摘要

国内外发展情况

起源于1975年，美国股票市场推出了股票组合的自动化交易二十世纪90年代，计算机的快速发展使电子化交易取得了突破性进展二十一世纪以来，一些大型金融软件服务机构开发的交易平台使得中小型投资者也开始进入算法交易领域国内尚处于萌芽阶段，主要是一些公募基金在使用，集中在传统的套利交易和投机交易上，但未来有广阔的提升空间

为什么选择算法交易

优点

减小市场摩擦，有效降低交易中的冲击成本

提高交易执行的效率，降低人力成本

避免由于人的不理性而出现的一些非正常交易

对于大规模的交易而言，可以隐藏自己的交易行为为什么选择算法交易

**主流策略

报告摘要

高频交易

历史上发生过多次由于技术的突破导致大多数投资者处于不利地位。21世纪以来，计算和通信方面的重大技术进步使得高频交易策略成为可能，美国和欧洲相关立法的变化，使得高频交易有利可图。

现实中的高频策略是多种多样的，但是高频交易策略之间不能混为一谈；由于高频交易中机会的识别、风险控制、执行和其他投资管理活动必须自动化，因此可以说不是所有的算法都发生在高频交易，但所有的高频交易都需要算法。

低频交易者和高频交易者有很大的区别，围绕交易所匹配引擎的问题就是一个很好的例子。低频交易者的代表经济学家和金融专业人士经常将市场竞价过程视为既定事实，而高频交易者认为

摘要

市场是一座黑暗森林，每个交易者都小心翼翼。备受大家关注的“聪明钱”（Smart Money），更是难觅踪影。在本篇报告中，我们尝试解答如下问题：能否从分钟行情数据中，发现“聪明钱”行动的蛛丝马迹？

我们首先利用聪明度指标S，从分钟数据中筛选出属于“聪明钱”的交易。在此基础上，我们构造了聪明钱情绪因子Q，该因子实际上反映了聪明钱参与交易的相对价位。因子Q的值越大，表明聪明钱的交易越倾向于出现在价格较高处，这是逢高出货的表现，反映其悲观态度；因子Q的值越小，则表明聪明钱的交易多出现在价格较低处，这是逢低吸筹的表现，反映其乐观情绪。

根据情绪因子Q对所有A股进行排序并等分五组，多空

摘要

近年来，随着投资者对于因子选股体系研究的深入，选股因子值的处理也在逐渐细化。本文主要对于选股因子的正交进行了讨论。之所以讨论因子的正交是因为在传统的多因子模型中，选取的因子之间往往存在着相关性，而这种相关性并不稳定。因此相关性的存在会复杂因子权重的分配。对于等权分配因子权重的多因子模型，由于因子之间相关性的存在，模型可能实际上对于某一因子有更高的暴露（例如，市值因子）。对于权重优化的模型，相关性的影响可能会更大。因此，本文考虑在构建因子的时候就对于相关性进行剔除从而达到更为可控的因子暴露。

选股因子截面相关性波动较大。以市值因子与反转因子为例，虽然两因子截面相关性长期来看均值较

摘要

估值因子在不同行业、不同规模上市公司间差异较大

估值因子是一类非常重要的风格因子，本报告中我们选取了十个具有代表性的估值因子——EP、EPcut、BP、SP、NCFP、OCFP、FCFP、DP、EV2EBITDA、PEG，首先经实证分析发现，不同一级行业间估值因子差异较大，并且随时间推移同一行业的估值水平也在不断变化。同时，估值因子在不同规模的上市公司间差异也比较大，近两年EP、EPcut、BP、SP、NCFP、OCFP、DP明显与市值因子呈现正相关性，FCFP、EV2EBITDA与市值因子略微负相关，PEG与市值因子相关性不明显。

**各估值因子间也

摘要

多因子模型通常由收益预测和风险控制两部分组成，风险模型中的限制条件可选种类多，常见的有跟踪误差、风险因子敞口、个股权重、行业、风格等，投资者通常根据自身的收益风险需求选择特定的限制条件。本文主要考察因子敞口上限的设定对优化组合的影响。

在风险控制模型中，因子敞口上限的设臵会同时影响优化组合的收益和风险。上限越大，组合超额收益越高；同时回撤和跟踪误差也越大。组合收益风险比的大小，则取决于收益和风险指标的相对增幅。敞口上限对不同标的指数优化组合超额收益的影响存在差异，敞口上限增加，沪深300优化组合超额收益增幅相对较小，而中证500优化组合超额收益增幅则相对较大。

沪深300指数

摘要

多因子模型通常由收益预测和风险控制两部分组成，风险模型中的限制条件可选种类多，常见的有跟踪误差、风险因子敞口、个股权重、行业、风格等，投资者通常根据自身的收益风险需求选择特定的限制条件。

本文主要考察因子敞口上限的设定对优化组合的影响。

在风险控制模型中，因子敞口上限的设置会同时影响优化组合的收益和风险

上限越大，组合超额收益越高；同时回撤和跟踪误差也越大。组合收益风险比的大小，则取决于收益和风险指标的相对增幅。敞口上限对不同标的指数优化组合超额收益的影响存在差异，敞口上限增加，沪深300优化组合超额收益增幅相对较小，而中证500优化组合超额收益增幅则相对较大

摘要

原始数据处理

原始数据的选取是多因子模型的基础，只有高质量的数据才能保证后续研究的准确。研究中遇到的数据问题主要有财务数据的滞后性与真实性问题，资产重组导致前后数据不可比问题，行业划分覆盖不全面等问题。对比数据在可比性与时效性上的不同侧重，使用最新的数据进行回测能得到更好的结果；考虑上市公司在借壳上市之前与之后的数据均含有较多的噪声，我们需要同时处理借壳公司与被借壳公司。

股票池构造

多因子选股的第一步是选择合适的股票池，而股票池的选取需要根据策略的需求进行相应的调整。类比全样本股票池，我们根据股票的流动性大小构造流动性1500股票池进行替代。

因子分析完后，有多空组合，这个怎么套用来选股呢？

https://bigquant.com/experimentshare/4d787bfaafaa40578641e6d2ae0b6fd0

\

问题

如何在AI策略中加入大盘指标因素，比如，大盘走坏时，不开仓

https://bigquant.com/experimentshare/b6f174124d3e4c33bdd683498f5d44a9

\

https://bigquant.com/experimentshare/3e5c4533c9fa4174a16f8784bccfb69b

\

https://bigquant.com/experimentshare/14142aa9e6dc4695bb326e88942d7661

\

https://bigquant.com/experimentshare/612fccdedb274977ba74636700ecc9b8

\

\

谢谢小Q， 感谢BQ。四周年快乐\~

昨天收到了小Q寄来的礼物，好开心啊，双11不用我自己去买了。。。。一如既往的清新风。我已经猜到了，上一年是保温杯，今年是茶壶，下一年可不可以送包枸杞 ，

问题

解答

重启开发环境

python究竟怎么可以获取level2行情呢？比如百度、新浪、搜狐、CSDN等都有教程还有说明，同时还有提供一些常见的股票L2接口，包括许多模拟股票交易系统也提供了数据，但这些获取股票数据的方法并不像通过python那样方便。那么，如何通过python实现股票L2接口呢？

以下有两种情况说明：

（1）你有自己的证券商及客服专员；

在这种情况下，个人直接打电话给交易账户的证券期货供应商客户服务专员，获取CTP数据接口信息。CTP是指根据要求，进入期货公司的交易程序必须经过穿戴认证。简单地说，它是在期货公司提供的模拟环境中完成指定

平时喜欢做研究，分享一个策略，希望和大家多交流！欢迎拍砖！

策略思想：

买入条件

• 市净率尽可能小
• 股价创60日新高
• 3日线上穿5日线，5日线上穿10日线
• 当日成交量是昨日成交量的1.4倍
• macd柱状处于红色区域

卖出条件

• 收盘价下穿7日均线
• 7日均线下穿30日均线

持仓天数

• 持仓天数30天

策略案例

https://bigquant.com/experimentshare/2d9488a9b36342898a1431052bc78d08

\

如题

作者：神乐（shen1，colol）

去量化基金公司面试，和从事量化的朋友，同事之间交流等经常会被问到一个问题，因子重要or模型重要？量化策略中最重要的是什么？有些人会认为因子比较重要，有些会认为策略的猜想比较重要。当然，关于这些问题没有标准答案，给出合理的解释，讲述对量化开发的个人观点是问题的本质。鄙人认为，一个稳健的量化策略的核心是一个合理的工业化量化策略开发体系，这也比较好的解释了某些量化公司部分核心策略工程师的离开，对公司的业绩产生影响不是特别大。工业化的量化策略开发体系包括但不限于以下流程。

5.1提出猜想：猜想的提出往往是在交易市场中对交易策略的深刻理解，从而提出相关想法，并

组合优化器是宽邦科技为满足机构投资者对于股票组合优化、绩效归因、风险控制和指数增强需求而提供的一款优化器。

使用概览

1. 调用接口：T.PORTFOLIO_OPTIMIZERS
2. 每日初始化：T.PORTFOLIO_OPTIMIZERS.get_today_factor_data
3. 权重优化：T.PORTFOLIO_OPTIMIZERS.optimize

\

调用接口

**opt=T.PORTFOLIO_OPTIMIZERS(stock_pool, start_date, end_date, model_type='daily', benchmark='00090

行业分化：主题工具类产品发展契机

回顾2019-2021年，权益市场显著回暖，Wind全A指数累计上涨82.42%。行业层面，除综合金融外，29个中信一级行业指数均实现上涨，涨幅中位数为74.35%，但行业之间呈现鲜明的首尾分化特征。

具体来看，区间涨幅排名前三的行业分别是电力设备及新能源（247.26%）、食品饮料（208.18%）和电子（170.48%），交易活跃度也远高于A股整体水平。而区间涨幅排名后三的行业分别是商贸零售（11.07%）、房地产（3.19%）、综合金融（-6.54%）。

![{w:100}](https://mmbiz.qpic.cn/mmbiz_png/

期货量化交易有什么特点呢？

1.速度快。交易市场如战场，尤其是在开盘的时候，很多品种的盘口特别活跃，成交量很大，这就是拼速度的时候。很多量化交易公司的交易办公室都在交易所附近，他们凭借速度的优势，频繁地买进卖出，拥有速度优势。

2.交易周期小。交易就是低买高卖，高抛低吸，是一个赚差价的游戏。谁都不愿意为他人做嫁衣，谁也不愿意为他人抬轿子。现在很多量化交易公司的员工都是名牌大学的高才生，他们拥有高智商，高技术，使用3秒的交易周期都嫌长。普通散户一开仓，量化交易就平仓了。因为别人在数着你的单子呢！

3.仓位灵活。很多量化交易公司都在做短线，导致许多品种早盘在大幅度的增仓，而收盘时又变成