1.Python量化交易之指数增强策略（fmz平台）
2.有没有哪个数据是净值计算净值计算反应股市所有股票净值总和？
3.深入分析AMM恒定乘积模型的滑点与无常损失
4.Barra模型因子的构建及应用系列七之Liquidity因子
Python量化交易之指数增强策略（fmz平台）
指数增强策略原理
策略收益由两部分组成：Beta收益和Alpha收益。Beta收益是源码源码指跟随指数获得的市场收益，Alpha收益则是净值计算净值计算通过量化方式优化投资组合获得的超额收益。
指数增强策略目标是源码源码在跟踪指数的基础上，调整投资组合以获得更高收益。净值计算净值计算这涉及到构建评价体系，源码源码在线认购源码对评价高的净值计算净值计算股票增加权重，评价低的源码源码股票减少权重。
构建评价体系的净值计算净值计算手段包括多因子选股、线下打新、源码源码日内回转（T0）和择时增强等。净值计算净值计算其中，源码源码多因子选股是净值计算净值计算获取Alpha的主要策略，通过各种因子筛选优质股票。源码源码
指数增强策略步骤
策略包括四个主要步骤：选择跟踪指数，净值计算净值计算设置股票池，计算调仓指标，以及执行调仓操作。以沪深指数为例，选择成分股权重大于0.%的股票作为股票池，使用MACD和SMA指标来构建评价体系，对评价高的phpapp源码股票增加权重，评价低的股票减少权重。
步骤1和2已使用Pycharm完成，读者需下载沪深指数数据。通过代码实现步骤3和4，最终获得优化后的投资组合。
指数增强策略源代码
实现指数增强策略的代码基于发明者量化交易平台开发，代码可在fmz.cn获取。完成步骤3和4后，代码实现优化后的成分股列表。
策略表现
策略在--至--期间的表现如下：初始净值为，累计收益为.%，年化收益为7.%，夏普比率为0.，年化波动率为1.%，最大回撤为.%。
结语
本文提供学习交流使用的指数增强策略内容，代码仅通过模拟盘回测，未经过实盘检验，风险提示同上。策略代码有改进空间，如设置止盈止损点、cok 源码替换指标等。欢迎读者参与回测和参数调整，提高策略的适应性。
本文内容仅供参考，不保证百分百正确，欢迎指出错误，一经指出立即改正。如有QMT平台源代码需求，可私戳作者。
有没有哪个数据是反应股市所有股票净值总和？
你说的净值 是流通市值，还是总市值，还是入围资金。
流通市值 和 总市值，大智慧软件上都有，
入围资金，也叫活筹指数，这个指数，你要从网上找到这个指标的公式源码，然后再编辑到软件里面才行。
深入分析AMM恒定乘积模型的滑点与无常损失
深入分析恒定乘积做市商模型的滑点与无常损失
恒定乘积做市商模型，作为Uniswap的qtserialport源码创新，以xy=k的恒定乘积公式为核心，旨在推动市场交易。然而，模型中滑点与无常损失的问题一直备受争议。通过数学理论分析与数值模拟，我们深入了解滑点与无常损失的原理与过程。
滑点指的是预设成交价格与实际成交价格之间的偏差。在恒定乘积AMM中，一旦发生交易，资产储备发生变化，实际执行价格随之变化，产生滑点。交易量越大，滑点越大，交易者的损失也随之增加。通过分析公式，我们可以发现，交易量dx与资产储备量之间的关系直接影响滑点大小，资金储备越多、交易深度越大，能有效减少滑点，scws源码降低用户交易损耗。
实际计算中，Uniswap通过百分比来显示滑点，其计算方式在源码uniswap-v2-sdk/src/entities/trade.ts文件中的computePriceImpact函数中实现。公式计算逻辑显示，滑点百分比与理论应得量的关系是关键。通过验证Uniswap界面的断点调试，我们可以发现midPrice实际采用的是x对y的价格，与界面显示的实际兑换价不同。将推导公式带入，可以得到滑点百分比是兑换量占用于兑换的资产储备量的百分比。
无常损失则是指资产价格剧烈波动时，持有的资产净值减少，产生暂时性账面损失。然而，将资产投入流动性资金池提供流动性，由于AMM机制，价格与外部市场脱节，需要依赖套利者买卖资产来达到与外部市场价格的平衡。这种套利行为可能导致越涨越卖、越跌越买的情况，使无常损失变成永久性损失。
以一个恒定乘积做市的DEX为例，假设交易对为ETH/DAI，流动性为:。若一流动性供应商投入2ETH和DAI，当前比例为%。当ETH价格上涨至DAI/ETH，套利者将利用这个机会在该DEX上用DAI兑换ETH。通过计算，可以得出在套利后，池中ETH:DAI价格达到与外部市场的平衡比例，而套利价与池中价存在滑点，与池外价相比存在套利空间。根据流动性供应商的投入比例，套利后其在池中持有的资产量发生变化，与套利前相比存在不平衡，从而产生无常损失。
总的来说，Uniswap的恒定乘积AMM机制虽然简洁、优雅，提供了无限流动性，但也存在滑点与无常损失的问题。滑点与无常损失分别保护了流动性供应商与交易者的利益，但在实际应用中需要平衡这两方的利益，以实现更加公平与有效的市场交易。
Barra模型因子的构建及应用系列七之Liquidity因子
在构建Barra模型系列文章的篇章中，我们深入探讨了因子构建及应用，前文已详尽地介绍了Size、Beta、Momentum、Residual Volatility、NonLinear Size及Book-to-Price因子的构建与应用。此系列文章的第七部分，我们将关注于Liquidity因子的构建与应用。
Liquidity因子在Barra模型中的计算方法包含三个关键子因子：月度换手率、季度换手率与年度换手率，各子因子权重分别为0.、0.、0.3。该因子的换手率通过成交量与流通股本的比率计算，通过T天的加总求得对数形式，具体换手率的计算周期分别为月度天、季度天、年度天。
通过使用alphalens对Liquidity因子进行分析（年-年3月5日），我们发现：各调仓周期下的alpha收益均为负数，而5天调仓周期下的beta收益为正且最高；Liquidity因子的最大分组与最小分组均贡献负收益，且最大分组的负收益远超最小分组。进一步分析信息系数，IC均值与IC标准差在不同调仓频率下差异不大，平均IC仅为-0.，低于0.的阈值，显示了该因子的选股能力有限。从分组收益图可见，Liquidity因子表现出两端负收益、中间正收益的特征，这表明过高的或过低的换手率均会导致平均收益的下降。
基于因子分析，Liquidity因子的收益能力不佳，若作为单因子策略应用，预期回测收益同样较差。然而，为了后续对Barra模型个因子进行综合分析，我们依然编写了代码以备后续使用。接下来，我们将深入探讨Liquidity因子的回测分析。
回测时间设定为年1月1日至年3月5日，采用全A股作为回测品种（剔除ST股、停牌股与一年内的次新股），初始资金设定为万。手续费采用双边万二佣金与单边千一印花税（总计千1.4，即双边万7）作为计算依据，滑点设定为双边千1.，最大持仓数量限制为只股票。
策略净值曲线显示波动较小，在下跌阶段（年7月-月）具备较强的抗跌能力，在随后的反弹阶段亦展现良好的进攻能力，整体表现较为稳健。然而，从历史回测数据来看，Liquidity因子的收益虽能跑赢大盘指数，但未能创造正收益。年化收益率为-1.%，最大回撤率为-.%，夏普比率-0.，胜率仅.%。总体而言，尽管Liquidity因子在构建与应用中展现出一定的分析价值，其收益表现与预期仍有较大差距。
总结而言，本期文章详细探讨了Liquidity因子在Barra模型中的构建与回测分析，揭示了其在策略应用中的收益特点与潜在局限性。读者可通过掘金量化社区获取本期策略源码，进一步探索因子在实际投资决策中的应用与优化。