Video yükleniyor...

Video Yüklenemedi

Ana Sayfaya Dön

兄弟们!挖到一个功能很全的 Python 投资组合优化库 Riskfolio-Lib 是一个专注于投资组合优化的开源 Python 库,支持多种风险度量和优化方法,适合做资产配置和组合构建。 它基于 CVXPY 开发,能方便地实现均值-风险优化、风险平价、层次聚类优化等常见模型。 主要特点: 1️⃣ 支持 26 种凸风险度量(包括标准差、CVaR、Sortino、最大回撤等) 2️⃣ 支持均值-风险优化、风险平价(Risk Parity) 3️⃣ 支持 Hierarchical Risk Parity(HRP)和 Nested Clustered Optimization(NCO) 4️⃣ 提供 Black-Litterman、Entropy Pooling 等高级模型 5️⃣ 支持跟踪误差、换手率、做空、基数约束等常见约束 可生成有效前沿、风险贡献分析和报告 对做资产配置、组合优化,或者想系统研究不同风险度量方法的人来说,这个库目前开源里覆盖面比较广。

11,167 görüntüleme • 3 ay önce •via X (Twitter)

1 Yorum

Riskfolio-Lib profil fotoğrafı
Riskfolio-Lib3 ay önce

Thanks for recommending my library Riskfolio-Lib

Benzer Videolar

绝了!股票量化居然有人整理出这么完整的开源资料库。 技术指标、投资组合、风险分析、机器学习,连可视化案例都准备好了。 项目叫 Stock Analysis For Quant,2.1K Stars、517 Forks,MIT 协议。 它不是普通的量化框架,而是一套跨语言金融研究项目合集,涵盖 Python、R、MATLAB、Excel、Power BI、Tableau 六种工具。 核心亮点: 1️⃣ 技术指标:涵盖 RSI、MACD、SuperTrend、VWAP 等,提供 Python、R 等实现案例。 2️⃣ K 线形态:研究吞没形态、锤头线、晨星等,拆解价格形态识别逻辑。 3️⃣ 投资组合优化:包含 CAPM、资产配置、组合优化及风险收益分析。 4️⃣ 机器学习预测:研究时间序列、回归模型、波动率预测和机器学习方法。 5️⃣ 风险绩效分析:涵盖 Sharpe、Sortino、VaR 等指标,研究收益与风险。 6️⃣ 金融数据可视化:通过 Excel、Power BI、Tableau 等工具展示行情和研究结果。 我觉得这个仓库最有价值的,是同一个金融研究问题,可以参考不同语言和工具的实现方式。 比如用 Python 计算技术指标,R 做统计分析,再用 Power BI 展示结果。 不用什么都从零开发,直接参考现成案例,就能逐步搭建自己的量化研究流程。 做股票量化、金融数据分析或者学习 Python、R 量化开发的,这个项目值得收藏。

爱吃折耳根的Ace

10,353 görüntüleme • 1 ay önce

做股票量化,真没必要什么都从零开发 挖到 6 个很硬核的开源项目,分别负责数据、AI 研究、策略回测、组合优化、绩效分析和实盘交易。 以前想搭一套完整的量化系统,光数据接口、回测引擎、风控和交易执行就够折腾了。 现在不一样了,很多基础模块已经有成熟的开源实现。 分享 6 个值得研究的项目: 1. OpenBB|金融数据底座 把股票、宏观、期权等金融数据统一接入,Python 和 AI Agent 都能调用。 2. Microsoft RD-Agent|AI 自动研究 微软开源的 AI 研发 Agent,可以自动探索因子、设计模型并迭代研究方案。 3. vectorbt|策略回测 基于 NumPy、pandas 和 Numba 的高速回测框架,适合批量测试策略和参数。 4. PyPortfolioOpt|组合优化 把资产配置、风险平价、Black-Litterman 等组合优化方法封装好了。 5. QuantStats|绩效分析 策略跑完直接分析收益、Sharpe、最大回撤等指标,还能生成绩效报告。 6. QuantConnect LEAN|交易执行 支持股票、期货、期权、外汇和 Crypto,多资产回测和实盘可以使用同一套引擎。 这 6 个项目分开看是工具,按流程组合起来,就有了一套量化研究与交易系统的基础: 金融数据 → AI 因子研究 → 策略回测 → 组合优化 → 风险评估 → 交易执行 当然,不是下载安装到一起就能直接跑,数据和交易接口仍然需要适配。 但对个人量化开发者来说,最费时间的基础模块已经有现成的开源实现。 做股票量化、AI Trading、策略研究或者自动交易的,这 6 个值得一起收藏。

爱吃折耳根的Ace

25,965 görüntüleme • 1 ay önce

彭博终端一年好几万。这套开源桌面终端把研报、组合、新闻、节点编辑收在一个窗口里。 Fincept Terminal,31.8K stars。AGPL-3.0。C++20 + Qt6,内嵌 Python 3.11。 以前想碰专业终端,要么 Bloomberg 天价,要么自己把行情、宏观、研报、回测拆成十个网站。 它不只是一个看行情的软件,而是把股票研究、宏观数据、AI Agent、量化分析、组合管理、新闻、交易和全球情报,全整合进一个桌面终端里。 核心能力: 1️⃣ 支持股票、固定收益、衍生品、Crypto 等多类资产,可以做 DCF、VaR、Sharpe、组合优化和衍生品定价 2️⃣ 内置 37 个 AI Agent,覆盖 Buffett、Graham、Lynch、Munger 等投资框架,以及经济和地缘政治分析 3️⃣ 接入 100+ 数据源,包括 FRED、IMF、World Bank、Yahoo Finance、Polygon、AkShare、Kraken 等 4️⃣ 自带 18 个 QuantLib 量化模块,可以做定价、风险、波动率、固定收益和随机模型研究 5️⃣ 支持 AI Quant Lab,可以继续做机器学习、因子发现、强化学习和量化策略研究 6️⃣ 内置 Node Editor,可以把数据、分析和 Agent 组合成自己的自动化研究流程 7️⃣ 支持 Paper Trading 和 16 个 Broker 接口,还覆盖 Crypto 和股票行情 8️⃣ 除了金融数据,还加入海运追踪、地缘政治、关系图谱和卫星数据等 Global Intelligence 我比较喜欢它的一点是: 它不是简单做一个“AI 股票聊天框”,而是真想把专业投研终端需要的东西全部放到一套系统里。 Bloomberg 一年 2.7 万美元的活,它开源版 0 元就能干个七七八八。 做股票投研桌面、想看开源版彭博壳的,这个值得留着。

爱吃折耳根的Ace

11,451 görüntüleme • 1 ay önce

买不起彭博终端,不代表只能靠财经群和截图做研究。 我把 GitHub 上 4 个开源金融项目交给 Codex,结果真能拼出一套 “私人版彭博 + AI 私人投研团队”。 合计 122K+ Star,全部免费。 我找出四个最能打的: daily_stock_analysis|58.8K Star 覆盖 A 股、港股、美股等多个市场和 ETF,每天自动生成评分、趋势、买卖点、风险警报和研究报告。 支持 15 种分析策略,GitHub Actions 约 5 分钟部署,不需要服务器。 FinceptTerminal|29.1K Star 真正的开源金融终端。 内置 37 个 AI Agent,覆盖巴菲特、格雷厄姆、芒格、宏观和地缘分析;还有 100+ 数据连接器,可接 FRED、IMF、世界银行、Yahoo Finance 等数据源。 不只给数据,还能直接做估值、组合优化和风险分析。 Lean|20.8K Star QuantConnect 的开源量化交易引擎。 支持 Python 和 C#,从策略研究、历史回测到实盘执行全部打通。想认真学量化,这个基本绕不开。 ai-berkshire|14.1K Star 专门为 Claude Code 和 Codex 设计的价值投资 Skill 合集。 把巴菲特、芒格、段永平、李录的方法论塞进多个 Agent,同时分析商业模式、护城河、管理层、估值和风险,再汇总成完整投研报告。 这四个项目刚好覆盖四个场景: 每日简报、专业终端、算法交易、深度研究。 严格来说,它们并不全是 Skill。 但 Codex 可以通过 Skill、代码和命令行把它们串起来,从看盘、研究到回测,一套流程直接跑通。 但对于个人研究来说,已经够狠了。 下面视频展示了具体效果~

爱吃折耳根的Ace

18,944 görüntüleme • 3 ay önce

我靠!一台开发板,13 秒就跑完了 3547 只 A 股的 11 年策略回测! 有人把 C++ 的计算性能和 Python 的开发效率结合起来,连多策略组合、资金管理和真实交易规则都做进了框架! 开源项目 Hikyuu,3.7K Stars,Apache-2.0 开源,一套专门面向系统化交易研究的高性能量化框架。 以前自己搭 A 股量化系统,指标计算、策略回测、仓位管理和交易成本都得分别处理,数据一多还容易跑得很慢。 Hikyuu 直接把这些环节拆成可自由组合的模块,底层 C++ 负责计算,Python 负责策略开发。 核心能力: 1️⃣ C++ 高性能引擎:作者测试 1913 万根 K 线的均线汇总计算,预热后仅需 166 毫秒 2️⃣ 模块化策略开发:买卖信号、止盈止损、仓位管理、滑点等模块自由组合 3️⃣ A 股交易规则:模拟手续费、印花税、停牌、除权除息和延迟成交 4️⃣ 多策略组合:支持多因子选股、资金分配、组合调仓和多层策略嵌套 5️⃣ 策略回测验证:支持 Walk-forward 滚动优化、交易记录和绩效分析 6️⃣ 数据与可视化:支持 HDF5、MySQL、ClickHouse、SQLite,配合 Python 绘制 K 线和交易信号 比较厉害的是,比如你有均线突破、趋势跟踪和多因子选股三套策略。 可以分别回测,再组合成一个投资组合,由框架统一管理资金、仓位和风险。 而且作者特别强调回测真实性,手续费、成交延迟、除权除息都要算清楚,避免漂亮的收益曲线掩盖实际问题。 项目支持 pip 安装,Python 3.10+ 即可使用。 它主要面向 A 股研究,不自带券商实盘下单功能,美股等海外市场需要自己接入数据。 做 A 股量化、Python 策略回测、多因子选股或者高性能交易系统开发的,这套值得认真研究! GitHub:

爱吃折耳根的Ace

22,699 görüntüleme • 7 gün önce

我投资美股很多年,收获不错,有时代的机遇,也有一定的运气。但一直保持着学习的心态。桥水基金的达里奥,是我一直研究的方向和老师。 这次看到他的风险平衡投资策略,跟他早期的全天候策略,有异曲同工之妙,弱相关性+高收益率+可控回撤,带来了很多投资中新的深度思考。 视频中讲的是我这几年投资最核心的一条原则:真正赚钱的,不是选出“最牛的股票”,而是构建“风险平衡、分散相关性低”的投资组合。 说白了,我们很多人最开始都在追热点,想着找“最牛的那个”,比如特斯拉、英伟达、苹果。但问题是,单一资产的风险太高了,一旦踩错了节奏,回撤就是30%、50%,搞不好连睡觉都不踏实。 我在23年以后开始转变思路,从“怎么在不牺牲收益的前提下,把组合的风险降下来”开始。举个通俗的例子: 假设我有一个投资标的,年化收益10%,风险(波动率)也10%,看起来挺不错。但如果我找到另一个资产,它同样10%收益,但跟前一个“不相关”,它们不一起涨也不一起跌。那我把两个放在一起,组合的整体风险反而下降了,收益不变,性价比(收益/风险比)就提高了。 这就是分散化的力量——不是为了摊平回报,而是为了用更少的风险,赚到一样甚至更多的钱。 最牛的是什么?不是你选了哪只牛股,而是你找到了15到20个不相关的“潜在赚钱机会”,它们各自有一定赚钱的概率,但彼此之间风格、赛道、逻辑不一样。这时候你不是靠“赌哪只赢”,而是靠系统化地提升整体胜率。 很多人觉得找“最好”的股票是关键,但我告诉你,没有哪只股票能长期打败一个高度分散、低相关性、风险平衡的投资组合。如果你能做到这一点,你的风险回报比可以提升5倍,亏钱的概率从40%直接降到11%,这才是职业投资者真正关心的。 这也是为什么像达里奥这样的投资大师反复强调:“别把鸡蛋放在一个篮子里”,而是要“放在20个互不相关的篮子里”。对我来说,这不是一句鸡汤,而是实打实让我账户稳定增长的核心秘诀。这也成为我们长期投资稳定回报的法门之一。而加密+美股+美债+大宗商品的嵌套组合,其实便能起到最大化的效果!🧐

Rocky

156,590 görüntüleme • 1 yıl önce