超级趋势指标使用说明20210915.pdf

Strategems.jl：Julia中的定量系统交易策略开发和回测

5月份盈利：123042美金 4月份盈利：145310美金 3月份盈利：155344美金 具体交易情况请看这里： https://www.forexrobottrader.com/results/Odin%20Robot/latest_results.htm Odin智能交易使用了可靠的网格交易策略，Odin能够从形态中分析当前的走势，并且找到最佳的入场点和出场点。 推荐货币对：EURUSD，EURAUD，AUDUSD，USDCA

使用Python进行算法交易 全自动交易系统并使用Python实施量化交易策略

交易对 使用MATLAB代码生成结果和图表中的结果“具有绝对和相对库存惩罚的对交易策略的随机最优控制”（ ） 要运行的主要脚本是main_script.m

3.2 编写程序 使用 PLC 数据类型 IID_HW_CONNECT 生成数据块 MOBY_Para，根据 ASM456 设备组态为 HW_ID、 CM_CHANNEL、 LADDR 赋值。 图 3-6 参数 DB 块 MOBY-Para 添加 MOBY 用户数据块 MOBY_Data。 图 3-7 用户 DB 块 MOBY_Data 在主程序 Main[OB1]中调 Reset_RF300，用 MOBY-Para 的结构变量给参数 HW_CONNECT 赋值，对 ASM456 通道 1 所连接的 RF340R 进行初始化。

基于深度学习算法的高频交易策略及其盈利能力.pdf

用于程序化交易的策略分析，基于均线的股指内突破交易策略。

最后来看划分为 30 等份的情况。图 5.30 展示了将所有股票按照多因子模型的预 期收益大小划分为 30 等份，每一等份中的股票又按照等权重进行组合时，30 个等份 各自的平均月度收益情况。第 1 等份的月均收益率同样也是 30 个等份中的最高值， 为 2.89%，第 30 等份的月均收益率也是 30 个等份中的最低值，为-0.25%。其他等份

图 5.3 基本的单因子选股策略框架 因子的值来预测下一期或者下一段时间的收益率。这里选用简单的线性回归来完成预 测工作，如下式所示： , 1 1 N t n n t n r a b f     其中 t r 是时刻 t 的股票收益率， , 1n t f  即为 t-1 时刻下第 n 个因子的大小， a 和 n b 是回 归式中的系数。进行交易决策的时间点为 t 时刻初、t-1 时刻末，因此回归式左边为预 测值，回归式右边的所有成分则都是决策点下的已知信息。在预测出每一支股票在时 刻 t 的收益率之后，按照收益预期值从大到小进行排序，然后选取排在前列的股票作 为当前可以建仓的股票。 需要特别说明的是，在某些量化交易策略的相关资料当中，会把对于不同股票而 言取值一致的回归系数 n b 称之为风险因子，而将具体的股票特征值 , 1n t f  称之为各支 股票在因子上的溢价。这主要是因为学术界在套利定价理论等研究的基础上，形成了 一种约定俗成的叫法，其中风险因子对于所有资产应该保持一致，而因子溢价则各有 不同。不过在量化选股策略中，对比本节所使用的称谓，这种叫法以及其他一些叫法 并不是非常直观，因此不予以使用。如果读者在阅读其他资料时碰到不一样的名称， 只需对号入座弄清准确含义即可。 a 和 n b 等参数的优化和拟合，书中使用的是法玛与麦克贝斯给出的一种线性回归 估计方法。如果可以获得 T 个时间段的因子数据以及相应的下一期股票收益率数据， 那么对于上面的线性回归式而言，一共可以进行 T 次估计，表示如下： , , 1 1 N t t n t n t n r a b f     , 1,...,t T 相比起上一个回归时， a 和 n b 的形式略有变动。 t a 和 ,n t b 代表一共可以得到 T 组 a 和 交易决策时的因子大小 选入 不选入 排序 前列 其他