- 综合排序
- 最热优先
- 最新优先
- 来自专栏量化小白上分记
择时荟萃(九):长周期的择时策略
择时荟萃第九篇，之前的报告多为短周期的择时，今天分享两个长周期的择时策略，一个是月频，一个是半年频，长短叠加效果更好。作者来自海外一家对冲基金。获取原文请在后台回复“择时9”。 作者使用15个变量来预测未来一个月的收益，使用逐步回归法筛选变量，构建另一个有效的择时策略，2003-2017年，夏普比0.92，年化收益16.6%。 指标间的相关性如下 这些指标和未来1个月、3个月、6个月、12个月收益的相关性情况如下，周期越长，相关性越高 回归的变量上，作者测试了全部使用和每期做变量寻优，结论是做变量寻优的结果更优。
41210编辑于 2023-03-19 - 来自专栏量化小白上分记
择时荟萃(三):择时策略的溢出效应
择时系列第三篇，分享一篇来自HSBC的一篇论文。作者讨论了趋势策略的溢出效应，并基于溢出效应构建交易策略，改进传统的择时策略。 获取原文请在后台回复“择时3”。 基础趋势跟踪策略构建 作者首先构建了一个基础时序动量组合。对于资产k，t期末，回看过去p期的累计收益，根据累计收益符号方向定义信号。
62610编辑于 2023-03-19 - 来自专栏量化小白上分记
择时荟萃(八)：A股的日内动量择时
这篇报告和上一篇有一些相似，差异在于这篇以A股主要研究对象，使用16年的A股数据和3年的美股数据进行研究，更具有参考意义。 报告的整体结论是，A股市场的早盘收益对于后面的收益也有预测作用，作者构造了IS和UDS两个指标，构建择时策略，均能得到稳定超额收益。获取报告请在后台回复“择时8”。 择时策略 一个简单的择时策略 这里的m表示日内的分钟数，可以从任何一分钟开始计算 这张图表示的是以任何一个时刻m开始计算，策略的收益，可以看到，m越小，策略收益越高，到尾盘基本就没有收益了。
1.1K20编辑于 2023-03-19 - 来自专栏量化小白上分记
择时荟萃(一)：综合季节性择时策略
作为尝试，先以择时为主题，汇总近期看到的择时相关的好文章。 首篇论文来自Quantpedia论坛的CEO，是一篇关于季节性的文献。 季节性是二级市场广泛存在的一种现象，本文作者全年梳理了若干种季节性现象及背后的逻辑，针对每一种季节性现象，分别构造择时策略，并合成为一个综合性的择时策略，实操性很高，供参考。 获取原文请在后台回复“择时1”。 月历效应 大量学术文献表明，道琼斯工业指数何标准普尔指数上，通常在月末或月初上涨。报告验证了这一现象的准确性。 并构造择时策略，获取超额收益。 基于这一现象构造择时策略，可以获得稳定超额收益 发薪日效应 发工资后，投资者会考虑把工资投入市场，为市场带来增量资金，市场更容易上涨，大部分公司发工资是在月中和月末，因此月中能看到显著的正向收益。 基于这一现象构造择时策略 叠加趋势跟踪 叠加简单趋势跟踪后，策略的表现都有进一步增强。
38030编辑于 2023-03-19 - 来自专栏量化小白上分记
择时系列（3）| 指数月份效应
指数历年2月份涨跌分布（2006-2019） 之所以2月上涨概率达到71.43%，是因为2006至2012年累计7个2月份，沪深300指数全部都是上涨的；2013至2019年，也是累计7个2月份，其上涨3次 >>> 指数季度择时 上一篇文章：《择时系列（2）| 指数季节效应》，我们根据季度效应统计结果，即第一季度和第四季度赚钱效应居前。 那么我们简单进行指数择时回测，其中第一季度和第四季度保持满仓，其余空仓，回测结果如下： ? 指数季度效应择时回测结果（2006-2019） 季度择时策略较难跑赢指数，择时并不理想 >>> 指数月份择时 本文根据月份效应统计结果，即2.3.4.7.11.12月份赚钱效应居前。 指数月份效应择时回测结果（2006-2019） 月份择时策略大幅跑赢指数，累积净值达到8.17，择时较为理想
91900发布于 2020-03-05 - 来自专栏量化小白上分记
因子择时【2】
对于如何选择因子，本文通过考察1）宏观周期 2）因子动量 3）因子估值 4）市场情绪 四个方面在因子间进行选择。最后，本文还讨论了用这四个选择因子的方法在自下而上构造的组合和自上而下构造的组合表现。 3. 对于因子配置，由被动到主动有不同的范式，也适合不同机构。由被动至主动的配置方式如下：市值加权指数—单因子组合—多因子组合—动态因子调整—动态因子调整与主动配置结合—基本面。 本文主要探讨的是动态因子调整的方法，作者提出了四种方法来动态选择因子，它们分别是1）宏观周期 2）因子动量 3）因子估值 4）市场情绪。 ? ? ? 4. 市场情绪指标的基本想法是：当利差或者VIX指数显著高于12个月平均时，配置价值、动量和小市值因子；当显著低于12个月平均时，配置低波动、质量和红利因子。
1.3K32发布于 2021-05-08 - 来自专栏量化小白上分记
择时荟萃(五):周期转折点识别与择时(附源码)
择时系列第五篇，来自海外的一名Quant。作者构建了一个识别宏观经济周期转折点识别的模型，用于市场择时，在多个国家市场上验证均有效，并提供了部分源码。获取报告请在后台回复“择时5”。 3 滤波器 作者参考前人研究，构造了一个简单滤波器去过滤噪音。详见报告，代码如下 过滤后的结果如下，并于标普500指数走势进行对照。 5 择时策略 基于以上的发现，作者使用构建的指标构建了一个择时策略。如下图，绿色和红色线分别为在GGE和GGC期间的表现。
67110编辑于 2023-03-19 - 来自专栏量化小白上分记
基于smart money indicator的择时策略
01 结论 报告主要结论如下 SMI和择时：过去25年间，SMI指标显示出强大的市场择时能力，并且在不同参数测试下都很稳健； SMI和动量：无论市场当前趋势如何，SMI为正时，未来回报率更高，且在市场具有负的时序动量时 ，这种效应更明显； SMI和Smart Beta因子：基于SMI指标的因子择时也有意义； SMI与价值动量的对比：对比基于SMI的资产配置策略和基于价值、动量的资产配置策略，SMI的策略投资收益更高； 02 SMI市场择时 基于SMI指标的择时策略，在1995-201年间表现如下 不同参数下的年化收益和波动率 03 SMI因子择时 使用SMI指标对下述常见因子进行因子择时 04 SMI资产配置
57341编辑于 2023-03-19 - 来自专栏量化投资与机器学习
【Matlab量化投资】支持向量机择时策略
3、统计学习理论（SLT）：专门研究小样本情况下机器学习规律的理论，核心概念是VC维概念，解决了神经网络结构选择、局部极小点等问题。支持向量机（SVM）就是基于这一理论产生的。 SVM支持向量机择时策略 支持向量机 支持向量机是用来解决分类问题的。 先考虑最简单的情况，豌豆和米粒，用晒子很快可以分开，小颗粒漏下去，大颗粒保留。 1、训练分类器： 2、预测： 3、交易下单： 策略回测 策略写完了当然要用历史数据回测看看绩效。同样的，使用Quantrader，完成回测。 从过去3年半的绩效来看，这个策略年化收益约50%左右，夏普达到了2。 ?
1.3K60发布于 2018-01-29 - 来自专栏量化小白上分记
研报复制（五）：单向波动差择时
本文是对报告《国信证券-单向波动率差值择时》部分内容的复现，个人理解，不保证正确性，欢迎指正！ 单向波动差 根据报告的观点，波动率用来反映市场波动幅度大小。 择时策略1 基于以上的逻辑，可以根据剪刀差构造择时策略： 剪刀差N日移动平均为正时，做多； 剪刀差N日移动平均为负时，做空/平仓； 这里移动平均是为了增加策略稳定性，回测时不考虑做空，只考虑做多和平仓。 择时策略2 在使用RPS指导单向波动差的窗宽设定之前，报告用RPS做了一个简单回测确保这个逻辑时合理的，如图黄色部分。 ? ? SP.set_xticks(xticks) SP.set_xticklabels(xticklabel[xticks],rotation = 45) plt.legend() plt.show() 相对强弱RPS下单向波动差择时 参考文献 国信证券-基于相对强弱下单向波动差值应用-151022 国信证券-单向波动率差值择时之二：rps分级靠档减少交易频率-160321
3.6K53发布于 2019-06-17 - 来自专栏量化小白上分记
择时荟萃(六)：Faber的资产配置策略
获取报告请在后台回复“择时6”。 1 Faber的时序策略 Faber的时序策略规则如下 策略规则非常简单，在美股上的效果也很好 统计收益的分布情况，可以明显看出，择时策略的负向收益更少，呈现右偏特征。
50420编辑于 2023-03-19 - 来自专栏量化小白上分记
研报复制（一）：《指数高阶矩择时策略》
本文为个人对广发研报《指数高阶矩择时策略》的复现，纯代码+结果。 报告认为高阶矩可以刻画资产价格的变化，并且有一定的领先性，可以以此构造指数择时策略，原理见研报（在公众号后台回复“高阶矩”获取研报和代码) 文章为个人对报告的理解，结果并不准确，有问题请指出 python flag = np.zeros(len(profitrate)) cumrate = np.ones(len(profitrate)) lossflag = 0 # 计算单次择时损失 (1+strategy_rate).cumprod() cumrate = nav - 1 totalprofit = nav[len(nav)-1] - 1 # 交易次数/择时次数 参考文献 广发证券-指数高阶矩择时策略
1.9K22发布于 2019-08-29 - 来自专栏量化投资与机器学习
【HMM研究实例】运用HMM模型的择时策略
上图可以看出： 状态0——蓝色——牛市上涨 状态1——绿色——牛市下跌 状态2——红色——牛市下跌 状态3——紫色——小幅的上涨 状态4——黄色——震荡下跌 状态5——浅蓝色——震荡下跌 以上的意义归结是存在一定主观性的 四、择时策略 我们根据模拟出来的隐藏状态，来进行择时。 1. 理论版：股指期货可卖空。 策略是这样设计的： 当天处在状态0，3时，买入指数基金； 当天处在状态1，2，4，5时，卖空股指期货； 我们来看一下收益效果： ? ? 2. 策略是这样设计的： 当天处在状态0，3时，买入指数基金； 当天处在状态1，2，4，5时，空仓； 鉴于研究模块自己搭伪回测算出来的收益曲线很难考虑到滑点、交易规则限制等各方面的要求，所以如下的策略回测只贴上最后的图
2.8K70发布于 2018-01-29 - 来自专栏量化小白上分记
择时荟萃(七)：对冲需求带来的日内动量
分享一篇JFE上的论文，作者使用1974-2020年超过60种资产的日内收益率进行测试，发现了日内的显著动量效应，并用于构建择时策略。获取报告请在后台回复“择时7”。 作者首先把日度收益率进行切割分段 从前一天收盘到今天开盘为隔夜收益率(ON)，开盘后半小时收益率为FH，开盘后半小时到收盘前1小时为M，再往后半小时为SLH，最后半小时为LH，定义 ROD=ON+FH Everywhere 作者构建若干回归模型验证假设，ROD拆分成各个成分的，ROD总的 这里就直接放结论了 在股票、债券、商品、外汇期货市场上都能看到，二者之间具有显著正相关性，t统计量均>3。 随后，作者构建了一个择时策略，信号构建如下 这里的r分别用ROD和ONFH测试，如果r>0，就在最后半小时做多，否在，在最后半小时做空。 对比的基准策略有两个，1.
61720编辑于 2023-03-19 - 来自专栏量化小白上分记
择时荟萃(十):多资产信号和时序动量
择时荟萃第十篇，分享一篇多资产相关的择时策略。作者以股债为基础，构建了资产交叉信号，策略获取到了比传统时序动量更强的收益。获取文献请在后台回复“择时10”。 首先简单概述下论文的结论。 对于股票市场，使用传统的时序动量可以构建出一个有效的择时策略。 作者发现，使用债券的动量，也能对股票市场进行择时， 最终，作者构建了一个模型，把这两个信号综合起来，构建了一个综合的择时策略。 结论是下面这张图，图里绿色线是不做择时，红色是股票的时序动量，蓝色综合策略，明显强于时序动量。 此外这一模型（蓝色线）用于债券择时，也会获得比时序动量更好的效果。
43120编辑于 2023-03-19 - 来自专栏量化投资与机器学习
写给做“风格择时”的你们：从市场状态到配置状态
与 Exhibit 3 的极简风格相比，这里明显丰富得多。 作者纳入了多类变量：包括 long-short return 的指数平滑值、下行偏差、VIX、Beta、10 年期与 2 年期收益率利差、10 年期与 3 个月收益率利差等。 前者更接近主动管理人相对基准获取 alpha 的问题，后者则更接近风格轮动和因子择时问题。 此外，作者在回测中显式加入了 5bp 的单边交易成本，这一点也很重要，因为动态配置策略如果不考虑交易成本，很容易把看似漂亮的择时能力夸大。 真正的结果集中体现在 Exhibit 7 中。 它并不是简单提出了一个新的择时模型，也不是又一次在“市场状态识别”这一老问题上增加了一个算法变体。它真正做的，是把 Regime 从一个偏解释性的概念，改造成了一个直接服务于配置的问题定义。
17010编辑于 2026-04-02 - 来自专栏数据STUDIO
用 Python 实现基于北向资金的择时买入卖出策略
今天的文章是对一个择时策略的复现，数据是基于每日大A北上资金进行的。这个策略很简单的一个应用：当市场处于持续低谷的时候，你可以加大你定投的比例；当市场开始火热一段时间了，你需要慢慢减少你定投的金额。 说完基础知识，再来说今天的重点：基于北向资金的择时策略实现： 其实用一句话就可以解释所谓的择时选股策略：基于指标，对指数进行择时（即判断指数方向），如果方向向上，就进行选股。 下图是华泰证券研究所的一篇报告，其中提到了一个基于北上资金的择时策略。正如文章开头所说，北上资金目前作为大A的风向标，具有一定的可参考性。 而报告中通过北上资金与沪深300的相关系数，也完美阐释了这一点： 该择时策略的具体内容是这样的： 策略理解起来很容易，但是怎么实现呢？ 通过接口 token 链接到 tushare # 将 token 替换成你自己的就行 token = '替换成你自己的token' pro = ts.pro_api(token) 3.
2.3K40发布于 2021-09-26 - 来自专栏量化小白上分记
择时荟萃(四):TOM-MOM效应：CTA交易中的市场冲击
择时系列第四篇，一篇关于联合使用TOM和动量的策略。TOM策略第一篇中提到过，这里从交易拥挤度的角度进行分析。作者来自顶级对冲基金IMC Asset Management。 获取原文请在后台回复“择时4”。 1 CTA市场发展 这篇文章写的比较早，作者指出，截至2014年，全球投资于CTA策略的资产规模已经创出了新高。
60410编辑于 2023-03-19 - 来自专栏量化小白上分记
研报复制（二）：《基于阻力支撑相对强度（RSRS）的市场择时》
本文是对光大证券研究报告《基于阻力支撑相对强度（RSRS）的市场择时》前四种择时方法的复现。 ? 报告认为，常用的均线系统和MACD等指标滞后性较高，阻力支撑指标RSRS领先性较好，可以以此为依据构造择时策略，具体原理见报告。（在公众号号后台回复"RSRS"获取研报和代码）。 斜率策略回测 策略逻辑：斜率指标超出阈值S1 = 1时买入，斜率指标超出阈值S2 = 0.8时卖出。 修正标准分策略回测 策略逻辑同3。 参考资料 1. 20170501-光大证券-光大证券技术择时系列报告之一：基于阻力支撑相对强度（RSRS）的市场择时
3.3K41发布于 2019-08-29 - 来自专栏存储
应用架构之择
特不正经的小结： 性能考虑 gRPC和REST的性能相差非常大，以google自身的API为例 下图是性能比较： 在性能要求为主导的场景下，优先选用RPC 对外交互考虑 对外交互时，涉及API标准化的问题 合作共存考虑 RPC和REST是可以混用的，必要时，可以结合使用，对外部用REST，内部交互使用gRPC。 3. 并且还可以通过桥接Native和Web来调用一些Device的API 缺点： WebView执行代码效率较低，很难实现一些炫酷的效果， 存在不同设备的兼容性问题； 应用中用到了大量的Device API时，
1.8K100发布于 2018-01-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号