安卓老千授权码官方下载和功能介绍
导语: 安卓老千授权码官方下载和功能介绍
　　老千3.0授权码正版官网
　　大家关心的应该是授权码的问题
　　授权客服微信：GJMY-999
　　授权客服微信：GJMY-555
　　老千--是一款原创开发产品，汇集各麻将平台，牛牛平台，斗地主平台，十三水平台，等平台源码开发的一款产品
　　老千--支持任意平台和各类变态玩法，麻将各类玩法，牛牛各类玩法，斗地主各类玩法，十三水各类玩法，做到起手好牌，让你赢在起点，让对手输在起跑线上
　　老千--强大功能，要什么牌来什么牌，透视其他对家牌，让你赢钱随心所欲
　　老千正版官网:
　　老千备用苹果地址:/LQ8787
　　老千备用安卓地址:http://fir.im/laoqian
　　苹果麻将视频地址:http://suo.im/1s15NC
　　安卓高清无广告麻将视频地址:http://suo.im/23nyh8
　　联系我时，请说在微商世界网看到的，谢谢！
VIP推广区，查看现在最火的微商！
栏目，查看更多相关软件资讯！
百姓斗牛作软件是一款专门为百姓斗牛打造的游戏辅助工具，这款软件能够帮你看底牌作，一键胡牌等作功能，让你轻松取胜，需要的朋友快来绿色资源网下载体验吧！
百姓斗牛作软件是一款专门为百姓斗牛打造的游戏辅助工具，这款软件能够帮你看底牌作，一键胡牌等作功能，让你轻松取胜，需要的朋友快来绿色资源网下载体验吧！
【麻将软件中心】皮皮麻将看穿器 湖南麻将看牌器 呱呱麻将做软件 闲来麻将软件 土豪金麻将看穿软件 长沙麻将看牌软件 四川麻将看穿做器 郑州麻将看牌做器 手游麻将辅助做器
【科 技讯】7月26日消息，霍金预言：太阳系将在10亿年后毁灭地球!现在的我们看来，宇宙终结离我们非常的遥远，著名的物理学家史蒂芬 霍金，近日发表言论 称，太阳将会成为宇宙终结者，毁灭地球的
和他在一起，你不会觉得有压力，而是会觉得很轻松，很愉快，因为他一直都是一个积极阳光的人，每天都活得像阳光一个让人觉得充满正能量，会努力的去争取自己想要的一切。就算失败了，也不会颓废...
【购买软件官方微信客服：】　10月16日就是华为Mate 10的全球发布会，综合目前的爆料，预计有Mate 10 Pro Lite三款一齐登场。其中，Lite版对应的是刚刚在中国登场的麦芒6。传言标准版Ma
【科 技讯】7月26日消息，霍金预言：太阳系将在10亿年后毁灭地球!现在的我们看来，宇宙终结离我们非常的遥远，著名的物理学家史蒂芬 霍金，近日发表言论 称，太阳将会成为宇宙终结者，毁灭地球的
【科 技讯】7月26日消息，霍金预言：太阳系将在10亿年后毁灭地球!现在的我们看来，宇宙终结离我们非常的遥远，著名的物理学家史蒂芬 霍金，近日发表言论 称，太阳将会成为宇宙终结者，毁灭地球的
乐淘熟人九人斗牛外挂辅助软件工作室【科 技讯】7月26日消息购买软件加微信客服：YYY661417，霍金预言：太阳系将在10亿年后毁灭地球!现在的我们看来，宇宙终结离我们非常的遥远，著名的物理学家史
【麻将软件中心】中至麻将看穿器 同城跑胡子看牌器 掌心麻将做弊软件 闲来麻将软件 土豪金麻将看穿软件 山水麻将看牌软件 优乐麻将看穿做弊器 微乐麻将看牌做弊器 手游麻将辅助做弊器 购买软件联系
优秀微商品牌
免责声明：本站所展示信息均由会员自行提供，会员依法应对其提供的任何信息承担全部责任，微商世界网对此不承担任何责任。为保障您的利益，请注意可能的风险安全！MoneycodeMoneycode数学、数据和代码投资。欢迎相关方面踊跃投稿。关注专栏更多量化{&debug&:false,&apiRoot&:&&,&paySDK&:&https:\u002F\\u002Fapi\u002Fjs&,&wechatConfigAPI&:&\u002Fapi\u002Fwechat\u002Fjssdkconfig&,&name&:&production&,&instance&:&column&,&tokens&:{&X-XSRF-TOKEN&:null,&X-UDID&:null,&Authorization&:&oauth c3cef7c66aa9e6a1e3160e20&}}{&database&:{&Post&:{&&:{&title&:&打开股票量化的黑箱(自己动手写一个印钞机) 第二章&,&author&:&bailey-80&,&content&:&\u003Cp\u003E作者：阿布?\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E本文基于abupy，写于2016-7月，最新abu量化系统的使用会有变动具体示例请阅读：\u003C\u002Fp\u003E\u003Cp\u003E[git开源地址](\u003Ca href=\&https:\\u002Fbbfamily\u002Fabu\&\u003Ebbfamily\u002Fabu\u003C\u002Fa\u003E) \u003C\u002Fp\u003E\u003Cp\u003E[完整教程](\u003Ca href=\&https:\\u002Fbbfamily\u002Fabu\u002Ftree\u002Fmaster\u002Fabupy_lecture\&\u003Ebbfamily\u002Fabu\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003Eabu量化文档目录章节\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E1. [择时策略的开发](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_1.html\&\u003E1-择时策略的开发(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E2. [择时策略的优化](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_2.html\&\u003E2-择时策略的优化(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E3. [滑点策略与交易手续费](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_3.html\&\u003E3-滑点策略与交易手续费(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E4. [多支股票择时回测与仓位管理](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_4.html\&\u003E4-多支股票择时回测与仓位管理(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E5. [选股策略的开发](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_5.html\&\u003E5-选股策略的开发(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E6. [回测结果的度量](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_6.html\&\u003E6-回测结果的度量(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E7. [寻找策略最优参数和评分](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_7.html\&\u003E7-寻找策略最优参数和评分(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E8. [A股市场的回测](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_8.html\&\u003E8-A股市场的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E9. [港股市场的回测](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_9.html\&\u003E9-港股市场的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E10. [比特币，莱特币的回测](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_10.html\&\u003E10-比特币莱特币的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E11. [期货市场的回测](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_11.html\&\u003E11-期货市场的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E12. [机器学习与比特币示例](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_12.html\&\u003E12-机器学习与比特币示例(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E13. [量化技术分析应用](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_13.html\&\u003E13-量化技术分析应用(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E14. [量化相关性分析应用](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_14.html\&\u003E14-量化相关性分析应用(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E15. [量化交易和搜索引擎](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_15.html\&\u003E15-量化交易和搜索引擎(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E16. [UMP主裁交易决策](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_16.html\&\u003E16-UMP主裁交易决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E17. [UMP边裁交易决策](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_17.html\&\u003E17-UMP边裁交易决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E18. [自定义裁判决策交易](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_18.html\&\u003E18-自定义裁判决策交易(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E19. [数据源](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_19.html\&\u003E19-数据源(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E20. [A股全市场回测](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_20.html\&\u003E20-A股全市场回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E21. [A股UMP决策](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_21.html\&\u003E21-A股UMP决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E22. [美股全市场回测](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_22.html\&\u003E22-美股全市场回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E23. [美股UMP决策](\u003Ca href=\&http:\u002F\\u002Flecture\u002Flecture_23.html\&\u003E23-美股UMP决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E正文内容之前的已经删除，太乱，自己都以看不明白，稍晚更新，致歉！\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E更多关于abu量化系统请关注微信公众号: abu_quant\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E如有任何问题也可在公众号中联系我的个人微信号。\u003C\u002Fp\u003E&,&updated&:new Date(&T03:38:52.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:3,&likeCount&:35,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T11:38:52+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\\u002Fv2-62e5c68fcdd627d9520207b_r.png&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:3,&likesCount&:35},&&:{&title&:&打开股票量化的黑箱(自己动手写一个印钞机) 第三章&,&author&:&bailey-80&,&content&:&\u003Cp\u003E作者：阿布?\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E本文基于abupy，写于2016-7月，最新abu量化系统的使用会有变动具体示例请阅读：\u003C\u002Fp\u003E\u003Cp\u003E[git开源地址](\u003Ca href=\&http:\u002F\\u002F?target=https%3A\\u002Fbbfamily\u002Fabu\&\u003Ebbfamily\u002Fabu\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E[完整教程](\u003Ca href=\&http:\u002F\\u002F?target=https%3A\\u002Fbbfamily\u002Fabu\u002Ftree\u002Fmaster\u002Fabupy_lecture\&\u003Ebbfamily\u002Fabu\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003Eabu量化文档目录章节\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E1. [择时策略的开发](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_1.html\&\u003E1-择时策略的开发(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E2. [择时策略的优化](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_2.html\&\u003E2-择时策略的优化(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E3. [滑点策略与交易手续费](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_3.html\&\u003E3-滑点策略与交易手续费(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E4. [多支股票择时回测与仓位管理](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_4.html\&\u003E4-多支股票择时回测与仓位管理(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E5. [选股策略的开发](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_5.html\&\u003E5-选股策略的开发(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E6. [回测结果的度量](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_6.html\&\u003E6-回测结果的度量(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E7. [寻找策略最优参数和评分](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_7.html\&\u003E7-寻找策略最优参数和评分(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E8. [A股市场的回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_8.html\&\u003E8-A股市场的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E9. [港股市场的回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_9.html\&\u003E9-港股市场的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E10. [比特币，莱特币的回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_10.html\&\u003E10-比特币莱特币的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E11. [期货市场的回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_11.html\&\u003E11-期货市场的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E12. [机器学习与比特币示例](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_12.html\&\u003E12-机器学习与比特币示例(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E13. [量化技术分析应用](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_13.html\&\u003E13-量化技术分析应用(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E14. [量化相关性分析应用](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_14.html\&\u003E14-量化相关性分析应用(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E15. [量化交易和搜索引擎](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_15.html\&\u003E15-量化交易和搜索引擎(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E16. [UMP主裁交易决策](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_16.html\&\u003E16-UMP主裁交易决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E17. [UMP边裁交易决策](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_17.html\&\u003E17-UMP边裁交易决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E18. [自定义裁判决策交易](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_18.html\&\u003E18-自定义裁判决策交易(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E19. [数据源](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_19.html\&\u003E19-数据源(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E20. [A股全市场回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_20.html\&\u003E20-A股全市场回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E21. [A股UMP决策](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_21.html\&\u003E21-A股UMP决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E22. [美股全市场回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_22.html\&\u003E22-美股全市场回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E23. [美股UMP决策](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_23.html\&\u003E23-美股UMP决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E正文内容之前的已经删除，太乱，自己都以看不明白，稍晚更新，致歉！\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E更多关于abu量化系统请关注微信公众号: abu_quant\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E如有任何问题也可在公众号中联系我的个人微信号。\u003C\u002Fp\u003E&,&updated&:new Date(&T04:17:42.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:4,&likeCount&:35,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T12:17:42+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\\u002Fv2-b6959c8bce9ade39f29f41_r.png&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:4,&likesCount&:35},&&:{&title&:&打开股票量化的黑箱(自己动手写一个印钞机) 第六章&,&author&:&bailey-80&,&content&:&\u003Cp\u003E作者：阿布?\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E作者：阿布?\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E本文基于abupy，写于2016-7月，最新abu量化系统的使用会有变动具体示例请阅读：\u003C\u002Fp\u003E\u003Cp\u003E[git开源地址](\u003Ca href=\&http:\u002F\\u002F?target=https%3A\\u002Fbbfamily\u002Fabu\&\u003Ebbfamily\u002Fabu\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E[完整教程](\u003Ca href=\&http:\u002F\\u002F?target=https%3A\\u002Fbbfamily\u002Fabu\u002Ftree\u002Fmaster\u002Fabupy_lecture\&\u003Ebbfamily\u002Fabu\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003Eabu量化文档目录章节\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E1. [择时策略的开发](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_1.html\&\u003E1-择时策略的开发(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E2. [择时策略的优化](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_2.html\&\u003E2-择时策略的优化(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E3. [滑点策略与交易手续费](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_3.html\&\u003E3-滑点策略与交易手续费(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E4. [多支股票择时回测与仓位管理](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_4.html\&\u003E4-多支股票择时回测与仓位管理(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E5. [选股策略的开发](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_5.html\&\u003E5-选股策略的开发(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E6. [回测结果的度量](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_6.html\&\u003E6-回测结果的度量(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E7. [寻找策略最优参数和评分](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_7.html\&\u003E7-寻找策略最优参数和评分(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E8. [A股市场的回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_8.html\&\u003E8-A股市场的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E9. [港股市场的回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_9.html\&\u003E9-港股市场的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E10. [比特币，莱特币的回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_10.html\&\u003E10-比特币莱特币的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E11. [期货市场的回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_11.html\&\u003E11-期货市场的回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E12. [机器学习与比特币示例](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_12.html\&\u003E12-机器学习与比特币示例(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E13. [量化技术分析应用](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_13.html\&\u003E13-量化技术分析应用(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E14. [量化相关性分析应用](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_14.html\&\u003E14-量化相关性分析应用(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E15. [量化交易和搜索引擎](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_15.html\&\u003E15-量化交易和搜索引擎(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E16. [UMP主裁交易决策](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_16.html\&\u003E16-UMP主裁交易决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E17. [UMP边裁交易决策](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_17.html\&\u003E17-UMP边裁交易决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E18. [自定义裁判决策交易](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_18.html\&\u003E18-自定义裁判决策交易(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E19. [数据源](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_19.html\&\u003E19-数据源(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E20. [A股全市场回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_20.html\&\u003E20-A股全市场回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E21. [A股UMP决策](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_21.html\&\u003E21-A股UMP决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E22. [美股全市场回测](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_22.html\&\u003E22-美股全市场回测(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E23. [美股UMP决策](\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Flecture\u002Flecture_23.html\&\u003E23-美股UMP决策(ABU量化使用文档)\u003C\u002Fa\u003E)\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E正文内容之前的已经删除，太乱，自己都以看不明白，稍晚更新，致歉！\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E更多关于abu量化系统请关注微信公众号: abu_quant\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E如有任何问题也可在公众号中联系我的个人微信号。\u003C\u002Fp\u003E&,&updated&:new Date(&T14:45:05.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:5,&likeCount&:12,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T22:45:05+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\\u002Fv2-b044fabf8ada76077f01df_r.png&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:5,&likesCount&:12},&&:{&title&:&角逐百万资金的操盘权！Ricequant量化策略大赛赛况&,&author&:&wang-ke-qin-56&,&content&:&\u003Cp\u003E感谢众多选手的参与，借用参赛选手的话-这真是一场有趣的比赛。 我们的比赛免去了诸多繁杂的事务，选手可以直接通过在平台编写策略，运行分钟回测后一键提交参赛就可以参与进来，与其他众多好手竞技，并尝试获得荣誉与奖励，更获得交易理念、技巧的提升。\u003C\u002Fp\u003E\u003Cp\u003E激动人心的第三届比赛结束了，对Ricequant来说这是具有特殊意义的一届比赛，因为从这届比赛开始我们将正式开始进行优胜策略实盘孵化的计划。\u003C\u002Fp\u003E\u003Cp\u003ERicequant团队也在比赛的实践中及与参赛选手的互动中获得了诸多经验。我们希望提供的是一个不断进化的平台、社区以及持续完善的比赛机制满足量化交易者、爱好者的不断提升的需求。我们期望，有天我们的宽客比赛以及参赛选手们会变得如Alphago-李世石围棋大赛一样让世人瞩目。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E可能对于参赛的同学来说也发现了一些和前两届比赛不同的地方，比如我们在比赛策略提交之后需要通过策略验证才能提交，因为实盘孵化的需求，除了把模拟实盘的时间增长到两个月，我们还在提交环节预设了一系列的限制条件:\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E1. 比赛策略平均仓位要求超过70%\u003C\u002Fb\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E2. 比赛策略个股持股不能超过10%\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E3. 比赛策略中不能有ST股\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E这些看似简单的限制条件都对选手写策略的技巧提出了更高的要求，非常欣慰的是总共有79个策略提交成功，进入了第三届比赛对百万实盘资金的角逐之中。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cb\u003E总参赛情况\u003C\u002Fb\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\\u002Fcontest_leaderboard_new\u002F3\&\u003E大家可以在这里看到参赛排名和曲线\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E那么在过去两个月的模拟实盘当中策略表现如何呢？在此揭晓前十名的两个月模拟实盘成绩：\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E1. 平均累积收益率为 9.36%\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E2. 平均年化收益率为 73.77%\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E3. 平均Beta 为 0.8C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E4. 平均最大回撤 为 4.63%\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E5. 平均Sharpe 为 3.09\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E6. 平均波动率为 16.42%\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E在相同时间段内，大盘的指数的收益率仅为1.304%\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E我们对前十名的策略提供者进行了邮件电话的访问和沟通，对比赛优胜策略进行了收益相关性的分析，最终决定对其中四位用户提交的4个策略进行总金额为百万级别的实盘资金孵化，他们将获得接下来一个月实盘孵化期间策略超过沪深300指数的部分的全额收益，在此恭喜获得实盘资金的四位用户！（近期开始正式交易，敬请期待后续报道～）\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E比赛采访结果\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E比赛结束之后我们对前十名获胜者进行了采访，大部分的获胜者都是来自中国著名高校的在校学生和毕业生。专业人士当中，有从事专业量化工作，也有从事其他行业的精英。参赛策略集中在多因子选股结合个人习惯使用的市场行情信号调仓的方式上。\u003C\u002Fp\u003E\u003Cp\u003E这次采访中大家对Ricequant的评价让我们非常感动，综合起来主要大家的表扬集中在下面几点：\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E1.数据丰富，质量高\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E2.回测速度快，地表最快～\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E3.重视用户意见，互动多，答题快，社区氛围好\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E同时大家也提出了很多有价值的意见，其中有一些也是我们自己内部正在讨论的，呼声较高的有：\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E1.希望增加代码管理功能，比如增加自定义库等。\u003C\u002Fstrong\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E2.希望以后的比赛可以放宽一些限制，这个已经放宽了呢～\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E3.实盘实盘实盘（这个我们也想有）\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E当然本次比赛我们也发现了一些问题，在下一次的比赛中，我们会出台更成熟的规则，让比赛获胜策略能更加容易对接实盘资金的孵化的，比如：\u003C\u002Fp\u003E\u003Cp\u003E1.当前分钟卖出后，需要等待资金到账，下一分钟才能买进\u003C\u002Fp\u003E\u003Cp\u003E2.考虑增加A股股票以外的交易标的\u003C\u002Fp\u003E\u003Cp\u003E我们的第四届比赛和更多的实盘比赛将以滚动的形式继续推出，也许下一个获得百万级别实盘资金的就是你！\u003C\u002Fp\u003E&,&updated&:new Date(&T02:32:22.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:11,&likeCount&:22,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T10:32:22+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\\u002Fv2-3d92f31aa8d9fb943a5f521_r.png&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:11,&likesCount&:22},&&:{&title&:&雪球杀猪榜里的趋势突破策略&,&author&:&wang-ke-qin-56&,&content&:&\u003Cp\u003E\u003Cstrong\u003E文章来自RQ用户毕华瑞，非授权请勿转载\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E代码：\u003C\u002Fstrong\u003E\u003Cb\u003E\u003Ca href=\&https:\u002F\\u002Fcommunity\u002Ftopic\u002F1951\& class=\&\&\u003Ehttps:\u002F\\u002Fcommunity\u002Ftopic\u002FC\u002Fa\u003E\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003E1前言\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E
自己对量化很感兴趣，第一次使用rq这个平台编写策略，希望把自己对交易的一点点心得转化为代码来看看策略是否真的存在alpha，希望和大家一起探讨出能稳定盈利的策略。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E2 策略思路\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E
待选股票池为市值小且公司热度高 并且处于上涨势头之中，网格建仓（即分批次买入）。假设股票同实体物质一样拥有质量，则股票市值代表了该股票的质量大小，如果一只股票市值越小则越可能被推动，同时质量越小惯性越小，当趋势结束时因快速平仓出场。推动力以市场关注度为标准，使用了雪球舆论的新增关注人数排名前5的股票，如果同时在市场中市值排名靠后，策略中取了最小的200只股票，则选择到股票池之中。\u003C\u002Fp\u003E\u003Cimg src=\&v2-2c875e94dba69a652d4d95.png\& data-rawwidth=\&505\& data-rawheight=\&116\&\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E
（我们有地表难得的雪球热度数据哟～）\u003C\u002Fp\u003E\u003Cp\u003E
但是光是市场关注焦点不足以成为上涨动能，所以用枢纽突破来确股票池中的股票在上涨趋势之中。 枢轴突破的本质是一种短线趋势策略，结合了趋势跟踪和反转趋势的交易 思想:根据前一个交易日的最高价、最低价和收盘价来计算交易日当天的六个 触发价位，即上观察价、下观察价、突破买入价、突破卖出价、反转买入价和 反转卖出价。具体操作为，在空仓情况下，若盘中价格超过买入突破价，则认为出现上升趋势，开仓做多。当日内最低价跌破下观察价后，盘中价格出现反弹，且进一步超过反转买入价 构成的阻力线时，即在该点位(反手、开仓)做多。在上升趋势中，若盘中价格低于持仓期间的最高价*(1-止损比率)，平多仓，由于小盘股容易形成控盘，所以一旦趋势结束可能主力就获利了结，趋势就难以延续，即使再出现趋势也很有可能是诱多，所以一段时间内不再买入。相反的，可以构造做空的趋势突破，但由于A股限制，只能在股指期货上采用，所以本策略去掉了做空部分。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cimg src=\&v2-6e37ccb119e2fae5bef0c03aef1775b6.png\& data-rawwidth=\&517\& data-rawheight=\&281\&\u003E\u003Cimg src=\&v2-27e6afd810e6c.png\& data-rawwidth=\&548\& data-rawheight=\&207\&\u003E\u003Cimg src=\&v2-8bdcf3c2fb20590dccb01b61.png\& data-rawwidth=\&543\& data-rawheight=\&272\&\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E
其中，t 为交易日日变量。 f 1 、 f 2、 f 3 是控制几个触发价位之间的区间间隔的三个参数。上下观察价的设定体现了天跨度上趋势跟踪的理念:可以看到上 观察价是前一天的最高价加上收盘价与最低价差值的一个比例，这样的话，首 先今天的价格至少要超过前一天最高价一定程度，策略才开始上枢轴观察，决 定是突破阻力(上升趋势延续)还是跌破支撑(反转下行趋势);其次，前一 天的收盘价离最高价越近(上升趋势越显著)，则今天越容易突破上枢轴，反 之则需要今天有更大的动量才能确认趋势。对于下观察线，也是基本相同的思 路。 \u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cbr\u003E
原本想设置一个时间长度为5日的滚动的每日热度股票池 但是雪球的热度榜也是在不断的变动 如果一段时间都处于热度榜上就说明关注度很强，加之使用趋势建仓，也就使得追踪了市场的上涨热点 。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E3.结果分析\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-2d946a28e0da76fafcd6575b.png\& data-rawwidth=\&807\& data-rawheight=\&494\&\u003E\u003Cbr\u003E\u003Cp\u003E
当热度的条件设的较为苛刻时待选股票池中的股票就会变少，所做的操作也会变少，同时要注意雪球舆论榜的数据存在缺失，所以要设置跳过当天选股。同时，小盘股股票很可能存在涨跌停情况，去掉了涨跌停以及无法卖出的情况，避免与现实的偏差，所以交易次数变得更少了。从一年的回测期间来看每笔交易的获胜概率还是较高而且存在买入后涨停的情况，由此看来的确受到关注的小市值股票拥有良好的上涨动能。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003E4.可能存在的bug\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E
在时间长度以及end_date的选取上变换更改了多次变得很复杂，可能这会存在一定的bug。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E5.后续优化\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-df6b0294319aba204d4bd.png\& data-rawwidth=\&543\& data-rawheight=\&116\&\u003E\u003Cbr\u003E\u003Cp\u003E
只筛选了雪球的舆论榜中排名前5的股票 所以待选股票池变少了，而且雪球的舆论信息不一定完全代表了市场上的关注热点，后续想加入自己写的爬取股吧和研报内容来筛选市场热点。\u003C\u002Fp\u003E\u003Cp\u003E
趋势突破的趋势跟踪效果不一定理想，想优化这个时间序列指标。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E欢迎来向作者提问：\u003Ca href=\&https:\u002F\\u002Fcommunity\u002Ftopic\u002F1951\&\u003Ehttps:\u002F\\u002Fcommunity\u002Ftopic\u002FC\u002Fa\u003E\u003C\u002Fp\u003E&,&updated&:new Date(&T03:58:35.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:3,&likeCount&:27,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T11:58:35+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\\u002Fv2-ae110afb9cf02a0c7e6b_r.png&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:3,&likesCount&:27},&&:{&title&:&分享模拟交易，英雄榜大排名！&,&author&:&wan-xin-jia-hui&,&content&:&\u003Cp\u003E为了让大家能够更好的在RiceQuant量化交易平台展现聪慧的大脑和火眼晶晶，我们将开启第一波模拟交易的竞赛活动 -
\u003Ca href=\&https:\u002F\\u002Fpt_shares\& data-editable=\&true\& data-title=\&【策略英雄榜】。\&\u003E【策略英雄榜】。\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cimg src=\&v2-d13aec60b4ec9f4bc1def1.png\& data-rawwidth=\&763\& data-rawheight=\&89\&\u003E\u003Cp\u003E你有聪明的大脑？那我也没有Dr.魏！\u003C\u002Fp\u003E\u003Cp\u003E但是，有一件很重要的事情！\u003C\u002Fp\u003E\u003Cp\u003E生产力的动力来源于对比~（运营小妹甩了甩好看的短发~）\u003C\u002Fp\u003E\u003Cp\u003E没有对比就没有伤害，交易收益那么高怎么办！？晒晒~\u003C\u002Fp\u003E\u003Cp\u003E一直亏损怎么办！？晒啊~\u003C\u002Fp\u003E\u003Cp\u003E欲与天公试比高，不晒晒怎样知道你是否是林中之王？\u003C\u002Fp\u003E\u003Cp\u003ERiceQuant等你在模拟交易中艳压群众！\u003C\u002Fp\u003E\u003Cp\u003E请注意听（敲黑板）：\u003C\u002Fp\u003E\u003Cp\u003E活动周期为2个月。\u003C\u002Fp\u003E\u003Cp\u003E活动中有排名，有礼物，还有深谋远虑的神对比。\u003C\u002Fp\u003E\u003Cp\u003E老司机开启分享模拟交易的大车，少年还不快上车！\u003C\u002Fp\u003E\u003Cp\u003E活动的规章制度：\u003C\u002Fp\u003E\u003Cp\u003E我们将会为以下分享的用户偷偷的寄送礼物：\u003C\u002Fp\u003E\u003Cp\u003E1.活动日期开始至活动日期结束分享：第 1. 2. 3. 5. 8. 13. 21. 34. 55. 89…位用户。（为什么这样排数字，因为运营小哥是Fibonacci sequence的脑残粉）\u003C\u002Fp\u003E\u003Cp\u003E2.在排名榜榜单中的用户（每周更新）\u003C\u002Fp\u003E\u003Cp\u003E3.每一位进行策略英雄榜的用户必须将更换掉非自定义灰色头像，才可以领到礼物哦！\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E排名榜原则：\u003C\u002Fp\u003E\u003Cp\u003E1. 模拟交易将为完成10个交易日的模拟交易进行评分，不足10个交易日的策略将不参与评分；\u003C\u002Fp\u003E\u003Cp\u003E2. 系统将从夏普比率，年化收益率，年化波动率，年化换手率，累计收益率 五个维度来进行策略评分；\u003C\u002Fp\u003E\u003Cp\u003E3. 评分将采用千分制，以所有策略为样本进行总体估算，即900分代表策略战胜了90%的量化投资者；\u003C\u002Fp\u003E\u003Cp\u003E4. 每个交易日的15：30将进行策略评分的更新和排名；\u003C\u002Fp\u003E\u003Cp\u003E5.每周模拟交易排名前五名 （过去一周收益最高）\u003C\u002Fp\u003E\u003Cp\u003E6.每周亏损前五名（过去一周收益最低）\u003C\u002Fp\u003E\u003Cp\u003E7.每周进步前五名，（每周收益差值最大的用户）\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E8.每周模拟交易排名前五名 （过去一周收益最高）\u003C\u002Fp\u003E\u003Cp\u003E9.每周亏损前五名（过去一周收益最低）\u003C\u002Fp\u003E\u003Cp\u003E10.每周进步前五名，（每周收益差值最大的用户）\u003C\u002Fp\u003E\u003Cp\u003E每日交易结束，我们将进行一次排名刷新。每周将对榜单的排名进行礼物派发。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E如何分享模拟交易？\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E.1.点击右上角，“策略英雄榜。”\u003C\u002Fp\u003E\u003Cimg src=\&v2-ae1a73c10bdd238a8d00694.png\& data-rawwidth=\&1907\& data-rawheight=\&526\&\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E2.请创建新策略\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cimg src=\&v2-1b3a4b0d8eae24ef15dc5b1a65b9b3f0.png\& data-rawwidth=\&1224\& data-rawheight=\&471\&\u003E\u003Cbr\u003E\u003Cp\u003E3.模拟交易后，创建新的策略完成。请打开分享策略的按钮进行策略英雄榜评比。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cimg src=\&v2-55e9dfa5848bba929094.png\& data-rawwidth=\&1601\& data-rawheight=\&295\&\u003E\u003Cbr\u003E\u003Cp\u003E4.然后填写下你的思路。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cimg src=\&v2-ba935e126fff79d215bfa7a333f54df7.png\& data-rawwidth=\&666\& data-rawheight=\&468\&\u003E\u003Cbr\u003E\u003Cp\u003E重要通知！\u003C\u002Fp\u003E\u003Cp\u003E1. RiceQuant 礼物将每周派发一次。届时会通知到每一位获奖用户。\u003C\u002Fp\u003E\u003Cp\u003E2. 已经领取过一次礼物的用户，如果在第二周依然在榜单内，将不发送礼品，礼品顺延。\u003C\u002Fp\u003E\u003Cp\u003E3. 3周都在榜单内的用户，将会获得一份神秘大奖。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E分享模拟交易获得RiceQuant的礼物有什么？\u003C\u002Fp\u003E\u003Cp\u003E那当然是！\u003C\u002Fp\u003E\u003Cp\u003E不用担心没电错过量化的充电宝一枚。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&v2-427cdd38d279fcaf28acb54.png\& data-rawwidth=\&587\& data-rawheight=\&789\&\u003E我就那只可爱的充电宝啦~\u003C\u002Fp\u003E\u003Cp\u003E祝大家都有好成绩和好运气把它抱回家！\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E最后祝大家在米筐，收获多多！\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E请猛戳这里，发现你的才能。\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\\u002Fpt_shares\& class=\&\&\u003Ehttps:\u002F\\u002Fpt_shares\u003C\u002Fa\u003E\u003C\u002Fp\u003E&,&updated&:new Date(&T07:38:00.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:2,&likeCount&:16,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T15:38:00+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\\u002Fv2-59d93d364441acfd85ec5e_r.png&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:2,&likesCount&:16},&&:{&title&:&RiceQuant策略研究系列----基于组合权重优化的风格中性多因子选股策略&,&author&:&sun-84&,&content&:&最近对于多因子都比较感兴趣，之前所做的工作多在于单个因子的测试，但是后来发现这样的工作已经被许多许多人和机构（券商，信息提供商）详尽的做过了，可能更重要的还是如何把这些因子组合起来，形成一个稳定的知道哪里挣钱哪里亏钱的策略，所以今天给大家分享一个风格中性的多因子策略框架，大家可以根据自己的判断加入和删除自己喜欢的因子。接触python和多因子不是很久，代码写的不是很清晰，因子也只是作为示范，希望这个框架可以给大家提供一些帮助。\u003Cp\u003E本模型基于国泰君安在的研报，大部分内容也摘录于这篇研报。本模型并未对因子选择部分进行优化，只是作为一个框架性结构，大家可以自行定义和尝试自己选择的因子和想要中性化的因子。在中性化其他因子之后，我们可以得到这个因子的‘pure return’，这个结果可以作为IC，t值等传统检测方法的一个补充。\u003C\u002Fp\u003E\u003Cp\u003E多因子选股作为量化投资研究领域的经典模型,在海内外各类投资机构 均受到广泛研究和实践应用。在国内,自\n2010 年沪深 300 股指期货上 线以来,以多因子选股为代表的阿尔法对冲策略也逐渐走入了公众的视 野。然而在 2014 年 12 月的市场行情中,阿尔法对冲策略却遭遇了重大 挫折,究其原因不难发现,组合带有过于明显的市值风格特征是导致策 略收益大幅波动的主要原因。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E本模型有别于传统的多因子研究,并未将重点放在阿尔法因子的挖掘上,而是着重研究了股票组合的权重优化对策略风格特征的影响并给出了一个自定义因子的回测模型。\u003C\u002Fp\u003E\u003Cp\u003E在多因子模型中,决定策略收益稳健性的关键步骤正在于股票组合的权重配置。因此,从量化对冲策略追求收益稳定性的角度而言,组合权重优化对多因子模型起着至关重要的作用。\u003C\u002Fp\u003E\u003Cp\u003E从具体的研究思路而言,我们从结构化多因子风险模型的角度出发,利 用 BARRA 风险因子有效性的检验方法,构建了基于 30 类行业因子、9 类 风格因子的结构化多因子风险模型,奠定了预测股票组合波动率的基 础。之后,我们通过对纯因子股票组合的研究,考察了各类因子阿尔法 性质的强弱,并解释了因子背后的经济、金融学逻辑。最后,我们通过 股票组合的权重优化计算,得到了市值中性、行业中性、风格中性约束 下的最优投资组合。\u003C\u002Fp\u003E\u003Cp\u003E结构化风险因子模型利用一组共同因子和一个仅与该股票有关的特质因子解释股票的收益率,并利用共同因子和特质因子的波动来解释股票收益率的波动。结构化多因子风险模型的优势在于,通过识别重要的因子,可以降低问题的规模,只要因子个数不变,即使股票组合的数量发生变化,处理问题的复杂度也不会发生变化。\u003C\u002Fp\u003E\u003Cp\u003E结构化多因子风险模型首先对收益率进行简单的线性分解,分解方程中 包含四个组成部分:股票收益率、因子暴露、因子收益率和特质因子收 益率。那么,第 j 只股票的线性分解如下所示:\u003C\u002Fp\u003E\u003Cimg src=\&v2-80ae457f08fdd8e360f0d078de2a3da0.png\& data-rawwidth=\&684\& data-rawheight=\&98\&\u003E\u003Cp\u003E那么对于一个包含 N 只股票的投资组合,假设组合的权重为
(w1 , w2 ,..., wN )T ,那么组合收益率可以表示为:\u003Cimg src=\&v2-a2b45e58e2d0f8a74b648ac7d228678f.png\& data-rawwidth=\&532\& data-rawheight=\&136\&\u003E\u003C\u002Fp\u003E\u003Cp\u003E其波动率可以表示为：\u003Cimg src=\&v2-ee5a68b7ad.png\& data-rawwidth=\&468\& data-rawheight=\&88\&\u003E\u003C\u002Fp\u003E\u003Cp\u003EX作为因子载荷矩阵，k个因子n个股票的载荷矩阵可以表示如下：\u003Cimg src=\&v2-5c09cafdf0d6b.png\& data-rawwidth=\&468\& data-rawheight=\&276\&\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E因子收益率的协方差矩阵可表示如下：\u003Cimg src=\&v2-daaa2c4bdfd25b7ca853d.png\& data-rawwidth=\&880\& data-rawheight=\&274\&\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003Edelta为股票的特异波动率。 \u003C\u002Fp\u003E\u003Cp\u003E最大化经风险调整后的收益为目标函数,同时考虑了预期收益与预期风 险的作用,并且在马克维茨的均值方差理论框架下,引入了风险厌恶系数lambda,具体权重优化表达为:\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cimg src=\&v2-5b11ff200.png\& data-rawwidth=\&720\& data-rawheight=\&256\&\u003E\u003Cimg src=\&v2-e7c48aaeef.png\& data-rawwidth=\&1204\& data-rawheight=\&644\&\u003E\u003Cbr\u003E\u003Cp\u003E大家只需更改以下几处即可：\u003C\u002Fp\u003E\u003Cp\u003E1. 第339行的index。\u003C\u002Fp\u003E\u003Cp\u003E2. 第342行的因子名称，当然，你需要在上面定义你的因子的函数。\u003C\u002Fp\u003E\u003Cp\u003E3. 第426行，你想让哪些因子与对冲所用的指数因子载荷一样。\u003C\u002Fp\u003E\u003Cp\u003E大家可以在Ricequant上测试一下：\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\\u002Fcommunity\u002Ftopic\u002F2153\& data-editable=\&true\& data-title=\&基于组合权重优化的风格中性多因子选股策略框架\&\u003E基于组合权重优化的风格中性多因子选股策略框架\u003C\u002Fa\u003E\u003C\u002Fp\u003E&,&updated&:new Date(&T13:18:26.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:6,&likeCount&:18,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T21:18:26+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:6,&likesCount&:18},&&:{&title&:&股指松绑在即？先来米筐练练手！&,&author&:&wang-ke-qin-56&,&content&:&\u003Cp\u003E 据澎湃报道，知情人士透露，全面受限一年半的股指期货松绑已经得到监管部门的初步同意，第一步是将非套期保值客户的单个产品单日开仓交易量限制从10手放开至20手。“松绑的事，国务院给了证监会比较大的自主权，宣布会在这个月。星期五是证监会发布会，发布会之后接下来的周一就会正式公布。”这位知情人士称，目前可能的宣布日期会在1月16日或1月23日。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E由于限制措施，中国的股指期货市场事实上处于休眠状态。沪深300期指合约日均成交额已从股灾前的约1.58万亿元人民币跌至约115亿元。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E期指长期贴水，阿尔法策略有点“蓝瘦香菇”\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E由于去年下半年出现了关于股指期货方面的一系列限制政策，很大程度上限制了阿尔法（Alpha）策略的运用，近一年来，阿尔法策略产品表现一般。由于期指期货长期处于深度贴水的不利环境中，使得对冲成本极大地增加，影响了整体的收益。如果做传统的多因子模型，在做基本面、技术面的情况下很难战胜贴水。如果在权重分配上更偏重于高收益、高风险的策略，收益可能比贴水高一点，预期收益将会从30%至40%调整到10%至15%甚至更低。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cimg src=\&v2-89d7a489e429fbbe3da4.png\& data-rawwidth=\&533\& data-rawheight=\&292\&\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003E股指放开带来的好处？\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E直接的好处就是流动性增加，交易成本降低以及对冲成本的降低。现在的月基差在1-2%，股票现货的超额收益甚至很难跑赢贴水，而对冲成本减少将使得阿尔法策略的预期收益提高。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E面对此次的松绑预期，Ricequant带来了支持混合策略的消息。\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E一键创建ALPHA策略\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cimg src=\&v2-ea4e94be66db8c0f88af8a596ff7aad6.png\& data-rawwidth=\&415\& data-rawheight=\&375\&\u003E\u003Cp\u003E在Ricequant创建量化策略、同时勾选\u003Cstrong\u003E股票\u003C\u002Fstrong\u003E及\u003Cstrong\u003E期货\u003C\u002Fstrong\u003E，即可一键创建\u003Cstrong\u003E混合策略\u003C\u002Fstrong\u003E，同时对股票以及期货进行回测。\u003Cstrong\u003E股票、期货子组合分别管控各自资金还有仓位\u003C\u002Fstrong\u003E；汇总投资组合管控汇总资金、仓位信息。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E除了支持传统阿尔法策略，利用股指进行\u003Cstrong\u003E对冲套利\u003C\u002Fstrong\u003E之外，在Ricequant上，由于平台支持\u003Cstrong\u003E全品种期货\u003C\u002Fstrong\u003E的量化，你还可以在你的策略的投资组合中加入\u003Cstrong\u003ECTA策略\u003C\u002Fstrong\u003E。值得一提的是，在当前市场振荡格局下，一些以商品量化对冲为主策略表现颇为出色。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E【知识点】\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E什么是对冲？\u003C\u002Fp\u003E\u003Cp\u003E对冲（hedge）指特意减低另一项投资的风险的投资。它是一种在减低商业风险的同时仍然能在投资中获利的手法。一般对冲是同时进行两笔行情相关、方向相反、数量相当、盈亏相抵的交易。行情相关是指影响两种商品价格行情的市场供求关系存在同一性，供求关系若发生变化，同时会影响两种商品的价格，且价格变化的方向大体一致。方向相反指两笔交易的买卖方向相反，但要盈亏相抵，两笔交易的数量大小须根据各自价格变动的幅度来确定，大体做到数量相当。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E通俗来说，就是在交易和投资中，用一定的成本去“冲掉”风险，来获取风险较低或无风险利润，即所谓“套利”。对冲的方法有很多种，可以期现价差对冲，远近合约对冲，相同产品地域对冲，相关产品对冲，以及对赌协议等等衍生品。狭义来说，对冲仅仅是一种交易的策略。\u003C\u002Fp\u003E\u003Cp\u003E什么是阿尔法策略？\u003C\u002Fp\u003E\u003Cp\u003E从证券投资两部分收益开始说起，一个是来源于市场的平均收益（ beta 收益），一个是独立于市场的超额收益（alpha 收益），Alpha策略即利用基金管理人选股、择时上的优势，寻找具有稳定超额收益的现货组合，并通过衍生品来分离Beta，获得与市场相关性较低的Alpha收益。一般来说，alpha策略就是特指买入股票组合，卖空期货，跑赢的部分叫阿尔法。\u003C\u002Fp\u003E\u003Cp\u003E阿尔法策略的优势：\u003C\u002Fp\u003E\u003Cp\u003E1、Alpha 策略回避了择时这一难题。投资者仅需专注于选股，只要投资者选出的股票组合能超越大盘指数，就能获得正收益。\u003C\u002Fp\u003E\u003Cp\u003E2、Alpha策略的波动较单边买入持有策略要低。Alpha策略赚取的是股票组合超越大盘指数部分的收益，无论盈亏，一般来说波动都远小于市场的波动。\u003C\u002Fp\u003E\u003Cp\u003E3、Alpha策略在单边下跌的市场下也能盈利。随着金融产品不断丰富、投资者素质不断提高， Alpha策略则开启了下跌市场中的盈利模式。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003ERicequant量化社区上面也有一些用户开始尝试编写混合策略：\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003E【ALPHA多因子策略】\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。各种多因子模型核心的区别第一是在因子的选取上，第二是在如何用多因子综合得到一个最终的判断。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。我们以简单的打分法为例写一个混合策略的示例。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003E股票端:\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E我们就从六个板块里选出“PE从小到大排名+PB从小到大排名”最低的三支股票，再从银行股里选两个PB最低的股票，一共20支股票等额买入，每日调仓。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E这六个板块分别是：原材料，非必需消费品，必需消费品，医疗保健，公共服务，电信服务。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003E期货端：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E我们开一手空单对冲风险（此处直接用主力合约，未考虑换仓成本，实际换仓成本不小）\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003E策略运行流程图：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-1fafcd53a2bbc.png\& data-rawwidth=\&509\& data-rawheight=\&457\&\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E年回测表现：\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cimg src=\&v2-c6a7bfeaa39b72f8f6f68.png\& data-rawwidth=\&807\& data-rawheight=\&496\&\u003E\u003Cbr\u003E\u003Cp\u003E同时，我们尝试取消对冲，以相同的股票多头策略进行回测（期货部分持有现金不开仓）：\u003C\u002Fp\u003E\u003Cimg src=\&v2-1380dfd0ee298e97a35f.png\& data-rawwidth=\&838\& data-rawheight=\&504\&\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E从上面二图比较可知，相对于纯多头策略：\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003EAlpha策略把最大回撤28% 下降到了3%\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003EAlpha策略把Sharpe 0.8 上升到了1.47\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E虽然这还是一个简单的多因子Alpha策略，但其表现还是比较优秀的。波动率比基准沪深300小了非常多，同时也获得了年化15%不错的收益。对比上面两个回测的表现，我们发现采取对冲的Alpha策略，在回撤的控制上比纯多头策略优胜不少。\u003C\u002Fp\u003E\u003Cp\u003E快来社区看看代码吧~\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\\u002Fcommunity\u002Ftopic\u002FF\& data-editable=\&true\& data-title=\&混合策略尝试\&\u003E混合策略尝试\u003C\u002Fa\u003E\u003C\u002Fp\u003E&,&updated&:new Date(&T09:40:55.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:13,&likeCount&:37,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T17:40:55+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\\u002Fv2-db775b7708309eefe7018_r.jpg&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:13,&likesCount&:37},&&:{&title&:&GoogLeNet构建技术分析因子的模式识别&,&author&:&Uekyoung&,&content&:&\u003Cp\u003E突然想做个神经网络模型预测股票，看了一下，最近的DL论文里面GoogLeNet结构设计算是对渣机比较友好的模型。\u003C\u002Fp\u003E\u003Cblockquote\u003E技术分析是指以市场行为为研究对象，以判断市场趋势并跟随趋势的周期性变化来进行股票及一切金融衍生物交易决策的方法的总和。技术分析认为市场行为包容消化一切信息、价格以趋势方式波动、历史会重演。——百度百科\u003C\u002Fblockquote\u003E\u003Cp\u003E如果将股票15minK线的技术分析因子经过标准化投影到0~255的区间，则一段时间的股票多因子数据可以看作是一副图片，假设历史会重演，则可以通过将股票未来一段时候的涨跌幅度根据方差划分几个分级，这样就可以将股票技术分析的看图预判对应到深度学习里面的图片分类。对15minK线进行使用TaLib生成一些常见的技术分析因子，以小时为单位y轴依次叠加时间累进的因子变换曲线，投影之后如下图。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-b54dd52cc5d6df9acace37.png\& data-rawwidth=\&372\& data-rawheight=\&367\&\u003E\u003Cp\u003E注上图为技术分析因子合成训练矩阵投影到0~255区间内的绘图，本文中因为对HS300指数进行分析，故未进行去极值操作。\u003C\u002Fp\u003E\u003Cp\u003E将技术分析因子与未来股票涨跌情况进行转化强假设为一个图片分类的问题，使用GoogLeNet进行训练预测。最好情况下，样本外泛化可以达到70%左右。对于不同品质的股票\u002FETF需要经验设置参数和特征。\u003Cimg src=\&v2-18aa1fd7c0b.png\& data-rawwidth=\&839\& data-rawheight=\&368\&\u003E上图红点代表预测看涨，绿点代表预测看跌，灰线表示实际收益率。\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Ca href=\&https:\u002F\\u002Fcommunity\u002Ftopic\u002FF\u002F2\&\u003E本周刚刚发现RiceQuant默默的添加了tensorflow支持，点个赞。\u003C\u002Fa\u003E\u003C\u002Fblockquote\u003E&,&updated&:new Date(&T08:56:03.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:13,&likeCount&:40,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T16:56:03+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\\u002Fv2-b5823bedd0a7_r.png&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:13,&likesCount&:40},&&:{&title&:&小白期货CTP程序化交易开发入门（七）--C++自动收取所有行情数据&,&author&:&xiao-qiao-liu-shui-ren-jia-7-12&,&content&:&之前一直专注在C#的开发，最近刚好自学了C++的行情开发，来分享下怎么用C++程序自动订阅所有的行情。\u003Cp\u003E1，新建C++的控制台项目。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&v2-51de91d017a28e9aa2cca65fa154cbbc.png\& data-rawwidth=\&865\& data-rawheight=\&654\&\u003E点“确定”后，直接再点“下一步”（此步未上图）\u003C\u002Fp\u003E\u003Cp\u003E2，选择“空项目”，点“完成\&。\u003Cimg src=\&v2-5754f00bebc6caccd22ae0bda5a02825.png\& data-rawwidth=\&657\& data-rawheight=\&564\&\u003E\u003C\u002Fp\u003E\u003Cp\u003E3，在项目中，选中”源文件“，选择”添加“，再选”新建项...\&。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&v2-c865cdacbdaa4efcda264e6.png\& data-rawwidth=\&677\& data-rawheight=\&453\&\u003E4，选“C++文件(.cpp)\&，名称为”CtpDemo.cpp\&，再点“添加”。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&v2-c538a62f47.png\& data-rawwidth=\&944\& data-rawheight=\&651\&\u003E5，在项目文件夹下新建CtpApis的文件上夹，将从上期所下载的接口文件中的64位的文件放到CtpApis中（若用32位的文件，则下一步的平台就要选择x86）。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&v2-6e3ceefb16b0b33eba5df89dd3ad7379.png\& data-rawwidth=\&756\& data-rawheight=\&456\&\u003E6，将项目平台选为x64(图中1的位置)，再项目上右键单击，选择”属性\&，在“链接器”下的“常规”中，修改“附加目录”为刚才设定的 ..\\CtpApis（项目文件在D:\\test\\CtpDemo\\CtpDemo\\，其中 .. 表示上一层目录(两个点))。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&v2-798bd13e363ccdbfefbf285d091acfde.png\& data-rawwidth=\&1144\& data-rawheight=\&734\&\u003E7，在“链接器”下的“输入”的“附加依赖项”中，新增”thosttraderapi.thostmduserapi.“，点“确定”完成。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&v2-63a606afc1e5a1affbfd.png\& data-rawwidth=\&871\& data-rawheight=\&587\&\u003E第6和第7步的含义是，将两个.lib文件加到项目中，否则会在项目生成时会报错，提示“无法解析的外部符号”。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E8，代码如下：\u003C\u002Fp\u003E\u003Cp\u003E头文件和变量定义如下：\u003C\u002Fp\u003E\u003Cimg src=\&v2-65eb23cb14e5bee0e27dbd0b.png\& data-rawwidth=\&954\& data-rawheight=\&469\&\u003E\u003Cp\u003E行情Spi定义如下，将从TradeSpi得到的instrumentList合约列表，进行订阅：\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&v2-8b344c77a42def79a93e1f85bef6760e.png\& data-rawwidth=\&1116\& data-rawheight=\&581\&\u003E\u003Cimg src=\&v2-c0ebde9db5dcd52dee2b.png\& data-rawwidth=\&1402\& data-rawheight=\&657\&\u003E交易Spi如下，在ReqQryInstrument查询后，取得所有合约的列表：\u003C\u002Fp\u003E\u003Cimg src=\&v2-66abf994d6cba211e2887.png\& data-rawwidth=\&1284\& data-rawheight=\&658\&\u003E\u003Cimg src=\&v2-a61e44b6c6bdeb1dd997034f.png\& data-rawwidth=\&1346\& data-rawheight=\&730\&\u003E\u003Cp\u003EMain函数如下：\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&v2-27c83df8eaa988d669cb.png\& data-rawwidth=\&868\& data-rawheight=\&216\&\u003E9，将CtpApis下的两个.dll文件放到输出目录中，程序中会调用这两个。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&v2-a2d82d847e.png\& data-rawwidth=\&1152\& data-rawheight=\&224\&\u003E10，启动项目，即可接收到所有的合约行情数据。\u003C\u002Fp\u003E\u003Cimg src=\&v2-081af2a4e33ef09fecd535e87b53a8b0.png\& data-rawwidth=\&635\& data-rawheight=\&440\&\u003E\u003Cbr\u003E\u003Cp\u003E以上，逻辑跟上一次的C#教程是类似的，只是改成直接在C++下使用。\u003C\u002Fp\u003E&,&updated&:new Date(&T14:02:52.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:26,&likeCount&:44,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T22:02:52+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\\u002Fv2-2c9d7a8e203a67bc48b3_r.jpg&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:26,&likesCount&:44},&&:{&title&:&PonderRNN对HS300指数预测&,&author&:&Uekyoung&,&content&:&\u003Cp\u003E前几天看博客看到Alex Graves设计的ACT (Adaptive Computation Time Graves, 2016)通过构建包裹函数实现RNN模型在时间序列t可以进行n迭代计算，取权重累加和作为时间序列在时刻t的输出，其核心逻辑为通过拉长RNN的在时间序列上的长度增强RNN模型的复杂性，提高非线性表达。\u003C\u002Fp\u003E\u003Cp\u003E由于RNN使用tanh激活函数，超过5层的RNN计算成本很大，近两年的论文认为拉长RNN的时间序列长度可以提高RNN模型的效果，通过对一个时刻的RNN反复迭代计算并输出权重和作为时间序列在时刻t的输出，可以变相拉长RNN的长度。ACT模型通过使用时间损失函数来压迫模型学习在有限时间（有限的迭代步长）学习判断输出。\u003C\u002Fp\u003E\u003Cp\u003E~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\u003C\u002Fp\u003E\u003Cp\u003E更新\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\\u002Fcommunity\u002Ftopic\u002FF\u002F2\&\u003E代码实现\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E自适应计算时间算法是一种允许神经网络常态性的学习在输入和输出之间需要执行多少计算步骤的算法，根据具体问题的复杂度动态调整模型使用的计算量，该网络结构主要针对如下问题设计：\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003ERNN的计算时间由给定问题的序列长度和设计者指定，无法自行变动适应具体问题\u003C\u002Fli\u003E\u003Cli\u003E具有高度复杂变化的序列数据处理\u003C\u002Fli\u003E\u003Cli\u003E研究表明，在条件受限无法加深RNN模型深度的情况下，拉成RNN时间轴长度也能够提升RNN精度\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-39b6d7d4a6a2a000daf210d4b5faaba1.png\& data-rawwidth=\&916\& data-rawheight=\&526\&\u003E\u003Cp\u003E上图显示了ACT模型通过嵌套包裹RNN单元来实现自适应计算时间的调整的操作方法，两条虚线之间的时间展开对应传统RNN模型的时刻i的一步计算，相当于传统RNN模型在时刻i也就是序列位置i只进行一次计算，而ACT在时刻i或者序列位置i可以自行调整计算次数提升模型泛化效果。\u003C\u002Fp\u003E\u003Cp\u003E标准RNN迭代公式如下：\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003Es_t = S(s_{t-1}, x_t)\\\\ y_t = W_y s_t + b_y\u003C\u002Fequation\u003E\u003C\u002Fp\u003E\u003Cp\u003EACT修改RNN迭代公式为：\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003Es_t^n = \\begin{cases} S(s_{t-1}, x_t^1) \\;\\;\\; if \\;\\; n = 1 \\\\ S(s_t^{n-1},x_t^n) \\;\\;\\; otherwise\\\\ \\end{cases}\u003C\u002Fequation\u003E\u003C\u002Fp\u003E\u003Cp\u003E即在时刻t进行n次迭代计算，并使用halting probability unit决定每个输入步的更新量：\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003Ep_t^n =\\begin{cases} R(t) \\;\\;\\; if \\;\\; n=N(t)\\\\ h_t^n \\;\\;\\; otherwise \\end{cases}\\\\ \u003C\u002Fequation\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003Eh_t^n = \\sigma(W_hs_t^n + b_h)\\\\\u003C\u002Fequation\u003E\u003C\u002Fp\u003E\u003Cp\u003E并设置最大迭代限制N防止网络在某步进程中无限制迭代计算,\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003EN(t) = \\min { n':\\sum_{n=1}^{n'}} h_t^n &=1-\\epsilon\\\\ R(t) = 1- \\sum_{n=1}^{N(t)-1}h_t^n\\\\\u003C\u002Fequation\u003E\u003C\u002Fp\u003E\u003Cp\u003E最终在时刻t的更新量为：\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003Es_t = \\sum _{n=1}^{N(t)}p_t^n s_t^n\\\\ y_t = \\sum_{n=1}^{N(t)}p_t^ny_t^n\\\\\u003C\u002Fequation\u003E\u003C\u002Fp\u003E\u003Cp\u003E通过使用包含思考代价的复合损失函数\u003Cequation\u003E\\hat L(x,y) = L(x,y) + \\tau P(x)\u003C\u002Fequation\u003E,该模型被设计为鼓励神经网络快速进行判断而不是一味的追求精度消耗大量计算资源。\u003Cbr\u003E\u003Cequation\u003EP(x) = \\sum _{t=1}^T p_t \\\\\u003C\u002Fequation\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003E p_t = N(t) + R(t)\u003C\u002Fequation\u003E\u003C\u002Fp\u003E&,&updated&:new Date(&T13:16:42.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:3,&likeCount&:25,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T21:16:42+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\\u002Fv2-4c42d7fc5749dbeba7ce85d1a110b0c7_r.png&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:3,&likesCount&:25},&&:{&title&:&Grid2dLSTM 构建高抽象的多因子股票时间序列预测模型&,&author&:&Uekyoung&,&content&:&\u003Ch2\u003E1前置假设\u003C\u002Fh2\u003E\u003Cp\u003E这里假设股票市场的对数收益率在泛泛的情况下假想为一个弱平稳时间序列。\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E\u003Cp\u003EStacked LSTM\u003C\u002Fp\u003E\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003EStacked LSTM通过堆砌多层LSTM的抽取下层LSTM的hidden_state的信息获得实例训练算法，这个取得了很好的效果提升，但是受限于tanh，这里使用的LSTM模型在超过5层之后的需要消耗的计算资源过大。我这里使用一个3层的Stacked LSTM模型进行。\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E\u003Cp\u003EGrid2dLSTM \u003C\u002Fp\u003E\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003EGrid LSTM 是吸收Stacked LSTM和Multidimensional LSTM两种LSTM单元间网络结构形成的新算法设计。相对于Stacked结构，Grid2d使用维度概念代替Stacked里面的深度概念(层数)，将深度构建为另一个维度的序列，即转换多层LSTM为x，y维度的多维度LSTM网格结构。实验显示，Grid相对于Stacked效果有明显提升。由于计算资源有限，我只测试了3层Tied 和 3层No Tied的网络结构。\u003C\u002Fp\u003E\u003Ch2\u003E2 模型数据\u003C\u002Fh2\u003E\u003Cp\u003E对HS300成份股使用连续59交易日多因子数据进行many to one 训练。\u003C\u002Fp\u003E\u003Ch2\u003E3 数据对比\u003Cbr\u003E\u003C\u002Fh2\u003E\u003Cp\u003E1) 单层LSTM的样本外准确率为0.66\u003C\u002Fp\u003E\u003Cimg src=\&v2-21aefcc7b0e.png\& data-rawwidth=\&481\& data-rawheight=\&329\&\u003E\u003Cbr\u003E\u003Cp\u003E2) 3层Stacked LSTM的样本外准确率为0.78\u003C\u002Fp\u003E\u003Cimg src=\&v2-58fd80ed00e47adebc75fea.png\& data-rawwidth=\&493\& data-rawheight=\&329\&\u003E\u003Cbr\u003E\u003Cp\u003E3) 3 层Grid2dLSTM样本外准确率约为为 0.7 (由于使用CPU这里模型迭代只进行了3000次，未达到最终收敛状态)\u003C\u002Fp\u003E\u003Cimg src=\&v2-f34a4cde956b802e4faa.png\& data-rawwidth=\&493\& data-rawheight=\&329\&\u003E\u003Cbr\u003E\u003Cp\u003E4) 3层Tied Grid2dLSTM模型的样本外准确率为 0.86 (由于使用CPU这里模型迭代只进行了3000次，未达到最终收敛状态)\u003C\u002Fp\u003E\u003Cimg src=\&v2-ed13d60d3d763d30c1c395c363cdb33e.png\& data-rawwidth=\&493\& data-rawheight=\&329\&\u003E5) 6层\u003Cbr\u003E\u003Cimg src=\&v2-b63f741ae6e5fc1c98b5b1.png\& data-rawwidth=\&493\& data-rawheight=\&329\&\u003E6）9层\u003Cimg src=\&v2-360e0beeec9f.png\& data-rawwidth=\&493\& data-rawheight=\&329\&\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\\u002Fcommunity\u002Ftopic\u002FF\& data-title=\&运行实例\& class=\&\&\u003E运行示例\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Ccode lang=\&python\&\u003Edef LSTM(H_upper, H_lower, m, omega):\n
H = tf.concat([H_upper, H_lower], axis=1)\n
g_u = tf.sigmoid(tf.add(tf.matmul(a=H, b=omega['W_u']), omega['b_u']))\n
g_f = tf.sigmoid(tf.add(tf.matmul(a=H, b=omega['W_f']), omega['b_f']))\n
g_o = tf.sigmoid(tf.add(tf.matmul(a=H, b=omega['W_o']), omega['b_o']))\n
g_c = tf.tanh(tf.add(tf.matmul(a=H, b=omega['W_c']), omega['b_c']))\n
m_new = tf.add(tf.multiply(m,g_f), tf.multiply(g_c,g_u))\n
h_new = tf.tanh(tf.multiply(m_new, g_o))\n
return h_new, m_new \n\ndef scan_Grid2dLSTM(initializer, elems):\n
x_i = elems\n
# layer 1\n
I = initializer[0]\n
h_1_A_prev = initializer[1]\n
m_1_A_prev = initializer[2]\n
m_1_B_prev = initializer[3]\n
I_x_i = tf.matmul(x_i, I)\n
h_1_A, m_1_A = LSTM(I_x_i, h_1_A_prev, m_1_A_prev, W_1_A)\n
h_1_B, m_1_B = LSTM(I_x_i, h_1_A, m_1_B_prev, W_1_B)\n
# layer 2\n
h_2_A_prev = initializer[4]\n
m_2_A_prev = initializer[5]\n
h_2_A, m_2_A = LSTM(h_1_B, h_2_A_prev, m_2_A_prev, W_2_A)\n
h_2_B, m_2_B = LSTM(h_1_B, h_2_A, m_1_B, W_2_B)\n
# layer 3\n
h_3_A_prev = initializer[6]\n
m_3_A_prev = initializer[7]\n
h_3_A, m_3_A = LSTM(h_2_B, h_3_A_prev, m_3_A_prev, W_3_A)\n
h_3_B, m_3_B = LSTM(h_2_B, h_3_A, m_2_B, W_3_B)\n
return (I, h_1_A, m_1_A, m_1_B, h_2_A, m_2_A, h_3_A, m_3_A, h_3_B)\n\u003C\u002Fcode\u003E&,&updated&:new Date(&T08:47:31.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:18,&likeCount&:32,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T16:47:31+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\\u002Fv2-c8d33b80cc94ba55cb4468_r.jpg&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:18,&likesCount&:32},&&:{&title&:&NeuralGPU卷积与RNN结合超线性计算时间多因子时间序列预测&,&author&:&Uekyoung&,&content&:&看NTM blog的时候发现的NeuralGPU的paper，感觉这个东西要是能够打破RNN架构或者是更加巧妙的利用卷积将会是一个令人惊叹的设计，但是几篇论文里面都还是在糅合CNN和RNN，个人感觉这个设计应该还是处于早期设计阶段。\u003Cp\u003E更新：\u003C\u002Fp\u003E\u003Cp\u003ENeuralGPU简单介绍---在我前面的短文里面介绍了一种常见的使用卷积CNN网络处理多因子股票收益率序列的玩法，在处理多因子数据的时候，将多因子数}