱含波動率微笑
- 【50ETF期權】 5. 日內即時監控 Greeks 和隱含波動率微笑
- 三 期權分析
- 【50ETF期權】 期權擇時指數 1.0
- 每日期權風險數據整理
- 期權頭寸計算
- 期權探秘1
- 期權探秘2
- 期權市場一周縱覽
- 基于期權PCR指數的擇時策略
- 期權每日成交額PC比例計算
- 四 期貨分析
- 【前方高能!】Gifts from Santa Claus——股指期貨趨勢交易研究