Advertisement

BigQuant大宽平台因子表达式与公式（已挖掘的因子库）.pdf

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本PDF文件详述了BigQuant大宽平台中的因子表达式和公式，涵盖了平台上已构建的丰富因子库资源，旨在帮助用户深入了解并利用这些工具进行量化投资分析。 适合新手开发者的因子库筛选指南：在宽邦科技的BIGQUANT-AI-人工智能量化平台上，可以找到用于构建龙头战法、资金流追涨杀跌以及大盘资金流向等策略的相关机器学习用因子表达式因子。这些特征可以帮助开发者更好地理解和应用量化交易中的各种技术分析方法。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • BigQuant大宽平台因子表达式与公式（已挖掘的因子库）.pdf
    优质
    本PDF文件详述了BigQuant大宽平台中的因子表达式和公式，涵盖了平台上已构建的丰富因子库资源，旨在帮助用户深入了解并利用这些工具进行量化投资分析。 适合新手开发者的因子库筛选指南：在宽邦科技的BIGQUANT-AI-人工智能量化平台上，可以找到用于构建龙头战法、资金流追涨杀跌以及大盘资金流向等策略的相关机器学习用因子表达式因子。这些特征可以帮助开发者更好地理解和应用量化交易中的各种技术分析方法。
     
  • 基于基因表达式规划算法的因子提取_FactorMining.zip
    优质
    本项目《FactorMining》采用基因表达式编程算法进行因子提取，旨在高效地挖掘影响特定领域或问题的关键因素，适用于数据分析与机器学习场景。包含源代码及示例数据集。 基于基因表达式规划算法的因子挖掘（FactorMining）是一种利用计算智能技术来识别复杂数据集中关键因素的方法。该方法通过模拟生物进化过程中的自然选择机制，有效地探索大规模搜索空间，并从中找出能够解释或预测目标变量的重要特征组合。这种方法在机器学习、数据分析以及生物信息学等领域展现出广泛的应用潜力和研究价值。 基因表达式规划算法的独特之处在于它不仅寻找单一的最佳解决方案，而是生成一系列高质量的候选解，这些解可以进一步优化并应用于实际问题中。此外，该方法还能够处理非线性关系及高维度数据集中的复杂模式识别任务，在提高模型解释力的同时保持预测性能。 通过这种方式，研究人员和实践者可以获得对特定领域内变量之间相互作用更深入的理解，并在此基础上开发出更加准确有效的分析工具或决策支持系统。
     
  • λ矩阵的行列式因子和不变因子.mht
    优质
    本文档探讨了线性代数中的关键概念——λ矩阵的行列式因子与不变因子，深入分析其性质及计算方法。 λ矩阵的行列式因子与不变因子
     
  • 多因子：因子构建与单因子测试-源码
    优质
    本项目聚焦于股票市场的多因子模型应用研究，涵盖因子构建、策略回测及性能评估等内容，并提供相应的Python源代码。适合对量化投资感兴趣的读者深入学习和实践。 Alpha策略中的多因子选股涉及从数据库提取数据来构建各种类型的因子，并测试这些因子的有效性。有效性评估包括分析因子收益率、因子收益率的T值以及IC（Information Coefficient）值等关键指标，同时还会进行分层测试以观察不同组合下的表现情况，如组合收益率、波动率、收益单调性、最大回撤和夏普比率等一系列财务绩效指标。 具体到因子构建与评估流程中包括： - 估值类因子：7个 - 动量类因子：6个 - 波动率类因子：10个 - 一致预期类因子：18个 自定义的模块有： 1. data_clean.py: 数据清洗，剔除带有ST标记的数据和上市不满一年的股票。使用MAD方法去除异常值，并通过Z-score标准化数据，进一步对行业哑变量及对数市值进行回归分析以提取残差部分，从而获得中性化的因子值。 2. factor_test.py：单个因子的有效性评估标准： - 因子收益率：包括均值和标准差的计算 $$R_{it} = \beta_{0t} + \beta_{1t} * f_{it}$$
     
  • 行列式因子、不变因子、初等因子及Smith标准型和Jordan标准型的MATLAB实现与最小多项式计算
    优质
    本文介绍了利用MATLAB编程实现矩阵的行列式因子、不变因子、初等因子以及Smith标准形和Jordan标准形的方法，并探讨了如何通过这些方法来计算矩阵的最小多项式。 资源包括了行列式因子、不变因子、初等因子、Smith标准型、Jordan标准型以及最小多项式的Matlab实现代码。这些代码的运行环境为Matlab R2017版本。
     
  • PhraseAnalysis: 数据仓库与数据挖掘大作业 —— 频繁模式挖掘
    优质
    本项目为《数据仓库与数据挖掘》课程的大作业，旨在通过实现频繁模式挖掘算法来分析交易数据中的关联规则和高频项集。 Phrase Analysis：数据仓库与数据挖掘大作业 2018年春选用Apriori算法从多角度、多篮子粒度进行挖掘，并在多个数据集实现了多个应用。运行指令如下： 对于Gutenberg数据集，使用命令 `python Associations.py`； 对于DBLP数据集，使用命令 `python task1_active.py`； 任务一的执行命令为 `python task2_group.py`； 任务三的执行命令为 `python task3_topic.py`。
     
  • 因子图与IMU因子应用示例
    优质
    本文介绍了因子图的概念及其在处理惯性测量单元（IMU）数据中的具体应用，通过实例详细解析了IMU因子的工作原理和实现方法。 因子图是一种用于表示概率分布的图形模型，在这种模型中，IMU（惯性测量单元）因子可以用来描述系统中的不确定性和依赖关系。通过利用IMU数据，我们可以更准确地估计物体在空间中的位置和姿态变化。这种方法特别适用于需要高精度定位的应用场景，如机器人导航、虚拟现实等。
     
  • 基因表达编程.pdf
    优质
    《基因表达编程》探讨了如何通过调控生物体内特定基因的开启与关闭来实现对生命过程的精确控制。文章深入剖析了基因表达的基本原理及其在医学、农业等领域的应用前景，为科研人员提供了宝贵的理论指导和技术参考。 这版是文字版，非常清晰，可以直接用来做笔记。并非扫描版。
     
  • 20161220-华泰证券-多因子系列第四篇：动量类因子的单因子测试.pdf
    优质
    该PDF为华泰证券于2016年发布的研究报告，旨在分析和评估动量类因子在股票投资中的表现，并提供详细的单因子测试结果。报告是其多因子系列研究之一。 本段落由华泰证券金工研究/深度研究团队撰写并发布，是关于多因子系列之四——单因子测试中的动量类因子的研究报告。文章首先介绍了待测的因子之一：传统的一个月动量因子，并通过回溯A股市场的历史数据来分析该因子的有效性和稳定性。最后，根据研究结果提出了一些针对动量类因子的投资策略建议。文中具体评级标准和声明内容请参阅文末的相关部分。