量化投资策略源码模型量化策略代码量化选股 量化择时量化资产配置财务指标选股研究系列成长股选股模型多因子选股模型事件驱动策略系列选股因子研究系列分析师荐股能力评定与跟踪利用分析师盈利预测数据挖掘投资机会度量市场“恐惧与贪婪”的量化择时指标量化择时——度量市场“恐惧与贪婪”的量化择时指标通过产业资本增减持数据构建的量化择时指标风格轮动模型行业基本面预测模型行业轮动模型

对应的交易策略以及相应的学习,全部是源码

反向学习策略源码matlab db-fx-strategy 通过Matlab工具将交易策略滚动模型转换为C ++或FPGA的历史： 我花了很多年研究各种技术交易平台和交易组件（如图表等）。现在是时候实际编写一个真实的交易策略了，所以我打算以此为滚动模型来生成这些交易思路。 我希望这些交易想法将涉及定量分析。 开始： 使用PDF作为参考。 我的工作流程目标完成后，将不再提供任何评论或进一步的支持。 有关这些工作流程的详细信息，请参见下文。 该项目的基本原理： 该项目中的错误比正确的错误多了，因为严格来说，这是学习对银行业的真实世界研究论文进行反向工程。 这不包括图表或交易执行等项目。 我对这种策略的执行也不感兴趣。 结果，我阻止了批评者，仇恨者和巨魔。 这仅仅是为了使该过程透明化，与使用开源软件项目模型没有什么不同。 我只是希望人们能为使这个项目/过程变得更好甚至正确做出贡献。 如果您对此表示怀疑，请告诉我，以便我可以从您的工作中进一步学习。 为什么要为自己选择Mupad和Matlab？ 与开放源语言替代品相比，我发现这些工具使我更有效率，并且可以更快地编码思想。 这不是技术性的战争，但

评估用于动态语音分析的广义加法混合建模策略 “为动态语音分析评估广义加法混合建模策略”的代码和分析。 “ example_code”文件夹包含markdown文件，这些文件示例了本文中测试的模型。 “ tutorial”文件夹包含有关选择正确的随机平滑规范的markdown教程。 文件夹“ formants”，“ pitch”和“ simulated”包含用于仿真的配置文件和数据。 仿真本身可以在命令行中使用文件“ gamm_single_iteration.r”运行。 该脚本运行模拟的单个迭代，并设计为在集群上并行运行。 主要分析（用于在纸张中生成表格和图形）位于“分析”文件夹中。

股市常见99量化策略源码-聚宽平台

本软件包包含三种不同的均线交易策略源码，1，单均线系统，2，双均线系统，3，三均线系统。单均线策略是判断k线与均线的交叉判断，双均线是快线与慢线的交叉判断，三均线是多头排列判断。

量化策略源码 Init_StockALL_Sp.py —— 【数据采集】利用tushare接口将日线行情存储到本地数据库。 DC.py —— 【数据预处理】将本地存储的日基础行情整合成一份训练集。 SVM.py —— 【SVM建模】对个股用SVM进行建模，训练和预测。 Model_Evaluate.py —— 【模型评估】通过回测+推进式建模的方式对模型进行评估，主要计算查准率Precision，查全率Recall，F1分值，并存入结果表。 Portfolio.py —— 【仓位管理】基于马科维茨投资组合

均线策略比较容易捕捉大型的趋势行情，能够在较早的点位入场，但是缺点是，可能在震荡行情中产生很多交易信号，从而造成反复止损，形成大幅亏损，可以采取配合MACD指标过滤一些有效性低的策略信号。

ChannelBreakOutHFT 高频交易的渠道突破策略。 来自此的存储库如下。

TSMOM 时间序列动量策略 在该项目中，实施了各种时间序列动量策略。 然后，使用来自期货合约的历史数据来分析基于这些策略的投资组合的绩效特征（例如回报，波动率，周转率，交易成本等）。 以下图是使用pyfolio（ ）生成的