UFund-Me,专注将前沿人工智能技术(机器学习、深度学习、强化学习、遗传算法、图计算、知识图谱等)应用于金融量化投资。
金融投资领域是高度信息密集型,而且信息相对结构化,照理讲是最适合机器计算的领域。可是,当前投资仍然处于“刀耕火种”的年代,有人忙于调研,读报表;有人忙于盯盘,画线条。
alphago master登顶围棋之巅都过去五年之久了,算法、算力日新月异的发展,不应该是当前这个样子。
尽管金融数据低“信噪比”,也不要指望打造一台永动机。
但请相信一句话就是:
No man is better than a machine, but no machine is better than a man with a machine!
让机器辅助我们投资,将无往而不利。
按照个人积极参与主动决策的程度,把投资分成三个层次:
- 全天候大类资产配置。 被动管理,很少参与。在坐好资产后长期持续,只做一些被动再平衡的操作;
- 战术资产配置。 关注宏观层面大的周期,在周期偏好的资产上持有更多的仓位。
- 择时 积极判断市场方向,期望做到“低买高卖”。
这三个层次,从上到下,越来越不确定,越来越难,风险也越来越高。当然如果做好,收益也是越来越大。
建议普通人都从第一层次做起,比较容易做到从理财往投资过渡。
但是很遗憾,大部分人一上手就是冲着第三层次来的,“追涨杀跌”却常常做错方向,最终成为韭菜。
传统的量化投资,使用技术指标比如均值,MACD,RSI,KDJ等以及它们的线性变种来产生信号。 有几个缺点:
-
一则这是线性的,
-
二是参数全凭经验,没有调优的过程,
-
三是规则是静态的,无法根据市场变化自主进化。
我们的目标,是把前沿人工智能技术,包括机器学习,深度学习,深度强化学习,知识图谱,时间序列分析等技术应用于金融大数据挖掘, 更好的赋能量化投资。
金融数据的低信噪比,让这件事情变更很难,
难,才有意思。
algo_list_rolling = [
SelectFix(instruments=['sh000300', 'sh000905', 'sz399006']),
SelectBySignal(signal_buy='to_buy', signal_sell='to_sell'),
SelectTopK(K=1,col='五日动量'),
WeightEqually()
]
python3.7~3.10
直接git或者下载源码包,安装相关依赖,然后运行qbot_main.py
即可。
git clone https://github.com/Charmve/iQuant
cd iQuant
pip install -r requirements.txt
python qbot_main.py
微信:Yida_Zhang2
持续分享前沿人工智能技术如何赋能金融投资,并找到一帮志同道合的朋友!