Die Ressourcen sind geladen. Beförderung...

Erweitertes Analyse-Tool basierend auf der Alpha101-Grammatikentwicklung

Schriftsteller:Gutes, Erstellt: 2020-06-09 09:34:58, Aktualisiert: 2023-11-01 20:27:17

img

Zusammenfassung

Die FMZ-Plattform hat ein Trading-Faktor-Analyse-Tool auf Basis von WorldQuant Alpha101 eingeführt, das Entwicklern quantitativer Handelsstrategien eine neue Waffe bietet.

Was ist Alpha101?

img

Bevor wir Alpha101 vorstellen, verstehen wir zunächst, was Alpha ist? Alpha bezieht sich auf überschüssige Renditen. Zum Beispiel: Kaufen Sie 1 Million Indexfonds und behalten Sie es die ganze Zeit. Dies ist eine Beta-Strategie, um passive Renditen auf dem Markt zu erzielen. Aber wenn Sie 10 Millionen verwenden, um 10 Aktien zu kaufen, und 10% mehr verdienen, indem Sie einen Indexfonds kaufen, dann sind diese 10% Alpha-Überzins. Unterschätzen Sie diese Alpha-Überzinsung nicht. Tatsächlich können die meisten Händler auf dem Markt, einschließlich Fondsmanager, den Index nicht schlagen, so dass viele Leute ihr Gehirn aufbrechen, um die Rendite von Alpha zu verbessern. Natürlich gibt es einige ausgezeichnete Händler und Fondsunternehmen.

  • Handelsstrategie übermäßige Rendite = passive (Beta) Rendite + Handelsrendite (Alpha)

Im Jahr 2015 veröffentlichte der WorldQuant LLC quantitative Handels-Hedgefonds, der gut im Data-Mining ist, den WorldQuant Formulaic 101 Alphas Forschungsbericht, der die 101 Alpha-Ausdrücke veröffentlichte, die sie verwenden oder verwendet haben, deren Zweck es ist, Handelsstrategieentwicklern mehr Inspiration und Ideen zu geben. Viele Menschen stellten die Faktoren, die von WorldQuant veröffentlicht wurden, in Frage, weil sich der chinesische Aktienmarkt schließlich von ausländischen Aktienmärkten unterscheidet. Aber es stellt sich heraus, dass die meisten dieser Faktoren immer noch auf dem chinesischen Markt wirksam sind. FMZ-Plattform reduplizierte und korrigierte diese Faktorformeln und zeigte es allen Händlern.

Was sind die Faktoren in Alpha101

Im Forschungsbericht wird Alpha in drei Kategorien unterteilt: Preisfaktor, Volumenfaktor und Dichotomiefaktor.

  • Preisfaktor: Die Berechnungsformel verwendet nur den Preis, einschließlich: Eröffnungspreis, höchster Preis, niedrigster Preis, Schlusspreis usw. Der Ausgang ist ein spezifischer Wert.

  • Volumen und Preisfaktor: Die Berechnungsformel verwendet Volumen und Preis. Die Konstruktionsidee besteht darin, den Zusammenhang zwischen Preisänderungen und Handelsvolumenänderungen zu bestimmen, und der Ausgang ist ein spezifischer Wert.

  • Dichotomiefaktor: Die Berechnungsformel verwendet Handelsvolumen und -preis. Es ist das gleiche wie der Volumen- und Preisfaktor, außer dass die Ausgabe 0 oder 1 ist.

Preisfaktor

Name des Faktors Faktorformel Anmerkungen zu FMZ
Alpha Nummer eins (Rank ((ts*argmax ((signedpower)) (((Rückkehr < 0)? stddev ((Rückkehr, 20)): schließen), 2.), 5)) - 0,5) Entwicklung
Alpha # 4 (-1 * ts_rank (niedrig), 9)) Rückwärts
Alpha # 5 (Rang)) (Offener - (Summe)) (Ausgabe, 10) / 10))) * (-1 _ Abs)) (Rang)) (Schließender - Ausgabe))))) Rückwärts
Alpha # 8 (-1 _ rank ((((sum ((open, 5) _ sum ((returns, 5)) - Verzögerung (((sum ((open, 5) * sum ((returns, 5)), 10)))))) Rückwärts
Alpha #9 ((0 < ts*min(delta(close, 1), 5))? delta(close, 1) : ((ts_max(delta(close, 1), 5) < 0)? delta(close, 1) : (-1 * delta(close, 1)))) Umkehr oder Trend
Alpha # 18 (-1 * Rang (((((stddev(abs(((nahe - offen))), 5) + (nahe - offen)) + Korrelation ((nahe, offen, 10)))))) Rückwärts
Alpha # 19 ((-1 * Zeichen(((nahe - Verzögerung ((nahe, 7)) + Delta ((nahe, 7)))))) _ (1 + Rang((1 + Summe ((zurückkehrt, 250))))))) Trenddivergenz
Alpha # 20 (((-1 * Rang (((offen - Verzögerung ((hoch, 1)))) _ Rang (((offen - Verzögerung ((nahe, 1)))) * Rang (((offen - Verzögerung ((niedrig, 1)))) Rückwärts
Alpha # 23 (Summe hoch, 20 / 20)? (-1 * Delta hoch, 2): 0) Kurzfristige Regression auf den gleitenden 20-Perioden-Durchschnitt
Alpha # 24 ((((delta((sum(close, 100) /100), 100) / delay ((close, 100)) < 0.05) oder ((delta((sum(close, 100) /100), 100) / delay ((close, 100)) == 0.05))? (-1 _ (close - ts_min(close, 100))) : (-1 _ delta ((close, 3))) Rückwärts
Alpha # 29 (min(Produkt(Rang(Rang(Skala(Log ((Summe))Min(Rang(Rang((-1 * Rang(Delta((nahe - 1), 5))))), 2), 1))))), 1), 5) + tsRank (Verzögerung) (Rückgabe 1 *) Rückwärts
Alpha # 32 (Skala(((Summe(nahe, 7) / 7) - nahe)) + (20 * Skala(Korrelation(vwap, Verzögerung ((nahe, 5), 230)))) Rückwärts
Alpha #33 Rank ((((-1 * ((1 - (öffnen / schließen)) ^ 1))) Rückwärts
Alpha # 34 Rank (((((1 - Rank (((stddev ((zurückkehrt, 2) / stddev ((zurückkehrt, 5)))))) + (1 - Rank ((delta ((nahe, 1))))))) Rückwärts
Alpha # 37 (Rank ((Korrelation)) ((Verzögerung)) ((Öffnen - Schließen), 1), Schließen, 200)) + Rank (((Öffnen - Schließen)) Statistiken
Alpha # 38 ((-1 _ rank(ts_rank(nahe, 10))) _ rank((nahe / offen))) Rückwärts
Alpha #41 (((hohe * niedrige) ^ 0,5) - vwap) Rückwärts
Alpha # 42 (Rang) / (Rang) / (Rang) + (Rang) Rückwärts
Alpha #46 ((0.25 < (((verzögerung(nahe, 20) - Verzögerung ((nahe, 10)) / 10) - ((verzögerung ((nahe, 10) - nahe) / 10)))? (-1 _ 1) : ((((verzögerung ((nahe, 20) - Verzögerung ((nahe, 10)) / 10) - ((verzögerung ((nahe, 10) - nahe) / 10)) < 0)? 1 : ((-1 _ 1) * (nahe - Verzögerung ((nahe, 1))))))) Rückwärts
Alpha # 48 Aufgelöst Aufgelöst
Alpha # 49 (((((Verzögerung ((Schließen, 20) - Verzögerung ((Schließen, 10)) / 10) - ((Verzögerung ((Schließen, 10) - Schließen) / 10)) < (-1 _ 0.1))? 1 : ((-1 _ 1) * (Schließen - Verzögerung ((Schließen, 1)))) Rückwärts
Alpha # 51 (((((Verzögerung ((Schließen, 20) - Verzögerung ((Schließen, 10)) / 10) - ((Verzögerung ((Schließen, 10) - Schließen) / 10)) < (-1 _ 0.05))? 1 : ((-1 _ 1) * (Schließen - Verzögerung ((Schließen, 1)))) Keine
Alpha # 53 (-1 * delta((((nahe - niedrig) - (hoch - nahe)) / (nahe - niedrig)), 9)) Rückwärts
Alpha #54 (-1 _ ((niedrig - nahe) _ (offene ^ 5))) / ((niedrig - hoch) * (nahe ^ 5))) Rückwärts
Alpha #56 Aufgelöst Aufgelöst
Alpha # 57 (0 - (1 * ((close - vwap) / decay*linear(rank(ts_argmax(close, 30)), 2)))) Rückwärts
Alpha # 60 (0 - (1 * ((2 _ Skala(Rang(((((nahe - niedrig) - (hoch - nahe)) / (hoch - niedrig)) * Volumen)))))) - Skala(Rang(ts*argmax(nahe, 10)))))) Keine
Alpha # 66 (rank (decay_linear) (delta) (vwap, 3.51013), 7.23052)) + ts_rank (decay_linear) (decay_linear) (((((low * 0.96633) + (low _ (1 - 0.96633))) - vwap) / (open - ((high + low) / 2))), 11.4157), 6.72611)) * -1) Rückwärts
Alpha # 73 (max ((rank ((decay*linear ((delta ((vwap, 4.72775), 2.91864)), ts_rank ((decay_linear ((((delta ((((open * 0.147155) + (low _ (1 - 0.147155)), 2.03608) / ((open _ 0.147155) + (low _ (1 - 0.147155)))) _ -1), 3.33829), 16.7411)) _ -1) Rückwärts
Alpha # 84 Signedpower ((ts_rank (((vwap - ts_max ((vwap, 15.3217)), 20.7127), delta ((close, 4.96796)) Keine
Alpha # 101 (Schließen - Öffnen) / (Hoch - Niedrig) +.001) Rückwärts

Volumenpreisfaktor

Name des Faktors Faktorformel Anmerkungen zu FMZ
Alpha Nummer zwei (-1 * Korrelation ((Rank ((Delta ((Log ((Volumen), 2)), Rank ((((nahe - offene) / offene)), 6)) Volumen- und Preisunterschiede
Alpha Nummer drei. (-1 * Korrelation (Rang (Offenheit), Rang (Volumen), 10)) Volumen- und Preisunterschiede
Alpha #6 (-1 * Korrelation ((offene, Volumen, 10)) Volumen- und Preisunterschiede
Alpha #7 ((adv20 < Volumen)? ((-1 _ ts_rank ((abs(delta(nahe, 7)), 60)) _ sign ((delta(nahe, 7))) : (-1 * 1)) Keine
Alpha # 11 (Rank ((ts*max (((vwap - schließen), 3)) + Rank ((ts_min (((vwap - schließen), 3))) * Rank ((delta ((Volumen, 3))) Umgekehrter Schrumpf
Alpha # 12 (Zeichen (Delta) Volumen, 1)) * (-1 _ Delta) Nähe, 1))) Volumen- und Preisunterschiede
Alpha # 13 (-1 * Rang (Covarianz) (Rang (Nähe)), Rang (Volumen) 5))) Volumen- und Preisunterschiede
Alpha # 14 ((-1 _ Rank ((delta ((Rückkehr, 3))) _ Korrelation ((offene, Band, 10)) Volumen- und Preisunterschiede
Alpha # 15 (-1 * Summe (Rang)) Korrelation (Rang)) Hohe (Rang)) Volumen (Volumen)) 3) Volumen- und Preisunterschiede
Alpha # 16 (-1 * Rang ((Kovarianz)) Rang ((Hoch), Rang ((Volumen), 5))) Volumen- und Preisunterschiede
Alpha #17 ((-1 _ Rank(ts_rank(nahe, 10))) _ Rank(delta(delta(nahe, 1), 1))) * Rank(ts*rank (((Volumen / adv20), 5))) Umgekehrter Schrumpf
Alpha #22 (-1 * (Delta-Korrelation) (Hoch, Volumen, 5), 5) Volumen- und Preisunterschiede
Alpha # 25 Rank (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) Keine
Alpha #26 (-1 * ts*max ((Korrelation ((ts_rank ((Volumen, 5), ts_rank ((Hoch, 5), 5), 3)) Volumen- und Preisunterschiede
Alpha # 28 Skala ((((Korrelation ((adv20, niedrig, 5) + ((hoch + niedrig) / 2)) - nahe)) Absteigen von Rückwärts
Alpha # 30 (((1.0 - Rang (((((Zeichen (((Schließen - Verzögerung ((Schließen, 1))) + Zeichen (((Verzögerung ((Schließen, 1) - Verzögerung ((Schließen, 2)))) + Zeichen (((Verzögerung ((Schließen, 2) - Verzögerung ((Schließen, 3)))))))))) * Summe ((Volumen, 5)) / Summe ((Volumen, 20)) Rückwärts
Alpha #31 (Rank (Rank (Rank)) (Rank (Decay) linear (Rank)) (Rank (Rank)) (Rank)) (Rank (Delta)) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (R Volumen- und Preisdifferenz Umgekehrt
Alpha # 35 (s)Rang (Volumen, 32) * (1 - tsRang (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (R Keine
Alpha # 36 (((((2.21 * Rank(Korrelation((close - open), delay ((Volumen, 1), 15))) + (0.7 _ rank((open - close)))) + (0.73 _ rank(ts*rank(delay(((-1 * Returns), 6), 5)))))))) + rank (((abscorrelation(vwap, adv20, 6)))))) + (0.6 _ rank (((((sum(close, 200) / 200) - open) _ (close - open)))))) Entwicklung
Alpha #39 ((-1 _ Rank((Delta(close, 7) _ (1 - Rank(Decay*linear((Volume / adv20), 9)))))))))) * (1 + Rank(Summe(Rückkehr, 250))) Volumen- und Preisdifferenz Umgekehrt
Alpha # 40 (-1 * Rang (stddev) (hoch, 10)) _ Korrelation (hoch, Volumen, 10) Volumen- und Preisunterschiede
Alpha # 43 (s)Rang (Volumen / adv20) * tsRang (((-1 * delta ((nahe, 7)), 8)) Umgekehrte Divergenz
Alpha # 44 (-1 * Korrelation ((Hoch, Rang ((Volumen), 5)) Volumen- und Preisunterschiede
Alpha # 45 (-1 _ ((Rang(Summe(Verzögerung ((Schließen, 5), 20) / 20)) _ Korrelation ((Schließen, Volumen, 2)) * Rang(Korrelation ((Summe(Schließen, 5), Summe ((Schließen, 20), 2)))) Volumen- und Preisunterschiede
Alpha # 47 ((((Rank(((1 / Schließen)) _ Volumen) / adv20) _ ((hohe * Rank((hohe - Schließen))) / (Summe(hohe, 5) / 5))) - Rang((vwap - Verzögerung(vwap, 5)))))) Keine
Alpha # 50 (-1 * ts*max ((Rank ((Korrelation)) (Rank ((Volumen), Rank ((Value), 5)), 5)) Volumen- und Preisunterschiede
Alpha # 52 (((-1 * tsMin ((niedrig, 5)) + Verzögerung ((ts_min(niedrig, 5)) * Rang ((((sum(zurückkehrt, 240) - Sum ((zurückkehrt, 20)) / 220))) * tsRang ((Volumen, 5)) Volumen- und Preisunterschiede
Alpha # 55 (-1 * Korrelation (Rang) (Nähe) - ts_min (Niedrig, 12)) / (ts_max (Hoch, 12) - ts_min (Niedrig, 12)))), Rang (Volumen), 6)) Volumen- und Preisunterschiede
Alpha #58 Aufgelöst Aufgelöst
Alpha # 59 Aufgelöst Aufgelöst
Alpha # 63 Aufgelöst Aufgelöst
Alpha # 67 Aufgelöst Aufgelöst
Alpha # 69 Aufgelöst Aufgelöst
Alpha # 70 Aufgelöst Aufgelöst
Alpha # 71 max(ts_rank(decay_linear(Korrelation(ts_rank(nahe, 3.43976), ts_rank ((adv180, 12.0647), 18.0175), 4.20501), 15.6948), ts_rank ((decay_linear((rank(niedrig + offen) - (vwap + vwap))) ^2), 16.4662), 4.4388) Keine
Alpha # 72 (Rank ((decay_linear(Korrelation (((Hoch + Niedrig) / 2), adv40, 8.93345), 10.1519)) / Rank ((decay_linear(Korrelation ((ts_rank ((vwap, 3.72469), ts_rank ((Band, 18.5188), 6.86671), 2.95011))) Keine
Alpha # 76 Aufgelöst Aufgelöst
Alpha # 77 Min ((Rank ((Decay_linear (((((hohe + niedrige) / 2) + hohe) - (vwap + hohe)), 20.0451)), Rank ((decay_linear(Korrelation ((((hohe + niedrige) / 2), adv40, 3.1614), 5.64125))) Keine
Alpha # 78 (Rank ((Korrelation)) Summe ((Low * 0,352233)), 19,7428), Summe ((Adv40, 19,7428), 6,83313)) Keine
Alpha # 80 Aufgelöst Aufgelöst
Alpha # 82 Aufgelöst Aufgelöst
Alpha # 83 (Rank (Verzögerung) / (Summe (Schließung 5) / 5)), 2)) * Rank (Rank (Volumen)) / (Hoch) / (Schließung 5) / 5)) Keine
Alpha # 85 (Rank ((Korrelation)) (Hoch _ 0,876703) + (nahe _ (1 - 0,876703)), adv30, 9.61331)) ^Rank ((Rank ((T_Rank)) (Hoch + Niedrig) / 2), 3.70596), ts_Rank ((Band, 10.1595), 7.11408))) Keine
Alpha # 87 Aufgelöst Aufgelöst
Alpha # 88 Min (Rank (Decay) linear (Rank (Open) + Rank (Low)) - (Rank (High) + Rank (Close))), 8.06882)), ts_rank (Decay) linear (Correlation (Tts_rank (Close), 8.44728), ts_rank (Adv60, 20.6966), 8.01266), 6.65053), 2.61957) Keine
Alpha # 89 Aufgelöst Aufgelöst
Alpha # 90 Aufgelöst Aufgelöst
Alpha # 91 Aufgelöst Aufgelöst
Alpha # 92 Min ((ts_rank(decay_linear(((((high + low) / 2) + close) < (low + open)), 14.7221), 18.8683), ts_rank(decay_linear(correlation(rank(low), rank ((adv30), 7.58555), 6.94024), 6.80584)) Keine
Alpha #93 Aufgelöst Aufgelöst
Alpha # 94 (Rank (Rank) - ts_min (Rank, 11.5783)) ^ts_rank (Correlation (Rank, 19.6462), ts_rank (Adv60, 4.02992), 18.0926), 2.70756)) * -1) Keine
Alpha # 96 (max(ts_rank(decay_linear(correlation(rank(vwap), rank ((volume), 3.83878), 4.16783), 8.38151), ts_rank ((decay_linear(ts_argmax(correlation(ts_rank(close, 7.45404), ts_rank ((adv60, 4.13242), 3.65459), 12.6556), 14.0365), 13.4143)) * -1) Keine
Alpha # 97 Aufgelöst Aufgelöst
Alpha # 98 (Rang ((decay_linear(Korrelation ((vwap, Sum ((adv5, 26.4719), 4.58418), 7.18088)) - Rang ((decay_linear(ts_rank(ts_argmin(Korrelation ((rank(open), Rank ((adv15), 20.8187), 8.62571), 6.95668), 8.07206))) Keine
Alpha#100 Aufgelöst Aufgelöst

Dichotomiefaktor

Name des Faktors Faktorformel Anmerkungen zu FMZ
Alpha #22 (-1 _ (Delta-Korrelation, hohe, Volumen, 5), 5) Rückwärts
Alpha # 27 ((0,5 < Rang (((Summe ((Korrelation ((Rang ((Volumen), Rang ((Wap), 6), 2) / 2,0)))? (-1 * 1) : 1) Volumen- und Preisunterschiede
Alpha #61 (Rank (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) (Rank) Volumen- und Preisunterschiede
Alpha # 62 ((Rang ((Korrelation ((vwap, Sum ((adv20, 22.4101), 9.91009)) < Rang (((Rang ((Offener) + Rang ((Offener)) < (Rang (((Hoch)) + Niedrig) / 2)) + Rang ((Hoch))))) * -1) Keine
Alpha # 64 (Rank ((Korrelation)) Summe ((Offene * 0.178404) + (niedrig _ (1 - 0.178404))), 12.7054), Summe ((Adv120, 12.7054), 16.6208)) < Rank ((Delta)) / 2) _ 0.178404) + (VWP _ (1 - 0.178404)), 3.69741))) * -1) Keine
Alpha # 65 (Rank ((Korrelation)) (Open _ 0.00817205) + (vwap _ (1 - 0.00817205)), Summe ((adv60, 8.6911), 6.40374)) < Rank ((Open - ts*min ((Open, 13.635))) * -1) Keine
Alpha #68 (ts_rank ((korrelation ((rank ((high), rank ((adv15), 8.91644), 13.9333) < rank ((delta (((((nahe * 0.518371) + (niedrig _ (1 - 0.518371)), 1.06157))) * -1) Keine
Alpha # 74 (Rank (Korrelation) (Schließung, Summe (Adv30, 37.4843), 15.1365)) (Rank (Korrelation) (Rank) (Hoch _ 0.0261661) + (Warp _ (1 - 0.0261661)), Rank (Volumen), 11.4791))) * -1) Keine
Alpha # 75 (Rank ((Korrelation ((vwap, Volumen, 4.24304)) < Rank ((Korrelation ((Rank ((niedrig), Rank ((adv50), 12.4413))) Volumenpreisverhältnis
Alpha # 79 Aufgelöst Aufgelöst
Alpha # 81 (Rank (Log (Produkt) (Rank (Rank)) (Rank (Rank)) (Korrelation)) (Wert, Summe)) (Adv10, 49.6054), 8.47743) (^4)), 14.9655))) (Rank (Rank)) (Korrelation)) (Rank (Wert), Rang (Volumen), 5.07914))) * -1) Keine
Alpha #86 ((ts_rank(korrelation ((close, sum ((adv20, 14.7444), 6.00049), 20.4195) < rank (((((open + close) - (vwap + open)))) * -1) Keine
Alpha # 95 (rang (((offene - ts_min ((offene, 12.4105))) < ts_rank (((rank ((Korrelation)) Summe ((((hohe + niedrige) / 2), 19.1351), Summe ((adv40, 19.1351), 12.8742)) ^5), 11.7584)) Keine
Alpha # 99 (Rank (Korrelation) Summe (Hoch + Niedrig) / 2), 19,8975), Summe (Adv60, 19,8975), 8,8136)) Keine

Einführung auf der FMZ-Plattform

Open FMZ offizielle Website (FMZ.COMUm sich zu registrieren und anzumelden, klicken Sie oben links auf "Dashboard" und wählen Sie in der Liste links "Analysetool" aus, wie in der folgenden Abbildung dargestellt:

img

Auf der Analyse-Tool-Seite befindet sich oben die Einstellungsleiste, die von links nach rechts angeordnet werden kann: Vielfalt, Anfangs- und Endzeit, Periode, Bildtyp. Unter der Einstellungsleiste befindet sich der Formelbearbeitungsbereich. Wenn Sie keine Formeln schreiben können, können Sie auf das Dropdown-Menü unten klicken und die von Ihnen bearbeitete Formel auswählen. Es gibt viele Formelbeispiele, die hier unterstützt werden. Darüber hinaus unterstützen die FMZ-Plattform-Analyse-Tools bereits die meisten offiziellen Alpha101-Formeln, klicken Sie einfach und verwenden Sie. Klicken Sie auf die Berechnungsformel, um die Berechnungsergebnisse unten anzuzeigen, sie unterstützt mehrere Datenexportmethoden: Bilder, Tabellen (CSV), JSON usw.

img

Wir müssen aufpassen,

Die Parameter in der Faktorformel sind Standardparameter und nicht die optimalen Parameter.

Die Faktoren sind unabhängig voneinander, und die Überlagerung mehrerer Faktoren auf einander kann nicht unbedingt zu besseren Ergebnissen führen.

Die Faktoren sind unbegrenzt, Alpha101 ist nur ein Trick, ich glaube, jeder kann sich davon inspirieren lassen und mehr und bessere Faktoren und quantitative Handelsstrategien erstellen.

Zusammenfassend

In vielen Trading-Faktor-Formeln scheint die Oberfläche unvernünftig, aber es gibt bestimmte Ideen und Gründe hinter der Formel. Aber die einzige Konstante auf dem Markt ist, dass sie sich ständig ändert, so dass die Wirksamkeit dieser Faktoren in praktischen Anwendungen nichtlineare Eigenschaften aufweist. Mit anderen Worten, es gibt keinen effektiven und immer effektiven Faktor, es gibt keine universelle Handelsmethode. Als quantitativer Trader sollten Sie einen offenen Geist haben, gut zusammenfassen und ihn nutzen, um zu versuchen und zu innoveren, um in einem sich ständig verändernden Markt Gewinne zu erzielen.


Verwandt

Mehr