# 9.1 指数跟踪 · [策略] 指数跟踪低成本建仓策略
> 来源：https://uqer.io/community/share/56632448f9f06c6c8a91b337
## 指数跟踪
指数追踪通常是指利用某个股票组合复制某一现实指数或者虚拟指数的市场表现，来获取与指数相近的收益，试图最小化跟踪误差。为什么要跟踪指数呢？那要从指数广泛的用途说起：1）很多大型的公募基金都设有专门的指数投资部，通过跟踪特定的指数标的发行ETF、分级基金等产品，以供投资者使用；2）目前在A股市场上做期限套利者通常需要建仓SH50、HS300、ZZ500等指数的现货；3）有些投资者热衷于行业投资，因此其投资标的不是个股而是行业指数；4）近年流行的FOF，是以基金产品作为投资标的，构建基金产品的组合，基金产品也可以认为是代表基金经理投资特定的指数。如果直接购买指数产品有限制或者需要较低成本的建仓指数，那就需要一些策略啦！
通常指数跟踪分为两类：完全复制法和部分复制法。顾名思义，完全复制法即为尽可能完全按照指数的成分股和配比权重来调整组合，使之尽可能的跟踪所选的标的。这种方法对于一般的投资者来讲通常成本和操作难度比较大，这种方法通常仅限于大型公募基金指数部门所使用。部分复制法即为选择某个不同于指数成分股和权重的组合（通常是指数的子集）来尽可能的去跟踪指数。这就需要采用一些优化策略去做选股和配权重。本文参考了文献“Carrier Portfolios.--Steven Kusiak”中的思想，意在研究一种部分复制指数的方法。
## Carrier Portfolios
1）模型：
指数本质上是由其成分股按照特定的权重线性组合而成，其成分股张成一个线性空间，每个成分股的权重即相当于指数在每个维度上的长度。我们希望从这个线性空间中找到一个子空间，并根据子空间的基去配以合适的权重，使得配比后的结果能够最大程度上的模拟原指数，思想就是主成分分析（PCA）。将其建模成一个优化问题，假设我们构建的资产组合为`P = {w1,w2,...,wN}`,`wi`表示给于第i各成分股的权重。优化的目标便是使得P中权重的1范数的和`∑|wi|,i = 1,2,3,...,N `最小，其含义就是令投资组合的建仓成本达到尽可能小。如果我们只允许做多，那么问题便可以变成更为简单的使`∑wi`最小。然而如何保证让构建的P尽可能的跟踪指数走势呢？我们可以做这样一个简单合理的假设：如果P在过去一段时间窗口`T`日中能够拟合指数的走势（体现在收益率的一致性），那么`P`就能下一次调仓前跟踪指数的走势。如果令`r(i,t)`表示第`i`个成分股在t日的收益率，`R(t)`表示待跟踪的标的指数在`t`日的收益率，那么：`∑r(i,t)*wi = R(t)`,`t = 1,2,3,...,T`.那么我们要建模的优化问题便是：
```
min ∑wi, i = 1,2,3,...,N
s.t. ∑r(i,t)*wi = R(t), t = 1,2,3,...,T
wi >= 0
```
2）分析：
+ ①若 `N > T`: 约束条件为欠定方程组，解空间会有无数的解。我们需要通过迭代运算从解空间中寻找满足优化目标的最优解，通常在边界取到；
+ ②若 `N = T`: 有唯一解，不具备优化的空间；
+ ③若 `N < T`: 约束条件为超定方程组，解空间无解（假设曲线每天的走势是不相关的）
3）求解：
通过分析我们知道应该在`N > T`的条件下去做优化，具体的步骤为：
+ ①：不等式约束`wi >= 0`可通过添加log barrier惩罚项将其约束到优化目标中: `min∑wi-u*log(wi)`
+ ②：可利用原对偶内点法去求解目标函数，算法原理可参考文献“Primal-Dual Interior Point algorithms for Linear Programming--George Tzallas-Regas”
+ ③：依据②中求得的权重去配指数。由于近似最优解一般在边界上取到，因此必然最优`w`是一个降维后的结果，即有些成分股的权重配比小到无法操作，舍去即可
## 策略回测
1）策略目标
以上证50为例，我们希望选取部分上证50的成分股并配以一定的优化后的权重构建投资组合 `P = {w1,w2,...,w50}`，让`P`可以有效的跟踪上证50的走势，并且尽可能的选用部分成分股去构建组合。
2）仿真环境
+ ①跟踪标的：上证50
+ ②股票池：上证50成分股
+ ③调仓：5天（由于只是研究策略，因此假设每次调仓都用新得的股票替换掉原有的，实际做的时候并不需要这样，只要交易当前组合和原组合的差额即可）
```py
from CAL.PyCAL import *
import numpy as np
import copy as cp
start = '2014-05-01' # 回测起始时间
end = '2014-12-01' # 回测结束时间
benchmark = 'SH50' # 策略参考标准
universe = set_universe('SH50') # 证券池，支持股票和基金
capital_base = 100000 # 起始资金
freq = 'd' # 策略类型，'d'表示日间策略使用日线回测，'m'表示日内策略使用分钟线回测
refresh_rate = 5 # 调仓频率，表示执行handle_data的时间间隔，若freq = 'd'时间间隔的单位为交易日，若freq = 'm'时间间隔为分钟
def initialize(account): # 初始化虚拟账户状态
account.portfolioNumList = []
pass
def dict2list(dictionary):
tmplist = []
for index in dictionary:
tmplist.append(dictionary[index])
return tmplist
def handle_data(account): # 每个交易日的买入卖出指令
histLength = 15
stockLength = len(account.universe)
####get the return rate of the universe
closePrice = account.get_attribute_history('closePrice',histLength+1)
uniRetList = []
for index in closePrice:
uniRetList.append(((closePrice[index][1:]-closePrice[index][:-1])/closePrice[index][:-1]).tolist())
uniRetMat = np.mat(uniRetList).T
####get the return rate of the benchmark
calendar = Calendar('China.SSE')
startDate = calendar.advanceDate(account.current_date,'-'+str(histLength+1)+'B').toDateTime()
endDate = calendar.advanceDate(account.current_date,'-1B').toDateTime()
benchmark = DataAPI.MktIdxdGet(ticker = "000016",
field = "closeIndex",
beginDate = startDate,
endDate = endDate,pandas = '1')
bmClose = benchmark['closeIndex'].tolist()
bmRet = []
for index in range(len(bmClose)-1):
bmRet.append((bmClose[1:][index]-bmClose[:-1][index])/bmClose[:-1][index])
bmRetMat = np.mat(bmRet)
####initialization: constant
##ones: stockLength
ones = np.ones(stockLength)
##unitMat: stockLength * stockLength
unitMat = np.diag(ones)
##zeros: histLength
zeros = np.zeros(histLength)
##zero: stockLength
zero = np.zeros(stockLength)
##zeroMatMid: histLength * histLength
zeroMatMid = np.diag(zeros)
##zeroMat: stockLength * stockLength
zeroMat = np.diag(zero)
##zeroMatRes: histLength * stockLength
zeroMatRes = np.zeros((histLength,stockLength))
##initialization: variables
##w: stockLength
# w = np.ones(stockLength)/(stockLength)
w = np.ones(stockLength)/(stockLength)
##wmat: stockLength * stockLength
wMat = np.diag(w)
##u: histLength
u = np.ones(histLength)/histLength
##uMat: histLength * histLength
uMat = np.diag(u)
##v: stockLength
v = np.ones(stockLength)/(stockLength)
##vMat: stockLength * stockLength
vMat = np.diag(v)
##R: histLength * stockLength
R = uniRetMat
##Q: histLength * stockLength
Q = R
##splMat: (stockLength + histLength + stockLength) * (stockLength + histLength + stockLength)
splMatTmp1 = np.hstack([zeroMat,Q.T,unitMat])
splMatTmp2 = np.hstack([Q,zeroMatMid,zeroMatRes])
splMatTmp3 = np.hstack([vMat,zeroMatRes.T,wMat])
splMatTmp = np.vstack([splMatTmp1,splMatTmp2,splMatTmp3])
splMat = splMatTmp
##mulVec: length = stockLength + histLength + stockLength
firstCol = np.subtract(ones,np.dot(Q.T,u))
firstCol = np.subtract(firstCol,v)
secondCol = np.subtract(bmRetMat,np.dot(Q,w))
thirdCol = np.mat(np.subtract(np.dot(0.1,ones),np.dot(wMat,v)))
mulVec = np.hstack([firstCol,secondCol,thirdCol])
####algorithm iteration part
d = 1
mu = 0.1
itera = 0
while itera < 300:
# while d > 0.01:
##calculate the dirtaw, dirtau, dirtav
temp = np.dot(splMat.I,mulVec.T).tolist()
dirtaw = [index[0] for index in temp[:stockLength]]
dirtau = [index[0] for index in temp[stockLength:stockLength+histLength]]
dirtav = [index[0] for index in temp[stockLength+histLength:]]
##update the vector w, u, v and the matrix wmat, umat, vmat
w = np.add(w,dirtaw)
u = np.add(u,dirtau)
v = np.add(v,dirtav)
wMat = np.diag(w)
uMat = np.diag(u)
vMat = np.diag(v)
##init the matrix splmat: (stockLength + histLength + stockLength) * (stockLength + histLength + stockLength)
splMatTmp1 = np.hstack([zeroMat,Q.T,unitMat])
splMatTmp2 = np.hstack([Q,zeroMatMid,zeroMatRes])
splMatTmp3 = np.hstack([vMat,zeroMatRes.T,wMat])
splMatTmp = np.vstack([splMatTmp1,splMatTmp2,splMatTmp3])
splMat = splMatTmp
##init the vector mulvec: length = stockLength + histLength + stockLength
firstCol = np.subtract(ones,np.dot(Q.T,u))
firstCol = np.subtract(firstCol,v)
secondCol = np.subtract(bmRetMat,np.dot(Q,w))
thirdCol = np.mat(np.subtract(np.dot(mu,ones),np.dot(wMat,v)))
##calculate the iteration condition variable d
tmp1 = 0
for index in dirtaw:
tmp1 += index**2
tmp2 = 0
for index in dirtau:
tmp2 += index**2
d = tmp1 + tmp2
##update the itera and mu
itera += 1
mu = mu*(1-stockLength**(-0.5))**5
##weight of the components
weight = w
for index in range(stockLength):
if weight[index]<0:
weight[index] = 0
weightSum = np.sum(weight)
weightReg = [index/weightSum for index in weight]
for index in range(stockLength):
if weightReg[index]<10*10**(-3):
weightReg[index] = 0
count = 0
for index in weightReg:
if index != 0:
count += 1
account.portfolioNumList.append({account.current_date:count})
##Sell portfolio
for index in account.valid_secpos:
order_to(index,0)
####Buy portfolio
portfolio = []
for index in range(stockLength):
amount = round(100*weightReg[index])*100
if amount != 0:
portfolio.append({account.universe[index]:amount})
# amount = account.cash*weightReg[index]/account.referencePrice[account.universe[index]]
order(account.universe[index],amount)
print 'The portfolio at '+str(account.current_date) + ' has ' + str(len(portfolio)) + ' stocks, which '
print portfolio
```
```
The portfolio at 2014-05-27 00:00:00 has 15 stocks, which
[{'601601.XSHG': 500.0}, {'600111.XSHG': 100.0}, {'600018.XSHG': 500.0}, {'600519.XSHG': 1400.0}, {'601668.XSHG': 100.0}, {'601088.XSHG': 1500.0}, {'601998.XSHG': 500.0}, {'600010.XSHG': 500.0}, {'600637.XSHG': 500.0}, {'600999.XSHG': 300.0}, {'600887.XSHG': 1100.0}, {'601169.XSHG': 1300.0}, {'601988.XSHG': 200.0}, {'601318.XSHG': 900.0}, {'601901.XSHG': 100.0}]
The portfolio at 2014-06-04 00:00:00 has 11 stocks, which
[{'600583.XSHG': 500.0}, {'600893.XSHG': 300.0}, {'601288.XSHG': 1700.0}, {'600585.XSHG': 700.0}, {'600256.XSHG': 500.0}, {'601800.XSHG': 800.0}, {'601989.XSHG': 100.0}, {'600887.XSHG': 800.0}, {'601398.XSHG': 3400.0}, {'600030.XSHG': 500.0}, {'600150.XSHG': 800.0}]
The portfolio at 2014-06-11 00:00:00 has 15 stocks, which
[{'601601.XSHG': 600.0}, {'600893.XSHG': 300.0}, {'600111.XSHG': 100.0}, {'600018.XSHG': 400.0}, {'601390.XSHG': 1500.0}, {'601288.XSHG': 800.0}, {'601668.XSHG': 700.0}, {'601818.XSHG': 500.0}, {'600690.XSHG': 1400.0}, {'600010.XSHG': 700.0}, {'600999.XSHG': 500.0}, {'601628.XSHG': 200.0}, {'600887.XSHG': 400.0}, {'601766.XSHG': 400.0}, {'600030.XSHG': 1400.0}]
The portfolio at 2014-06-18 00:00:00 has 7 stocks, which
[{'600036.XSHG': 100.0}, {'600018.XSHG': 300.0}, {'600256.XSHG': 500.0}, {'600406.XSHG': 7600.0}, {'600048.XSHG': 400.0}, {'600887.XSHG': 200.0}, {'600030.XSHG': 900.0}]
The portfolio at 2014-06-25 00:00:00 has 7 stocks, which
[{'600050.XSHG': 1200.0}, {'600089.XSHG': 900.0}, {'600256.XSHG': 900.0}, {'600104.XSHG': 1500.0}, {'601989.XSHG': 2000.0}, {'600837.XSHG': 1000.0}, {'601398.XSHG': 2200.0}]
The portfolio at 2014-07-02 00:00:00 has 9 stocks, which
[{'600036.XSHG': 800.0}, {'601390.XSHG': 1900.0}, {'600016.XSHG': 200.0}, {'601006.XSHG': 600.0}, {'601088.XSHG': 300.0}, {'600585.XSHG': 1300.0}, {'600690.XSHG': 1300.0}, {'601988.XSHG': 2900.0}, {'601186.XSHG': 500.0}]
The portfolio at 2014-07-09 00:00:00 has 8 stocks, which
[{'601288.XSHG': 2100.0}, {'601668.XSHG': 400.0}, {'601088.XSHG': 2100.0}, {'600089.XSHG': 1400.0}, {'600690.XSHG': 900.0}, {'600010.XSHG': 1400.0}, {'601988.XSHG': 1100.0}, {'601398.XSHG': 400.0}]
The portfolio at 2014-07-16 00:00:00 has 6 stocks, which
[{'600583.XSHG': 1400.0}, {'601006.XSHG': 1400.0}, {'600256.XSHG': 500.0}, {'601998.XSHG': 1700.0}, {'600048.XSHG': 400.0}, {'600518.XSHG': 4400.0}]
The portfolio at 2014-07-23 00:00:00 has 23 stocks, which
[{'600583.XSHG': 200.0}, {'601601.XSHG': 700.0}, {'600036.XSHG': 400.0}, {'600018.XSHG': 300.0}, {'600519.XSHG': 100.0}, {'601390.XSHG': 1400.0}, {'601288.XSHG': 200.0}, {'601006.XSHG': 300.0}, {'601088.XSHG': 500.0}, {'600256.XSHG': 500.0}, {'601998.XSHG': 100.0}, {'600015.XSHG': 100.0}, {'600028.XSHG': 500.0}, {'600010.XSHG': 300.0}, {'600999.XSHG': 400.0}, {'600109.XSHG': 100.0}, {'601989.XSHG': 1100.0}, {'600887.XSHG': 200.0}, {'601766.XSHG': 200.0}, {'601169.XSHG': 700.0}, {'601988.XSHG': 1100.0}, {'600030.XSHG': 200.0}, {'601901.XSHG': 300.0}]
The portfolio at 2014-07-30 00:00:00 has 8 stocks, which
[{'600893.XSHG': 200.0}, {'600104.XSHG': 300.0}, {'600015.XSHG': 100.0}, {'601989.XSHG': 600.0}, {'600518.XSHG': 800.0}, {'601628.XSHG': 2000.0}, {'600887.XSHG': 300.0}, {'601318.XSHG': 5400.0}]
The portfolio at 2014-08-06 00:00:00 has 7 stocks, which
[{'601328.XSHG': 2800.0}, {'600036.XSHG': 600.0}, {'600111.XSHG': 1200.0}, {'601088.XSHG': 700.0}, {'601800.XSHG': 1300.0}, {'600028.XSHG': 1900.0}, {'600518.XSHG': 1100.0}]
The portfolio at 2014-08-13 00:00:00 has 7 stocks, which
[{'601601.XSHG': 1400.0}, {'600018.XSHG': 100.0}, {'601818.XSHG': 600.0}, {'601088.XSHG': 2100.0}, {'600406.XSHG': 1600.0}, {'600999.XSHG': 2900.0}, {'600887.XSHG': 1300.0}]
The portfolio at 2014-08-20 00:00:00 has 6 stocks, which
[{'600000.XSHG': 1900.0}, {'600111.XSHG': 900.0}, {'600016.XSHG': 1600.0}, {'600690.XSHG': 300.0}, {'600150.XSHG': 100.0}, {'601186.XSHG': 5100.0}]
The portfolio at 2014-08-27 00:00:00 has 8 stocks, which
[{'601328.XSHG': 2000.0}, {'600585.XSHG': 300.0}, {'600048.XSHG': 1300.0}, {'601800.XSHG': 1200.0}, {'600690.XSHG': 700.0}, {'600028.XSHG': 1400.0}, {'601989.XSHG': 1200.0}, {'601988.XSHG': 1800.0}]
The portfolio at 2014-09-03 00:00:00 has 8 stocks, which
[{'600016.XSHG': 2200.0}, {'601818.XSHG': 1100.0}, {'600585.XSHG': 2500.0}, {'600089.XSHG': 2000.0}, {'600048.XSHG': 400.0}, {'600104.XSHG': 1100.0}, {'600518.XSHG': 500.0}, {'600150.XSHG': 200.0}]
The portfolio at 2014-09-11 00:00:00 has 7 stocks, which
[{'601857.XSHG': 4300.0}, {'601088.XSHG': 700.0}, {'600048.XSHG': 1000.0}, {'600690.XSHG': 600.0}, {'600518.XSHG': 1000.0}, {'601169.XSHG': 800.0}, {'601901.XSHG': 1400.0}]
The portfolio at 2014-09-18 00:00:00 has 8 stocks, which
[{'601328.XSHG': 1700.0}, {'600111.XSHG': 500.0}, {'600016.XSHG': 3100.0}, {'600015.XSHG': 300.0}, {'600887.XSHG': 400.0}, {'600030.XSHG': 1800.0}, {'601186.XSHG': 600.0}, {'601318.XSHG': 1700.0}]
The portfolio at 2014-09-25 00:00:00 has 11 stocks, which
[{'600050.XSHG': 600.0}, {'600583.XSHG': 700.0}, {'600111.XSHG': 3000.0}, {'600048.XSHG': 500.0}, {'600015.XSHG': 300.0}, {'600028.XSHG': 400.0}, {'600837.XSHG': 1400.0}, {'601169.XSHG': 100.0}, {'601988.XSHG': 600.0}, {'601186.XSHG': 100.0}, {'601901.XSHG': 1700.0}]
The portfolio at 2014-10-09 00:00:00 has 9 stocks, which
[{'600519.XSHG': 1400.0}, {'600585.XSHG': 3000.0}, {'600256.XSHG': 300.0}, {'600048.XSHG': 2500.0}, {'600104.XSHG': 900.0}, {'600015.XSHG': 600.0}, {'600999.XSHG': 300.0}, {'600109.XSHG': 600.0}, {'600887.XSHG': 100.0}]
The portfolio at 2014-10-16 00:00:00 has 8 stocks, which
[{'600519.XSHG': 800.0}, {'601166.XSHG': 6900.0}, {'600104.XSHG': 700.0}, {'600010.XSHG': 200.0}, {'600999.XSHG': 200.0}, {'601766.XSHG': 700.0}, {'601169.XSHG': 100.0}, {'600030.XSHG': 100.0}]
The portfolio at 2014-10-23 00:00:00 has 7 stocks, which
[{'601390.XSHG': 400.0}, {'601668.XSHG': 1100.0}, {'600048.XSHG': 1100.0}, {'600104.XSHG': 200.0}, {'600837.XSHG': 4000.0}, {'601398.XSHG': 2200.0}, {'601318.XSHG': 800.0}]
The portfolio at 2014-10-30 00:00:00 has 6 stocks, which
[{'601857.XSHG': 800.0}, {'600256.XSHG': 600.0}, {'600015.XSHG': 200.0}, {'600887.XSHG': 100.0}, {'601398.XSHG': 7600.0}, {'600030.XSHG': 500.0}]
The portfolio at 2014-11-06 00:00:00 has 8 stocks, which
[{'601328.XSHG': 4800.0}, {'600519.XSHG': 1000.0}, {'601818.XSHG': 800.0}, {'601088.XSHG': 900.0}, {'600585.XSHG': 600.0}, {'600406.XSHG': 900.0}, {'600104.XSHG': 500.0}, {'601901.XSHG': 400.0}]
The portfolio at 2014-11-13 00:00:00 has 7 stocks, which
[{'600583.XSHG': 1300.0}, {'601601.XSHG': 2400.0}, {'600893.XSHG': 400.0}, {'601818.XSHG': 1500.0}, {'600104.XSHG': 1700.0}, {'600109.XSHG': 200.0}, {'601318.XSHG': 2300.0}]
The portfolio at 2014-11-20 00:00:00 has 9 stocks, which
[{'601601.XSHG': 3800.0}, {'600018.XSHG': 300.0}, {'601006.XSHG': 600.0}, {'600089.XSHG': 1300.0}, {'601998.XSHG': 800.0}, {'600015.XSHG': 1300.0}, {'600010.XSHG': 300.0}, {'601989.XSHG': 300.0}, {'601988.XSHG': 1200.0}]
The portfolio at 2014-11-27 00:00:00 has 14 stocks, which
[{'601601.XSHG': 400.0}, {'600893.XSHG': 1700.0}, {'600111.XSHG': 600.0}, {'600519.XSHG': 300.0}, {'601288.XSHG': 800.0}, {'601088.XSHG': 100.0}, {'600585.XSHG': 1800.0}, {'600089.XSHG': 500.0}, {'600015.XSHG': 500.0}, {'600999.XSHG': 200.0}, {'600109.XSHG': 600.0}, {'600518.XSHG': 300.0}, {'601988.XSHG': 1900.0}, {'601318.XSHG': 100.0}]
```
## 回测结果
从上面的回测结果中我们可以看到，每个时点的持仓个股数在7-15只的范围内，然而组合依然可以较好的跟踪标的上证50指数。跟踪误差没有详细去计算，应该在400bps（4%）以内，考虑到大大减少了建仓的难度和成本，因此这个跟踪误差是可以接受的。
## 思考
+ ① 考虑到我们上面仅仅回测了最简单的model，事实上我们完全可以在上面的优化问题中加入更多的限制条件，以获得更为进准的匹配效果。例如，如果我们限制了每只股票的持仓不得高于某个比例，则可以将条件 `wi >= 0` 改为 `xi >= wi >=0`。如果考虑可以融券做空，则优化目标变为 `min ∑|wi|`。如果考虑加入仓位限制，例如仓位控制在70%以上，则可加入 `∑wi > 70%`，等等。
+ ② 该模型可以在一定程度上挖掘任意指数、股票型基金曲线的持仓信息。以基金为例：只要是股票型基金，尤其是该基金的投资标的池已知，例如基金嘉实大盘研究精选的标的池很有可能就是HS300，那么便可以用HS300去跟踪该基金，得到的股票组合很有可能就是嘉实大盘研究精选的持仓。
- Python 量化交易教程
- 第一部分 新手入门
- 一 量化投资视频学习课程
- 二 Python 手把手教学
- 量化分析师的Python日记【第1天：谁来给我讲讲Python？】
- 量化分析师的Python日记【第2天：再接着介绍一下Python呗】
- 量化分析师的Python日记【第3天：一大波金融Library来袭之numpy篇】
- 量化分析师的Python日记【第4天：一大波金融Library来袭之scipy篇】
- 量化分析师的Python日记【第5天：数据处理的瑞士军刀pandas】
- 量化分析师的Python日记【第6天：数据处理的瑞士军刀pandas下篇
- 量化分析师的Python日记【第7天：Q Quant 之初出江湖】
- 量化分析师的Python日记【第8天 Q Quant兵器谱之函数插值】
- 量化分析师的Python日记【第9天 Q Quant兵器谱之二叉树】
- 量化分析师的Python日记【第10天 Q Quant兵器谱 -之偏微分方程1】
- 量化分析师的Python日记【第11天 Q Quant兵器谱之偏微分方程2】
- 量化分析师的Python日记【第12天：量化入门进阶之葵花宝典：因子如何产生和回测】
- 量化分析师的Python日记【第13天 Q Quant兵器谱之偏微分方程3】
- 量化分析师的Python日记【第14天：如何在优矿上做Alpha对冲模型】
- 量化分析师的Python日记【第15天：如何在优矿上搞一个wealthfront出来】
- 第二部分 股票量化相关
- 一 基本面分析
- 1.1 alpha 多因子模型
- 破解Alpha对冲策略——观《量化分析师Python日记第14天》有感
- 熔断不要怕， alpha model 为你保驾护航！
- 寻找 alpha 之: alpha 设计
- 1.2 基本面因子选股
- Porfolio（现金比率+负债现金+现金保障倍数）+市盈率
- ROE选股指标
- 成交量因子
- ROIC&cashROIC
- 【国信金工】资产周转率选股模型
- 【基本面指标】Cash Cow
- 量化因子选股——净利润／营业总收入
- 营业收入增长率+市盈率
- 1.3 财报阅读 • [米缸量化读财报] 资产负债表-投资相关资产
- 1.4 股东分析
- 技术分析入门 【2】 —— 大家抢筹码（06年至12年版）
- 技术分析入门 【2】 —— 大家抢筹码（06年至12年版）— 更新版
- 谁是中国A股最有钱的自然人
- 1.5 宏观研究
- 【干货包邮】手把手教你做宏观择时
- 宏观研究：从估值角度看当前市场
- 追寻“国家队”的足迹
- 二 套利
- 2.1 配对交易
- HS300ETF套利（上）
- 【统计套利】配对交易
- 相似公司股票搬砖
- Paired trading
- 2.2 期现套利 • 通过股指期货的期现差与 ETF 对冲套利
- 三 事件驱动
- 3.1 盈利预增
- 盈利预增事件
- 事件驱动策略示例——盈利预增
- 3.2 分析师推荐 • 分析师的金手指？
- 3.3 牛熊转换
- 历史总是相似 牛市还在延续
- 历史总是相似 牛市已经见顶？
- 3.4 熔断机制 • 股海拾贝之 [熔断错杀股]
- 3.5 暴涨暴跌 • [实盘感悟] 遇上暴跌我该怎么做？
- 3.6 兼并重组、举牌收购 • 宝万战-大戏开幕
- 四 技术分析
- 4.1 布林带
- 布林带交易策略
- 布林带回调系统-日内
- Conservative Bollinger Bands
- Even More Conservative Bollinger Bands
- Simple Bollinger Bands
- 4.2 均线系统
- 技术分析入门 —— 双均线策略
- 5日线10日线交易策略
- 用5日均线和10日均线进行判断 --- 改进版
- macross
- 4.3 MACD
- Simple MACD
- MACD quantization trade
- MACD平滑异同移动平均线方法
- 4.4 阿隆指标 • 技术指标阿隆（ Aroon ）全解析
- 4.5 CCI • CCI 顺势指标探索
- 4.6 RSI
- 重写 rsi
- RSI指标策略
- 4.7 DMI • DMI 指标体系的构建及简单应用
- 4.8 EMV • EMV 技术指标的构建及应用
- 4.9 KDJ • KDJ 策略
- 4.10 CMO
- CMO 策略模仿练习 1
- CMO策略模仿练习2
- [技术指标] CMO
- 4.11 FPC • FPC 指标选股
- 4.12 Chaikin Volatility
- 嘉庆离散指标测试
- 4.13 委比 • 实时计算委比
- 4.14 封单量
- 按照封单跟流通股本比例排序，剔除6月上市新股，前50
- 涨停股票封单统计
- 实时计算涨停板股票的封单资金与总流通市值的比例
- 4.15 成交量 • 决战之地， IF1507 ！
- 4.16 K 线分析 • 寻找夜空中最亮的星
- 五 量化模型
- 5.1 动量模型
- Momentum策略
- 【小散学量化】-2-动量模型的简单实践
- 一个追涨的策略(修正版)
- 动量策略（momentum driven）
- 动量策略（momentum driven）——修正版
- 最经典的Momentum和Contrarian在中国市场的测试
- 最经典的Momentum和Contrarian在中国市场的测试-yanheven改进
- ［策略］基于胜率的趋势交易策略
- 策略探讨（更新）：价量结合+动量反转
- 反向动量策略（reverse momentum driven）
- 轻松跑赢大盘 - 主题Momentum策略
- Contrarian strategy
- 5.2 Joseph Piotroski 9 F-Score Value Investing Model · 基本面选股系统：Piotroski F-Score ranking system
- 5.3 SVR · 使用SVR预测股票开盘价 v1.0
- 5.4 决策树、随机树
- 决策树模型（固定模型）
- 基于Random Forest的决策策略
- 5.5 钟摆理论 · 钟摆理论的简单实现——完美躲过股灾和精准抄底
- 5.6 海龟模型
- simple turtle
- 侠之大者 一起赚钱
- 5.7 5217 策略 · 白龙马的新手策略
- 5.8 SMIA · 基于历史状态空间相似性匹配的行业配置 SMIA 模型—取交集
- 5.9 神经网络
- 神经网络交易的训练部分
- 通过神经网络进行交易
- 5.10 PAMR · PAMR ： 基于均值反转的投资组合选择策略 - 修改版
- 5.11 Fisher Transform · Using Fisher Transform Indicator
- 5.12 分型假说， Hurst 指数 · 分形市场假说，一个听起来很美的假说
- 5.13 变点理论 · 变点策略初步
- 5.14 Z-score Model
- Zscore Model Tutorial
- 信用债风险模型初探之：Z-Score Model
- user-defined package
- 5.15 机器学习 · Machine Learning 学习笔记（一） by OTreeWEN
- 5.16 DualTrust 策略和布林强盗策略
- 5.17 卡尔曼滤波
- 5.18 LPPL anti-bubble model
- 今天大盘熔断大跌，后市如何—— based on LPPL anti-bubble model
- 破解股市泡沫之谜——对数周期幂率（LPPL）模型
- 六 大数据模型
- 6.1 市场情绪分析
- 通联情绪指标策略
- 互联网+量化投资 大数据指数手把手
- 6.2 新闻热点
- 如何使用优矿之“新闻热点”？
- 技术分析【3】—— 众星拱月，众口铄金?
- 七 排名选股系统
- 7.1 小市值投资法
- 学习笔记：可模拟（小市值+便宜 的修改版）
- 市值最小300指数
- 流通市值最小股票（新筛选器版）
- 持有市值最小的10只股票
- 10% smallest cap stock
- 7.2 羊驼策略
- 羊驼策略
- 羊驼反转策略（修改版）
- 羊驼反转策略
- 我的羊驼策略，选5只股无脑轮替
- 7.3 低价策略
- 专捡便宜货(新版quartz)
- 策略原理
- 便宜就是 alpha
- 八 轮动模型
- 8.1 大小盘轮动 · 新手上路 -- 二八ETF择时轮动策略2.0
- 8.2 季节性策略
- Halloween Cycle
- Halloween cycle 2
- 夏买电，东买煤？
- 历史的十一月板块涨幅
- 8.3 行业轮动
- 银行股轮动
- 申万二级行业在最近1年、3个月、5个交易日的涨幅统计
- 8.4 主题轮动
- 快速研究主题神器
- recommendation based on subject
- strategy7: recommendation based on theme
- 板块异动类
- 风险因子（离散类）
- 8.5 龙头轮动
- Competitive Securities
- Market Competitiveness
- 主题龙头类
- 九 组合投资
- 9.1 指数跟踪 · [策略] 指数跟踪低成本建仓策略
- 9.2 GMVP · Global Minimum Variance Portfolio (GMVP)
- 9.3 凸优化 · 如何在 Python 中利用 CVXOPT 求解二次规划问题
- 十 波动率
- 10.1 波动率选股 · 风平浪静 风起猪飞
- 10.2 波动率择时
- 基于 VIX 指数的择时策略
- 简单低波动率指数
- 10.3 Arch/Garch 模型 · 如何使用优矿进行 GARCH 模型分析
- 十一 算法交易
- 11.1 VWAP · Value-Weighted Average Price (VWAP)
- 十二 中高频交易
- 12.1 order book 分析 · 基于高频 limit order book 数据的短程价格方向预测—— via multi-class SVM
- 12.2 日内交易 · 大盘日内走势 (for 择时)
- 十三 Alternative Strategy
- 13.1 易经、传统文化 · 老黄历诊股
- 第三部分 基金、利率互换、固定收益类
- 一 分级基金
- “优矿”集思录——分级基金专题
- 基于期权定价的分级基金交易策略
- 基于期权定价的兴全合润基金交易策略
- 二 基金分析
- Alpha 基金“黑天鹅事件” -- 思考以及原因
- 三 债券
- 债券报价中的小陷阱
- 四 利率互换
- Swap Curve Construction
- 中国 Repo 7D 互换的例子
- 第四部分 衍生品相关
- 一 期权数据
- 如何获取期权市场数据快照
- 期权高频数据准备
- 二 期权系列
- [ 50ETF 期权] 1. 历史成交持仓和 PCR 数据
- 【50ETF期权】 2. 历史波动率
- 【50ETF期权】 3. 中国波指 iVIX
- 【50ETF期权】 4. Greeks 和隐含波动率微笑
- 【50ETF期权】 5. 日内即时监控 Greeks 和隐含波动率微笑
- 【50ETF期权】 5. 日内即时监控 Greeks 和隐含波动率微笑
- 三 期权分析
- 【50ETF期权】 期权择时指数 1.0
- 每日期权风险数据整理
- 期权头寸计算
- 期权探秘1
- 期权探秘2
- 期权市场一周纵览
- 基于期权PCR指数的择时策略
- 期权每日成交额PC比例计算
- 四 期货分析
- 【前方高能！】Gifts from Santa Claus——股指期货趋势交易研究