spyder量化交易全套教程
都说量化交易能赚钱，但为什么有些人一跟风就失效？以 a 股现在的生态，策略，效果不好只有一个原因，方法不对，输入决定输出。如果在软件里随便套用两个技术指标，就指望系统能替你盈利，那不太可能。将军指挥士兵还得有明确的作战地图和纪律呢。所以不能只凭几个碎片化的指标代码， 我们需要的是构建自己的策略框架，能系统掌握策略设计和回测的方法。本期内容希望能帮你解开误区，搭建真正适合散户的 a 股量化策略。 在开始做策略前呢，先别着急，我们先来看看那些专业的量化私募机构，他们在二零二五年到底赚钱了吗？ 又是怎么赚的呢？我们翻开二五年头部量化私募的成绩单，发现一个格外亮眼的策略，就是中证一千和中证两千的指数增强。我们先回答什么是指数增强策略， 简单来说，就是跟着指数走，但比指数跑得快，先跟上指数的涨跌，吃到市场平均收益，也叫贝塔收益，再通过量化模型精选个股，跑赢指数， 拿下超额收益，也就是我们常说的阿尔法收益。在指数增强策略中，我们以中证一千为例，这个指数本身涨了大概百分之二十三，但这只是悲他收益，而一些头部量化私募，通过精选个股做到了年化百分之五十左右的收 益，多出来的这接近百分之三十，也就是阿尔法超额收益。那中证两千也类似，指数本身涨幅约百分之二十，有些优秀的增强产品，收益做到了百分之四十到五十。 听到这，如果您觉得这种收益来源是什么神秘算法或者高频收割，那就大错特错了。其实恰恰相反，真正赚钱的不是什么高频，而是对症下药，也就是市场的风格适配。有人要问了，二五年私募量化策略中，表现强劲的为什么是中小盘指数增强 暗藏在市场里？我们拆解一下，二五年的 a 股市场有三个特征，第一个就是小盘股高度活跃，中证两千指数上半年涨幅在百分之十五，四季度继续上涨，全年的表现其实远超大盘指数。中证一千指数本身的涨幅也在百分之二十三左右。这个其实并不是偶然， 因为当市场成交额持续维持在万亿以上高位的时候，资金就不再只盯着白马股了，而是开始挖掘更多中小市值公司的机会。嗯，第二个就是流动性充裕，市场在二五年呈现震荡上涨的势态，那随着政策的缓和，流动性宽松的大环境得到延续， 把一四木量化全部实现正收益。你看，正是这种高流动性、高波动性的环境，为他们这种量化策略提供了绝佳的土壤。但第三个你会发现，其实整体的风格更偏向成长赛道。中正一千指数成分股中，电子、医药生物、计算机、电力设备 这些成长行业的占比接近一半，而二五年的市场主线就是科技成长、 ai、 半导体、新能源。哎，这些刚好是中小盘指数的重仓板块。他再往深的说， 为什么是中小盘指数增强策略能获得这么高的超额收益呢？我们往下看，中证两千有两千只成分股，中证一千有一千只标的池越大，量化模型的选股空间就越广，而且中小盘指数成分股的市场定价效率相对比较低，也就会有更多的定价偏差和投资的机会。什么意思呢？我们打个比方，如果市场是个菜市场， 大盘股就像明码标价的这种连锁超市，价格比较透明，竞争又充分，那小盘股就像那种分散的小摊贩，信息不对称，就导致定价偏差更大。再加上中小盘指数一般都比较活跃，就导致量化选股模型有更多的机会， 能通过短期的价格波动、量价配合资金流向这种多因子信号来捕捉超额收益。所以我们做策略第一步不用非得学代码， 先理解市场适配，匹配当前的市场风格，选股的标的池尽可能有足够的选择空间啊。回测，在基于真实的市场环境了解了选股逻辑之后，我们再看看因子的构建逻辑，虽然咱们看不到具体的代码， 但是可以从公开的研报中逆向推导出他们的选股思路。根据业内研究，中证两千这类小盘指数量化机构主要用到这些因子，而且这些因子在中证两千中的表现普遍优于沪深三百和中证五百。 咱们这里划个重点啊，不是说因子越复杂越好，而是要匹配市场环境。那么第一步我们就先理解因子的本质，就是他们在回答什么问题，因子本质上是用数据来回答投资决策中的关键问题。我们看市值因子，就是在问这家公司有多大呢？小盘股分析师覆盖一般比较少，市场关注度低， 就会造成定价的不充分，就可能会存在更大的阿尔法空间。二五年中证两千成分股中，约百分之六十的股票市值低于五十亿，那市值因子在这种池子里的筛选能力就会更强。我们再看量价因子，就是问这家公司够便宜吗？在中证两千里捡便宜货，这种策略比大盘股更有效。为什么呢？ 因为大盘股大家都在盯着，信息就很透明，便宜的股票早就被人买光了，而小盘股分析师都懒得研究，很多便宜的股票就被市场遗忘了一样，那再去捡就更有赚钱的机会。我们再来分析成长因子，就是问这家公司是在快速的成长吗？中证两千成分股中包含超过四百四十家国家级专精特新企业， 前五大权重行业集中在电子、医药、生物计算机、机械设备、电力设备这种成长性的行业。用好成长因子就能帮我们找到小而美的股票。我们再来看量价因子，也就是问资金是不是在关注这只股票。相较于大盘股，中证两千的成交量和波动率就会更大，那充分的换手其实就更容易捕捉到超额收益。 咱们通过量化思木能感觉得到，做出好的策略其实并不需要什么高频的算法，或者是什么神秘的因子，而是这种系统化的思维，从选股到因子的搭建，那先理解市场的环境，选择适配的因子组合，再通过严格的回测验证，才能建立更好可持续的量化体系。 后续我也会分享如何通过多因子组合来选股以及回测验证。关注我，打开更多量化视角！
粉丝1.5万获赞4.1万
相关视频
04:35查看AI文稿AI文稿我们在幺八五八处买入十张多单， 然后我们将这个价格记录在表格上面啊，幺八五八十张， 然后，然后我们回到牌面看大盘的走势，好，我们看到现在牌面是向上涨的啊，向上涨了一下， 好，这里就到达了我们的指引目标位幺八七八平昌指引，然后我们将把这些指引的数据填入到表格当中来。 好，第一单，我们看到这里已经只赢了，盈利金额是二十元，那么现在我们手中是没有持仓的，所以把前面的这个 数据我们要删掉，然后我们要在刚才平仓的幺八七八处重新下一个多单十张，我们现在回到排面看走势，这里又指一个， 指一位置是幺八九八，我们打开表格， 把只赢信息点进去，然后将开仓信息删除，然后我们重新开仓幺八九八十张多单，我们看到这里已经只赢了 啊，幺九幺八已经指明了啊。同样，我们把指明的信息填入到表格当中来，然后把开仓信息改为到幺九幺八十张多单， 这里开始上涨，没有达到是因为行情开始发生了变化，往下下跌，因为应该是幺九三八啊，离止盈差了三个点。 好，这波下跌呢，刚好跌破了，呃，多单的幺九幺八开仓位， 呃，然后达到了空单的开仓要求，在表格里把空单的开仓幺八九八十张空单记录下来，然后我们继续看盘面， 行情继续创新低，达到了空单。第二个加仓位幺八七八十张空单， 然后把它记录到表格当中去，行情继续下跌，打到了空单的第三个 加仓位幺八八的位置观察盘面，呃，这根阴线最低打到了幺八三六，那么我们以二十点为 一次止赢的话，其实在幺幺八三八的地方已经是止赢了，三个空单的止赢已经 可以完全覆盖一个多单的亏损，所以这里我们需要把空单和多单一起品尝整体好。大家看。呃，空单的开仓均价现在变为了是幺八七八， 总共开仓数量是三十张，在幺八三八品仓盈利是一百二十块。呃，空单的话，他的开仓均价幺九幺八，呃，十张，十仓十张， 在幺八三八的地方平仓亏损八十，但整体上是盈利的，所以我们这里就可以把它所有的持仓全部清空，这就是我为大家演示的量化交易的一个整个过程。
01:34查看AI文稿AI文稿散户应该如何快速搭建属于自己的量化交易系统呢？非常简单，安装一套这个量化交易端就可以了。给大家说一下整体的一个步骤，他这里可以用同花顺或者通达信来实现的啊，以同花顺来举例， 首先的话，打开我们的同花顺在上面的自选我的板块，他这里可以建静态和动态的板块， 我们先建一个买入的静态票池，建好之后在他的这里设置好买卖条件，可以设置买入金额和买入的数量。咱们先设置一下， 比如只能买入五只标的，这里还能设置一些买入的参数。卖出也需要设置条件啊，这里条件有很多，根据自己的需求来，比如设置打板的参数等等。 设置好之后把账号这些填写进去，我们演示一下。在买入这个票池，随便加入一只标地，它会接收到信号， q m t， 这边就会立即下单，想要卖出的话，同理把持仓的标地加入进来，这边会立即卖出。 如果想要自动化，无需手动添加标地的话，就需要利用这个动态板块，咱们先建一个动态板块，建好之后还是要在这里设置买卖条件和账号配置，设置好之后，在上方的编辑栏把咱们的选股策略输入进去， 比如 m a、 c d 金叉量比大于一，选出来之后，它这里会接收到信号 q m t， 这边就会买入卖出。同理它这个操作起来很方便，即使咱们不懂代码也能搭建，比起需要编程之类的方便很多。给大家分享一个大概的思路，希望对咱们有所帮助。关注我，带你了解更多干货。
118老A说量化
01:38查看AI文稿AI文稿在量化交易中如何写一个完整的量化策略？大家好，我们今天把量化交易策略的核心构成说一遍，不管是入门级的简单策略还是实战级的复杂策略，本质都是由这些模块组合而成。一般来说，一个完整的量化策略通常包含了四个核心运行模块。 第一个，初步化模块， initialize 策略的基础设定环节，在启动策略时仅执行一次。核心作用是定义权的规则，比如设置交易的股票池初步化权变量，如指定标的配置风控参数，如单股最大仓位等等，是所有策略的起点。 第二个，盘前处理模块， before trading stop。 每个交易日开盘前执行属于预处理环节，核心作用是提前完成当日交易的准备工作，比如筛选符合条件的标的，计算行业平均 pe 量比等静态数据，更新，风控预止，避免盘中实时计算导致卡顿或者延迟。 第三个也是最重要的盘中运行模块，盘的对头，盘中执行是策略的核心交易环节，所有买卖操作实时数据效验都在这个模块完成，直接对计交易执行。第四个，盘后处理模块， offer trading end 收盘后执行属于复盘环结合金，作用是整理当日的交易数据， 计算收益，回测输出复盘日子等，使用频率低于盘权处理，可根据个人的交易习惯选择是否添加。 以上就是一个策略完整的四个模块了，这四个模块当中必须要有的就是初步模块和盘中运行模块，盘前模块和盘后模块都不是必须的，根据自己的策略需求编辑就是。好了，今天的分享就到这里了，点赞收藏，下次可以翻出来学习。
179国金证券财富指南
16:13查看AI文稿AI文稿咱们直接切入正题，在量化交易的世界里，获取实时行情数据是基础中的基础，但很多初学者，包括一些有经验的朋友，在用 xtqq 这类工具时，常常会遇到五档数据为空或者回调函数不执行的尴尬。 今天我们就从订阅机制这个核心概念出发，彻底搞清楚这背后的原理和正确用法。 这个流程其实很直观，第一步，你的程序通过 subscribe quote 函数向服务器发出我要订阅这只股票的指令。第二步， qmt 服务器收到你的请求并确认。 第三步，当市场有新的行情数据，比如成交盘口变化时，服务器会自动把数据推送到你的客户端。 第四步，这些推送来的数据会被缓存在客户端。最后一步，当你需要读取数据时，调用 getfortake 函数，它就会从这个缓存里拿出最新的数据给你。 整个过程就像订牛奶，你告诉送奶工我要订了，然后每天早上牛奶就自动送到门口了。 这里有几个关键点必须牢记，第一，你订阅之后并不会立刻拿到所有历史数据，更不是马上返回最新数据，而是进入一个等待状态，等待服务器推送。 第二，因为是推送，你需要给服务器一点时间来处理你的订阅请求并开始推送，所以代码里通常需要加个短暂的等待，比如两秒。 第三，也是最强大的一点，你可以设置一个回调函数，这个函数就像一个监听器，一旦有新数据推过来，系统会自动调用你定义的这个函数，并把数据传进去， 这样就能实现毫秒级的实时响应，非常适合高频策略或者需要及时反应的场景。 记住那个报纸的例子，订阅模式就是报社每天主动把报纸送到你家，而不是你天天跑报社。问今天报纸出来了没？ 我们来看个实际的例子，假设你想用传统方式获取平安银行的最新价，你看这段代码很简单，直接调用 xt getfortik 传入代码， 如果运气好可能拿到数据，也能看到最新价，但是注意看注市里的警告符号，这种方式获取到的五档数据很可能就是空的。为什么？ 因为你没有先订阅，服务器凭什么把最新的五档盘口推给你呢？它可能只推送了基础的 tick 数据，所以对于需要完整五档数据的应用，这种方式是不可靠的。 现在我们来看推荐的做法，先订阅再获取。看代码。第一步，先调用 subscribe quote 函数，告诉服务器我要订阅平安银行的行情， 这里指定了 period 等于 tick， 表示我们要的是主笔或秒级行情。第二步非常关键，我们加了一个 time sleep 二点零，让程序暂停两秒钟， 这是为了给服务器足够的时间去处理订阅请求，并开始推送数据。第三步，两秒后，我们再调用 getfotik 去提取数据， 这时候因为已经订阅了，缓存里应该已经有了完整的五档数据，你看最后打印出来的卖一价 ask price 零就能成功获取到。 这就是先定后取的优势所在，数据完整准确。这张表总结的很清楚，主动获取简单粗暴，但可能漏掉关键的五档数据风险较高， 而先定后取虽然需要多等个两秒钟，但它能保证你拿到的数据是完整准确的。五档行情对于我们做量化分析交易策略来说，数据的完整性往往比那两秒的延迟更重要。 所以结论是什么显而易见。强烈推荐使用先定后取的方式，别为了省那两秒，结果连买一卖一都抓不到，那可就得不偿失了。前面提到，订阅机制的一大优势是可以用回调函数实时接收数据。 那什么是回调函数呢？简单说就是你自己写一个函数告诉系统，喂，等有新行情数据了，你就自动调用我这个函数，并且把数据给我。 你看这个例子，我们定义了一个叫 ontik data 的 函数，当 subscribe quote 被调用并且有新数据推送时，系统就会自动执行这个函数。 函数的参数 data 就是 我们想要的行情数据。在这个函数里，我们可以做任何事情，比如打印出来计算指标或者出发交易逻辑。 这种方式非常适合需要对每一笔行情做出快速反应的场景。关于回调函数，有几个要点要强调，第一，它是被动触发的，不是你主动去调用它，而是系统在有新数据时自动找上门来。 第二，传递给他的参数就是刚刚推送过来的原始行情数据。第三，最大的好处在于实时性，你可以在回调函数内部立刻处理这些数据，无需等待。 第四，这种机制非常适合那些需要持续监控市场变化的场景，比如盯盘、实时风控，或者基于特定条件及时下单的策略。掌握了回调函数，你的程序就能真正火起来，实时感知市场的脉搏。 拿到了五档数据，我们来看看它具体长什么样。五档行情，顾名思义，就是买卖双方各五个价位的挂单情况。在 xtrent 返回的原始数据里，主要关注这几个字段。 ask price 代表卖方报价，也就是卖一到卖五的价格。 bid price 代表买房报价，即买一到买五的价格。对应的 askvo 和 bidvo 则是各个价位上的挂单数量。记住，这些都是数组形式。 askprice 零就是卖一价， askprice 一 是卖二价，以此类推 理解这个数据结构是后续分析和应用的基础。光看字段名可能有点抽象，我们来看一个具体的展示代码。这段代码演示了如何将获取到的五档数据格式化输出。模拟一个简单的盘口式图， 它会循环便利五个档位，从卖一到卖五以及买一到买五。注意，这里的 idx 等于四减 i， 是 为了让输出顺序符合我们通常看到的盘口习惯，即卖一在上，买一在下。 它会检查每个价位是否有数据，然后按照价格、点数、数量的格式打印出来。运行这段代码，你就能直观地看到当前股票的买卖盘口情况了。 这就是上面代码运行后可能得到的一个盘口势例。你看，清晰地列出了从卖一到卖五以及买一到买五的价格和对应的挂单量。 比如，卖一价是十点八七元，挂单一千两百手。买一价是十点八六元，挂单两千三百手。通过观察这个盘口，我们可以大致判断当前市场的供需情况， 比如，如果买一挂单量远大于卖一，可能意味着买方力量较强，价格有上涨潜力，反之则可能面临卖压。当然，这只是静态盘口，动态变化才是关键。 分析盘口是技术分析的重要组成部分，也是很多交易员和策略依赖的信息员。 通过观察买卖盘口的深度价格分布和成交量，我们可以尝试判断市场的短期趋势、主力资金的动向，甚至预测价格的波动。比如，如果发现某只股票的卖盘突然大量减少而买盘持续增加，这可能是一个潜在的买入信号。 当然，盘口分析只是众多分析方法中的一种，不能孤立看待，需要结合其他信息一起判断， 但掌握它无疑能让你对市场有更敏感的洞察力。手动处理订阅等待解析原始数据，虽然能加深理解，但在实际开发中可能会比较繁琐。好消息是， ez xt 库已经为我们封装好了这些底层细节。 使用 ez xt， 你 可以用更简洁的代码完成同样的事情。比如想获取平安银行的五档行情，只需要一行代码 api dot get dot book 零零零零零一就行了。 ez xt 内部已经帮你处理了订阅逻辑、等待数据推送、重试机制，甚至返回的数据格式也统一成了大家熟悉的 data frame 字，断名也简化成了 b 的 一到 b 的 五， ask 一 到 ask 五，用起来是不是方便多了？ 这对于追求效率和代码简洁性的专业人士来说绝对是福音。 ez xt 不 仅提供了便捷的获取快照数据的接口，还封装了强大的订阅功能。 你可以像这样定义一个回调函数 on tick， 当有新行情推送时，它会被自动调用，然后通过 subscribe 或 subscribe 后接口进行订阅。 subscribe 可以 订阅单只或多只股票，而 subscribe 后更推荐用于批量订阅多个标的。 如果你需要程序一直运行下去，持续接收推送，记得在最后加上 api 点绕 for 这个函数会让主线成堵塞，保持程序不退出，从而能够持续监听和处理行情数据，这对于需要长时间运行的策略或监控程序非常有用。 ez xt 的 订阅功能提供了灵活的选择，可以根据不同的需求选择合适的接口。 如果你只需要盯住一只股票，用 api subscribe 就 够了。如果你想同时监控多只股票，比如一个指数成分股或者你的投资组合，那么 api subscribe 后是更好的选择，它可以一次性订阅多个代码。 而如果你的程序需要像一个永不停歇的行情接收器一样运行，那就需要配合 api 点，如 for ever 使用订阅接口，确保程序在后台持续运行，实时捕捉市场脉动。 合理选择接口能让你的代码更高效、更优雅。理论讲了不少，现在我们来解决一些大家在实践中可能遇到的常见问题。 第一个高频问题，我订阅了为什么还是拿不到五档数据？最常见的原因有两个，一是等待时间不够， 你可能订阅完就马上去取数据，但服务器还没来得及推送，缓存里自然是空的。解决方案很简单，记得加个 time sleep， 二点零，等待至少两秒。二是字断名或者访问方式不对。 五档价格是数组，比如 ask price， 零才是卖一价，而不是直接用 ask price。 确保你用的是正确的自断名和锁引。第二个问题，非交易时间，比如周末或者晚上，我获取到的数据全是零，这是怎么回事？这其实很正常，非交易时间，交易所是没有撮合交易的，自然也就没有实时的买卖盘口数据。 q m t。 模拟账户有时也会有数据限制，所以如果你在非交易时间测试看到五档数据为空，不必惊讶。最好的办法就是在真实的交易时间段，比如上午九点半到下午三点之间运行你的程序进行测试。 或者如果你有条件直接用实盘账户跑一下，效果会更接近真实情况。第三个问题，我设置了回调函数，但它好像根本不执行。 这通常是因为你的程序在订阅之后很快就结束了。订阅是一个溢步过程，你需要让程序保持运行状态才能持续接收推送。 解决方案是在订阅之后加入一个 while true time sleep 零点一这样的循环，让主县城不退出，一直等待新的数据。 另外，确保你使用的是正确的订阅接口，比如 xt subscribe whole quote。 并且回调函数的定义也是正确的。别忘了，回跳函数是系统自动调用的，你得给它机会才行。 最后一个常见问题，我用 getfultake 获取数据，但感觉总是有点延迟，拿到的不是最新的。 这其实回到了我们最初讨论的订阅机制的本质。 getfultake 是 拉取数据，它只能获取到已经推送并缓存下来的数据。如果你需要绝对实时的最新数据，或者希望在数据到达的那一刻就立即处理，那就必须使用回调函数。 回调函数是在数据真正推送过来时就被调用的，这才是获取实时性的正确途径。所以遇到数据老旧的问题，优先考虑改用回调函数模式。 理论学习完了，是时候动手练练了。这是第一个练习监控单只股票的实时行情 代码，很简单，先用 subscribe quote 订阅平安银行，然后进入一个循环，每隔一秒就用 getful tick 获取一次数据。注意，我们在循环内部也加了 time sleep e 和相应的判断，确保每次获取的数据是有效的。 在这个例子中，我们计算并打印了最新价和买卖一价之间的价差。 spread， 你 可以根据自己的需求修改这个回调函数里的逻辑，比如计算买卖盘口、深度检测特定事件等等。 第二个练习，我们用 ez xt 来批量获取多只股票的行情。这里我们用到了 ez xt 的 get order book 接口，传入一个包含多个股票代码的列表。 easyxt 会自动处理订阅和等待返回一个包含所有股票行情的 dataframe。 我 们先检查一下这个 dataframe 是 否为空，如果不为空，就打印出一个表头，然后便利 dataframe 的 每一行提取出股票代码最新价，买一价和卖一价，并打印出来。 easy xt 的 确让批量获取行情变得非常简单，一行代码搞定，返回的数据结构也非常友好，方便后续处理。 今天我们深入探讨了 xtqnt 中获取实时行情的核心机制。订阅机制，我们明确了先订阅后获取是获取完整五档数据的正确姿势，澄清了 ask price 和 bid price 是 数组需要缩影访问的概念， 并介绍了 e、 c、 x、 t 如何简化我们的开发工作。希望大家通过这次讲解，能够彻底摆脱五档数据为空的困扰，写出更高效、更可靠的行情获取代码。最后给大家一个学习路径建议， 从基础入门开始，逐步深入，到订阅机制的细节，再到交易基础和高级交易策略， 循序渐进，打好根基，才能在量化交易的道路上走得更远。今天的分享就到这里。
02:13查看AI文稿AI文稿如果你从事量化交易策略开发，或者你对量化金融感兴趣，那么接下来的几个技能或许能让你少走很多弯路。第一个技能，量化交易策略构建计。 这个技能是帮别人用大白话搭交易策略，你不用写代码说我想做均线突破，它就能生成策略，还能回测控制风险，连接实盘， 适合想做量化交易但不会编程的人。第二个技能， stock kpi 股票量化助手。这个技能是帮别人一句话，要用股票数据接口， 你说拿茅台最近一个月 k 线，他自动找到接口生成，拍上代码并运行，不用翻文档，不用手写请求， 适合搞量化分析，需要快速拿数据的开发者。第三个技能，市场脉搏 mark 的 炮。这个技能是帮别人一站式查股票和加密货币的数据，实时行情、财务指标、新闻内幕交易、 s e c。 文件全都有，省掉在多个网站来回借的麻烦， 适合做投资研究、量化策略或金融应用的人。第四个技能，新闻技能。这个技能是帮别人把新闻和价格涨跌联系起来， 他能自动监控新闻，判断哪条消息影响了哪个市场，告诉你这条新闻之后，某股票涨了百分之几。适合做事件驱动交易或市场情绪分析的人。第五个技能，价格数据交易指标计算。这个技能是帮别人从股票价格数据一键算出技术指标， 给它开盘最高最低收盘成交量， o h l c v， 就 能自动算出 r s i m a c d、 布林带等二十个常用指标。 适合做量化策略回测系统、机器学习特征工程的人，省去自己手写指标计算的麻烦。以上的技能是博主从一个网站上找的，这个网站是某些大神从 gaap 上面整理归类的。它是一个 ai， ai 的 技能库平台。 简单说，它把不同功能的 ai 技能集中在一起，让你可以发现、分享，直接使用它能帮用户做什么？ 如果你是开发者或量化研究者，可以在上面找到现成的技能，比如调用股票数据、计算技术指标、灰色交易策略、关联新闻与价格、给投资项目打分等，不用从零开始写。 如果你再用 ai 编程工具，比如 triceratops 等、 photoshop 等、 photoshop 等，这些技能可以一键安装，直接在你的工作环境里调用。
33yellow黄
12:56查看AI文稿AI文稿今天呢，我们想聊一聊如何用量化的方式来精选高股息的股票，并且通过月度的轮换来构建一个投资组合， 看看能不能够在控制风险的前提下提高收益。没错没错，这也是很多投资者关心的话题，那我们就直接开始吧。我们先来看看啊，这个高股息精选轮动策略，它的设计思路就是到底是怎么想的，为什么要这么做？这个策略其实就是用四个步骤，先筛选出一些股票作为备选， 然后每个月再按照一个步骤进行成分股的轮换，整个过程是完全量化的，而且非常简单，任何人都可以去复制，甚至他还具备改造成 e t e 的 潜力。那这个策略最近的表现怎么样啊？跟其他的主观策略，或者说跟指数比起来，到底有没有优势？这个策略从九月二十六号到现在， 他的收益是百分之十五点二，这远远超过了所有的主观策略，同时也跑赢了沪深三百和上证指数。哇，那很厉害啊，那他的这个风险调整后，收益也就是下扑比例怎么样？最大回撤又控制的怎么样？这个策略的最大回撤控制在百分之四点五二， 日平的年化下，普利率达到了三点三七七六月平的年化下，普利率也有三点七五九二，这几个数字都是明显好于同期的沪深三百和上证指数的。 ok， 我 们接下来就重点来看一下这个策略里面最核心的部分就是选股的标准和流程。 那为什么要用股息率作为核心的指标，同时又为什么要对不同行业做出区分呢？股息率确实是很多红利策略都会去看的一个指标，但是如果只看股息率的话，很容易就会踩雷。对，所以更重要的是要去关注股息的质量。 比如说像重资产强周期的行业，他的经营风险要比轻资产弱周期的行业大很多，所以他的股息率天然就要高一些， 这样才能够去补偿投资者所承担的额外风险。明白了，那这个策略具体是怎么操作来避免行业过于集中和股息率的陷阱呢？首先会从中信三十一个一级行业里面挑选出每个行业股息率排名前百分之二十的公司，这样就可以保证每一个行业都有机会进入股票池， 同时也不会出现某个行业过重的情况。原来是这样，那在保证股息的稳定性上面又做了哪些具体的事情呢？是这样的，我们只选过去三年平均股息率大于百分之二，而且过去三年股息率的标准差小于百分之二的公司， 这就意味着入选的公司不仅股息要达标，而且必须非常稳定，就可以比较有效的避免一些公司突然大比例分红 之后又迅速变脸的这种价值陷阱。嗯，那公司的质量和业绩增长这方面怎么去量化？怎么去保证选出来的公司是优质的呢？我们用的是季度的 roe 的 增长作为衡量公司质量的标准， 只有当季度的 roe 不 低于去年同期的才会被选进来，这样就可以剔除那些靠牺牲 roe 来扩张业绩的公司， 从而保证公司分红的能力是比较稳定的啊，那就是说这个业绩增长也是看未来的预期，对不对？没错没错，我们用的是行业分析师对于公司未来两年的盈利预测的一致预期，只有那些被分析师预测未来两年净利润是持续增长的公司才会被选进来， 这样就可以让股票池里面的公司更具备业绩持续增长的潜力。最后，这个股票池选出来之后，还要不要做一些处理？最后选出来的股票会按照股息率再进行排序，然后挑出前三十名，每只股票都可以相同的权重，这样就组成了我们这个策略的成分股。 选三十只股票是因为这样的数量更接近市场上的 e t f 的 标准，方便以后可能会做成一个指数产品。 那如果是个人投资者的话，也可以根据自己的情况去调整这个持股的数量。好的，下面我们来看一下这个高股息精选轮动策略的成分股轮换机制到底是怎么设计的？为什么要每个月都调仓一次？这个策略它是一个月度的再平衡， 就是每个月都会把所有的成分股的权重再平均分配一次。同时呢，会在每个月末的时候，重新按照之前的筛选流程再选一遍，然后把新的前三十只股票选进来，把老的替换掉。这么说每个月都会有很多股票进进出出吗？其实并不会，每次大概只会换四到五只股票， 这样的话既可以及时的把那些股息率没有吸引力的公司剔除掉，同时又不会让交易太频繁。对，控制了手续费，也让组合一直保持比较高的性价比。哎，你这么说我有个问题，就是这个策略里面的量化跟现在市面上大家经常听到的那种量化 到底有什么不一样？市面上大部分的量化都是在量价数据上面做文章，就是通过捕捉一些短期的价格波动或者趋势来做非常频繁的交易。 但我们这个策略虽然叫量化高股息，其实他核心还是在自动化的去筛选和交易那些高股息的股票，对我们几乎不做短线的博弈，所以交易频率和换手率都是非常低的， 这样的话就可以避免被那些高频的量化资金所影响。好的，那我们就进入到今天的实操环节啊，就是手把手教大家怎么去执行这个策略。那首先要确定的就是这个股票轮换日和股票池筛选日到底怎么定？一般是把每个月的周五设为股票轮换日， 然后前一天作为股票池的筛选日。比如说我们要在二零二六年的二月二十七号进行轮换，那就在二月二十六号的时候，按照我们的标准去把成分股选出来。明白了，那这个筛选的过程当中会用到哪些数据，哪些步骤？第一步是先把市场上的股票按照我们的规则出筛一遍， 比如说二零二六年二月二十七号内天就筛出来了一千一百只股票作为基础股票，然后再经过第二轮和第三轮的筛选之后，就会留下五十只股票 作为第二天正式交易的备选股票池。哎，为什么要提前一天把这个股票池定好，而且还要定五十只这么多？这样做其实是为了方便操作，就是你把股票池提前定好之后，到了真正换仓的那一天就会很从容。对，尤其是如果你的资金量比较大的话， 你不可能在当天临时去决定说我要买卖那些股票，那样的话时间根本就不够用。原来是这样啊，那这五十只股票选出来之后，具体又是怎么去进行交易？怎么去确定买卖的价格呢？这五十只股票选出来之后， 我们会在轮换日当天按照股息率再进行一次排序，然后挑出排名最靠前的三十只股票进行交易。那交易价格呢？我们一般是用收盘价， 但其实用当天收盘前三十分钟的均价来交易更好，因为这样可以让你的成交价更平滑，对，也更接近机构的实际操作， 而且最终的收益跟用收盘价算几乎没什么差别。好，那最近一次调仓都有哪些股票被换进来，哪些被换出去了？最新的这次调整呢？剔除了长江传媒、思维裂控、有发集团、江苏国泰，还有重庆啤酒， 然后新进来的是水星家纺、万和电器、上风水泥、三维化学和中国电信。这些股票被剔除或者被选入背后的原因都是什么？长江传媒、四维裂控、友发集团，他们被剔除是因为连续一百八十天没有分析师覆盖了， 我们的策略里面，只要是没有分析师跟踪的，就直接出局。然后江苏国泰和重庆啤酒是因为他们的排名掉到了三十名开外。我还想问一下，这个上风水泥怎么刚被调出没多久，又重新回到成本股里面了？上风水泥其实是因为之前跌出了我们的股票池，然后最近又因为价格跌下来了， 所以他的股息率又重新满足了我们的入选标准。对，所以就又被选进来了，相当于我们就无意中做了一个小差价。行，下面我们来做一个历史的回顾啊，就是从这个策略开始运行到现在，每次调仓都有哪些变动？ 其实我们这个策略是从二零二五年九月底开始的，当时的成分股有新媒股份、中原传媒、长江传媒、凤凰传媒，还有军信股份等等，一共三十只股票，每只股票都是百分之三点三三的权重。那到了二零二五年十月份第一次调仓的时候，有哪些新面孔？十月份调出了银都股份、 中创物流、粤高速 a、 山东高速、核心包装和西部矿业，然后新进来的是三七、沪渝、嘉华能源、鄂尔多斯、 中创智领、三维化学和行动教育了解了。那二零二五年十一月份的挑仓呢？又有什么不一样？十一月份的时候剔除了兔宝宝和莱百股份，然后把中南传媒和顺丰控股加进来了。哎，那十二月份的是不是变动更大了？十二月份的调整是把三七、沪渝百龙、东方、中创智领和宝丰能源换出去了， 换进来了时代出版、分众传媒、思维裂控和中国移动。那到了二零二六年一月份这一次呢？又有哪些公司被替换了？一月份调除了加化能源、鄂尔多斯、上风水泥和三维化学， 然后新加入的是联媒控股、中创智领、江苏国泰和重庆啤酒。哦，最近一次，也就是二零二六年二月份的调整又有哪些变化？二月份剔除了长江传媒、思维裂控、有发集团、江苏国泰和重庆啤酒， 然后换进来了水星家纺、万和电气、上风水泥、三维化学和中国电信。这几次调仓换股当中，每次调整的成分股数量多吗？其实每次调仓换股也就是换两到六只股票，嗯，幅度非常的小，完全在我们的预期范围之内。好的， 我们下面要聊的就是这个策略的业绩归因了，也就是为什么这个量化高股息策略能够大幅的跑赢指数，它背后的逻辑到底是什么？这个策略之所以能够有这么好的表现，最关键的一点就是我们没有引入任何未来的数据， 所有的信号和数据都是在实际发生之后才使用的。而且整个策略的流程都是公开透明的，我们是用历史数据在驱动每一步决策， 所以实盘的结果和我们公布的结果是几乎一致的，不存在任何的猫腻。原来是这样啊，那具体在行业配置和个股选择上是怎么做到的呢？首先我们的行业分布是非常分散的，所以不管是哪个行业突然启动，我们都不会错过。嗯，比如说像建材和有色这一波大行情我们都抓住了， 像上风水泥、鄂尔多斯、保丰能源这种大牛股，其实他们都很少会出现在传统的红利策略里面的。你这么说我就明白了。那这个策略是怎么做到及时止盈，并且有效地避开那些价值陷阱呢？我们会主动地去止盈，比如说今年一二月份，我们就把涨得很高的资源股分批卖了，把收益落袋为安。 然后我们的选股规则里面是明确的把那些股息率没有吸引力的银行股排除在外的，所以也避开了去年十月份以来银行股持续下跌的一个价值陷阱。明白了 那这个等权的编制方法，在不同的市场环境下会有什么样的优势，或者说面临什么样的挑战？因为我们这个策略是等权配置的，所以在过去这五个月各股普涨的环境下，就很容易抓住那些牛股，然后这些牛股对组合的贡献也会特别明显。 但如果说以后市场转向了大部分个股都下跌，只有少数权重股在撑着指数，那我们这个策略可能就会面临比较大的回撤压力。如果真的遇到这种极端的行情，这个策略里面有哪些设计是可以帮我们抵御风险的？首先我们是行业和个股都非常的分散， 然后又避开了那些很容易陷入价值陷阱的股票，同时我们还会定期的去低买高卖做轮动， 再加上我们有股息的安全垫，所以我们觉得即使市场出现了普跌，我们这个组合也应该会比大多数个股扛跌。对了，我们从这个策略的实际经验当中，学到了哪些可以提升自己投资效果的方法？首先第一点就是要尽可能的去扩大自己的股票池， 你覆盖的行业和公司越多，就越有可能捕捉到那些被市场忽视的机会。就像我们去年十月之后抓住了化工有色建材的这一波行情，其实就是因为我们的股票池比较广。是的是的，那第二点是什么呢？ 第二点是要严格的进行分散和行业平衡，千万不能太主观的去压住某一个赛道，不然的话就很容易错过其他方向的大行情。 对，坚持策略的核心因子，像我们这个高股息策略就是始终围绕着股息率来做轮动，就不会被市场的波动给带偏。这么说的话，量化的规则在投资里面是不是特别重要？确实是这样的，量化的规则可以帮我们把投资逻辑和交易信号都定下来， 就不会说风格飘来飘去，也方便我们去分析策略到底是哪里赚了钱，哪里亏了钱。那现在量化越来越普及了，大家一定要去找到自己可以持续赚钱的方法，不然的话是很难在这个市场上生存下去的。说的很对啊， 我们今天从策略的理念到具体的选股，再到实际的调仓，把这个量化高股系策略拆解的非常细，也看到了它是如何在风险和收益当中去做平衡的。好了，那么今天的节目咱们就到这里了，感谢大家的收听，咱们下期再见，拜拜。拜拜。
4999
01:15查看AI文稿AI文稿不懂 python， 不 写代码，能不能做量化交易？现在真可以直接用 deep seek 就 够了。我以前也觉得量化这东西门槛特别高，但后来发现，用北大这本 ai 量化之道，普通人也能自己把一套量化程序搭起来。 这本书最厉害的地方不是讲多高深，而是把量化这件事讲简单了，再加上 deep seek 辅助，原本很复杂的流程被压缩成接近复制粘贴的操作。以前最劝退人的两件事，环境配置和写代码，它都帮你绕过去了， 连 ai 提示词都给你准备好了，你只要照着用，把提示词丢给 deepseek， 等几分钟，一套完整的策略代码就能跑出来。而且里面的内容不是东拼西凑，都是实战经验拆出来的案例，小白跟着一步步做，真的能上手。 说白了，这一本书比你去报那些几千块的课更直接更落地。很多人把量化讲得很玄，其实核心就那几步，数据处理，策略搭建，回测验证。 这本书是把这一整套流程完整走了一遍，从最基础的 python 到后面的策略和回测，你能清清楚楚看到一个量化系统是怎么跑起来的，而且是能真正用起来的那种。 所以现在在看，其实普通人做量化早就不拼谁更会写代码了，而是看你会不会用工具，有没有一套正确的方法。如果你也想试试量化交易，这本 ai 量化之道就是一个很好的入门起点，零基础也能慢慢跑通。
2土匪财经
00:55查看AI文稿AI文稿首先登录 qmt， 那 么在这里呢我们就会看到很多很多已经写好的策略，我们首先呢要补充一下数据， 我们把沪深两市的都选上，然后呢进行补充，等待一段时间之后呢，我们的数据就下载到本地了，下载到本地之后，我们就开始对我们的策略进行测试，比如我们选择一个它已经写好的策略，就可以进行一个回测了。 那么这里呢就是我们常见的 python 代码，如果你熟悉 python 的 话呢，你就可以用 python 来这里写代码了。右边呢就是我们测试的一些设置，比如开始日期，结束日期，包括你的出使金额等等，有了这些之后，你就开始对你的策略进行优化， 并且进行摸底盘，甚至可以实盘，当然你如果想进行实盘交易的话呢，你需要找相应的券商进行开户。
881东哥编程
01:19查看AI文稿AI文稿一个人啊，真能把量化交易做起来吗？当然可以啊，用 deepsea 和 python 就 能把整套方法走通。以前啊，我为什么死活不建议普通人碰量化呢？因为啊，门槛太高，不懂 python， 不 懂建模，咱根本没办法跟机构玩。 现在啊，这堵墙呢，被 ai 给推倒了。以前你要苦哈哈，写代码写策略啊。现在啊，你只要把思路理清楚，像 deepsea 这类 ai 工具啊，直接呢就能帮你呢把策略跑出来。但这个并不代表有工具就能躺赢，你缺的呢，是一套啊，把数据策略、 ai 串起来的方法论。 所以啊，我强烈推荐啊，这本呢，是北大出版社的 ai 量化之道，他不是那种堆车概念的死板教材，而是一张呢，从小白到实战的完整 ai 量化入门地图全书啊，从零开始啊，手把手的带你 搞定，像数据处理啊，策略搭建啊，回测验证啊和风控。那最狠的地方在于啊，教你呢，用 ai 去偷懒，讲趋势、动量、套利这些经典策略啊，以前啊，是需要你熬夜写代码，现在书里面呢，就一步一步教你如何指挥 ai 去完成了。 你学的不再是那种枯燥的语法，而是呢，如何用 ai 去验证你的交易逻辑，哪怕你没有任何编程基础，也能配出一套完整能跑通的量化系统。这是普通人最接近和机构站在同一起跑线的机会啊。 所以，别再把 ai 当聊天工具啊，这一本书呢，教你啊，把它变成了真材实料的分析工具。想抓住这部 ai 金融红利的，点击下面啊，让自己呢少走弯路！
8土匪财经
01:02查看AI文稿AI文稿一个人真能把量化交易做起来吗？当然可以，用 deep seek 就 能把整套方法走通。我以前也踩过大坑，死磕 python， 听了一堆策略课，到头来还是搭不出能真正运行的交易系统，时间精力全白费。 直到我看到这本北大出版的 ai 量化之道，跟着学完才发现量化交易并没有那么难，普通人完全可以上手。这本书实用的地方就 是把从零基础到实战的完整路径梳理得清清楚楚，一步到位。他先帮你打好工具基础，再一步步带你搭建策略做回测。管理风险不是零散技巧，而是一整套能落地的量化交易系统。我自己跟着实操过一遍，从数据处理、策略搭建到回测验证，整套流程都能顺利跑通。而且他把 deepsafe 结合使用 很多复杂的分析优化工作，交给 ai 就 能完成，不用自己死磕算法。书里对经典策略讲解的非常细致，趋势怎么跟随、信号怎么判断、仓位怎么管理，都有现成方法和代码， 直接跟着操作就行。对比外面动辄几千块的课程，这本书性价比高，不管是刚入门的新手还是正在提升的老手，都能学到干货。建议每个想做量化交易的朋友都入手一本。
7土匪财经
