- 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%。
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
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
因子择时【2】
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。 8. 将四个因素分别构建的组合做相关性分析，发现有一定的负相关性，说明可以通过再分散提高组合的效率。在每个阶段，将组合资金平均分给四个子组合，将有效提升信息比率。
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”。 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 - 来自专栏量化小白上分记
择时系列（3）| 指数月份效应
沪深300指数12个月份的涨跌概率及幅度（2006-2019） >>> 基本分析 12月和4月的赚钱效应最佳，8月和6月的赚钱效应最差；2月收益均值3.06%，但上涨概率是最高的，达到71.43%，并且在收益标准差方面 >>> 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 - 来自专栏量化投资与机器学习
【Matlab量化投资】支持向量机择时策略
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。
1.3K60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
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 数据：数据包括17个成熟市场的股票期货，16个成熟市场的债券期货，21个商品期货以及8个外汇期货. 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
这是一种非常值得注意的设计哲学：在定义标签时，信息越纯越好；在做预测时，信息越丰富越好。 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。 相关分析体现在 Exhibit 8 中。 这一部分非常关键，因为它把 allocation-focused regime 从“能用的黑箱信号”进一步推进为“可解释的市场结构”。 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？ trade_date'], signal, format(row['北向资金'], '.4f'), up_line, down_line)) 截取了输出结果的今年的部分，如下图： 可以看到，截止到目前（8月
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）。 [['date','high','low','open','close']] 4 5 # 斜率 6 HS300['beta'] = 0 7 HS300['R2'] = 0 8 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。 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。 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