选股模型回测

怎么做选股策略的历史回测

自己设计交易系统，然后选择自己的交易系统进行测试，根据历史数据可以回归测试得出你的交易系统是赢是亏的结果。

请问高手这是什么选股模型，具体些。公式或源代码是什么？高分多谢。重谢100财富

没什么源代码。属于追高的一种。国外的统计数据是创新高的股票未来三个月再创新高的概率是65%。

形态上，放量突破前期高点。将前面的套牢盘全部吃掉。之后回踩前期高点平台。然后迎来新一波主升浪。当然有题材的配合会更好，没有也可以。

但是这中选股方式要考虑大盘。大盘不好的时候不可取。同时要考虑股本和股价。股价太高上升的空间自然就小。股本越大越不容易拉升。

有个例子，今年的美欣达。失败例子，新海股份。

朋友，你找到你想要的东西了。

选股策略回测用matlab好还是用python好

我没钱，支持免费开源

抛开版权不说，初期入手策略测试、数据分析用matlab非常方便

但是策略测试方法、框架弄清楚后，要做正规的回测，还是Python方便，这里的正规是指严格的事件流驱动，虽然速度慢，但是避免未来函数影响、接近实盘的逻辑。

Python在这方面已经有很多库了，quantopian的zipline应该算鼻祖了，国内的优矿网和ricequant都跟zipline很像，另外还有知乎大神的zn.py，PyAlgoTrade等

选股模型工具

我曾经也在通达信里面尝试写过选股模型，也遇到跟你同样的问题；基本知识不扎实就想写高难度的模型，这点不科学；

你可以问问你的前辈，在一些专业的论坛上面多看看专家的经验心得；期望有软件轻松搭建的心态不好，望改正；软件不方便告诉你，不然又变成广告了；建议你还是好好学习吧；

推荐阿凡提锦囊

金瑞鼎盛的量化交易使用的多因子量化模型是什么？

通过计算机系统，筛选出符合模型的股票和买卖点。基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。

举一个简单的例子：如果有一批人参加马拉松，想要知道哪些人会跑到平均成绩之上，只需在跑前做一个身体测试即可。那些健康指标(因子)靠前的运动员，获得超越平均成绩的可能性较大！

什么是量化选股 量化选股的风险特征

什么是量化选股？

简单来说，量化选股就是利用数量化的方法构建模型，进而选择股票组合，期望该股票组合能够获得超越基准收益率的投资方法。

量化选股的风险特征如何？

我们以市场上较为典型的两种运用量化选股方法的策略举例：

一、市场中性策略

对于市场中性策略来说，其目标主要是通过量化选股的方法选出高阿尔法的股票构建组合，并做股指期货对冲。以此来剥离股票组合的市场风险，并收获纯阿尔法收益。所以一个标准的纯市场中性策略，应该较少的受到市场波动的影响，进而稳定的获得一个不错的超额收益。所以一般情况下中性策略相对纯股票多头产品回撤风险要小，波动平滑，最大回撤一般较小，属于相对比较稳健的投资策略。

二、指数增强策略

市场上现在比较主流的指数增强策略主要由原来的市场中性策略演变而来，为了能够提高资金使用效率和搏取更高的收益，将市场中性策略中的股指期货对冲部分去除，直接构建股票纯多头组合，运用量化选股的方法选择一揽子股票，追踪指数，控制跟踪误差。目的是在承担市场风险的前提下，获取能比市场指数更高的收益，不仅获取中性策略中所提供的纯阿尔法收益，也获取市场本身所带来的收益。

现在的指数增强产品主要有沪深300指数增强和中证500指数增强产品两种，以跟踪中证500指数的产品相对更多。由于去掉了股指对冲，指数增强的产品是完全暴露市场风险的，以此来搏取更高的收益。所以指数增强的产品就具备了高风险，高收益的特征。一般情况下，会跟随产品所追踪的指数进行波动，同涨同跌，但一般会在上涨中比指数涨的更高，而在下跌中比指数亏损的较少，尽管策略整体波动相对较大，在投资期间也可能发生较大的回撤，但由于指数增强产品相比纯中性产品资金使用效率更高而且有更强的复利效应，在市场没有极大风险的情况下，更可能获得比中性产品更高的收益。

最常见的量化选股模型

市场较为主流的量化选股策略总的来说可以分为两类：第一类是基本面选股，第二类是市场行为选股。其中基本面选股模型主要有：多因子模型、风格轮动模型和行业轮动模型。市场行为选股模型主要有：资金流模型、动量反转模型、一致预期模型、趋势追踪模型和筹码选股模型。

市场中从事量化投资的机构运用了各种量化选股模型构建股票组合，通过借助现代统计学、数学的方法，从海量历史大数据中寻找能够带来投资组合稳定收益的多种“大概率”策略和规律，在此基础上，综合归纳成因子和模型程序，最终纪律严明地按照这些数量化模型组合来进行独立投资。在众多的选股模型中，多因子选股模型是各个量化选股机构用的比较多的一种，多因子模型基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。

多因子模型的核心原理就是找到那些与企业的收益率最相关的因子。各种多因子模型核心的区别主要有两点，第一是选择的因子可能不同，第二是对因子的组合和权重分配会有所不同。综合这两点，就会导致不同机构最终选择出的股票组合是不同的。一般而言，多因子选股模型具体的选股方法分为打分法和回归法两种。

打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。

回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判，然后再以此为依据进行选股。