问题

新手，请教老师： 1的位置：我只会设置1个条件，怎么设置2个条件呢？ 2的位置：通过条件得出了一些股票，怎么把这些股票引用，读取数据呢

参照如下代码 df = DataSource(“bar1d_CN_STOCK_A”).read(start_date=“2021-01-05”,end_date=“2021-02-05”) c1 = df[‘date’]>=“2021-02-01” c2 = df[‘amou

\

我准备交易宁德时代 和茅台 有没有大神 有合适的交易策略

内容提要

盈利、增长和现金流，是基金经理考察公司基本面时通常会参考的指标。那么是否存在一些公司，它们在这3个维度上的表现都非常优异？若是存在，这种公司能长期如此吗？它们后续的市场表现又如何？本文主要对这些问题进行研究，并构建一些可供参考的、简单的基本面因子组合。

盈利、增长或现金流优异的公司，未来股价表现也较优。自2013年至2021年6月（下同），季度换仓，盈利top50组合相对于沪深300指数年超额14.0%；增长top50组合年超额12.9%；现金流top50组合年超额13.4%。

盈利、增长、现金流因子时间序列相关性低，具有一定的互补性；选择三者兼优的股票构建组合，可以平滑

摘要

来自：Finance Research Letters 48 (2022)

作者：Matthias X. Hanauera, Marina Kononovab, Marc Steffen Rappb

标题：Boosting agnostic fundamental analysis: Using machine learning to identify mispricing in European stock markets

股票基本面分析有效吗？分析师应该如何得出股票基本面价值?虽然理论文献已经开发了贴现现金流模型和其他高度程式化的基础估值模型，但BG（2

本PPT为2021年5月16日中信证券量化与配置团队PPT报告《行业主题工具与行业配置策略》

简要目录

1. 行业主题工具图谱

   行业主题基金分类框架构建：定量、定性相结合

2. 量化行业配置策略体系

基本面：宏观驱动、寻找自上而下的板块景气度宏观驱动因素 基本面：中观比较、盈利估值视角下寻找预期差 技术面：历史重演、模式匹配技术寻找相似集 技术面：强者恒强、截面动量与时序动量的结合 投资者行为：公募基金行业配置的信号作用

1. 基本面视角的量化行业配置策略

中观比较

1. 技术面视角的量化行业配置策略

   趋势发展: 行为金融的三阶段解释

   趋势形成：

摘要

银行股价波动的归因分析表明，银行股价的波动基本上由估值驱动，而与盈利水平的变动并无明显关联。因此，通过传统方式对银行的财务报表进行分析和预测，难以准确捕捉银行板块的超额收益

报告对银行的基本面进行简要分析，探索基本面背后的择时逻辑。银行的基本面，最重要的观测变量为利息净收入与拨备。利息净收入由生息资产规模与净息差决定，而拨备由拨备覆盖率和不良贷款规模决定。

同时考虑银行的利润和宏观经济，构建用以预判银行行业景气度的指标。若当前银行的盈利增速较快，而国家整体经济增速放缓，企业与居民均将承担较大压力，不但会造成未来贷款需求的降低，也会同时影响银行已发贷款的质量。这些均与银行景气度

摘要

商品价格预测仰赖于基本面分析和技术面分析商品期货投资的关键在于把握未来价格走势，价格预测模型的建立主要仰赖于基本面分析和技术面分析。基本面分析利用经济资料（包括生产、消费、可支配收入等）从供需角度预测商品价格，因果关系较强，而技术面分析专注于研究价格本身的形态。

五大类商品中黑色系高波动高相关特征最明显剔除“僵尸”品种后，本文将上市满一年且日均成交额大于2亿元的35个品种根据商品属性及产业链相关性，分成黑色系、化工品、农产品、有色金属、贵金属五大类。近两年数据显示，黑色系品种波动率最高，平均年化波动率达34.90%，化工、有色板块次之，平均年化波动率分别为和21.96%，贵金属、

摘要

文献来源：Piotroski, J. D. , & So, E. C. . (2012). Identifying expectation errors in value/glamour strategies: a fundamental analysis approach. Review of Financial Studies, 25(9), 2841-2875.

推荐原因：本文通过对比价值/成长公司在基本面改善/恶化的不同状态下收益的表现，证明了预期偏差导致了价值/成长的收益差。我们发现价值溢价效应在财务指标与隐含业绩预期冲突的公司中表现尤为显著。分析师对未来的预

摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系

\

\

「股票及量化投资书籍分享」https://www.aliyundrive.com/s/4kajoeM7ock 点击链接保存，或者复制本段内容，打开「阿里云盘」APP 下载。

摘要

长久以来，低估值策略受到广大投资者的关注和推崇。然而，自2019年2季度起，以EP、BP为代表的估值因子的表现出现了大幅度的回撤。本文从基本面分析角度出发，聚焦于对BP因子进行改造。

具体的，我们从会计拆分的角度将账面价值拆解为留存收益和投入资本两项，构建留存收益市值比REP和投入资本市值比CCP因子，单因子测试结果表明REP因子的Rank IC值与BP类似，但稳定性得到了较大增强，ICIR由1.61提升至2.46。另外我们发现REP与CCP的相对强弱与市场趋势密切相关，市场上涨趋势中CCP表现更优，反之REP表现更优。于是我们尝试简单地使用价量趋势判断市场，构建信号，从而在“

#量化研究员/Quantitative researcher（应届）机器学习/量价/基本面/另类数据 北京/深圳/上海/香港/杭州/成都 学历：本科 211/985 & QS前100.数学/计算机/物理/统计等理工科专业 编程语言：Python/C++ 加分项：高中学科奥林匹克竞赛，大学ACM，LeetCode刷题，知名量化对冲基金实习经验，互联网大厂相关实习经验。

#量化研究员/Quantitative researcher（机器学习/量价/基本面/另类数据） 北京/深圳/上海/香港/杭州/成都 学历：本科 一本起，专业不限。有量化从业经验。做市经验亦可。 加分项：有实盘策略，有回测数

https://bigquant.com/experimentshare/3f1d18ae425649398e2ca9436f126381

\

AI量化策略快速理解

https://bigquant.com/wiki/doc/celve-Uu3N6WbJNJ

问题

关于昨日涨停因子，为什么么有部分特征

https://bigquant.com/experimentshare/d0437f9701b34e1aacd2d7a4746a013b

\

https://bigquant.com/experimentshare/fc4dbef7b8ef4cabaffab14a819332cc

\

策略案例

https://bigquant.com/experimentshare/0f5a773d39184d73bec6520dccad7ee8

\

作者：Harry Nicholls编译：caoxiyang

导语

你有没有想过如何使你的交易策略自动化并增加交易利润？在本文中，我们将介绍算法交易的基本知识，好处和风险。准备好开始自动交易吧！ 很多技术分析都涉及观察信号指标，然后根据信号进行交易。正如我在之前的文章“一个让优秀交易者高于其他交易者的行为”中所讨论的那样，你应该在你的交易日志中记录下你所有的交易，当你获得更多的经验时，你应

策略案例

https://bigquant.com/experimentshare/06c5d16cb44b46e7a8ffe45ad9a69a95

\

策略案例

https://bigquant.com/experimentshare/21cf886fbd794a66be617bfd57a0cb88

\

/wiki/static/upload/83/8304c8c8-adb8-4848-aa5c-1a823a298581.pdf

\