等級的量化有哪些演算法

⑴ 量化分析方法有幾種

量化分析法是對通過定性風險分析排出優先順序的風險進行量化分析。盡管有經驗的風險經理有時在風險識別之後直接進行定量分析，但定量風險分析一般在定性風險分析之後進行。定量風險分析一般應當在確定風險應對計劃時再次進行，以確定項目總風險是否已經減少到滿意。重復進行定量風險分析反映出來的趨勢可以指出需要增加還是減少風險管理措施，它是風險應對計劃的一項依據，並作為風險監測和控制的組成部分。
（一）技術分析法

技術分析法的主要目標是通過對市場的歷史數據的研究，特別是對價格和交易量的研究，來預測價格的變動方向。技術分析法通常分析市場價格圖標，因此技術分析師被稱為「圖表分析專家」。目的在於識別價格模式和市場趨勢，從而試圖預測未來的變化趨勢。技術分析法的原理包括市場行為包容一切信息（技術分析法旨在弄明白投資者對於此類信息的反應），價格以趨勢方式演變，歷史價格趨於重演，並且投資者具有重蹈先前投資者覆轍的特徵。

（二）基本面分析法

基本面分析法重點分析經濟狀態、利率、通貨膨脹、公司收益、公司資產負債表、以及中央銀行和政府的相關政策。

當基本面分析法應用於選股時，通常會結合對經濟整體方向自上而下的分析（宏觀），從而形成對於市場、行業、利率水平以及匯率水平的觀點，並加之運用自下而上的方法對於某隻股票進行分析（微觀）。自下而上的分析往往會忽略在國別以及產業方面的整體配置而關注於單只股票的選擇。根據投資理念和投資過程，自上而下的分析決定了國別和行業的配置；同時，自下而上的分析則決定了某一國家和行業內部的投資配置。

（三）量化分析法

量化（定量）分析法，正如其名，包括運用量化方法、統計模型、數學公式以及演算法來預測市場走向。在戰術型資產配置中一個常見的方法便是使用多因子模型，通過分析估值、動量指標、風險水平、市場情緒、利率、收益率曲線等因素，從而推導出涵蓋股票、債券和外匯市場等不同市場的買入和賣出信號。雖然有一部分戰術型資產配置策略完全是量化模型驅動的，但將量化分析和基本面分析相結合將更具活力，因為這種結合可以將量化信號融合入基本面分析的過程中。

量化分析的不足在於該分析很大程度上是以觀測到的市場價格的歷史關聯性和走勢為基礎。如果上述關聯性和走勢由於市場反轉或市場承壓而引起歷史關聯性發生變化而失效，那麼量化模型可能會在預測拐點過程中失效。量化模型往往也會在出現政權更替或市場結構化改變時失效。

⑵ 股市中量化交易的演算法是什麼，知道了不就可以戰勝它了

你到股市的目的是賺錢！時刻記住這點，那麼你就不會被其它亂七八糟的東西搞亂頭腦了。

知道賺錢後，再來討論量化交易的事。考慮一下：打敗了量化交易，你就能賺錢嗎？量化交易本身都是在辛苦賺錢的，你打敗了它算什麼呢？能夠保證你賺錢嗎？答案肯定是不能保證你賺錢。即使你打敗了莊家，你也不一定能夠賺錢。

所以，有必要打敗量化交易嗎？我看沒必要。我們也不用管量化交易的演算法是什麼。我們唯一應該研究的是，量化交易對股價走勢有何影響？這種影響有規律嗎？如果有規律，我們就要利用規律來賺錢。我們不用打敗量化交易。

根據盤面的表現來看，量化交易對股價的影響是很大的。很多個股的日K線沒有那麼穩重和連續了，持續的上漲也少了。即使是主升浪，也出現了很多震盪上漲，持續有力地拉升少了很多。也就是說，量化交易注重日內交易，對日內交易的沖擊越來越大，表現在分時圖上，就是震盪更多，規律更少。這對短線操盤手來說，精確的買賣點更少了，只能以模糊的買賣點來應對。低吸高拋的成功率越來越高。

總之，量化交易對股價的日內走勢影響越來越大。短線操盤手日子難過多了。只有以中線的眼光進行選股做短線操作，增加持股的時間，才能增強盈利的能力。

哥們，，，，量化交易背後的是大數據分析，。。。你沒大數據分析，他怎麼量化交易，告訴你量化交易的演算法，你也打不過他，因為你被監控的死死的

人為設置的一些買入賣出條件，跟你平時看的指標形態一樣，只不過用機器語言來表達。

天下神器不可為也。

就是根據某個買賣策略進行交易，但沒有絕對穩贏的策略，所以不要想打敗市場

⑶ 如何對數據進行量化分析

對事物進行量化處理，最主要是建立一個合理的維度，達到這個度就怎樣，沒到這個度又怎樣。每個公司的情況不一樣，有些大公司的員工只做一件事情也有的製作半件的都有，而在一些剛創業起步，50人以內的公司，很多都是一人兼多職的。

因此如果沒有一個好的合理的維度去定這個事物的數據，做的事情多的員工就會慢慢的沒有積極性，對公司是不利的。比如說100萬以下是正常要求，100-500萬是一個一級維度，在這個維度里繼續拿出多出的部分進行大比例分配給業務員，如100萬的是2%提成，多出的按3%提成。

還有就是產品的單價是50元低價給到業務員，如果業務員賣出的產品比50高，就將高出的部分再進行50%或者更多的獎勵，相信業務員都會盡最大努力去銷售。再對每個單和每個月每個季度對每個業務員進行一次考核，符合管理規定的積一個維度，後面的都按維度來進行資金待遇分配。

相關信息

量化分析就是將一些不具體，模糊的因素用具體的數據來表示，從而達到分析比較的目的。人類對於股市波動規律的認知，是一個極具挑戰性的世界級難題。量化投資技術幾乎覆蓋了投資的全過程，包括量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、演算法交易，資產配置，風險控制等。

雖然量化分析可以幫助我們更加方便和直觀地衡量風險和收益，但需要強調指出的是，美國華爾街頂級量化金融大師、哥倫比亞大學著名教授伊曼紐爾·德曼，在《數學建模如何誘騙了華爾街》一文中，毫無忌諱地承認根本不可能（通過數理分析方法）發明出一個能夠預測股票價格將會如何變化的模型。

⑷ 等級量化及權數如何確定

等級數量化方法，就是把各因素評價的等級轉變為數值量，以便得出綜合評價分數。 勞動強度、勞動環境兩要素的10個因素，每個因素分為4~5個等級。等級數量化的方法是：給每個等級規定一個分值，等級間的數值差為1，1級分值為1，......4級分值為4。部分因素中設有0級、0．5級，如接觸粉塵危害程度分級標準是從0級起的；體力勞動強度分級標準是從0．5級起的，則相應的分值就為0．或0．5。勞動責任、勞動技能兩要素的11個因素，每個因素分為9個等級。等級量化的方法是：每個等級的數值差為1，1級分值為9，2級分值為8，……9級分值為1。要素、因素的權數，是指各要素的四大要素中及各因素在各要素中所佔的權重系數。要素和因素的權數，應按各要素和因素對崗位勞動性質、作用的影響程度確定。它是客觀存在的，並受企業的生產特性制約。要素權重因素的設定，要根據企業各種不同類型的工種崗位的特點確定，測評結果要能基本上正確反映工種崗位在企業整個生產過程中的勞動差別。各要素的權重系數也要根據各行業的特點確定。如冶金企業上表四大基本要素的權重系數為：勞動責任0．28、勞動技能0．22、勞動強度0．26、勞動環境0．24。化工企業則為：勞動責任0．40、勞動技能0．20、勞動強度0．15、勞動環境0．25。因素的權數，按其在整個生產過程中的重要性和危害程度的不同，分為最重要、重要、比較重要、一般這樣四類。這樣四類權重因素分別對應的權值為4、3、2、1。

⑸ 什麼是量化等級和量化比特數

所謂量化比特數是指要區分所有量化級所需幾位二進制數。例如，有8個量化級，那麼可用三位二進制數來區分，因為，稱8個量化級的量化為3比特量化。8比特量化則是指共有個量化級的量化。

⑹ 指標量化及分級體系

指標數據的提取是影響評價工作的基礎性環節，關繫到評價結果的准確程度，所以指標數據源必須是科學的、正確的、經過論證的。一般評價指標數據的提取是根據評價目標和指標類型的不同，從測試分析數據中提取、從各種報告的基礎圖件中提取、從經驗數據中提取等方式。本書的評價指標數據主要來源於岩土工程勘察報告、基坑設計圖件、施工工況、周邊環境的檔案資料等，相應於評價單元的勘察報告柱狀圖及其物理力學性質、基坑設計單元剖面、評價單元工況記錄、已建房屋、道路及管線的建設年代、位置和埋深等。

指標分級體系目前多數採用邏輯信息分類法和特徵分析法，將環境質量劃分為三態、四態、五態等，相應於各評價因子的指標量化分級，採用四值邏輯分類法，即：優等（Ⅰ）、良好（Ⅱ）、中等（Ⅲ）、差（Ⅳ）。通過對環境影響因子數據的統計分析，確定因子最優和最差兩個極限值，劃定指標的級差范圍，在兩個極限值之間，按一定的級差，以閾值遞減或遞增規律取值來實現量化分級。各指標量化分級體系如下：

（1）降水方式分級體系：按照帷幕的封閉狀態分級（吳林高，2009），第一類為完全封水，隔水帷幕深入降水含水層隔水底板，屬於疏干降水，降水運行時間短，環境影響小；第二類為隔水帷幕未深入降水含水層，屬於減壓降水，降水運行時間與基坑開挖進程相關，基坑及周邊環境潛在不穩定因素增加；第三類為隔水帷幕深入降水含水層，地下水呈典型的三維流，降水運行持續時間大幅度延長，降水難度和潛在不確定因素顯著增加；第四類為無隔水帷幕的全降水，降水運行時間與基坑開挖和運行進程同步，對周邊環境影響最大。根據20餘項基坑降水與正常開挖和運行所用時間的統計分析，基坑開挖時間和運行時間基本相同，基坑降水時間與開挖時間的比值（Ut）也存在一定的規律性：第一類疏干降水，基坑開挖不到一半時，可能已經降水完畢，即Ut＜0.5；第二類減壓降水，先降水後開挖，幾乎同步進行，即0.5≤Ut＜1.0；第三類基坑開挖前為減壓降水，基坑開挖與運行至局部地下室完成時為疏干降水，即1.0≤Ut＜2.0；第四類全降水，降水與基坑開挖和運行幾乎同步，即Ut≥2.0。

（2）岩土性質分級體系：-（GB500072002）和相關資料：地基土的壓縮性按壓縮系數a（降水深度范圍內厚度加權平均）劃分為高壓縮性土a≥0.5MPa^—1、中壓縮性土0.1MPa^—1≤a＜0.5MPa^—1、低壓縮性土0.001＜a＜0.1MPa^—1、基岩a=0.001。

（3）水文地質邊界分級體系：在有邊界存在的含水層中，參照《水利水電工程地質勘察規范》（GB50287-99）附錄J岩土滲透性分級和水文地質邊界性質參數a（葛曉雲，1992）綜合考慮，可用滲透系數表示K（cm/s）。微透水（K＜10^—5），隔水邊界如黏土-粉土；弱透水（10^—5≤K＜10^—4），補給邊界如粉土-細粒土質砂；中等透水（10^—4≤K＜10^—2），含水層無限擴展如砂砂礫；強透水（K≥10^—2），定水位補給邊界如礫石、卵石，管線破裂、大氣強降水等。為方便計算可設定K_T=—logK，即分級指標參數分別為K_T＞5、4＜K_T≤5、2＜K_T≤4、K_T≤2。

（4）基坑側壁狀態分級體系：根據基坑止水和降水效果、工藝影響、基坑側壁的穩定性，參照《水利水電工程地質勘察規范》（GB50287-99），可用基坑側壁的流水量Q（L/min，10m坑深）表示，分為乾燥或潮濕（Q≤5）、滲水或滴水（5＜Q≤25）、線狀流水或管涌（25＜Q≤125）、涌水或流土（Q＞125）。

（5）邊載分布分級體系：參照《建築地基基礎設計規范》和《建築結構荷載規范》中關於變形和動荷載計算的規定，可用沉降計算經驗系數（ψs）表示。地面超載（q）與地面表層承載力特徵值（f_ak）的比值為U_q，則當U_q≥1時，ψs=1.4；當0.75≤U_q≤1時，ψs=1.25；當0＜U_q≤0.75時，ψs=1.1；當U_q=0時，ψs=1。其中地面超載（q）為靜荷載，當搬運和裝卸重物、車輛起動和剎車等動荷載時，可用動荷載的自重乘以動力系數1.3作為地面靜荷載（q）。

（6）建設年代分級體系：根據《建築抗震鑒定標准》（GB50023-2009），對不同年代的建築規定了不同的「後續使用年限」，所謂「後續使用年限」是指現有建築經抗震鑒定後繼續使用所約定的一個時期，在這個時期內，建築只需進行正常維護而不需進行大修就能按預期目的使用，完成預定的功能。按年代以及當時設計所依據設計規范，20世紀70年代及以前建造的房屋，後續使用年限至少30年；上世紀80、90年代設計建造的房屋，後續使用年限至少40年；2001年以後設計建造的房屋，後續使用年限為50年；新近建造的房屋，後續使用年限為70年。

（7）基礎型式分級體系：基坑開挖對已有建築物的影響除了建設年代外，主要是基礎型式和基礎埋深，基礎型式按照基礎埋深分為深基礎和淺基礎。根據大量降水工程不同基礎的沉降分析，可以總結為因降水已有建築為深基礎（樁、箱基礎）的基本沒有；為筏形基礎的沉降甚微，且均勻；為擴展基礎（柱下條基）的有沉降，且有不均勻沉降；為無筋擴展基礎的有明顯沉降，且不均勻沉降明顯。按照對已有建築的影響程度，由小到大分為Ⅰ～Ⅳ級。

（8）監測數據分級體系：可用差異沉降（δ）表示。根據《房屋完損等級評定標准》，選擇評定內容中結構部分的地基基礎專項作為本文的評定目標，由於磚石結構的建築物相對於鋼筋混凝土結構、混合結構、磚木結構而言其破壞的敏感性較大，選擇磚石結構建築物的差異沉降劃分完損等級偏於安全，所以本文根據磚石結構建築物的地表傾斜變形值來劃分完損等級。完好標准（保護等級Ⅰ級），有足夠的承載能力，無超過允許范圍的不均勻沉降（δ＜0.003）；基本完好標准（保護等級Ⅱ級），有承載能力，稍有超過允許范圍的不均勻沉降但已穩定（0.003≤δ＜0.006）；一般損壞標准（保護等級Ⅲ級），局部承載能力不足，有超過允許范圍的不均勻沉降（0.006≤δ＜0.010），對上部結構稍有影響，局部有微裂縫；嚴重損壞標准（保護等級Ⅳ級），承載能力不足，有明顯的不均勻沉降（δ≥0.010），並仍在繼續發展，對上部結構有明顯影響，多處出現裂縫。

⑺ 機器學習一般常用的演算法有哪些

機器學習是人工智慧的核心技術，是學習人工智慧必不可少的環節。機器學習中有很多演算法，能夠解決很多以前難以企的問題，機器學習中涉及到的演算法有不少，下面小編就給大家普及一下這些演算法。

一、線性回歸

一般來說，線性回歸是統計學和機器學習中最知名和最易理解的演算法之一。這一演算法中我們可以用來預測建模，而預測建模主要關注最小化模型誤差或者盡可能作出最准確的預測，以可解釋性為代價。我們將借用、重用包括統計學在內的很多不同領域的演算法，並將其用於這些目的。當然我們可以使用不同的技術從數據中學習線性回歸模型，例如用於普通最小二乘法和梯度下降優化的線性代數解。就目前而言，線性回歸已經存在了200多年，並得到了廣泛研究。使用這種技術的一些經驗是盡可能去除非常相似（相關）的變數，並去除噪音。這是一種快速、簡單的技術。

二、Logistic 回歸

它是解決二分類問題的首選方法。Logistic 回歸與線性回歸相似，目標都是找到每個輸入變數的權重，即系數值。與線性回歸不同的是，Logistic 回歸對輸出的預測使用被稱為 logistic 函數的非線性函數進行變換。logistic 函數看起來像一個大的S，並且可以將任何值轉換到0到1的區間內。這非常實用，因為我們可以規定logistic函數的輸出值是0和1並預測類別值。像線性回歸一樣，Logistic 回歸在刪除與輸出變數無關的屬性以及非常相似的屬性時效果更好。它是一個快速的學習模型，並且對於二分類問題非常有效。

三、線性判別分析（LDA）

在前面我們介紹的Logistic 回歸是一種分類演算法，傳統上，它僅限於只有兩類的分類問題。而LDA的表示非常簡單直接。它由數據的統計屬性構成，對每個類別進行計算。單個輸入變數的 LDA包括兩個，第一就是每個類別的平均值，第二就是所有類別的方差。而在線性判別分析，進行預測的方法是計算每個類別的判別值並對具備最大值的類別進行預測。該技術假設數據呈高斯分布，因此最好預先從數據中刪除異常值。這是處理分類預測建模問題的一種簡單而強大的方法。

四、決策樹

決策樹是預測建模機器學習的一種重要演算法。決策樹模型的表示是一個二叉樹。這是演算法和數據結構中的二叉樹，沒什麼特別的。每個節點代表一個單獨的輸入變數x和該變數上的一個分割點。而決策樹的葉節點包含一個用於預測的輸出變數y。通過遍歷該樹的分割點，直到到達一個葉節點並輸出該節點的類別值就可以作出預測。當然決策樹的有點就是決策樹學習速度和預測速度都很快。它們還可以解決大量問題，並且不需要對數據做特別准備。

五、樸素貝葉斯

其實樸素貝葉斯是一個簡單但是很強大的預測建模演算法。而這個模型由兩種概率組成，這兩種概率都可以直接從訓練數據中計算出來。第一種就是每個類別的概率，第二種就是給定每個 x 的值，每個類別的條件概率。一旦計算出來，概率模型可用於使用貝葉斯定理對新數據進行預測。當我們的數據是實值時，通常假設一個高斯分布，這樣我們可以簡單的估計這些概率。而樸素貝葉斯之所以是樸素的，是因為它假設每個輸入變數是獨立的。這是一個強大的假設，真實的數據並非如此，但是，該技術在大量復雜問題上非常有用。所以說，樸素貝葉斯是一個十分實用的功能。

六、K近鄰演算法

K近鄰演算法簡稱KNN演算法，KNN 演算法非常簡單且有效。KNN的模型表示是整個訓練數據集。KNN演算法在整個訓練集中搜索K個最相似實例（近鄰）並匯總這K個實例的輸出變數，以預測新數據點。對於回歸問題，這可能是平均輸出變數，對於分類問題，這可能是眾數類別值。而其中的訣竅在於如何確定數據實例間的相似性。如果屬性的度量單位相同，那麼最簡單的技術是使用歐幾里得距離，我們可以根據每個輸入變數之間的差值直接計算出來其數值。當然，KNN需要大量內存或空間來存儲所有數據，但是只有在需要預測時才執行計算。我們還可以隨時更新和管理訓練實例，以保持預測的准確性。

七、Boosting 和 AdaBoost

首先，Boosting 是一種集成技術，它試圖集成一些弱分類器來創建一個強分類器。這通過從訓練數據中構建一個模型，然後創建第二個模型來嘗試糾正第一個模型的錯誤來完成。一直添加模型直到能夠完美預測訓練集，或添加的模型數量已經達到最大數量。而AdaBoost 是第一個為二分類開發的真正成功的 boosting 演算法。這是理解 boosting 的最佳起點。現代 boosting 方法建立在 AdaBoost 之上，最顯著的是隨機梯度提升。當然，AdaBoost 與短決策樹一起使用。在第一個決策樹創建之後，利用每個訓練實例上樹的性能來衡量下一個決策樹應該對每個訓練實例付出多少注意力。難以預測的訓練數據被分配更多權重，而容易預測的數據分配的權重較少。依次創建模型，每一個模型在訓練實例上更新權重，影響序列中下一個決策樹的學習。在所有決策樹建立之後，對新數據進行預測，並且通過每個決策樹在訓練數據上的精確度評估其性能。所以說，由於在糾正演算法錯誤上投入了太多注意力，所以具備已刪除異常值的干凈數據十分重要。

八、學習向量量化演算法（簡稱 LVQ）

學習向量量化也是機器學習其中的一個演算法。可能大家不知道的是，K近鄰演算法的一個缺點是我們需要遍歷整個訓練數據集。學習向量量化演算法（簡稱 LVQ）是一種人工神經網路演算法，它允許你選擇訓練實例的數量，並精確地學習這些實例應該是什麼樣的。而學習向量量化的表示是碼本向量的集合。這些是在開始時隨機選擇的，並逐漸調整以在學習演算法的多次迭代中最好地總結訓練數據集。在學習之後，碼本向量可用於預測。最相似的近鄰通過計算每個碼本向量和新數據實例之間的距離找到。然後返回最佳匹配單元的類別值或作為預測。如果大家重新調整數據，使其具有相同的范圍，就可以獲得最佳結果。當然，如果大家發現KNN在大家數據集上達到很好的結果，請嘗試用LVQ減少存儲整個訓練數據集的內存要求

⑻ 量化交易策略有哪些

一、交易策略
一個完整的交易策略一般包括交易標的的選擇，進出場時機的選擇，倉位和資金管理等幾個方面。
按照人的主觀決斷和計算機演算法執行在策略各方面的決策中的參與程度的不同，可以將交易策略分為主觀策略和量化策略。

二、主觀策略
主觀策略主要依靠投資者的主觀判斷。
期貨市場的投資者通過對產業上中下游、供需、宏觀經濟預期等的調查做出自己的判斷。
類似的，股票市場的主觀投資者通過深入研究行業的各個方面，調查行業內的上市公司，形成交易決策。
另外，無論是股票市場還是期貨市場，大量的主觀投資者是依賴技術分析做出決策的。

三、量化策略
量化策略主要依賴於計算機演算法進行交易。
投資者將初步的交易邏輯輸入計算機，並運用大量的歷史數據做統計和回測，在此基礎上做出適當的修改、揚棄，以形成可接受的交易策略。策略在形成後，往往各個決策條件就已經確定，實盤中按照既定的程序執行。
對比而言，部分主觀策略在對單個標的的研究深度上有優勢，可以通過深度研究提供專家級的意見。而量化策略由於運用計算機決策，可以處理大量的數據，因此在廣度上有優勢。另外，量化策略在執行中不會受人的狀態、情緒等不確定性的影響，因而執行更為嚴格和精確。

四、常見策略
常見的量化交易策略可以大致分為趨勢策略和市場中性策略，趨勢策略常見的有雙均線策略、布林帶策略、海歸交易法和多因子選股策略等。
常見的市場中性策略包括統計套利策略、Alpha對沖策略等，著名的網格交易法更多的是一種交易方法，可以用在不同類型的策略中。
下面我們對這幾個常見策略做一個簡單介紹，想深入了解某個策略的讀者可以藉助互聯網獲得更多資料。
(1) 雙均線策略
雙均線策略在趨勢交易中有廣泛的應用。該策略根據長短兩根不同周期的移動平均線的金叉和死叉來交易。在短周期均線上穿長周期均線(金叉)時做多，在短周期均線下穿長周期均線(死叉)時做空。雙均線系統可以進一步擴充為多均線系統。
(2) 布林帶策略
布林帶由三條線構成，其中的中線是一根移動平均線，上線是由中線加上n倍(如2倍)標准差構成，下線是中線減n倍標准差。當行情上穿上線時做多，下穿下線時做空。
(3) 海歸交易法
海歸交易法由商品投機家理查德·丹尼斯的推廣而聞名。該法則涵蓋交易的進出場，資金和倉位管理的各各方面，是一套完整的交易系統。關於該策略的具體交易模式幾個字不容易說清楚，詳細的了解大家可以參考《海歸交易法則》這本書，特別是後面的附錄。
(4) 多因子選股
多因子選股模型是股票交易中常見的策略。建立過程包括選取候選因子，在歷史數據檢驗的基礎上挑選有效因子並剔除冗餘因子等幾個過程，最後是根據因子選擇要交易的股票，確定出入場時機。
(5) 統計套利
統計套利可以用於期貨市場的跨品種和跨期套利，也可以用於相關性高的股票之間的價差套利。它是利用相關性高的標的之間的價差或者價比回歸的性質，在價差或價比偏離均衡位置時進場，在價差或價比回到均衡位置時出場。
(6) Alpha對沖策略
Alpha對沖策略同時持有方向相反的兩種頭寸對沖Beta風險。在國內市場常見的是持有股票多頭的同時，持有股指期貨空頭，該策略是否能夠獲得超額收益依賴於選取的股票是否具有高的Alpha正值。
(7) 網格交易法
網格交易法的核心是網格間距和中軸線的確定。我們以螺紋鋼期貨合約為例說明，目前螺紋價格3000，我們建立初始倉位，比如50%倉位。隨後螺紋鋼每漲50點賣出10%，每跌50點買入10%。這里的3000就是中軸，50點是網格寬度。該策略的收益波動很大