“Weekly meeting of financial”版本间的差异

来自cslt Wiki
跳转至: 导航搜索
唐辉
Lr讨论 | 贡献
刘荣
 
第6行: 第6行:
 
*3. 制定策略组合的的接口形式,方便各种策略的接入。
 
*3. 制定策略组合的的接口形式,方便各种策略的接入。
 
具体算法步骤:
 
具体算法步骤:
一 策略组合
+
*一 策略组合
 
     1.1  利用遗传算法进行参数优化:(1周)
 
     1.1  利用遗传算法进行参数优化:(1周)
 
           单个经典策略的参数:经典策略中的参数优化
 
           单个经典策略的参数:经典策略中的参数优化
第14行: 第14行:
 
     1.3 尝试不同的变异和组合方式:(1周,暂定)
 
     1.3 尝试不同的变异和组合方式:(1周,暂定)
 
     1.4 综合考虑遗传算法的性能,可能需要考虑其它智能算法。(后续工作)
 
     1.4 综合考虑遗传算法的性能,可能需要考虑其它智能算法。(后续工作)
 +
 
==于洋==
 
==于洋==
 
最后输出形式:
 
最后输出形式:

2015年9月14日 (一) 02:49的最后版本

本月计划:

刘荣

最后输出形式:

  • 1. 形成一个策略组合的框架,进行组合优化,输出买入卖出信号
  • 2. 优化的函数为收益率和风险的结合
  • 3. 制定策略组合的的接口形式,方便各种策略的接入。

具体算法步骤:

  • 一 策略组合
   1.1  利用遗传算法进行参数优化:(1周)
         单个经典策略的参数:经典策略中的参数优化
         多个策略的简单组合:多个策略的简单组合优化,线性相加
   1.2 遗传算法中多策略的组合变异:(1周)
         利用函数表达式进行组合变异
   1.3 尝试不同的变异和组合方式:(1周,暂定)
   1.4 综合考虑遗传算法的性能,可能需要考虑其它智能算法。(后续工作)

于洋

最后输出形式:

  • 实现RNN-LSTM做金融预测,输出买入卖出信号,得到策略的累积收益率

具体算法步骤: 一 策略组合

   1.1 实现RNN-LSTM预测金融数据(到9月6号)
   1.2 将预测值转化为合理的买入卖出信号,并加入止损模块(到9月13号)
   1.3 修改cost fuction及其他算法相关,实现更准确地预测(到9月20号)
   1.4 最后的优化,绘制累积收益图(到9月27号)

志浩

本月计划: 最后输出形式:

  • 1 和唐辉一起讲因子库的数据处理完毕。
  • 2 将齐军师兄的算法应用的因子评价体系和因子特征集筛选体系当中。
  • 3 根据因子评价结果建立多因子的阿尔法选股策略。
  • 4 选股完成后尝试将择时应用到策略中,充分利用beta收益

具体步骤:

  • 1 数据从通联上收集,导入到SQL数据库当中。
  • 2 齐军师兄的三种算法包括lasso等。

以上需要两周左右,后续工作可能快些,具体的要看数据的获取速度

唐辉

本月计划: 目的:

  • 1 获取更多的因子数据。并且和期货,股票的数据一样能够自动更新
  • 2 实现选股策略,并且能够每天运行
  • 3 了解和测试更多的类似通联的期货和股票交易平台

具体过程:

  • 1 获取多因子数据。并提高获取数据的稳定性(1周)
  • 2 完成选股策略,并且每天都能自动运行(1周)
  • 3 调研国内外相关的平台和把通联的数据分类(1周)