股票池函数

1. 杞绘澗涓婃墜FAM浜斿洜瀛愭ā鍨嬶紙闄刾ython婧愮爜锛

鎺㈢储鎶曡祫棰嗗煙鐨勬柊缁村害锛岃╂垜浠娣卞叆鐞嗚ВFama-French浜斿洜瀛愭ā鍨嬶紙FF5锛夌殑寮哄ぇ涔嬪勩傝嚜CAPM鐨勬彁鍑猴紝妯″瀷鐣屼竴鐩村湪瀵绘壘鏇村叏闈㈢殑瑙ｉ噴鑲＄エ鏀剁泭鐨勬柟娉曘侳F5妯″瀷瓒呰秺浜嗕紶缁熺殑尾锛屽紩鍏ヤ簡甯傚硷紙SMB锛夈佽处闈㈠競鍊兼瘮锛圚ML锛夈佺泩鍒╋紙RMW锛夈佸拰鎶曡祫锛圕MA锛夊洓涓鍏抽敭鍥犲瓙锛屾彁渚涗簡涓涓鏇翠负绮惧噯鐨勮偂绁ㄦ敹鐩婂垎鏋愭嗘灦銆

鍥犲瓙鐨勬瀯寤哄阀濡欏湴铻嶅悎浜嗗競鍊艰勬ā锛圫MB锛変笌鍏鍙镐及鍊硷紙HML锛夛紝浠ュ強浼佷笟鐨勭泩鍒╄兘鍔涘拰鎶曡祫绛栫暐锛圧MW涓嶤MA锛夈侳F5妯″瀷鐨勫洖褰掔洰鏍囧湪浜庯紝閫氳繃杩欎簺澶氬厓鍖栫殑鍥犲瓙鎻绀烘敹鐩婄巼鑳屽悗鐨勯┍鍔ㄥ洜绱狅紝鍚屾椂鎵胯よ宸椤瑰彲鑳藉寘鍚鏃犻庨櫓鏀剁泭伪鍜岄庨櫓鍥犲瓙锛屼互鏇村叏闈㈠湴鍒荤敾甯傚満鍔ㄦ併

瀹炴垬杩囩▼涓锛屼簲鍥犲瓙妯″瀷鐨勫簲鐢ㄩ渶瑕佺粏鑷村叆寰鐨勬ラゃ傞栧厛锛岀‘瀹氭瘡鍙鑲＄エ鍦ㄤ笉鍚岀粍鍚堜腑鐨勬潈閲嶏紝鐒跺悗涔樹互棰勬湡鏀剁泭锛屾帴鐫瀵规墍鏈夎偂绁ㄧ殑鏀剁泭杩涜屽姞鏉冨拰锛屽緱鍑虹瓥鐣ョ殑鏀剁泭鐜囥傞夋嫨涓璇500浣滀负鍩哄噯锛岃偂绁ㄦ睜鍒欏箍娉涘彇鑷獁ind鍏ˋ鐨勮偂绁锛屾瘡骞5鏈堝簳杩涜屼竴娆＄瓥鐣ヨ皟鏁达紝浣跨敤娴侀氬競鍊艰繘琛屽姞鏉冦

鍦ㄥ洖娴嬮樁娈碉紝鎴戜滑鍥炴函鑷2017骞1鏈3鏃ヨ嚦2020骞12鏈3鏃ワ紝瀵瑰洜瀛愯繘琛屾楠岋紝纭淇濆叾涓嶧ama-French鍥犲瓙鏈夎壇濂界殑鐩稿叧鎬с傞氳繃瀵煎叆蹇呰佺殑妯″潡鍜屾暟鎹锛屽俻andas銆乶umpy绛夛紝瀵瑰競鍊笺佽处闈㈠競鍊兼瘮銆佺泩鍒╄兘鍔涚瓑鍏抽敭鏁版嵁杩涜岄勫勭悊锛屾瀯寤哄嚭涓涓鍓旈櫎涓嶅彲浜ゆ槗鑲＄エ鐨勯珮鏁堣偂绁ㄦ睜锛圓LLapool锛夈

鍏蜂綋鎿嶄綔涓婏紝鎴戜滑瀹氫箟浜嗕竴涓猤et_score鍑芥暟锛岄氳繃甯傚煎姞鏉冭＄畻鍚勭粍鍚堢殑鑲＄エ鎸佷粨锛屽悓鏃跺勭悊缂哄け鍊笺傛帴鐫锛岄拡瀵规瘡涓鍥犲瓙锛屾垜浠渚濇嵁鐧惧垎浣嶉夊彇鑲＄エ缁勫悎锛屽70%鍜30%锛屽苟璁＄畻姣忔棩鏀剁泭鍙樺寲鍥犲瓙銆傛渶鍚庯紝灏嗚繖浜涘洜瀛愪笌涓璇500鏀剁泭杩涜屽规瘮锛岄獙璇佹ā鍨嬬殑鏈夋晥鎬с

閫氳繃涓ヨ皑鐨勬暟鎹澶勭悊鍜屽彲瑙嗗寲锛孎F5妯″瀷涓烘垜浠鎻绀轰簡鑲＄エ鏀剁泭鐨勫氬厓椹卞姩锛岃屼笉浠呬粎渚濊禆浜庡崟涓鎸囨爣銆傝繖涓妯″瀷鐨勫疄璺垫э紝涓嶄粎闄愪簬鐞嗚虹爺绌讹紝瀹冭兘甯鍔╂姇璧勮呭湪瀹為檯浜ゆ槗涓鍒跺畾鏇寸簿缁嗙殑绛栫暐銆傝╂垜浠涓璧锋帰绱㈣繖涓妯″瀷鐨勯瓍鍔涳紝鎻愬崌鎶曡祫鍐崇瓥鐨勭簿纭搴︺

銆愬弬鑰冩枃鐚銆慒ama & French, A Five Factor Asset Pricing Model, J. Financial Economics, 2015

娆蹭簡瑙ｆ洿澶氳︽儏鎴栨繁鍏ュ︿範锛岃峰叧娉≦uantX閲忓寲鍥㈤槦锛屾垜浠鏈熷緟鎮ㄧ殑鍙嶉堬細[email protected]

2. 通达信指标修改成透明颜色，下图有填充的地方总是看不到K线

MA60:MA(C,60),COLORFF00FF,LINETHICK2;
MA120:MA(C,120),COLORFF00FF,LINETHICK2;
IF(MA60<MA120,MA60,DRAWNULL),COLORGREEN,LINETHICK2;
IF(MA60<MA120,MA120,DRAWNULL),COLORGREEN,LINETHICK2;

3. 量化金融paper reading: 在股票池变动的情况下如何用RL进行股票资产管理动态配置

动态股票池与RL结合进行资产管理配置

这篇文章聚焦于在股票池频繁变动的情况下，如何利用强化学习（RL）进行动态资产配置。以往的研究往往假定股票池保持不变，但这在现实中并不符合实际。文章提出了一种利用掩码自编码器（MAE）和强化学习（SAC算法）的方法，以应对股票池变动的挑战。

研究来自新加坡南洋理工大学，研究者在GitHub上开源了代码（github.com/DVampire/Ear...），旨在通过解读主要算法思想，而非深入算法实现细节。本文将重点介绍算法的核心思想和步骤。

整体流程相对简洁。首先，通过一个全局股票池（GSP mole）模块，整合当前股票的量价因子、价格数据以及临时信息，计算各个股票在维度空间中的表示。这一过程中，一个基于掩码的MAE模型起到了关键作用。该模型采用编码器-解码器架构，允许在股票池调整时，对不考虑的股票进行掩码处理，从而学习到一种全局市场信号或特征的掩码表示。这一掩码表示在整个训练周期内作为可学习参数，用于填充股票的表示，模拟股票不在考虑范围内的情况。

接下来，通过MSE损失函数，使编码器-解码器架构恢复原始股票表示。这个过程可以视作强化学习策略网络的一部分，强化学习算法与编码器-解码器一起更新参数。

实验结果显示，对于全局股票池的对比实验，方法表现出一定的性能。至于自定义股票池的具体实验结果，请查阅文章获取详细信息。

感想：尽管该方法在某些场景下有效，但对于动态股票池变动的处理，个人认为仍有改进空间。在快速变化的市场环境下，灵活的方法如图神经网络（GNN）可能更为合适。GNN能更好地捕捉动态的股票池变化，通过构建每日更新的图结构，进行信息提取和学习，从而作为状态供强化学习代理处理。

总之，文章提供了一种针对动态股票池的资产管理配置方法，但其复杂性和灵活性仍有待改进。持续学习中，期待更多创新方法的涌现。

参考文献：请查阅相关文章获取完整信息。

4. 大智慧股票池的数据在哪个位置

大智慧安装目录下：dzh2/userdata/pool 文件夹内后缀为.xml的都是股票池数据。
希望是您需要的。
祝您投资愉快、股市好运。

5. 通达信，东方财富选股公式

MA10:=MA(C,10);

DZ:=MAX(C,O);

XZ:=MIN(C,O);

XG:IF((MA10>REF(MA10,1) AND MA10>XZ AND MA10<DZ)

AND EXIST(REF(MA10,1)>REF(XZ,1) AND REF(MA10,1)<REF(DZ,1),1),20,0);

您只是说穿过今昨两天K线实体，并没要求是阴线阳线，所以公式中只要MA10穿过两个K线即为符合条件，并没有分阴阳K线。所谓穿过K实体，即理解为10均线>K线L,同时10均线<K线H,如果单独以此为条件选股似乎效果并不好（也许您另有用途）慎用，希望能满足您的需要并采纳。

祝投资愉快、股市好运！