『壹』 求大神根據歐奈爾選股思路做一個通達信公式，謝謝！
HH1:=HHV(H,50);
LL1:=LLV(L,50);
CON1:=LL1>=0.6*HH1;
CON2:=BARSLAST(H=HH1)>BARSLAST(L=LL1);
HH2:=HHV(H,BARSLAST(L=LL1)-1);
LL2:=LLV(L,BARSLAST(H=HH2)-1);
CON3:=REF(LL2,1)>=0.8*REF(HH2,1);
CON4:=REF(LL2,1)>=0.5*REF((HH2+LL1),1);
CON5:=BARSLAST(L=LL2)>=2;
VVOLC:=REF(SUM(VOL,3),REF(BARSLAST(H=HH2),1));
VVOLD:=REF(SUM(VOL,3),REF(BARSLAST(L=LL2),1));
CON6:=VVOLC>=2*VVOLD;
CON7:=CROSS(CLOSE,REF(HH2,1)) AND VOL>=2*REF(VOL,1);
FLAG:CON1 AND CON2 AND CON3 AND CON4 AND CON5 AND CON6 AND CON7;
『貳』 金瑞鼎盛的金股池是什麼
金瑞鼎盛精選股票池是量化團隊通過多因子量化模型層層選拔，從3000隻股票中挑選出最適合模型操作的30來只金股，徹底解決困擾投資者朋友的最4大難題：買什麼，何時買，買多少，何時賣？
『叄』 如何篩選有效的alpha 因子
如何尋找Alpha。對於Alpha模型的構建，核心問題在於：我們該如何尋找Alpha？也就是說，Alpha到底源自哪裡？從海外市場的先進研究經驗來看，因子模型是現代金融理論中發展較為成熟，且應用較為廣泛的證券投資技術。因此，基於這些研究成果，我們可以遵循著因子模型的分析邏輯，來尋找出可能會給我們的投資帶來Alpha的有效因子。
回到A股市場，一個股票能夠取得高收益的原因往往有很多，但歸納起來，不外乎在於盈利能力強、成長性好、財務狀況良好、市場熱點等等的一系列因素。然而，由於股票數量和各種指標龐大而繁雜的數據量，難以通過人手去對每一隻股票作出分析和比較。此時，我們需要運用數量化的方法，通過金融工程技術將以上所述的各種影響因素轉化為量化因子，從而構建起一個大容量的量化因子體系，實現自動化地從龐大的股票池和海量的資料庫中挑選出具有Alpha（即超額收益）的投資標的。結合A股市場的運行特徵，我們最後共篩選和歸納出了12個大類的Alpha量化因子，從而試圖從各個方面去捕捉Alpha收益的來源。
『肆』 二零二一年明泓基金投資了哪些股票
明汯是做中性策略為主的，他的風格是根據自己模型的因子選出能有α超額收益的股票，通過期貨對沖掉β，獲取超額收益。所以他的股票池很多，並且股票周轉率極高，所以帶有滯後性的關註明汯的股票，沒有太大意義。
『伍』 如何理解量化選股和量化擇時之間的關系
所謂量化投資，就是通過定量或統計的方法，不斷地從歷史數據中挖掘有效的規律並在投資行為中加以利用，甚至通過計算機程序自動執行下單的動作。也就是說，量化投資方法是靠「概率」取勝，其最鮮明的特徵就是可定量化描述的模型、規律或策略。
對於股票市場，量化投資主要包括量化選股、量化擇時、演算法交易、股票組合配置、資金或倉位管理、風險控制等。我們這里重點聊一聊量化選股和擇時策略，其中前者解決哪些股票值得關注或持有，後者解決何時買入或賣出這些股票，以期在可承受的風險程度下，獲得盡可能多的收益。
第一階段：選股
選股的目標是從市場上所有可交易的股票中，篩選出適合自己投資風格的、具有一定安全邊際的股票候選集合，通常稱為「股票池」，並可根據自己的操作周期或市場行情變化，不定時地調整該股票池，作為下一階段擇時或調倉的基礎。
量化選股的依據可以是基本面，也可以是技術面，或二者的結合。常用的量化選股模型舉例如下：
1多因子模型
多因子模型：採用一系列的「因子」作為選股標准，滿足這些因子的股票將作為候選放入股票池，否則將被移出股票池。這些因子可以是一些基本面指標，如 PB、PE、EPS 增長率等，也可以是一些技術面指標，如動量、換手率、波動率等，或者是其它指標，如預期收益增長、分析師一致預期變化、宏觀經濟變數等。多因子模型相對來說比較穩定，因為在不同市場條件下，總有一些因子會發生作用。
2板塊輪動模型
板塊輪動模型：一種被稱作風格輪動，它是根據市場風格特徵進行投資，比如有時市場偏好中小盤股，有時偏好大盤股，如果在風格轉換的初期介入，則可以獲得較大的超額收益；另一種被稱作行業輪動，即由於經濟周期的原因，總有一些行業先啟動行情，另有一些（比如處於產業鏈上下游的）行業會跟隨。在經濟周期過程中，依次對這些輪動的行業進行配置，比單純的買入持有策略有更好的效果。
3一致性預期模型
一致性預期模型：指市場上的投資者可能會對某些信息產生一致的看法，比如大多數分析師看好某一隻股票，可能這個股票在未來一段時間會上漲；如果大多數分析師看空某一隻股票，可能這個股票在未來一段時間會下跌。一致性預期策略就是利用大多數分析師的看法來進行股票的買入賣出操作。
與此類似的思路還有基於股吧、論壇、新聞媒體等對特定股票提及的輿情熱度或偏正面/負面的消息等作為依據。還有一種思路是反向操作，迴避羊群效應（物極必反），避免在市場狂熱時落入主力資金出貨的陷阱。
4資金流模型
資金流模型：其基本思想是根據主力資金的流向來判斷股票的漲跌，如果資金持續流入，則股票應該會上漲，如果資金持續流出，則股票應該下跌。所以可將資金流入流出情況編製成指標，利用該指標來預測未來一段時間內股票的漲跌情況，作為選股依據。
第二階段：擇時
擇時的目標是確定股票的具體買賣時機，其依據主要是技術面。取決於投資周期或風格（例如中長線、短線，或超短線），擇時策略可以從比較粗略的對股票價位相對高低位置的判斷，到依據更精確的技術指標或事件消息等作為信號來觸發交易動作。
一般來說，擇時動作的產生可以基於日K線（或周K線），也可以基於日內的小時或分鍾級別K線，甚至tick級的分時圖等。具體的量化擇時策略可以分為如下幾種：
1趨勢跟蹤型
趨勢跟蹤型策略適用於單邊上升或單邊下降（如果可做空的話）的行情——當大盤或個股出現一定程度的上漲和一定程度的下跌，則認為價格走勢會進一步上漲或下跌而做出相應操作（買入->持有->加倉->繼續持有->賣出）。
2高拋低吸型
高拋低吸型：高拋低吸型策略適用於震盪行情——當價格走勢在一定范圍的交易區間（箱形整理）或價格通道（平行上升或下降通道）的上下軌之間波動時，反復地在下軌附近買入，在上軌附近賣出，賺取波段差價利潤（下軌買入->上軌賣出->下軌買入->上軌賣出->…）。
3橫盤突破型
橫盤突破型：價格走勢可能在一定區間范圍內長時間震盪，總有一天或某一時刻走出該區間，或者向上突破價格上軌（如吸籌階段結束開始拉升），或者向下突破價格下軌（如主力出貨完畢，或向下一目標價位跌落以尋找有效支撐），此時行情走勢變得明朗。
橫盤突破型策略就是要抓住這一突破時機果斷開多或開空，以期用最有利價位和最小風險入場，獲得後續利潤（空倉或持倉等待機會->突破上軌則買入或平空/突破下軌則賣出或做空）。
常見的趨勢跟蹤型策略有：短時和長時移動均線交叉策略，均線多頭排列和空頭排列入場出場策略，MACD的DIFF和DEA線交叉策略等。如下圖所示：
常見的高拋低吸型策略一般通過震盪類技術指標，如KDJ、RSI、CCI等，來判斷價格走勢的超賣或超賣狀態，或通過MACD紅綠柱或量能指標與價格走勢間的背離現象，來預測波動區間拐點的出現。如下圖所示：
常見的橫盤突破策略包括布林帶上下軌突破、高低價通道突破、Hans-123、四周法則等。如下圖所示：
必須要強調的是，趨勢跟蹤型策略和高拋低吸型策略適用於完全不同的市場行情階段——如果在單邊趨勢中做高拋低吸，或是在震盪行情中做趨勢跟蹤，則可能會造成很大虧損。因此，對這二者的使用，最關鍵的是，第一要盡量准確地判斷當前行情類型，第二是要時刻做好止損保護（和及時止盈）。
總結一下：
在瘋牛秘籍和瘋牛形態系列產品中，提供了大量對股市規律的揭示、以及基於這些規律制定的量化策略，例如基於各類公告事件、資金動向、技術指標等制定的策略和規律，以及次日機會、底部形態反轉等對應的交易時機。
這些實時動態的策略可為投資者的選股和擇時操作提供高效的、有價值的參考。
『陸』 如何有效的使用因子
如何尋找Alpha。對於Alpha模型的構建，核心問題在於：我們該如何尋找Alpha？也就是說，Alpha到底源自哪裡？從海外市場的先進研究經驗來看，因子模型是現代金融理論中發展較為成熟，且應用較為廣泛的證券技術。因此，基於這些研究成果，我們可以遵循著因子模型的分析邏輯，來尋找出可能會給我們的帶來Alpha的有效因子。
回到A股市場，一個股票能夠取得高收益的原因往往有很多，但歸納起來，不外乎在於盈利能力強、成長性好、財務狀況良好、市場熱點等等的一系列因素。然而，由於股票數量和各種指標龐大而繁雜的數據量，難以通過人手去對每一隻股票作出分析和比較。此時，我們需要運用數量化的方法，通過金融工程技術將以上所述的各種影響因素轉化為量化因子，從而構建起一個大容量的量化因子體系，實現自動化地從龐大的股票池和海量的資料庫中挑選出具有Alpha（即超額收益）的標的。結合A股市場的運行特徵，我們最後共篩選和歸納出了12個大類的Alpha量化因子，從而試圖從各個方面去捕捉Alpha收益的來源。
『柒』 投資學的一道論述題，求詳解
所謂量化投資，就是通過定量或統計的方法，不斷地從歷史數據中挖掘有效的規律並在投資行為中加以利用，甚至通過計算機程序自動執行下單的動作。也就是說，量化投資方法是靠「概率」取勝，其最鮮明的特徵就是可定量化描述的模型、規律或策略。
對於股票市場，量化投資主要包括量化選股、量化擇時、演算法交易、股票組合配置、資金或倉位管理、風險控制等。我們這里重點聊一聊量化選股和擇時策略，其中前者解決哪些股票值得關注或持有，後者解決何時買入或賣出這些股票，以期在可承受的風險程度下，獲得盡可能多的收益。
第一階段：選股
選股的目標是從市場上所有可交易的股票中，篩選出適合自己投資風格的、具有一定安全邊際的股票候選集合，通常稱為「股票池」，並可根據自己的操作周期或市場行情變化，不定時地調整該股票池，作為下一階段擇時或調倉的基礎。
量化選股的依據可以是基本面，也可以是技術面，或二者的結合。常用的量化選股模型舉例如下：
1多因子模型
多因子模型：採用一系列的「因子」作為選股標准，滿足這些因子的股票將作為候選放入股票池，否則將被移出股票池。這些因子可以是一些基本面指標，如 PB、PE、EPS 增長率等，也可以是一些技術面指標，如動量、換手率、波動率等，或者是其它指標，如預期收益增長、分析師一致預期變化、宏觀經濟變數等。多因子模型相對來說比較穩定，因為在不同市場條件下，總有一些因子會發生作用。
2板塊輪動模型
板塊輪動模型：一種被稱作風格輪動，它是根據市場風格特徵進行投資，比如有時市場偏好中小盤股，有時偏好大盤股，如果在風格轉換的初期介入，則可以獲得較大的超額收益；另一種被稱作行業輪動，即由於經濟周期的原因，總有一些行業先啟動行情，另有一些（比如處於產業鏈上下游的）行業會跟隨。在經濟周期過程中，依次對這些輪動的行業進行配置，比單純的買入持有策略有更好的效果。
3一致性預期模型
一致性預期模型：指市場上的投資者可能會對某些信息產生一致的看法，比如大多數分析師看好某一隻股票，可能這個股票在未來一段時間會上漲；如果大多數分析師看空某一隻股票，可能這個股票在未來一段時間會下跌。一致性預期策略就是利用大多數分析師的看法來進行股票的買入賣出操作。
與此類似的思路還有基於股吧、論壇、新聞媒體等對特定股票提及的輿情熱度或偏正面/負面的消息等作為依據。還有一種思路是反向操作，迴避羊群效應（物極必反），避免在市場狂熱時落入主力資金出貨的陷阱。
4資金流模型
資金流模型：其基本思想是根據主力資金的流向來判斷股票的漲跌，如果資金持續流入，則股票應該會上漲，如果資金持續流出，則股票應該下跌。所以可將資金流入流出情況編製成指標，利用該指標來預測未來一段時間內股票的漲跌情況，作為選股依據。
第二階段：擇時
擇時的目標是確定股票的具體買賣時機，其依據主要是技術面。取決於投資周期或風格（例如中長線、短線，或超短線），擇時策略可以從比較粗略的對股票價位相對高低位置的判斷，到依據更精確的技術指標或事件消息等作為信號來觸發交易動作。
一般來說，擇時動作的產生可以基於日K線（或周K線），也可以基於日內的小時或分鍾級別K線，甚至tick級的分時圖等。具體的量化擇時策略可以分為如下幾種：
1趨勢跟蹤型
趨勢跟蹤型策略適用於單邊上升或單邊下降（如果可做空的話）的行情——當大盤或個股出現一定程度的上漲和一定程度的下跌，則認為價格走勢會進一步上漲或下跌而做出相應操作（買入->持有->加倉->繼續持有->賣出）。
2高拋低吸型
高拋低吸型：高拋低吸型策略適用於震盪行情——當價格走勢在一定范圍的交易區間（箱形整理）或價格通道（平行上升或下降通道）的上下軌之間波動時，反復地在下軌附近買入，在上軌附近賣出，賺取波段差價利潤（下軌買入->上軌賣出->下軌買入->上軌賣出->…）。
3橫盤突破型
橫盤突破型：價格走勢可能在一定區間范圍內長時間震盪，總有一天或某一時刻走出該區間，或者向上突破價格上軌（如吸籌階段結束開始拉升），或者向下突破價格下軌（如主力出貨完畢，或向下一目標價位跌落以尋找有效支撐），此時行情走勢變得明朗。
橫盤突破型策略就是要抓住這一突破時機果斷開多或開空，以期用最有利價位和最小風險入場，獲得後續利潤（空倉或持倉等待機會->突破上軌則買入或平空/突破下軌則賣出或做空）。
常見的趨勢跟蹤型策略有：短時和長時移動均線交叉策略，均線多頭排列和空頭排列入場出場策略，MACD的DIFF和DEA線交叉策略等。如下圖所示：
常見的高拋低吸型策略一般通過震盪類技術指標，如KDJ、RSI、CCI等，來判斷價格走勢的超賣或超賣狀態，或通過MACD紅綠柱或量能指標與價格走勢間的背離現象，來預測波動區間拐點的出現。如下圖所示：
常見的橫盤突破策略包括布林帶上下軌突破、高低價通道突破、Hans-123、四周法則等。如下圖所示：
必須要強調的是，趨勢跟蹤型策略和高拋低吸型策略適用於完全不同的市場行情階段——如果在單邊趨勢中做高拋低吸，或是在震盪行情中做趨勢跟蹤，則可能會造成很大虧損。因此，對這二者的使用，最關鍵的是，第一要盡量准確地判斷當前行情類型，第二是要時刻做好止損保護（和及時止盈）。
『捌』 光子量化的智能投資策略是怎樣實現的
以下內容取自其官網 :
AI量化策略構建流程
類比挑瓜過程，我們可以對AI量化策略流程進行分解：
第一步：確定數據(如股票池)，劃分訓練集、測試集
首先我們應明確我們構建何種AI量化策略，如A股、港股還是期貨等，確定數據後，接著我們把歷史數據按時間順序切分為兩部分，類比於分瓜任務中的兩堆瓜。
訓練集： 第一部分的數據用來訓練模型，類比第一堆瓜；
驗證集： 第二部分的數據用來驗證模型效果，類比第二堆瓜；
第二步：定目標：數據標注
其次我們要明確我們模型的訓練目標，是預測股票收益率高低還是波動率高低，就好比是預測西瓜好壞還是年份；
在樣例模板中，我們用5日收益率高低來定義股票的走勢好壞等級，並將每隻對應等級標記在每隻股票上，類比於上述切瓜後記錄每個瓜的好壞。
AI量化策略的目標(Label)：人為定義的模型預測目標，例如未來N日收益率、未來N日波動率、未來N日的收益率排序等統計量,平台AI量化策略默認使用股票收益率作為目標。
AI量化策略的標註： 我們計算訓練集數據所在時間階段的每日目標值，比如按每日的未來N日收益率高低來定義股票的走勢好壞等級，計算出每隻股票未來N日收益率的好壞等級並標記在每隻股票上。
第三步：找因子
選擇構建可能影響目標的特徵（量化策略中可稱為因子），如模板策略中的return_5(5日收益)、return_10(10日收益)等，類比於瓜的產地、大小等特徵。
AI量化策略的特徵(features)： 反映事物在某方面的表現或性質的事項，在AI量化策略中，特徵可以是換手率、市盈率、KDJ技術指標等等
第四步：數據連接+缺失數據處理
將上述每隻股票的標注數據與特徵數據注意鏈接，以便下一步模型的學習與使用，類比於上述將每個西瓜特徵與好壞一一對應；
第五步：模型訓練+股票預測
我們通過「好壞等級」對股票進行標注，貼上標簽，連同其所對應的特徵值一起來構建訓練模型，類比於上述我們獲取每個瓜的特徵與其對應的好壞結果，通過歸納總結找到瓜的好壞與瓜的屬性之間的關聯，總結出瓜的分類經驗；
用驗證集數據來檢驗訓練前面構建好的模型，即檢驗模型根據驗證集的特徵數據預測出的目標值（股票走勢好壞等級）是否准確。這步類比於鑒瓜任務中根據第一堆瓜總結的鑒瓜經驗用第二堆西瓜的大小、顏色等特徵數據來判斷預測瓜的好壞。
第六步：回測
將驗證集的預測結果放入歷史真實數據中檢測，類比於鑒瓜過程中根據第二堆瓜預測出瓜的好壞最後進行切瓜驗證。