bigquant上的收益率真實(shí)嗎
bigquant上的收益率是真實(shí)的，但是任何投資都是有風(fēng)險(xiǎn)存在的，需要謹(jǐn)慎入手。bigquant是一個(gè)人工智能能量化投資交易平臺。BigQuant人工智能量化平臺是全國首個(gè)AI量化平臺，全國最大的AI量化社區(qū)，專注于打造更有用和更好用的AI量化平臺。
BigQuant人工智能量化投資平臺具有豐富的金融數(shù)據(jù)，包括行情數(shù)據(jù)和財(cái)報(bào)數(shù)據(jù)，并且具有便捷、簡單的API調(diào)用接口。市值因子是一個(gè)長期有效的超額收益來源，對股票收益率有一定的解釋作用，小市值的股票更容易帶來超額收益。這也比較好理解，因?yàn)樾∈兄殿惞善蓖憩F(xiàn)活躍，容易引發(fā)炒作風(fēng)潮。此外，還有IPO管制的原因（大量排隊(duì)企業(yè)選擇借殼），也有市場風(fēng)險(xiǎn)偏好提升的原因（市場惡性循環(huán)越來越偏愛小市值）。
國內(nèi)主流的量化平臺都有哪些？
掘金量化交易平臺V3.0
地址：http://www.myquant.cn/
語言：C++、C#、Python、MATLAB
方式：本機(jī)
品種：股票，期貨
優(yōu)礦
地址：https://uqer.io/home/
語言：python
方式：云端
品種：股票，基金，期貨
特點(diǎn)：支持外部數(shù)據(jù)的購買，數(shù)據(jù)較多，有聚源等提供的，較靠譜
RiceQuant米筐量化交易平臺
地址：https://www.ricequant.com/
語言：python，java
方式：云端
品種：股票，基金
特點(diǎn)：口碑較好，據(jù)說較人性化
Joinquant聚寬
地址：https://www.joinquant.com/
語言：python
方式：云端
品種：股票，基金
特點(diǎn)：可訂閱別人策略和看到別人策略回測圖
BotVS量化平臺
地址：https://www.botvs.com/
語言：JS
方式：云端
品種：期貨，股票，數(shù)字貨幣
特點(diǎn)：支持?jǐn)?shù)字貨幣，比如比特幣
Bigquant人工智能量化
地址：https://bigquant.com/
語言：python
方式：云端
品種：股票
其他：目前網(wǎng)站只有架子，很多欄目是空的，突出了人工智能，但沒看到具體策略。
果仁
地址：https://guorn.com/
語言：python
方式：云端
品種：股票，基金，組合。
特點(diǎn)：口碑較好，支持策略跟隨
其他的較小眾的平臺
鐳礦
地址：http://www.raquant.com/
京東量化
地址：https://quant.jd.com/
同花順量化
地址：http://quant.10jqka.com.cn/platform/html/home.html
點(diǎn)寬網(wǎng)
地址：http://www.digquant.com.cn/quant/
諸葛量化
地址：https://www.gpxtrade.com/index.html
數(shù)庫（人工智能驅(qū)動(dòng)金融創(chuàng)新）
http://www.chinascope.com/index/ai.html
免費(fèi)開源python財(cái)經(jīng)數(shù)據(jù)接口包
地址：http://tushare.org/index.html
特點(diǎn)：只有數(shù)據(jù)，非量化策略平臺
有哪些好的量化交易平臺？
量化交易在國內(nèi)來說，興起于2005年左右。但由于投資者水平問題，基礎(chǔ)還是比較薄弱，市場還比較小，所以大眾化量化交易平臺的發(fā)展熱度不足。大多平臺都是機(jī)構(gòu)自己構(gòu)建的自用平臺。
能實(shí)盤交易的量化平臺只有幾個(gè)，如聚寬，掘金，文華財(cái)經(jīng)，開拓者，TradeStation等
能提供量化測試的就比較多，鐳礦，優(yōu)礦，京東，RiceQuant米筐，果仁，Bigquant，還有以上可以實(shí)盤的這些，等等。
基本采用Python語言為主，也有采用C++,C#,Easy Language 麥語言等。
[量化學(xué)院]多頭排列回踩買入策略
金融市場上每個(gè)人都有一套自己的分析方法，無論你是一個(gè)技術(shù)派、基本面派、消息派還是 量化投資 派，對于“均線”這個(gè)名詞一定不會陌生。雖說這個(gè)概念誕生于市場技術(shù)分析領(lǐng)域，但由于它的通俗易用，均線一直受到投資者和市場分析人士的青睞。
均線的全稱是移動(dòng)平均線（MA）。移動(dòng)平均線是個(gè)什么概念？即通過等權(quán)或指數(shù)加權(quán)的方式，計(jì)算一段時(shí)期內(nèi)的平均價(jià)格，是將某一段時(shí)間的收盤價(jià)之和除以該周期。 比如，日線MA5的意思就是說，5天內(nèi)的收盤價(jià)除以5。
從這張圖你應(yīng)該可以看出，移動(dòng)平均線，由于是一個(gè)均值的畫線，因此它平滑了市場數(shù)據(jù)中的棱角和起伏波動(dòng)，并且展示出已經(jīng)走出來的基本價(jià)格趨勢。
挺好理解吧？正因?yàn)榫€是一個(gè)簡潔易懂的概念，因此成為目前市場上運(yùn)用最廣泛的技術(shù)指標(biāo)。不同周期的均線如何組合排列？如何交叉背離？與其他指標(biāo)有怎么樣的關(guān)系？這些問題背后的邏輯，都成為了均線應(yīng)用最基本的理念支撐，這些不同的理念也創(chuàng)造了不同的均線策略。
今天給大家講一講，由均線衍生的策略：多頭排列回踩點(diǎn)。
正如標(biāo)題所言，這個(gè)策略有兩個(gè)非常醒目的特點(diǎn)，好懂、好用。好懂，是指這個(gè)策略本身并沒有什么復(fù)雜的概念，理解起來非常容易；好用，是指這個(gè)策略的應(yīng)用效果非常不錯(cuò)。本文就從這兩個(gè)角度入手，手把手教大家如何玩賺這個(gè)策略！
想明白這7個(gè)字組合在一起的含義，咱們先把它拆分一下。什么是多頭排列？什么是回踩點(diǎn)？
多頭排列首先是一個(gè)均線排列形態(tài)，能夠預(yù)判趨勢目前是多頭占上風(fēng)的。而這個(gè)預(yù)判背后所支撐的邏輯，源于均線的排列方式。人們在長期使用均線這個(gè)指標(biāo)的過程中，通過總結(jié)經(jīng)驗(yàn)和數(shù)據(jù)，認(rèn)為均線的排列可以粗分為兩種情況：多頭排列和空頭排列。多頭排列就是市場趨勢是強(qiáng)勢上升勢，均線在5—10—20—40—120K線下支撐排列向上為多頭排列。我們先看一個(gè)簡單的三均線多頭排列形態(tài)。
從圖可以看出，多頭排列形態(tài)的判定標(biāo)準(zhǔn)是：短期均線依次在長期均線之上，因此股價(jià)有較好的支撐。說的再簡單一些，如果把均線理解為買入成本的平均值，均線排列依次短期線、中期線、長期線由上而下依次排列，這說明我們過去買進(jìn)的成本很低，做短線的、中線的、長線的都有賺頭，市場一片向上均線多頭排列趨勢為強(qiáng)勢上升勢，操作思維為多頭思維。
回踩點(diǎn)又是什么含義呢？很簡單，就是價(jià)格前期沖高后出現(xiàn)了小幅回調(diào)下行。值得注意的是，在這個(gè)策略中，回踩是有條件的，即回踩幅度并沒有破壞均線多頭排列的格局。在這種情況下，由于每一條不同周期的均線都是支撐，所以回撤往往成為一個(gè)較理想的進(jìn)場點(diǎn)位。假如某只股票，前期多頭排列，但是回踩之后，整體均線形態(tài)受到巨大破壞，那么這只股票就不符合我們的篩選條件了。
回踩點(diǎn)能夠具體的量化，如果在多頭排列的狀態(tài)下當(dāng)根K線擊穿了10日均線，那么可以視作這根K線是一個(gè)回踩點(diǎn)，發(fā)出買入信號。咱們來看看2017年2月以來貴州茅臺（600519）的K線圖上出現(xiàn)的幾個(gè)多頭趨勢回踩點(diǎn)，現(xiàn)在看來，這幾個(gè)回踩點(diǎn)都是絕好的回調(diào)買入機(jī)會。
多頭排列回踩買入策略蘊(yùn)含了投資過程中最重要的兩個(gè)核心思想，一是選股，從3000只股票中選出目前走勢符合多頭排列的股票，因?yàn)檫@樣的股票后市更有上漲空間，如果某只股票有一波趨勢，那么這種簡單的選股法則并不會遺漏這只股票，就拿貴州茅臺舉例，這只“白馬股”一路走牛，通過市盈率、市值等因子很可能選不到這只股票，但是多頭排列選股并不會錯(cuò)失這只股票。二是擇時(shí)，當(dāng)股票選出來以后，我們要擇時(shí)買入，而回踩點(diǎn)正是一個(gè)絕好的時(shí)機(jī)進(jìn)場。
驗(yàn)證策略有效性需要通過在歷史數(shù)據(jù)上進(jìn)行客觀準(zhǔn)確的回測，我們先構(gòu)建該策略完整交易系統(tǒng)：
1. 股票池為所有滬深A(yù)股
2. 均線周期選擇為[5,10,20,40,120],短期均線值依次大于長期均線值
3. 回踩點(diǎn)的定義為當(dāng)根K線擊穿10日均線，未擊穿更長周期均線，并仍滿足多頭排列
4. 買入股票數(shù)上限為100只，等權(quán)重買入，當(dāng)持有股票數(shù)100只時(shí)，有股票賣出才買入股票
5. 買入時(shí)機(jī)：多頭策略回踩點(diǎn)的第二天開盤買入
6. 賣出時(shí)機(jī)：當(dāng)5日均線下穿40日均線，第二天開盤賣出
以下為回測結(jié)果?；販y時(shí)間為2013年年初到2015年1月，總收益78.67%，年化收益率為34.3%，因?yàn)榛販y期間本身大盤也不錯(cuò)，所以還需參看更長時(shí)間的表現(xiàn)。本文目的是希望大家對回測機(jī)制更為熟悉，更能靈活地開發(fā)量化策略。
完整的策略如下，大家可以在文末進(jìn)入原文，點(diǎn)擊 克隆 到自己的賬戶進(jìn)行研究。
原文鏈接：《 [量化學(xué)院]多頭排列回踩買入策略 》
BigQuant— 人工智能量化投資平臺
炒股怎么看上市公司詳細(xì)的財(cái)務(wù)報(bào)表,去哪里看?
查看詳細(xì)財(cái)務(wù)報(bào)表，有以下幾種方式：
在線量化研究平臺，BigQuant - 你的人工智能量化平臺，可以獲取常用的關(guān)鍵財(cái)務(wù)數(shù)據(jù)，并且能夠返回標(biāo)準(zhǔn)化的整理好了的多只股票多年時(shí)間的財(cái)務(wù)數(shù)據(jù)，可以直接拿來開發(fā)策略。
直接去上市公司網(wǎng)站獲取財(cái)務(wù)報(bào)表，一般為pdf格式。
在新浪財(cái)經(jīng)、東方財(cái)富、同花順財(cái)經(jīng)網(wǎng)站上獲取上市公司財(cái)務(wù)報(bào)表，一般都有財(cái)務(wù)報(bào)告全文。
在數(shù)據(jù)商那里獲取財(cái)務(wù)報(bào)表，比如Wind資訊--中國領(lǐng)先的金融數(shù)據(jù)和分析工具服務(wù)商。
一些開源的數(shù)據(jù)包獲取財(cái)務(wù)信息，如TuShare -財(cái)經(jīng)數(shù)據(jù)接口包，只不過不是詳細(xì)的財(cái)務(wù)報(bào)表，而是關(guān)鍵的財(cái)務(wù)數(shù)據(jù)。
通過關(guān)鍵指標(biāo)快速把握公司財(cái)務(wù)的方法：
一、先看業(yè)務(wù)，具體看“營業(yè)收入增長率”、銷售毛利率、凈利潤增長率這3個(gè)指標(biāo)。
通過營業(yè)收入增長率可以看出公司的營收是在增長還是下滑，判斷業(yè)務(wù)擴(kuò)張性；通過銷售毛利率可以反映公司主營業(yè)務(wù)是否健康；通過凈利潤增長率可以分析公司整體經(jīng)營盈利能力強(qiáng)弱。
二、其次看資產(chǎn)和現(xiàn)金流，具體看資產(chǎn)負(fù)債率、經(jīng)營活動(dòng)產(chǎn)生的現(xiàn)金流凈額這2個(gè)指標(biāo)。
通過資產(chǎn)負(fù)債率可以判斷公司資產(chǎn)健康情況，這涉及到舉債是否過度，或者依舊穩(wěn)??；通過經(jīng)營活動(dòng)產(chǎn)生的現(xiàn)金流凈額，可以判斷公司經(jīng)營現(xiàn)金流充裕情況，現(xiàn)金流不斷裂是一家公司存活的關(guān)鍵保證。
三、最后，分析凈資產(chǎn)收益率ROE指標(biāo)。
凈資產(chǎn)收益率是一個(gè)很有效的判斷公司價(jià)值的指標(biāo)，也被很多投資大佬推崇，比如巴菲特就曾特意強(qiáng)調(diào)過。
具體的使用方法比如：從全部上市公司中篩選出連續(xù)10（或者5）年以上，每年凈資產(chǎn)收益率都保持在15%以上的股票，那篩選出來的這些，就是公司經(jīng)營一貫穩(wěn)定、業(yè)績持續(xù)增長的優(yōu)質(zhì)標(biāo)的。
這樣，也就通過6個(gè)指標(biāo)，就可以掌握了上市公司財(cái)報(bào)的基本情況，對公司財(cái)務(wù)做出基本的判斷了。
樸素貝葉斯算法（Naive Bayes）
在介紹樸素貝葉斯算法之前，我們來看看關(guān)于統(tǒng)計(jì)學(xué)的一些基礎(chǔ)知識：
貝葉斯定理需要先驗(yàn)知識作為支撐，而先驗(yàn)知識需要大量的計(jì)算和歷史數(shù)據(jù)，因此在很長一段時(shí)間內(nèi)，無法得到廣泛應(yīng)用。只有計(jì)算機(jī)誕生以后，它才獲得真正的重視。人們發(fā)現(xiàn)，許多統(tǒng)計(jì)量是無法進(jìn)行客觀判斷的，而互聯(lián)網(wǎng)時(shí)代出現(xiàn)的大型數(shù)據(jù)集，再加上告訴運(yùn)算能力，為驗(yàn)證這些統(tǒng)計(jì)量提供了方便，也為應(yīng)用貝葉斯定理創(chuàng)造了條件。
條件概率：
同理可得：
即：
全概率公式：
若事件 、 、…… 構(gòu)成一個(gè)完備事件組即 ，且都有正概率，那么對于任意一個(gè)事件A，有如下公式
貝葉斯公式：
貝葉斯公式與全概率公式相反，是在已知 的基礎(chǔ)上，求 。
通過對條件概率的簡單變形，就可以得到貝葉斯公式：
貝葉斯公式由三部分形成，先驗(yàn)概率、后驗(yàn)概率、似然估計(jì)。其中后驗(yàn)概率 = 先驗(yàn)概率 * 似然估計(jì)。在上述公式中， 是先驗(yàn)概率， 是似然估計(jì)， 是后驗(yàn)概率。
所謂先驗(yàn)概率就是在事件A發(fā)生之前，我們對B事件概率的一個(gè)判斷。后驗(yàn)概率則指的是在事件A發(fā)生之后，我們對B事件概率的重新評估。似然估計(jì)是一個(gè)調(diào)整因子或者修正參數(shù)，在我們計(jì)算事件概率的時(shí)候，需要不斷通過修正參數(shù)使得我們所求的概率無限接近于真實(shí)概率。
如果似然估計(jì) ，那么表示A事件的發(fā)生提高了B事件發(fā)生的概率。相反的，如果似然估計(jì) ，那么表示A事件的發(fā)生降低了B事件發(fā)生的概率。
從統(tǒng)計(jì)學(xué)知識回到我們的數(shù)據(jù)分析。假如我們的分類模型樣本是：
即我們有m個(gè)樣本，每個(gè)樣本有n個(gè)特征，特征輸出有K個(gè)標(biāo)簽，定義為 。從樣本我們可以學(xué)習(xí)得到樸素貝葉斯的先驗(yàn)分布 ，條件概率分布 ，然后我們就可以用貝葉斯公式得到 :
分析上面的式子， = 即標(biāo)簽 在訓(xùn)練集中出現(xiàn)的頻數(shù)。但是 是一個(gè)復(fù)雜的n個(gè)維度的條件分布，很難計(jì)算。所以為了簡化計(jì)算，樸素貝葉斯模型中假設(shè)n個(gè)特征之間相互獨(dú)立，于是有：
最后回到我們要解決的問題，我們的問題是給定測試集的一個(gè)新樣本特征
，我們?nèi)绾闻袛嗨鼘儆谀膫€(gè)類型？
貝葉斯模型的目標(biāo)是后驗(yàn)概率最大化來判斷分類。我們只要計(jì)算出所有的K個(gè)條件概率
然后找出最大的條件概率對應(yīng)的類別。
我們預(yù)測的類別 是使 最大的類別：
分析上式可知分母 是固定值，因此預(yù)測公式可以簡化為：
接著我們利用樸素貝葉斯的獨(dú)立性假設(shè)，就可以得到通常意義上的樸素貝葉斯推斷公式:
在樸素貝葉斯算法中，學(xué)習(xí)意味著估計(jì) 和 。可以用極大似然估計(jì)法估計(jì)相應(yīng)的概率。先驗(yàn)概率 的極大似然估計(jì)是：
其中 即樣本中標(biāo)簽 出現(xiàn)的次數(shù)在總樣本數(shù) 中的占比。
第 個(gè)特征 可能的取值集合為 ，似然函數(shù)
即 標(biāo)簽中，第 個(gè)特征 中各種取值的次數(shù)在 標(biāo)簽出現(xiàn)總次數(shù)中的占比。
在用極大似然估計(jì)時(shí)，可能特征 的某些取值在 標(biāo)簽樣本中沒有出現(xiàn)，這時(shí)似然函數(shù)為 ，同時(shí)導(dǎo)致目標(biāo)函數(shù)為 ，這會使分類產(chǎn)生偏差。為解決這一問題采用貝葉斯估計(jì)：
其中 是 標(biāo)簽中第 個(gè)特征不重復(fù)數(shù)值的個(gè)數(shù)。當(dāng) 是就是極大似然估計(jì)，當(dāng) 時(shí)，稱為拉普拉斯平滑。同樣，先驗(yàn)概率的貝葉斯估計(jì)是:
https://bigquant.com/community/t/topic/126054
小伙伴們?nèi)绻X得文章還行的請點(diǎn)個(gè)贊呦！！同時(shí)覺得文章哪里有問題的可以評論一下 謝謝你！
