知识库

本笔记介绍如何从原始 SEC Form 4 XML 中提取内幕交易记录，用于量化股票研究。它使用 XML 解析器，将每笔交易的代码、日期、股数、价格和方向保留在对应的交易区块中，同时单独保留发行人和申报所有者信息。联合申报可能包含多个所有者，因此会将所有者收集为列表，而不是把每笔交易都归给找到的第一个姓名。…

本案例研究对 ETF 动量进行因果估计，并考察其对未来收益的影响是否随市场波动率变化。研究使用连续型动量处理变量、21 日未来收益结果、波动率和收益率曲线控制变量，以及因果森林来估计平均效应和市场环境条件效应。估计值和市场环境阈值由训练数据推导，随后用于调整留出期内的仓位规模。所得规则与朴素基准和简单替代方案进行比较，并计入交易成本。…

本笔记介绍 NLinear，将其作为预测 US 股票收益的简单序列模型基准。每个样本使用一只股票连续 60 个交易时段的窗口，特征按时间顺序排列。对于每项特征，模型先减去其最新值，将所得历史序列线性映射为一个值，再加回最新值，最后合并各特征的输出以生成预测。这使它成为评估表达能力更强的循环模型或特征混合模型的有用对照。…

本文档介绍一项滚动研究，利用 TabM 神经网络根据公司特征预测月度收益。由于共享训练运行器将回归目标固定为平方误差、分类目标固定为交叉熵，实验改变模型容量、训练检查点和预测目标，而非损失函数。文档比较三种容量预设，分别用于原始收益、横截面缩尾后的收益和方向类别标签。每个训练折内拟合预处理，并将所有已声明检查点的预测保存在可审计的数据集中。 笔记使用月度信息系数和相关诊断来考察非线性模型捕捉到的内容，但不选择优胜模型。模型选择留待验证集回测夏普比率阶段，因为预测排名本身不能证明扣除成本后能够盈利。报告的 IC…

本文档介绍一套流程，将标准化市场数据加载器、预构建特征注册表和信号诊断连接起来。特征计算可通过名称、参数字典或 YAML 指定，从而支持可重复的流程和多个指标期限。文档比较了使用指数平滑的手动 RSI 实现与使用威尔德平滑的库实现，并说明何时适合使用库特征或自定义代码。Polars 示例涵盖分组滚动计算、时点一致的 as-of 联结，以及适用于大型数据集的惰性处理。 评估时，流程将计算出的动量特征传递给诊断工具，以报告信息系数、t 统计量和分位数组收益差。示例中，原始动量因子的横截面预测关联接近于零，在 ETF…

本笔记介绍将工具变量主成分分析作为横截面收益模型。它不直接为各公司的特征分配收益权重，而是由 IPCA 估计特征到因子暴露的共享线性映射，同时估计月度因子收益。笔记使用交替最小二乘法和岭惩罚联合拟合映射与收益，然后将训练集估计值应用于验证期特征以预测收益。…

本笔记比较四种神经网络设计完成同一任务的表现：汇总八只交易所交易基金的历史收益窗口，预测下一日收益。笔记介绍了全连接网络、一维卷积、LSTM 和 GRU 如何处理这些输入，随后比较它们的验证误差和每个训练步骤所需时间。对更长输入窗口进行测试，展示了循环模型需要更多顺序计算，而全连接模型则会加宽其第一层。…

这项可行性分析检查现有数据和假设是否足以支持一种每周策略：按平值隐含波动率为标普 500 股票排名，并买入排名靠前的股票。信号来自期权，但持仓标的是股票。笔记定义了隐含波动率和所选期权合约，并检查供应商计算失败、到期日历、标的范围、成本假设及滚动切分如何影响研究设计。…

本笔记评估用于标普 500 股票排名的序列模型，输入为期权曲面和价格历史窗口。笔记将没有循环记忆的归一化线性模型与门控机制可随时间传递信息的 LSTM 配对比较。线性模型是有意义的基准：如果 LSTM 没有优于它，那么新增记忆在这些数据上就尚未显示出价值。模型使用滚动折预测股票未来收益或风险调整后收益。…

本笔记展示跨 Yahoo Finance、WikiPrices 和FRED的统一OHLCV接口，并使用这些来源获取当前ETF数据、长历史股票数据和宏观经济序列。它介绍按优先级排列的数据获取回退方案，并强调记录每条观测的数据来源，以便审查拼接后的面板。该ETF资产范围涵盖股票、债券和大宗商品敞口，供后续轮动策略使用。…

本综合笔记使用多元化ETF资产范围中的共同信号，比较等权、反波动率、均值—方差优化和层次风险平价。滚动 Ridge 模型使用动量、与移动平均线的距离和波动率特征估计前向收益，并选择做多和做空的ETF。比较通过将同一信号应用于各方法，区分标的选择与配置，再评估投资组合表现、稳定性、回撤、换手率和市场状态下的行为。留出期之前的选择阶段决定后续留出期评估采用的配置方法；另行进行考虑执行因素的重放，并纳入佣金、滑点和下一根柱成交。…

本笔记介绍如何根据 DataBento…

本笔记考察再平衡频率如何影响ETF动量组合的换手率、毛收益表现和成本调整后结果。该组合按动量排名筛选，并依据历史目标权重变化估算每日、每周、每两周和每月调仓的换手率，再采用示例性价差、市场冲击和佣金假设。盈亏平衡阿尔法通过将年化单向换手率乘以往返成本计算，得出覆盖交易成本所需的毛收益门槛。另行进行情景分析，考察信号衰减和持续性成本如何影响偏好的调仓频率，并比较各频率下的毛夏普和净夏普。历史分析使用固定资产范围和样本，以及数据提供商调整后的收盘价；它是描述性分析，未使用未经查看的留出集。成本组合是假设性的教学示例，…

本笔记比较 LightGBM…

本笔记展示如何将亏损交易与其决策对应的模型解释联系起来。它根据价格和宏观经济数据构建单一资产SPY特征面板，在较早的观测上训练 LightGBM 模型，再用较晚的观测构建交易记录和SHAP解释。交易分析器对表现最差交易的解释进行聚类，旨在发现可用于调查特征、市场状态或数据问题的模式。…

本笔记介绍一个针对NASDAQ-100股票预测的15分钟回测流程。首先进行随机信号流程检查：由于随机交易扣除成本后理应亏损，若结果持续盈利，可能意味着存在前视偏差、数据未对齐或漏计成本等问题。随后将不同预测和入场方案组合提交至统一回测引擎，并使用包括 Deflated Sharpe Ratio 在内的统计指标评估登记结果。所述设置使用根据成交价格构建的OHLCV柱，并计入佣金和滑点。…

本笔记根据NASDAQ ITCH成交数据构建市场微观结构指标，将成交汇总为日内柱，并区分流动性代理指标、订单流信号和订单簿状态。它先用跳动规则对单笔成交分类，再进行汇总，使买入量和卖出量能够构成有意义的订单流失衡指标。随后展示 Kyle lambda 的比率近似、Amihud 非流动性、Roll 价差和成交强度，并解释各自的输入和含义。 一个重要注意事项是，实际实现的 Kyle lambda 是绝对收益对相对成交量之比，并非原始定义中的带符号订单流回归斜率。本笔记还展示了 Kyle 和 Amihud…

本笔记为一种读取上市期权信号并交易标的股票的策略构建前向收益标签。它对每日股价进行拆股和股息调整，使用持久证券标识符，并根据预定入场和出场时可执行的价格定义收益。笔记检查每个前向窗口是否完整、是否始终对应同一证券，并按市场交易时段计数，而非简单地跨可用行移位。标签集涵盖不同持有期的收益、风险缩放和方向性变体。…

本笔记估算，相较于纳入退出数据集公司的投资组合，仅包含存续US股票的等权投资组合可能高估多少收益。首先检查面板数据记录退出的时间，发现可用的退出历史仅从较晚年份开始。由于面板缺少退市原因和终值回报，分析采用根据已发表的CRSP比率校准的情景，对最后报价后的结果进行建模。在计算投资组合偏差之前，先检查复权价格是否因未调整的公司行动而出现不合理跳变，并修正受影响的回报。…

这本笔记研究交易成本对频繁再平衡的 NASDAQ-100 策略的影响。首先，它将基点成本假设应用于现有的成本前回测，展示成本上升时夏普率如何变化。然后，它比较共享的等权前 k 名策略在完整标的范围和成本筛选版本下的表现，以单独衡量选择更易于交易的标的所产生的影响。另一个扫描实验会改变再平衡频率和每股成本，以考察降低交易频率如何影响表现和交易数量。…

这本笔记介绍工具变量主成分分析，它根据可观察的股票特征决定潜在因子载荷，而不是为每只股票指定固定载荷。根据特征到因子敞口的共享映射，可以为训练面板中未出现的股票生成载荷，也可以在股票特征变化时调整载荷。该方法与普通 PCA 并列介绍，比较时计划固定因子数量、面板和滚动折。…

这本笔记演示如何为动量组合调整 StopLoss、TakeProfit 和 TrailingStop 规则，同时按时间顺序隔离校准期和评估期。它使用校准数据测试单项规则的宽度及其组合，然后在开启后续评估期之前固定选定配置。已平仓交易的最大不利和有利变动也可用于设定候选止损和目标价位。 示例使用固定的五只 ETF 面板、等权重的动量前三名选股，并在基于已完成收盘价形成信号后，于下一根 K 线执行。候选规则采用 Calmar 指标进行比较，该指标由 CAGR…

这份文档演示如何通过通用策略接口，将为期五天的 ETF 动量策略连接到 Alpaca。该策略跟踪 SPY、QQQ 和 IWM 的动量，并在动量越过阈值时生成信号。经纪商专用适配器负责处理数据和订单，而策略及其风险封装可以重复使用。笔记分别检查 SDK 是否可用、凭证、账户状态和执行模式，并支持影子模式；在该模式下会记录订单，但不会发送订单。 默认情况下，演示使用模拟经纪商和确定性柱线，因此无需 Alpaca…

这份文档介绍小波分解和滚动频谱估计如何描述不同时间尺度上的金融收益。小波将收益分解为涵盖逐渐变慢周期的成分，从而可以观察各尺度分别解释了多少变动。示例使用 SPY 日收益并比较多个小波族，发现最快的成分包含大部分方差，而较慢的成分在不同小波族之间大体相似。…