第一部分 新手入门
- 一 量化投资视频学习课程
- 二 Python 手把手教学
- 量化分析师的Python日记【第1天:谁来给我讲讲Python?】
- 量化分析师的Python日记【第2天:再接着介绍一下Python呗】
- 量化分析师的Python日记【第3天:一大波金融Library来袭之numpy篇】
- 量化分析师的Python日记【第4天:一大波金融Library来袭之scipy篇】
- 量化分析师的Python日记【第5天:数据处理的瑞士军刀pandas】
- 量化分析师的Python日记【第6天:数据处理的瑞士军刀pandas下篇
- 量化分析师的Python日记【第7天:Q Quant 之初出江湖】
- 量化分析师的Python日记【第8天 Q Quant兵器谱之函数插值】
- 量化分析师的Python日记【第9天 Q Quant兵器谱之二叉树】
- 量化分析师的Python日记【第10天 Q Quant兵器谱 -之偏微分方程1】
- 量化分析师的Python日记【第11天 Q Quant兵器谱之偏微分方程2】
- 量化分析师的Python日记【第12天:量化入门进阶之葵花宝典:因子如何产生和回测】
- 量化分析师的Python日记【第13天 Q Quant兵器谱之偏微分方程3】
- 量化分析师的Python日记【第14天:如何在优矿上做Alpha对冲模型】
- 量化分析师的Python日记【第15天:如何在优矿上搞一个wealthfront出来】
第二部分 股票量化相关
- 一 基本面分析
- 1.1 alpha 多因子模型
- 1.2 基本面因子选股
- 1.3 财报阅读 • [米缸量化读财报] 资产负债表-投资相关资产
- 1.4 股东分析
- 1.5 宏观研究
- 二 套利
- 三 事件驱动
- 四 技术分析
- 4.1 布林带
- 4.2 均线系统
- 4.3 MACD
- 4.4 阿隆指标 • 技术指标阿隆( Aroon )全解析
- 4.5 CCI • CCI 顺势指标探索
- 4.6 RSI
- 4.7 DMI • DMI 指标体系的构建及简单应用
- 4.8 EMV • EMV 技术指标的构建及应用
- 4.9 KDJ • KDJ 策略
- 4.10 CMO
- 4.11 FPC • FPC 指标选股
- 4.12 Chaikin Volatility
- 4.13 委比 • 实时计算委比
- 4.14 封单量
- 4.15 成交量 • 决战之地, IF1507 !
- 4.16 K 线分析 • 寻找夜空中最亮的星
- 五 量化模型
- 5.1 动量模型
- 5.2 Joseph Piotroski 9 F-Score Value Investing Model
- 5.3 SVR
- 5.4 决策树、随机树
- 5.5 钟摆理论
- 5.6 海龟模型
- 5.7 5217 策略
- 5.8 SMIA
- 5.9 神经网络
- 5.10 PAMR
- 5.11 Fisher Transform
- 5.12 分型假说, Hurst 指数
- 5.13 变点理论
- 5.14 Z-score Model
- 5.15 机器学习
- 5.16 DualTrust 策略和布林强盗策略
- 5.17 卡尔曼滤波
- 5.18 LPPL anti-bubble model
- 六 大数据模型
- 6.1 市场情绪分析
- 6.2 新闻热点
- 七 排名选股系统
- 八 轮动模型
- 九 组合投资
- 十 波动率
- 十一 算法交易
- 十二 中高频交易
- 十三 Alternative Strategy
第三部分 基金、利率互换、固定收益类
- 一 分级基金
- 二 基金分析
- 三 债券
- 四 利率互换
第四部分 衍生品相关
- 一 期权数据
- 二 期权系列
- 三 期权分析
- 四 期货分析
文章来源于网络收集而来,版权归原创者所有,如有侵权请及时联系!
便宜就是 alpha
参考社区的策略,练手一个简单的调仓逻辑
策略思路
- 一星期或者一个月一换仓
- 每次换仓时,取股价最低的15只等权重买入
import numpy as np
from heapq import nlargest, nsmallest
from CAL.PyCAL import *
start = datetime(2012, 1, 1)
end = datetime(2015, 8, 31)
benchmark = 'HS300' # 策略参考标准
universe = set_universe('ZZ500') + set_universe('HS300')
capital_base = 1000000
stk_num = 15 # 持仓股票数量
refresh_rate = 5
def initialize(account):
pass
def handle_data(account):
cal = Calendar('China.SSE')
# ----------------- 清洗universe --------------------------------
date = account.current_date
yesterday = cal.advanceDate(date, '-1B', BizDayConvention.Following)
yesterday = datetime(yesterday.year(), yesterday.month(), yesterday.dayOfMonth()).strftime('%Y%m%d'),
# 去除ST股
try:
STlist = DataAPI.SecSTGet(secID=account.universe, beginDate=yesterday, endDate=yesterday, field=['secID']).tolist()
account.universe = [s for s in account.universe if s not in STlist]
except:
pass
# 去除流动性差的股票
tv = account.get_attribute_history('turnoverValue', 20)
mtv = {sec: sum(tvs)/20. for sec,tvs in tv.items()}
account.universe = [s for s in account.universe if mtv.get(s, 0) >= 10**7]
# 去除新上市或复牌的股票
opn = account.get_attribute_history('openPrice', 1)
account.universe = [s for s in account.universe if not (np.isnan(opn.get(s, 0)[0]) or opn.get(s, 0)[0] == 0)]
# ----------------- 调仓逻辑 --------------------------------
bucket = {}
for stk in account.universe:
bucket[stk] = account.referencePrice[stk]
# 以前面计算得到的turnover_delta对股票池中股票排序,并取前stk_num只,力图满足比赛要求
# 注意:
# 这里我们其实取了股价最低的 stk_num*2 只,原因在于:为了满足参赛要求,调仓时候我们必须
# 达到一定仓位,如果取stk_num只,那么一旦遇到涨停停牌等买不进的情况,就跪了;所以我们拿
# stk_num*2 数量的股票,但是却将仓位分成stk_num份,每份买进一只,这样有一只买不进,就
# 买后面的,参赛调仓是不是保险了许多啊
buy_list = nsmallest(stk_num*2, bucket, key=bucket.get)
# 目前持仓中不在buy_list中的股票,清仓
for stk, amount in account.valid_secpos.items():
if stk not in buy_list:
order_to(stk, 0)
# buy_list中的股票,等权重买入
position_per_stk = account.referencePortfolioValue/stk_num # 将仓位分成stk_num份
for stk in buy_list:
if account.referencePrice[stk] > 0:
amount = int(position_per_stk/account.referencePrice[stk]/100.0) * 100
order_to(stk, amount)
return
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论