全部
策略&研究
资料
AT教学
问答
官方公告
精华
热门 时间

服务教育,孵化人才—DigQuant点宽在线金融科技量化学院正式上线

![](https://www.digquant.com.cn/uploads/images/topics/1558937653_r4FzZa.png) 今天,DigQuant点宽线上金融科技量化学院正式上线官网。这是继线上量化社区后,DigQuant点宽推出的又一个重量级的线上产品。 ![](https://www.digquant.com.cn/uploads/images/topics/1558937820_O5loUT.png) 在线下教育这块,DigQuant点宽已与国内众多高校达成合作,深耕金融科技,从量化金融着手,紧密地与高校老师及学生沟通,深度了解老师的教学痛点和学生们的需求,设计出适合他们的教学课程并配套专业的学习工具。 与传统线下教育相比,线上教育的灵活性,个性定制化,内容丰富等特点是线下不可相比的。我们在线上课程的内容会与线下的有所差异,而且考虑到金融科技是一个相对于其他学科来说门槛比较高的一类科目,我们线上的金融科技学院将有以下几个特点: **更“亲民化”的内容** 除了不断在线上填充我们现有的专业课程体系,我们还将会为广大线上用户准备最基础的金融知识课程库,以培养用户学习的兴趣为主; 专业课程体系比如量化,是结合目前量化市场的关注度去设计的,内容会覆盖整个量化的范畴,从基础到专业的课程设计,形成一个循环渐进的学习过程。 **更“亲民化”的体验** 流畅的课程体验,详细的代码注释及相关代码下载,高清的教学视频。并设有专门的用户评论区,学员可以在上面尽情交流学习心得,甚至吐槽等。 **更“亲民化”的服务** DigQuant点宽线上金融科技学院将安排专门的客服成立各学习科目官方交流群,为大家解答各种学习上遇到的问题。同时我们也会不断收集用户的课程需求,设计并上线新的系列课程。 未来,我们会精心准备一系列的课程上线金融科技学院,并会通过点宽微信公众号及时通知大家,第一系列课程"[十节课带你玩转CTA](https://courses.digquant.com.cn/ "十节课带你玩转CTA")"现已上线,点击即刻体验。 同时,欢迎大家在后台留言,与我们交流课程内容或提出改进意见。 ![](https://www.digquant.com.cn/uploads/images/topics/1558939812_BenmvQ.pn
DigQuant点宽客服 2019/09/18 00:59:43
2398 1 5
置顶 精华 官方公告

请问用AT实盘交易收费吗

如何收费的
o6me86 2019/09/16 03:30:42
1122 4 0
精华 问答

人工神经网络及它在机器学习中的应用

**作者:王圣元 | 点宽量化专栏作者** > **`未经允许,不得转载`** 斯蒂文的老板是一位高管层,他也知道现在人们都在讨论机器学习和深度学习,好像不谈这个就跟不上时代的潮流一样。有天他突然想了解神经网络,但是他不懂其细节,因此期望斯蒂文能像对小学生或者吉娃娃一样对他讲懂神经网络。 **老板:**什么是神经网络 (neural network)? **斯蒂文:**神经网络就是由神经元 (neuron) 组成的系统,而神经元如下图。 ![](https://bpstoragenormal.blob.core.chinacloudapi.cn/digquant/prod/./data/attachment/forum/201707/18/182516jq19ptgg96wvzc12.png) **老板:**你在耍我?我是说机器学习里面的神经网络,即人工神经网络 (artificial neural network, ANN )! **斯蒂文:**吉娃娃是听不懂ANN的,必须要从生物层面谈起!必须从神经元谈起。 **老板:**请继续你的表演。 **斯蒂文:**我不是生物专家,我就只把神经元里和ANN最相关的功能告诉你。如下图蓝框部分,神经元有许多`树突` (dendrite) 用于`输入` (input),有一个`轴突` (axon) 用于`输出` (output)。 ![](https://bpstoragenormal.blob.core.chinacloudapi.cn/digquant/prod/./data/attachment/forum/201707/18/182718idddcd7w6d2od2c6.png) **老板:**这只是一个神经细胞,它们怎么形成一个网络呢? **斯蒂文:**神经元具有两个最主要的特性:**兴奋性**和**传导性**。**兴奋性**是指当刺激强度未达到某一阈限值时,`神经冲动`不会发生;而当刺激强度达到该值时,`神经冲动`发生并能瞬时达到最大强度。**传导性**是指相邻神经元靠其间一小空隙进行传导。这一小空隙,叫做突触 (synapse),其作用在于传递不同神经元之间的`神经冲动`。如下图突触将神经元A和B连在一起,试想很多突触连接很多神经元,不就形成了一个神经网络了吗? ![](https://bpstora
王的机器 2019/09/16 03:29:55
3177 6 1
精华 策略&研究

点宽客的成长日记【Day 4 演练一下吧 - 先试试数据的操作】

前面两天我们已经学习了MATLAB的基本语法了,也基本了解了**AT**的运行环境,但是**学海无涯,实操见真**,今天我们就来实际操练一下,先从数据开始吧! AT内置全套的基于股票、期货等的数据操作,策略运行的函数,其特点是均以`trader`开头。下面我们分类来讲解,并尝试运用这些函数。 ###一、数据获取函数 AT内置常用的有12个数据获取的函数,具体如下 - 常规类(可直接调取数据,无需回测) `traderGetCodeList`:获得指数、行业板块、地域板块、期权板块的包括成分股及权重等信息 `traderGetKData`:根据起止时间点提取K线数据;可通过此函数获取该时段内重要的价量数据 `traderGetRtDataMulti`:获取多组股票或期货实时报价,品种类型需保持一致,全为股票或全为期货 `traderGetTradingTime`:获取某个标的的交易时间(分钟、秒为单位) - 回测类(Only support in BackTest, RealTrade and Replay) `traderGetCurrentBarV2`:获得当前bar的信息 `traderGetCurrentTick `:获取当前的tick的所有信息 `traderGetTickDataV2`:提取某一时间段的Tick数据 `traderGetFutureInfoV2`:获取期货信息 - 策略内函数(含`Reg`,需先注册数据) `traderGetRegKData`:根据已注册的数据序列获取K线数据;可通过此函数获取该时段内重要的价量数据 `traderGetRegTimeLine`:获取注册数据的时间序列 `traderGetRegUserData`:根据已注册的用户自行导入的外部数据获取K线数据;可通过此函数获取该时段内重要的价量数据 `traderGetRegUserIndi`:根据已注册的用户自建因子序列获取数据索引序列 通常,只有**常规类**可以直接调用,无需回测即可对数据操作。下面我们分别对这四个函数进行实践操作。 #####1. traderGetCodeList - 函数说明: 获得指数(包含权重和成分股)、行业板块(没有权重,只有成分股)、地域板块(没有权重,只有成分股)、期权板块的信息(包含成分股及权重) - 语法格式:`
小虫宽宽 2019/09/16 03:29:43
1236 0 0
精华 AT教学

CTA从入门到精通——点宽上线CTA量化投资专题视频课程

![](https://bpstoragenormal.blob.core.chinacloudapi.cn/digquant/prod/uploads/images/topics/1559031427_TAtrGZ.png) 上周五DigQuant点宽线上金融科技量化学院正式启动运营,基于Matlab的CTA专题系列课程作为第一批上线在线学院的课程。 **这套点宽老师们为大家精心准备的专题课程,从CTA最基础的概念出发,循序渐进刨析每个想关联的知识点,用短短十节课的时间,汇聚CTA内容精华,带你从入门到精通CTA。** ![](https://bpstoragenormal.blob.core.chinacloudapi.cn/digquant/prod/uploads/images/topics/1559031641_lNH9Zd.png) 下面请大家给小编一首歌的时间,带大家回顾下这十节课的主要内容。 **1. CTA基本策略** 第一课时基本上以理论知识为主,从介绍CTA及其国内外现状开始,到CTA策略的分类和编写策略时需要注意的要点。课程中顺带让大家了解下目前可供交流的期货品种。 ![](https://bpstoragenormal.blob.core.chinacloudapi.cn/digquant/prod/uploads/images/topics/1559032835_spQGz6.jpeg) **2. CTA策略原理和平台介绍** 运用Auto-Trader(AT)量化平台,介绍策略编写实现的基本框架,以及框架中各模块的功能和实现方法。同时在编写策略基础结构时注意策略逻辑是否正确,确定策略风格并选择风险因子。 ![](https://bpstoragenormal.blob.core.chinacloudapi.cn/digquant/prod/uploads/images/topics/1559032863_vij2nH.jpeg) **3. CTA策略常规信号构建** 常用的技术指标及各种形态的介绍,以及实现各技术指标和形态的量化程序编写。策略的量化实现与优化,并介绍多策略和风险敞口组合。 **4. CTA策略的构建** CTA策略从提取数据,到确定策略逻辑,再到实现整个策略的具体构建策略的过程,以及运用实际的案例策略分析
DigQuant点宽客服 2019/09/16 03:29:29
2051 0 0
精华 资料

【干货帖汇总】社区内容索引(更新至最新······)

**小编为大家带来了社区帖子的分类整理,希望大家更加清晰的找到自己想看的内容** **同时参加此次`横琴杯`大赛的同学也可以借鉴一些思路去完成自己作品。祝大家取得一个好的成绩!** ![](https://bpstoragenormal.blob.core.chinacloudapi.cn/digquant/prod/./data/attachment/forum/201709/22/144831f2lrmjmidlmlj1jl.png) ##Auto-Trader 相关 [Auto-Trader -V2 全新回测结构介绍教学](https://www.digquant.com.cn/research/community/270) [AT 平台策略编写示例--双均线策略](https://www.digquant.com.cn/research/community/253) ##Matlab学习相关 [【Matlab量化策略基础】——常用日期函数介绍及使用方法](https://www.digquant.com.cn/research/community/298) [让你的MATLAB运行效率更快一些吧!](https://www.digquant.com.cn/research/community/258) [提高MATLAB编程能力的一些方法](https://www.digquant.com.cn/research/community/255) [Matlab官方学习手册(入门用,简单易学)](httphttps://www.digquant.com.cn/research/community/118) [Matlab神经网络工具箱](https://www.digquant.com.cn/research/community/76) [Matlab数据分析,数据挖掘](https://www.digquant.com.cn/research/community/79) [Matlab深度神经网络工具包](https://www.digquant.com.cn/research/community/84) [Matlab金融工具箱手册](https://www.digquant.com.cn/resea
admin 2019/05/27 02:22:16
9057 0 2
置顶 资料

【量化投资】Fama-French三因子模型

<body contenteditable="true" spellcheck="false" style="height: 400px;"><font color="#333333"><font style="font-size: 15px"><font face="微软雅黑"><font size="3">Fama和French 1992年对美国股票市场决定不同股票回报率差异的因素的研究发现,股票的市场的beta值不能解释不同股票回报率的差异,而上市公司的市值、账面市值比、市盈率可以解释股票回报率的差异。Fama and French 认为,上述超额收益是对CAPM 中β未能反映的风险因素的补偿。”</font></font></font></font><font face="微软雅黑"><font color="#333333"><font style="font-size: 15px"><font size="3"> </font></font></font></font> <font face="微软雅黑"><font color="#333333"><font style="font-size: 15px"><font size="3">Fama和French发现股票市值和账面市值比两个因素就可以解释绝大部分股票价格的变动,并且这两个因子可以替代其他一些风险因子的作用(例如E/P等),他们在1993年的论文通过模拟市场风险、市值风险和账面市值比风险构造了三因子,用来解释股票收益的变化。</font></font></font></font> <font face="微软雅黑"><font size="3"><font color="#333333"> </font></font><font color="#333333"><font style="font-size: 15px"><font size="3">Fama和French 1993年指出可以建立一个三因子模型来解释股票回报率。模型认为,一个投资组合(包括单个股票)的超额回报率可由它对三个因子的暴露来解释,这三个因子是:市场资产组合(Rm− Rf)、市值因子(SMB)、账面市值比因子(HML)。这个多因子均衡定价模型可以表示为:</font></font></font></font>
go759f 2019/09/17 03:00:09
2563 2 0
策略&研究

【研报复现】广发证券——关于日内趋势交易策略的探讨基于EMD算法

## 前言 本文主要基于广发证券研报《经验模态分解下的日内趋势交易策略》(2014-3-31)(研报在评论一的附件中给出)的思路进行实证研究,本文的主要内容包括: 1)EMD算法及数值实验。 2)EMDT策略及参数确定。 3)策略回测及评价。 ____ ## 一、EMD算法及数值实验 经验模态分解(Empirical Mode Decomposition,EMD)方法是由美国航空航天局(NASA)的黄锷院士提出的一种处理非平稳和非线性信号的分析方法。与一般的信号处理方法不同,EMD是一种自适应的分析方法,即依据数据自身的时间尺度特征来进行信号分解。简单地说,EMD是一种去除噪声和短期波动的算法,具有算法简单、延迟性低等特点。 #### 1.1 EMD算法简介 经验模态分解假设任何复杂的信号都是由一些不同的“波动项”和一个“趋势项”组成。这些波动项被称为本征模态函数(IMF),即复杂信号 ```math s\left ( t \right )=\sum IMF_{i}\left ( t \right )+r\left ( t \right ) ``` 其中IMF需满足以下两个条件: - 函数的局部极大值和局部极小值的数目之和与零点的数目相等或者只能差1,即一个极值之后必需马上接一个零点。 - 在任何时间点,局部最大值所定义的上包络线与局部极小值所定义的下包络线,取平均要接近于零。 算法步骤: 输入:原始信号s。 输出:本征模态函数IMF1,IMF2,…,IMFn和趋势项r。 step1:找出s中的所有局部极大值和局部极小值。 step2:利用三次样条插值函数,分别将局部极大值串联成信号的上包络线,局部极小值串联成下包络线。 step3:求出上下包络线的平均值m1,。 step4:令h1=s-m1,检查h1是否满足IMF条件,如未满足则用h1替代原始信号s,回到step1,直到hk满足IMF条件。 step5:将hk作为IMF1,令r1=s-IMF1,判断r是否单调,如不单调则以r1作为原始信号回到step1,直到rn单调为止,从而获得趋势项。 #### 1.2 关于EMD算法的数值实验 本部分关于EMD算法效果的实验分为单IMF信号、多IMF信号和带噪多IMF信号三
Sanzy 2019/09/16 13:27:20
3129 2 2
策略&研究

期货多因子(二)——各因子描述

# 期货多因子(二)——各因子描述 ## 一、报告简介 上期我们对于期货多因子的逻辑和用途进行了小结,我们构建期货多因子是为了刻画期货的特征,从而用于机器学习。上期我们探究了动量因子,本篇报告将把更多的因子特征呈现出来。 ## 二、因子研究方法 上期我们对于因子溢价构建方法进行了简介,本文采用同样方法,每天换仓,构建因子多空组合。对于多空组合收益率,我们采用总收益、年化收益、年化波动、夏普比率、最大回撤、收益回撤比、Hurst指数、5,10,20,60,120日方差比率检验来衡量。 其中,Hurst指数(见中信建投Hurst报告)以及方差比率检验(Lo, MacKinley(1988)文章)是用于刻画因子是否具有趋势性。如果因子不是随机游走,具备短期趋势,那么我们可以根据这些特征来预测未来商品指数强弱,择时构建溢价。 >因子溢价构建 function [p1,p2] = factorPremium(factorMat,retMat,order) %% 参数说明 % factorMat:因子矩阵 % retMat:收益率矩阵 % order:true/false,正序或反序 % 返还30%多空和50%多空 %% [tradeDate,~] = size(retMat); p1 = nan(tradeDate,1); p2 = nan(tradeDate,1); for i=1:tradeDate factor = factorMat(i,:); ret = retMat(i,:); d = quantile(factor,0.3); u = quantile(factor,0.7); short = mean(ret((factor<=d)&(~isnan(factor)))); long = mean(ret((factor>=u)&(~isnan(factor)))); if order p1(i,1) = long-short; else
UIBEBruceZhang 2019/09/16 13:24:16
3500 1 0
策略&研究

神经网络工具箱

比matlab自带的神经网络功能更强大,仅供学习交流。
coolflying 2019/09/16 08:24:08
1623 3 0
资料
contact@digquant.com.cn

联系

邮箱

0755-8695-2080

联系

电话

关注

微信

关注

QQ

回到

顶部