知识星球与开源项目:万物之中,希望至美原创文章第299篇,专注“个人成长与财富自由、世界运作的逻辑与投资"。
聚焦战略,要解决”症结性难题“。之前AI量化,”症结性难题“是因子、因子挖掘,而后基于多因子的策略构建。
因子,指标找到优质的因子。
那么从用户的角度,价值是什么?少部分懂代码的人希望其中的逻辑,代码,原理。更大的用户群体,更关心:告诉我买什么,何时买。
当然这里存在悖论,但信息增值还是大有可为:基础维度整理变成基础因子,基础因子通过人工构造或机器挖掘,形成复合因子,因子组成成策略集合。
一、【数据】证券的多维基础数据大宽表
股票(价量,基本面),转债(价量,基本面,债券估值),指数(价量)
二、【因子】因子集
三、【策略】策略集
然后围绕这些的讨论与社群,思路交流等。
量化基础数据,其实是一个数据源的概念,当然我们没有引入复杂的hadoop之类的基础架构,甚至没有使用clickhouse,而是使用mongo(没有使用arctic)。
mongo是持久化层,同时也是ODS层,就是尽量贴近原始数据格式,只做一些数据字段的统一,比如统一叫symbol,date等(多个数据来源,有些叫code, symbol等)。
可转债一共954支,包含历史上退市的。
1270支场内基金(当前可以交易的):
财务指标数据(PIT,季度频率):
如此这般,我们股票相关的数据最多:basic是基础数据,比如名称:贵州茅台,何时上市,所属版块等;quotes是价量日频数据,pit是季度财务指标,daily是日频估值数据,比如pe/pb/市值等,最新日期的数据会计算后进入stock_basis_daily这是一个截面的大宽表,可以按维度进行选股。
quotes和daily表是需要每日收盘后更新的:
后续我们需要把这些历史数据导入csv,离线把csv合并成大宽表,而后使用duckdb的分析能力。(开放星球会员下载,每日更新)知识星球与开源项目:万物之中,希望至美
吾日三省吾身
之前看到一句话,叫陌生人,只要不触及底限,随它去。开车、地铁上会与人冲突,着实没有必要,都是10秒内情绪的问题。但在职场,不一样,有人试探性的挑战你,有一次可能就有无数次,必须给予回应。
当然本着与人为善,职场毕竟不是生活之全部,每个人都有自己的立场与逻辑,并不会是”非黑即白“的好人或者坏人的逻辑。之于有些人,有些事,没有必要掀桌子,无视且敬而远之就是最好的回应。
一旦去理论,就会与之拉到相应的维度,拎不清还惹一身骚。它们的认知、格局和维度不够,但甩得一手好锅。正面刚显然不是最优策略,应该说“多看它一眼,都是你自己的错“。
目前还是持续开发数据、因子、策略中:
应大家要求发放30张限期优惠券,有需要的同学请领取:
联系客服