『壹』 求大神根据欧奈尔选股思路做一个通达信公式，谢谢！
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;
『贰』 金瑞鼎盛的金股池是什么
金瑞鼎盛精选股票池是量化团队通过多因子量化模型层层选拔，从3000只股票中挑选出最适合模型操作的30来只金股，彻底解决困扰投资者朋友的最4大难题：买什么，何时买，买多少，何时卖？
『叁』 如何筛选有效的alpha 因子
如何寻找Alpha。对于Alpha模型的构建，核心问题在于：我们该如何寻找Alpha？也就是说，Alpha到底源自哪里？从海外市场的先进研究经验来看，因子模型是现代金融理论中发展较为成熟，且应用较为广泛的证券投资技术。因此，基于这些研究成果，我们可以遵循着因子模型的分析逻辑，来寻找出可能会给我们的投资带来Alpha的有效因子。
回到A股市场，一个股票能够取得高收益的原因往往有很多，但归纳起来，不外乎在于盈利能力强、成长性好、财务状况良好、市场热点等等的一系列因素。然而，由于股票数量和各种指标庞大而繁杂的数据量，难以通过人手去对每一只股票作出分析和比较。此时，我们需要运用数量化的方法，通过金融工程技术将以上所述的各种影响因素转化为量化因子，从而构建起一个大容量的量化因子体系，实现自动化地从庞大的股票池和海量的数据库中挑选出具有Alpha（即超额收益）的投资标的。结合A股市场的运行特征，我们最后共筛选和归纳出了12个大类的Alpha量化因子，从而试图从各个方面去捕捉Alpha收益的来源。
『肆』 二零二一年明泓基金投资了哪些股票
明汯是做中性策略为主的，他的风格是根据自己模型的因子选出能有α超额收益的股票，通过期货对冲掉β，获取超额收益。所以他的股票池很多，并且股票周转率极高，所以带有滞后性的关注明汯的股票，没有太大意义。
『伍』 如何理解量化选股和量化择时之间的关系
所谓量化投资，就是通过定量或统计的方法，不断地从历史数据中挖掘有效的规律并在投资行为中加以利用，甚至通过计算机程序自动执行下单的动作。也就是说，量化投资方法是靠“概率”取胜，其最鲜明的特征就是可定量化描述的模型、规律或策略。
对于股票市场，量化投资主要包括量化选股、量化择时、算法交易、股票组合配置、资金或仓位管理、风险控制等。我们这里重点聊一聊量化选股和择时策略，其中前者解决哪些股票值得关注或持有，后者解决何时买入或卖出这些股票，以期在可承受的风险程度下，获得尽可能多的收益。
第一阶段：选股
选股的目标是从市场上所有可交易的股票中，筛选出适合自己投资风格的、具有一定安全边际的股票候选集合，通常称为“股票池”，并可根据自己的操作周期或市场行情变化，不定时地调整该股票池，作为下一阶段择时或调仓的基础。
量化选股的依据可以是基本面，也可以是技术面，或二者的结合。常用的量化选股模型举例如下：
1多因子模型
多因子模型：采用一系列的“因子”作为选股标准，满足这些因子的股票将作为候选放入股票池，否则将被移出股票池。这些因子可以是一些基本面指标，如 PB、PE、EPS 增长率等，也可以是一些技术面指标，如动量、换手率、波动率等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。多因子模型相对来说比较稳定，因为在不同市场条件下，总有一些因子会发生作用。
2板块轮动模型
板块轮动模型：一种被称作风格轮动，它是根据市场风格特征进行投资，比如有时市场偏好中小盘股，有时偏好大盘股，如果在风格转换的初期介入，则可以获得较大的超额收益；另一种被称作行业轮动，即由于经济周期的原因，总有一些行业先启动行情，另有一些（比如处于产业链上下游的）行业会跟随。在经济周期过程中，依次对这些轮动的行业进行配置，比单纯的买入持有策略有更好的效果。
3一致性预期模型
一致性预期模型：指市场上的投资者可能会对某些信息产生一致的看法，比如大多数分析师看好某一只股票，可能这个股票在未来一段时间会上涨；如果大多数分析师看空某一只股票，可能这个股票在未来一段时间会下跌。一致性预期策略就是利用大多数分析师的看法来进行股票的买入卖出操作。
与此类似的思路还有基于股吧、论坛、新闻媒体等对特定股票提及的舆情热度或偏正面/负面的消息等作为依据。还有一种思路是反向操作，回避羊群效应（物极必反），避免在市场狂热时落入主力资金出货的陷阱。
4资金流模型
资金流模型：其基本思想是根据主力资金的流向来判断股票的涨跌，如果资金持续流入，则股票应该会上涨，如果资金持续流出，则股票应该下跌。所以可将资金流入流出情况编制成指标，利用该指标来预测未来一段时间内股票的涨跌情况，作为选股依据。
第二阶段：择时
择时的目标是确定股票的具体买卖时机，其依据主要是技术面。取决于投资周期或风格（例如中长线、短线，或超短线），择时策略可以从比较粗略的对股票价位相对高低位置的判断，到依据更精确的技术指标或事件消息等作为信号来触发交易动作。
一般来说，择时动作的产生可以基于日K线（或周K线），也可以基于日内的小时或分钟级别K线，甚至tick级的分时图等。具体的量化择时策略可以分为如下几种：
1趋势跟踪型
趋势跟踪型策略适用于单边上升或单边下降（如果可做空的话）的行情——当大盘或个股出现一定程度的上涨和一定程度的下跌，则认为价格走势会进一步上涨或下跌而做出相应操作（买入->持有->加仓->继续持有->卖出）。
2高抛低吸型
高抛低吸型：高抛低吸型策略适用于震荡行情——当价格走势在一定范围的交易区间（箱形整理）或价格通道（平行上升或下降通道）的上下轨之间波动时，反复地在下轨附近买入，在上轨附近卖出，赚取波段差价利润（下轨买入->上轨卖出->下轨买入->上轨卖出->…）。
3横盘突破型
横盘突破型：价格走势可能在一定区间范围内长时间震荡，总有一天或某一时刻走出该区间，或者向上突破价格上轨（如吸筹阶段结束开始拉升），或者向下突破价格下轨（如主力出货完毕，或向下一目标价位跌落以寻找有效支撑），此时行情走势变得明朗。
横盘突破型策略就是要抓住这一突破时机果断开多或开空，以期用最有利价位和最小风险入场，获得后续利润（空仓或持仓等待机会->突破上轨则买入或平空/突破下轨则卖出或做空）。
常见的趋势跟踪型策略有：短时和长时移动均线交叉策略，均线多头排列和空头排列入场出场策略，MACD的DIFF和DEA线交叉策略等。如下图所示：
常见的高抛低吸型策略一般通过震荡类技术指标，如KDJ、RSI、CCI等，来判断价格走势的超卖或超卖状态，或通过MACD红绿柱或量能指标与价格走势间的背离现象，来预测波动区间拐点的出现。如下图所示：
常见的横盘突破策略包括布林带上下轨突破、高低价通道突破、Hans-123、四周法则等。如下图所示：
必须要强调的是，趋势跟踪型策略和高抛低吸型策略适用于完全不同的市场行情阶段——如果在单边趋势中做高抛低吸，或是在震荡行情中做趋势跟踪，则可能会造成很大亏损。因此，对这二者的使用，最关键的是，第一要尽量准确地判断当前行情类型，第二是要时刻做好止损保护（和及时止盈）。
总结一下：
在疯牛秘籍和疯牛形态系列产品中，提供了大量对股市规律的揭示、以及基于这些规律制定的量化策略，例如基于各类公告事件、资金动向、技术指标等制定的策略和规律，以及次日机会、底部形态反转等对应的交易时机。
这些实时动态的策略可为投资者的选股和择时操作提供高效的、有价值的参考。
『陆』 如何有效的使用因子
如何寻找Alpha。对于Alpha模型的构建，核心问题在于：我们该如何寻找Alpha？也就是说，Alpha到底源自哪里？从海外市场的先进研究经验来看，因子模型是现代金融理论中发展较为成熟，且应用较为广泛的证券技术。因此，基于这些研究成果，我们可以遵循着因子模型的分析逻辑，来寻找出可能会给我们的带来Alpha的有效因子。
回到A股市场，一个股票能够取得高收益的原因往往有很多，但归纳起来，不外乎在于盈利能力强、成长性好、财务状况良好、市场热点等等的一系列因素。然而，由于股票数量和各种指标庞大而繁杂的数据量，难以通过人手去对每一只股票作出分析和比较。此时，我们需要运用数量化的方法，通过金融工程技术将以上所述的各种影响因素转化为量化因子，从而构建起一个大容量的量化因子体系，实现自动化地从庞大的股票池和海量的数据库中挑选出具有Alpha（即超额收益）的标的。结合A股市场的运行特征，我们最后共筛选和归纳出了12个大类的Alpha量化因子，从而试图从各个方面去捕捉Alpha收益的来源。
『柒』 投资学的一道论述题，求详解
所谓量化投资，就是通过定量或统计的方法，不断地从历史数据中挖掘有效的规律并在投资行为中加以利用，甚至通过计算机程序自动执行下单的动作。也就是说，量化投资方法是靠“概率”取胜，其最鲜明的特征就是可定量化描述的模型、规律或策略。
对于股票市场，量化投资主要包括量化选股、量化择时、算法交易、股票组合配置、资金或仓位管理、风险控制等。我们这里重点聊一聊量化选股和择时策略，其中前者解决哪些股票值得关注或持有，后者解决何时买入或卖出这些股票，以期在可承受的风险程度下，获得尽可能多的收益。
第一阶段：选股
选股的目标是从市场上所有可交易的股票中，筛选出适合自己投资风格的、具有一定安全边际的股票候选集合，通常称为“股票池”，并可根据自己的操作周期或市场行情变化，不定时地调整该股票池，作为下一阶段择时或调仓的基础。
量化选股的依据可以是基本面，也可以是技术面，或二者的结合。常用的量化选股模型举例如下：
1多因子模型
多因子模型：采用一系列的“因子”作为选股标准，满足这些因子的股票将作为候选放入股票池，否则将被移出股票池。这些因子可以是一些基本面指标，如 PB、PE、EPS 增长率等，也可以是一些技术面指标，如动量、换手率、波动率等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。多因子模型相对来说比较稳定，因为在不同市场条件下，总有一些因子会发生作用。
2板块轮动模型
板块轮动模型：一种被称作风格轮动，它是根据市场风格特征进行投资，比如有时市场偏好中小盘股，有时偏好大盘股，如果在风格转换的初期介入，则可以获得较大的超额收益；另一种被称作行业轮动，即由于经济周期的原因，总有一些行业先启动行情，另有一些（比如处于产业链上下游的）行业会跟随。在经济周期过程中，依次对这些轮动的行业进行配置，比单纯的买入持有策略有更好的效果。
3一致性预期模型
一致性预期模型：指市场上的投资者可能会对某些信息产生一致的看法，比如大多数分析师看好某一只股票，可能这个股票在未来一段时间会上涨；如果大多数分析师看空某一只股票，可能这个股票在未来一段时间会下跌。一致性预期策略就是利用大多数分析师的看法来进行股票的买入卖出操作。
与此类似的思路还有基于股吧、论坛、新闻媒体等对特定股票提及的舆情热度或偏正面/负面的消息等作为依据。还有一种思路是反向操作，回避羊群效应（物极必反），避免在市场狂热时落入主力资金出货的陷阱。
4资金流模型
资金流模型：其基本思想是根据主力资金的流向来判断股票的涨跌，如果资金持续流入，则股票应该会上涨，如果资金持续流出，则股票应该下跌。所以可将资金流入流出情况编制成指标，利用该指标来预测未来一段时间内股票的涨跌情况，作为选股依据。
第二阶段：择时
择时的目标是确定股票的具体买卖时机，其依据主要是技术面。取决于投资周期或风格（例如中长线、短线，或超短线），择时策略可以从比较粗略的对股票价位相对高低位置的判断，到依据更精确的技术指标或事件消息等作为信号来触发交易动作。
一般来说，择时动作的产生可以基于日K线（或周K线），也可以基于日内的小时或分钟级别K线，甚至tick级的分时图等。具体的量化择时策略可以分为如下几种：
1趋势跟踪型
趋势跟踪型策略适用于单边上升或单边下降（如果可做空的话）的行情——当大盘或个股出现一定程度的上涨和一定程度的下跌，则认为价格走势会进一步上涨或下跌而做出相应操作（买入->持有->加仓->继续持有->卖出）。
2高抛低吸型
高抛低吸型：高抛低吸型策略适用于震荡行情——当价格走势在一定范围的交易区间（箱形整理）或价格通道（平行上升或下降通道）的上下轨之间波动时，反复地在下轨附近买入，在上轨附近卖出，赚取波段差价利润（下轨买入->上轨卖出->下轨买入->上轨卖出->…）。
3横盘突破型
横盘突破型：价格走势可能在一定区间范围内长时间震荡，总有一天或某一时刻走出该区间，或者向上突破价格上轨（如吸筹阶段结束开始拉升），或者向下突破价格下轨（如主力出货完毕，或向下一目标价位跌落以寻找有效支撑），此时行情走势变得明朗。
横盘突破型策略就是要抓住这一突破时机果断开多或开空，以期用最有利价位和最小风险入场，获得后续利润（空仓或持仓等待机会->突破上轨则买入或平空/突破下轨则卖出或做空）。
常见的趋势跟踪型策略有：短时和长时移动均线交叉策略，均线多头排列和空头排列入场出场策略，MACD的DIFF和DEA线交叉策略等。如下图所示：
常见的高抛低吸型策略一般通过震荡类技术指标，如KDJ、RSI、CCI等，来判断价格走势的超卖或超卖状态，或通过MACD红绿柱或量能指标与价格走势间的背离现象，来预测波动区间拐点的出现。如下图所示：
常见的横盘突破策略包括布林带上下轨突破、高低价通道突破、Hans-123、四周法则等。如下图所示：
必须要强调的是，趋势跟踪型策略和高抛低吸型策略适用于完全不同的市场行情阶段——如果在单边趋势中做高抛低吸，或是在震荡行情中做趋势跟踪，则可能会造成很大亏损。因此，对这二者的使用，最关键的是，第一要尽量准确地判断当前行情类型，第二是要时刻做好止损保护（和及时止盈）。
『捌』 光子量化的智能投资策略是怎样实现的
以下内容取自其官网 :
AI量化策略构建流程
类比挑瓜过程，我们可以对AI量化策略流程进行分解：
第一步：确定数据(如股票池)，划分训练集、测试集
首先我们应明确我们构建何种AI量化策略，如A股、港股还是期货等，确定数据后，接着我们把历史数据按时间顺序切分为两部分，类比于分瓜任务中的两堆瓜。
训练集： 第一部分的数据用来训练模型，类比第一堆瓜；
验证集： 第二部分的数据用来验证模型效果，类比第二堆瓜；
第二步：定目标：数据标注
其次我们要明确我们模型的训练目标，是预测股票收益率高低还是波动率高低，就好比是预测西瓜好坏还是年份；
在样例模板中，我们用5日收益率高低来定义股票的走势好坏等级，并将每只对应等级标记在每只股票上，类比于上述切瓜后记录每个瓜的好坏。
AI量化策略的目标(Label)：人为定义的模型预测目标，例如未来N日收益率、未来N日波动率、未来N日的收益率排序等统计量,平台AI量化策略默认使用股票收益率作为目标。
AI量化策略的标注： 我们计算训练集数据所在时间阶段的每日目标值，比如按每日的未来N日收益率高低来定义股票的走势好坏等级，计算出每只股票未来N日收益率的好坏等级并标记在每只股票上。
第三步：找因子
选择构建可能影响目标的特征（量化策略中可称为因子），如模板策略中的return_5(5日收益)、return_10(10日收益)等，类比于瓜的产地、大小等特征。
AI量化策略的特征(features)： 反映事物在某方面的表现或性质的事项，在AI量化策略中，特征可以是换手率、市盈率、KDJ技术指标等等
第四步：数据连接+缺失数据处理
将上述每只股票的标注数据与特征数据注意链接，以便下一步模型的学习与使用，类比于上述将每个西瓜特征与好坏一一对应；
第五步：模型训练+股票预测
我们通过“好坏等级”对股票进行标注，贴上标签，连同其所对应的特征值一起来构建训练模型，类比于上述我们获取每个瓜的特征与其对应的好坏结果，通过归纳总结找到瓜的好坏与瓜的属性之间的关联，总结出瓜的分类经验；
用验证集数据来检验训练前面构建好的模型，即检验模型根据验证集的特征数据预测出的目标值（股票走势好坏等级）是否准确。这步类比于鉴瓜任务中根据第一堆瓜总结的鉴瓜经验用第二堆西瓜的大小、颜色等特征数据来判断预测瓜的好坏。
第六步：回测
将验证集的预测结果放入历史真实数据中检测，类比于鉴瓜过程中根据第二堆瓜预测出瓜的好坏最后进行切瓜验证。