常见量化投资数据源
小黄鱼指标源码
小黄鱼指标源码摘要：1.小黄鱼指标源码概述2.小黄鱼指标源码的内容3.小黄鱼指标源码的应用4.小黄鱼指标源码的优缺点5.小黄鱼指标源码的未来发展正文：一、小黄鱼指标源码概述小黄鱼指标源码是一种基于Python 语言编写的金融指标代码，主要应用于量化投资领域。
通过编写源代码，用户可以获取到各种金融数据，例如股票价格、交易量等，并对这些数据进行分析，以实现投资策略的制定和优化。
二、小黄鱼指标源码的内容小黄鱼指标源码主要包括以下几个方面的内容：1.数据获取：源代码可以从多种数据源获取实时或历史金融数据，如股票、债券、期货等。
2.数据处理：源代码可以对获取到的金融数据进行清洗、整理和计算，以满足用户的分析需求。
3.指标生成：源代码可以根据用户需求，编写各种金融指标，如均线、MACD、布林带等。
4.策略实现：源代码可以利用生成的指标来实现投资策略，如趋势跟踪、对冲等。
三、小黄鱼指标源码的应用小黄鱼指标源码在量化投资领域有着广泛的应用，主要体现在以下几个方面：1.股票投资：用户可以通过编写源代码，分析股票价格和交易量等数据，以制定投资策略。
2.期货交易：用户可以利用源代码实现期货交易策略，如套利、趋势跟踪等。
3.资产管理：机构投资者可以利用小黄鱼指标源码进行资产管理，以提高投资收益和风险控制能力。
四、小黄鱼指标源码的优缺点1.优点：（1）源代码可读性强，易于理解和修改；（2）跨平台，可以在多种操作系统上运行；（3）可以满足用户个性化需求，实现定制化投资策略。
2.缺点：（1）需要具备一定的编程基础，使用门槛较高；（2）编写和调试源代码需要花费较多时间和精力。
五、小黄鱼指标源码的未来发展随着量化投资领域的不断发展，小黄鱼指标源码在未来将面临更多的机遇和挑战。
从发展趋势来看，以下几个方面值得关注：1.人工智能技术的融合：未来小黄鱼指标源码可能与人工智能技术相结合，实现自动化策略制定和优化。
2.跨语言和平台的支持：为了满足更多用户的需求，小黄鱼指标源码可能将支持更多编程语言和平台。
量化投资策略报告
量化投资策略报告摘要：量化投资策略是近年来快速发展的一种投资方法，基于统计学和数学模型，以及大数据和人工智能技术的支持，通过数据挖掘、机器学习和自动化交易等手段，实现对投资策略的量化化和自动化。
本报告将从数据源的选择、模型构建的方法、策略实施的流程、风险控制的措施四个方面，详细阐述量化投资策略的核心要点和注意事项。
一、数据源的选择量化投资策略的主要数据源包括经济数据、财务数据、市场数据和舆情数据。
例如，经济数据如GDP、CPI、PMI等；财务数据如利润、收入、负债、现金流等；市场数据如股价、成交量、PE、PB等；舆情数据如新闻、社交媒体、研究报告等。
不同的策略会选择不同的数据源，有些策略需要多个数据源的交叉验证，而有些策略仅需要一个数据源即可。
二、模型构建的方法模型构建是量化投资策略中最重要的一步。
它需要借助于统计学和机器学习方法，对所选数据源进行分析和挖掘，得到投资模型。
模型有很多种构建方法，常见的有回归模型、聚类模型、决策树模型、神经网络模型等。
不同的模型适用于不同的数据源和投资目标。
三、策略实施的流程策略实施是量化投资策略的关键环节。
实施过程包括策略验证（backtesting）、模拟交易和实盘交易三个阶段。
策略验证是检验投资策略是否可行的重要环节，需要借助历史数据对投资模型进行验证。
模拟交易是在模拟环境下进行的，可以发现实盘交易中可能存在的问题。
实盘交易是最终的目标，它需要考虑手续费、滑点等实际因素。
四、风险控制的措施量化投资策略会面临各种各样的风险，例如市场风险、模型风险、操作风险等。
为了降低风险，需要采取一些措施。
例如，分散化投资，控制单个股票、行业和地域的比重；设立止损和止盈点，及时止损、止盈；控制交易频率，避免过度交易等。
结论：量化投资策略是一种基于数据分析和科学技术的投资方法，其优势在于能充分利用大数据和人工智能技术来实现对投资的量化化和自动化。
然而，要想取得长期稳定的投资收益，除了选择好数据源和构建好模型，还需要注意实现流程和风险控制的措施。
中天量化体系指标源码
中天量化体系指标源码摘要：1.中天量化体系指标源码概述2.中天量化体系指标源码的内容3.中天量化体系指标源码的应用4.中天量化体系指标源码的优势和特点5.中天量化体系指标源码的未来发展正文：一、中天量化体系指标源码概述中天量化体系指标源码是一种基于量化策略的投资分析工具，通过数据分析、模型构建和回测验证，帮助投资者实现科学投资。
中天量化体系指标源码以客观、准确的数据为基础，采用多种技术指标和分析模型，为投资者提供有效的投资决策依据。
二、中天量化体系指标源码的内容中天量化体系指标源码主要包括以下几个方面的内容：1.数据获取：中天量化体系指标源码从多种数据源获取实时和历史数据，包括股票、期货、基金等金融产品。
2.模型构建：中天量化体系指标源码提供多种量化策略模型，如趋势跟踪、对冲、套利等，投资者可以根据自己的投资需求选择合适的模型。
3.回测验证：中天量化体系指标源码对所选模型进行回测验证，以确保策略的有效性和稳定性。
4.风险管理：中天量化体系指标源码可以根据投资者的风险承受能力，对投资组合进行优化和调整，以降低风险。
三、中天量化体系指标源码的应用中天量化体系指标源码主要应用于以下几个方面：1.投资决策：投资者可以通过中天量化体系指标源码的分析结果，做出更为科学合理的投资决策。
2.风险控制：中天量化体系指标源码可以帮助投资者有效地控制风险，提高投资收益。
3.产品研发：金融机构可以通过中天量化体系指标源码开发新的金融产品，提高竞争力。
4.教育培训：中天量化体系指标源码可以作为教学案例，帮助投资者提高量化投资技能。
四、中天量化体系指标源码的优势和特点1.客观性：中天量化体系指标源码以数据为基础，避免了人为主观因素的影响，提高了分析结果的客观性。
2.准确性：中天量化体系指标源码采用多种技术指标和分析模型，提高了分析结果的准确性。
3.高效性：中天量化体系指标源码可以实现自动化分析，提高了工作效率。
4.灵活性：中天量化体系指标源码提供多种量化策略模型，投资者可以根据自己的需求进行选择。
量化投资著名案例
量化投资著名案例量化投资是一种利用数学和统计方法来进行投资决策的方法。
它通过收集和分析大量的历史数据，并利用数学模型和算法来预测资产价格的变动，以此来指导投资决策。
下面是一些著名的量化投资案例：1. 雅虎量化团队：雅虎量化团队是量化投资领域的先驱之一。
他们利用大数据和机器学习技术，开发了一套高效的量化交易策略。
通过分析大量的金融数据，他们能够准确预测股票价格的变动，并在市场中获得巨大的收益。
2. 文艺复兴科技：文艺复兴科技是一家著名的对冲基金公司，他们以量化投资为核心策略。
他们利用复杂的数学模型和算法，对全球各个金融市场进行深入分析，并基于模型的预测结果进行投资决策。
他们的投资策略高度自动化和科学化，取得了显著的投资回报。
3. 丘奇兄弟：丘奇兄弟是量化投资领域的先驱之一。
他们利用统计学和数学模型，开发了一套高效的量化交易系统。
他们的交易策略基于大量的历史数据和技术指标，能够准确预测股票价格的变动，并在市场中获得稳定的回报。
4. DE Shaw：DE Shaw是一家全球知名的对冲基金公司，他们以量化投资为核心策略。
他们利用大数据和机器学习技术，对全球各个金融市场进行深入分析，并基于模型的预测结果进行投资决策。
他们的投资策略高度自动化和科学化，取得了显著的投资回报。
5. 伯克希尔·哈撒韦：伯克希尔·哈撒韦是知名投资者沃伦·巴菲特的投资公司。
虽然他们的投资风格更倾向于价值投资，但他们也在一定程度上使用了量化投资的方法。
他们利用大量的历史数据和财务指标，对潜在投资标的进行筛选和评估，并基于模型的预测结果进行投资决策。
6. 好未来量化团队：好未来是中国知名的教育科技公司，他们也在量化投资领域有所涉足。
他们利用大数据和机器学习技术，对教育市场进行深入分析，并基于模型的预测结果进行投资决策。
他们的投资策略高度自动化和科学化，取得了显著的投资回报。
7. 量化投资ETF：量化投资ETF是一种基于量化投资策略的交易所交易基金。
量化投资的基本方法与策略
量化投资的基本方法与策略随着科技和金融市场的发展，量化投资成为了投资界的热门话题。
所谓“量化投资”，就是利用数据分析技术、计算机算法和模型等手段，对投资标的进行分析和筛选，从而达到增加收益、降低风险的目的。
本文将介绍量化投资的基本方法和策略。
一、数据采集和清洗量化投资的第一步是数据采集和清洗。
数据来源包括行情数据、公司财务数据、宏观经济数据等。
采集到的数据需要进行清洗，去掉噪声和异常值，确保数据的准确性和可靠性。
二、统计分析和因子挖掘量化投资的第二步是统计分析和因子挖掘。
统计分析可以帮助投资者了解市场的走势和规律，例如均值回归、趋势分析等。
因子挖掘则是寻找可以影响股票或其他投资标的表现的因素，例如市盈率、市净率、ROE等。
通过对因子进行分析和筛选，可以选择合适的投资标的。
三、模型构建和回测量化投资的第三步是模型构建和回测。
投资者可以利用计算机算法和模型，根据采集到的数据和挖掘到的因子，构建投资策略和模型。
回测是在历史数据上进行模拟交易，测试模型的有效性和稳定性。
四、交易执行和风险控制量化投资的最后一步是交易执行和风险控制。
基于构建的模型和策略，投资者可以进行实盘交易。
在交易执行过程中，需要根据市场变化和模型预测，及时调整仓位、止盈止损等交易策略。
同时，也需要进行风险控制，例如进行止损、对冲等操作，控制投资风险。
在实际应用中，量化投资有许多不同的策略，例如价值投资策略、动量投资策略、市场中性策略等。
下面将介绍两种常见的量化投资策略：1. 价值投资策略价值投资策略认为，股票市场是估值不合理的。
通过挖掘低市盈率、低市净率等价值因子，选择被低估的股票进行投资。
在实际应用中，价值投资策略通常会结合动量因子进行投资，例如选择价值投资股票池中表现明显的股票进行交易。
2. 动量投资策略动量投资策略认为，股票市场有明显的上涨趋势或下跌趋势。
通过挖掘股票的价格和成交量等因子，选择表现出较大涨幅或下跌趋势的股票进行投资。
量化投资的文献
量化投资的文献以下是一些关于量化投资的经典文献：1. "Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management" by Ludwig B. Chincarini and Daehwan Kim这本书提供了关于如何构建和管理量化股权投资组合的详细指南，包括因子模型、风险管理和交易策略等方面的内容。
2. "Quantitative Investment Analysis" by Richard A. DeFusco, Dennis W. McLeavey, Jerald E. Pinto, and David E. Runkle这本教科书介绍了使用定量方法进行投资分析和决策的基本原理和技巧，包括股票、债券和衍生品等不同类型的资产。
3. "Quantitative Trading: How to Build Your Own Algorithmic Trading Business" by Ernest P. Chan这本书向读者介绍了如何构建自己的算法交易业务，包括数据处理、模型开发、回测和实盘交易等方面的内容。
4. "Algorithmic Trading: Winning Strategies and Their Rationale" by Ernie Chan这本书讨论了一些常见的算法交易策略，包括均值回归、趋势跟踪和统计套利等，同时提供了实际案例和具体实施步骤。
5. "Advances in Financial Machine Learning" by Marcos Lopez dePrado这本书探讨了如何应用机器学习技术来改进金融交易策略，包括特征选择、模型评估和风险管理等方面的内容。
乾坤六道量化指标源码
乾坤六道量化指标源码什么是乾坤六道量化指标乾坤六道量化指标是一种用于金融市场的量化分析工具，旨在提供对市场行情的全面评估和预测。
乾坤六道是根据中国传统哲学中的“乾坤六道”理论而得名。
根据这一理论，宇宙万物存在于乾坤六道之中，包括天、地、人、神、鬼、兽六个层面。
将其应用到金融市场中，乾坤六道量化指标则代表了市场的六个关键方面，包括趋势、波动、量能、情绪、资金和风险。
乾坤六道量化指标的源码实现乾坤六道量化指标的源码实现是基于数学模型和统计分析的算法，在金融市场数据的基础上进行计算和分析。
下面将介绍每个指标的实现原理和代码示例。
1. 趋势指标趋势指标用于判断市场的趋势方向，常用的趋势指标包括移动平均线、相对强弱指数（RSI）和布林带等。
以下是一个简单的移动平均线的实现示例：def moving_average(data, n):weights = np.repeat(1.0, n) / nsma = np.convolve(data, weights, 'valid')return sma2. 波动指标波动指标用于衡量市场的波动程度，常用的波动指标包括平均真实波幅（ATR）和标准差等。
以下是一个简单的标准差的实现示例：def standard_deviation(data):return np.std(data)3. 量能指标量能指标用于衡量市场的交易量，常用的量能指标包括成交量、成交额和持仓量等。
以下是一个简单的成交量的实现示例：def volume(data):return np.sum(data)4. 情绪指标情绪指标用于反映市场参与者的情绪状态，常用的情绪指标包括市场情绪指数（MSI）和投资者情绪指数（ISI）等。
以下是一个简单的市场情绪指数的实现示例：def market_sentiment_index(data):return (np.max(data) - np.min(data)) / np.mean(data)5. 资金指标资金指标用于衡量市场的资金流向，常用的资金指标包括资金净流入、资金流动性和资金利用率等。
量化投资的模型与策略
量化投资的模型与策略量化投资是指通过利用数据和数学模型来制定投资决策的一种投资方式。
本文将探讨量化投资的模型和策略，并分析其优势和应用领域。
一、量化投资模型量化投资模型是量化投资的基石，它通过对大量的历史数据进行分析和建模，以发现规律和趋势，从而预测未来市场的走势。
常见的量化投资模型包括趋势跟踪模型、均值回归模型、因子模型等。
1. 趋势跟踪模型趋势跟踪模型是一种通过观察市场价格的趋势来进行投资决策的模型。
它基于市场价格的上涨或下跌趋势，选择相应的投资策略。
例如，当市场呈现上涨趋势时，可以选择买入股票或其他投资品种，而当市场呈现下跌趋势时，则可以选择卖出或做空。
2. 均值回归模型均值回归模型是一种基于市场价格回归到其长期均值的趋势来进行投资决策的模型。
它认为市场价格的偏离程度会逐渐回归到其长期均值，因此在价格偏离较大时选择买入，而在价格偏离较小时选择卖出。
3. 因子模型因子模型是一种通过分析市场中的各种因素来进行投资决策的模型。
它认为市场价格的变化可以由一系列因素解释，例如利率、经济指标等。
通过选择适当的因子，并进行相应的加权组合，可以预测市场未来的走势。
二、量化投资策略量化投资策略是基于量化投资模型的具体操作方法。
它根据不同的市场环境和投资目标，选择合适的模型，制定相应的投资策略。
1. 多因子策略多因子策略是一种基于因子模型的投资策略。
它通过选取多个具有独立解释市场变化能力的因子，并进行适当的加权组合，来实现超额收益。
例如选择股票市盈率、市净率等因子进行分析，以确定投资组合的配置比例。
2. 配对交易策略配对交易策略是一种基于均值回归模型的投资策略。
它通过选择两个相关性较高的股票或其他投资品种，当它们的价格偏离较大时，选择买入其中一个，同时卖出另一个。
当价格回归到其均值时，即可实现盈利。
3. 动量策略动量策略是一种基于趋势跟踪模型的投资策略。
它认为市场价格的趋势会延续一段时间，因此选择市场上表现较好的股票或其他投资品种进行投资。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
企业债公司债主要财务 指标
标准券折算比例
债券派息信息
14
1.7 期货数据
期货的投资策略可分为： 股指期货数据 商品期货数据
商品期货品种 基本信息
国债期货
国债期货品种 基本信息
1）单一品种策略
2）混合品种策略
◇单一品种策略：趋势跟踪、
动态反转和跨期套利等 ◇跨市场策略：商品期货与 现货之间的基差套利等 ◇跨品种策略：似品种特征 的商品期货合约配对。
28
行业概 况
行业进 出口
行业数 据
行业经 济指标
风格轮动效应，不同市场发展阶段往往 呈现个别行业发展的相对优势。
行业产
品产量
10
1.3 公司数据
上市公司策略研究大多集中于从公司的财务指标或因子进行研究分析。 如：多因子选股策略需要财务数据源。 公司行情数据一般可分为基本面因子、技术因子、事件因子及分析师
文本形式
金融信息
• 政府机构
按来源分类
公司公告 机构和媒体信息
金融信息
• 宏观经济信息 • 技术面信息 • 金融衍生信息
按内容分类
行业信息 行为偏差信息 公司信息 高频数据信息
4
常见量化投资数据源
在金融量化投资领域，数据是人们研究金融现象的纽带和通道。策略 开发人员往往先应用历史数据对策略进行历史回验，策略调整至有效后 进行实盘交易。
股票数据源
个股交易停复牌数据 个股回报率 日大宗交易数据
异常波动信息
复权信息
市场行情
12
1.5 基金数据
基金有广义和狭义之分，人们平常所说的基金主要是指证券投资基金。 基金一般可反映金融市场环境情况，如市场从业人员口中的“基金88 魔咒”是指公募基金整体仓位达到百分之88的高位时,往往大盘就会见顶回 落。
基金数据源
基金基本数据 回报率 基金净值数据 资产配置 除权息数据 基金财务指标 基金数据评价
13
1.6 债券数据
债券作为一种相对风险较低的品种，适合于风险规避行的投资者。 策略方法：采用债券品种进行套利，如不同到期债券之间的套利，同 一公司债券股票之间的套利，可转债与股票之间的套利。
债券数据源
• 表征为市场情绪指标，情绪具有催化剂的作用，对于股市尤 其如此
11
1.4 股票数据
股票是量化投资最常用品种。股票投资策略一般包括：风格轮动
策略、行业轮动策略、资金流策略、动量反转策略和趋势跟踪策略等。
◇风格轮动策略：根据市场/个股的发展阶段以及呈现出的风格特征进行选股买卖；
◇行业轮动：根据不同市场周期特征选择行业进行投资； ◇资金流策略：根据市场的资金流向进行选股配置； ◇动量反转趋势跟踪策略：根据股价的回复或趋势特征进行套利。
FAST协议 克服了FIX协议传输市场数据冗余度高、带宽需求大的问题，
采用二进制数据流交换方式，将STEP协议的28ms行情延迟 提高到20ms行情延迟，此外，通过对比测试结果显示， FAST版本的带宽占用率平均为STEP版本的24.2%，发布
level2行情
22
3.3 实时数据源 实时数据源
Level1数
股指/国债期 货基本信息数 据 股指/国债期 货交易数据 股货交易 数据
国债期货交易 数据
商品期货交易 量及仓位状况
国债期货交易 量及仓位状况
现货价格信息
国债价格信息
15
1.8 指数数据
指数数据反映其编制对象的总体情况。如：沪深300反应沪深市场 的市场行情；农林牧渔行业指数反应农林牧渔行业的总体试产行情。 ◇被动型基金利用成分股按权重复制指数以获得市场平均收益率；
交易品种包括在深 上市流通的股票 （A股和B股）、 债券（国债和企业 债券）、封闭式基
交易品种有铜、铝、 交易品种有大豆、 锌、天然橡胶、燃 线材等10种期货 合约 豆粕、豆油、线型 榈油、玉米以及聚 氯乙烯等
交易品种有硬麦、 强麦、棉花、白糖、 精对苯二甲酸、菜 籽油、早籼稻
交易品种有沪深 300股指期货、国 债期货
据
基本行 情 扩展行 情 基本行 情 扩展行 情 十档行 情
Level2数据
委托队 列
逐笔成 交信息
委托买 卖信息
分笔分 时成交
大盘总 买与大 盘总卖
23
4 数据提取方法
4 数据提取方法
主流的数据提取方法主要分为终端提取方法和API提取方法两种 终端提取方法 • 终端包括有网页终端和软件终端，其提取方法是利用终端界面上的行业 分类和字段筛选等提取相关数据，并最终导出为Excel、DBF或TXT等格
衍生数据源
量化因子仓库 风控因子数据 库
衍生物 因子 事件因 子 复合因 子 行业因 子 风格因 子
宏观因 子
行业因 子
基本面 因子
技术因 子
行为因 子
高频因 子
17
2 历史高频数据源
2 历史高频数据源
历史高频数据即指日内的数据，主要针对以小时、分钟或秒为采 集频率的数据，常见历史高频数据字段如下图所示：
品
零 售
环
比
总
值
数
据
情
况
投
资
水
平
数
数
牛市偏向成长类股票 熊市偏向于资产保值类股票
9
1.2 行业数据
行业数据代表中观市场情况
牛市行情时选用强劲的周期性行业，代 表：有色金属、钢铁、化工等 熊市行情时选用风险防御能力较强的非 周期性行业，代表：医药行业、公用事 业行业等。 主题类投资策略和事件驱动类投资策略， 如战争时期人们会偏向相关行业如军工 股、造船和机械等，科技繁荣时会偏向 互联网、电子等。
预测因子。
基本面因子
• 包括有公司财务方面的数据，如规模因子、估值因子、成长 因子、盈利因子和偿债能力因子。 • 包括上市公司的一些交易指标，如1月动量因子、EMA、换 手率和资金流量等，由于本节主要介绍上市公司财务数据， 因此不详细介绍技术因子方面的数据。
技术因子
行为因子 分析师预测因子
• 需要研究消化公司的及时信息并将其转化为量化投资的信号
《量化投资分析》
常见量化投资数据源
国泰安信息技术有限公司 研究创新中心
量化投资的模块构建
公司盈利 模式设计
资金来源 -营销和融资
模型来源 -技术团队管理
金融信息概述
什么是金融信息？ 金融信息是影响金融投资行为和金融市场发展的信息。 具有可度量、可处理、可存储性质； 具有海量、有效性、传染性、对资产价格产生影响等特点。
的，所以对于量化投资者来说，选择一个可靠的数据提供商是进行可靠的量
化投资分析的有力保障。 在国外，以彭博资讯、汤姆森金融公司、路透社这“三大”为首的数据提
供商都享誉全球。
而目前在国内，国泰安信息技术有限公司以CSMAR系列中国金融经济数 据库、国泰安市场通全球金融信息分析系统与量化投资研究及投资平台等优 秀产品为国内乃至全球的量化投资者提供着优秀的服务；Wind资讯是中国 大陆领先的金融数据、信息和软件服务企业，其数据服务内容囊括新闻、基 金、宏观行业、股票以及理财产品五大模块；创建巨潮数据库的深圳证券信 息有限公司则是深交所和中国证券业协会指定的信息披露单位，多年来致力 于中国证券信息数据库系统的研究、建设、维护与产品开发。
基本数据源
宏观 数据 行业 数据 公司 数据 股票 数据 基金 数据 债券 数据 期货 数据 指数 数据 衍生 数据
基本面数据主要用于择时、选股等策略构建
择时策略包括趋势追踪策略、反转策略和市场情绪等 选股策略包括多因子策略、风格轮动策略、行业轮动策略等 配置策略包括套期保值策略和期现套利策略等
历史高频数据源 股票品种
分笔高频数据 分时高频数据 股指期货
期货品种
商品期货
分笔高频数据
分时高频数据
分笔高频数据
分时高频数据
19
3 实时数据源
3.1 证券交易所
交易所
证券交易所 期货交易所
上海证券交
易所
深圳证券交
易所
香港联合交
易所
上海期货交
易所
大连商品交
易所
郑州商品交
易所
中国金融期
货交易所
交易品种包括在沪 上市流通的股票 （A股和B股）、 债券（国债和企业 债券）、封闭式基 金、ETF和权证等
25
5 数据提供商
5 数据提供商
国内数据 国泰安 万得 巨潮
提供商
恒生
锐思 巨灵 国外数据 提供商 Bloomberg Thomson Financial One Banker Reuters CEIC Capital IQ
IBES
27
小结
目前来说，无论是基本面数据还是高频数据，依赖个人来收集是不现实
数据供应商
• 1.基本面数据 • 2.历史高频数据 • 3.实时数据
数据源 • CSMAR • Wind • ....
• 客户端提取数据 • API提取数据
用户
5
目
1
基本面数据源
录
2
历史高频数据源 实时数据源
3
4
数据提取方法
5
数据提供商
6
1 基本面数据源
1 基本面数据源
基本面数据包括宏观、行业、公司、股票、基金等9大类数据。
◇积极性基金在成分股组成的股票池进行资产配置，以获得超过市场平均
水平的收益。
指数数据源
指数基本信息
股票指数样本股基本信息
指数成份股权重数据
16
1.9 衍生数据
衍生数据可以提高金融市场投资者策略构建能力、策略绩效评估及 风险控制水平，能够反映和预测盈利能力。 量化投资研究常用的衍生数据库包括：