在当今复杂多变的股市环境中,投资者们始终在寻找能够带来显著收益的投资策略。DeepSeek多因子选股策略作为一种新兴的量化投资方法,受到了越来越多投资者的关注。据相关报道,其策略设计和实施效果显示出了一定的潜力,甚至有投资者声称通过该策略实现了30%以上的收益。
DeepSeek多因子选股策略的核心要素
DeepSeek构建了一个经过A股有效性验证的基础因子库,涵盖多个维度,如价值、成长、动量、质量等。这些因子通过行业中性化、市值分层正交化等处理方式,确保了因子之间的独立性和有效性。此外,DeepSeek还会根据12个月滚动信息系数(ICIR)动态调整因子权重,以适应市场变化。
在组合构建方面,DeepSeek采用结构化风险模型(如Barra CNE5框架),对行业、市值、波动率等风险暴露进行严格控制。同时,通过设定个股仓位、行业偏离度和换手率等约束条件,进一步优化投资组合的风险收益特征。
DeepSeek的交易算法注重减少市场冲击和滑点。例如,采用VWAP(成交量加权平均价格)和自适应流动性捕获等策略,确保订单执行的效率和成本控制。此外,对于科创板等特殊板块,还设计了盘后固定价格交易阶段的订单拆分策略。
虽然DeepSeek多因子选股策略的设计理念较为先进,但要实现30%以上的收益,还需要考虑以下关键因素:
A股市场具有政策驱动性强、散户占比高、行业轮动快等特点。DeepSeek的策略需要能够灵活适应这些市场特性,及时捕捉行业轮动和政策变化带来的投资机会。
风险控制是实现高收益的重要保障。DeepSeek通过流动性筛选、黑名单机制、动态止盈止损等手段,有效降低了投资组合的风险暴露。例如,设定个股最大回撤和组合整体波动率限制,避免因市场波动导致的大幅亏损。
高质量的数据是量化投资的基础。DeepSeek需要接入可靠的金融数据源,如Wind、同花顺等,并对数据进行严格的预处理。同时,定期对模型进行回测和优化,确保策略的鲁棒性和有效性。
实现30%以上收益的可能性
尽管DeepSeek多因子选股策略在理论和实践上都显示出了一定的优势,但实现30%以上的收益并非易事。根据相关报道,DeepSeek的高频“金”组合中证1000指数增强策略年化超额收益率为10.37%,超额最大回撤为6.04%。这表明虽然该策略能够提供显著的超额收益,但要达到30%以上的年化收益,可能需要进一步优化策略或结合其他投资方法。
DeepSeek多因子选股策略为投资者提供了一种科学、系统化的投资方法,其通过多因子分析、组合优化和先进的交易算法,在一定程度上能够提高投资收益。然而,要实现30%以上的收益,还需要投资者根据市场环境和自身风险承受能力,灵活调整策略,并严格控制风险。投资者在使用DeepSeek策略时,应保持谨慎态度,结合市场动态和自身经验,做出合理的投资决策。
最近出了很多deepseek辅助量化编程的教学,大概看了一下,做得比较简单,实际操作还是会遇到很多问题。所以,出了一个小白完整版,一些简单策略,照着做基本不会出现什么问题。
专注量化交易行业研究,分享交易技术、行业知识,提供系统性量化交易解决方案,线上申请开通量化交易权限。
01
错误示例
直接问AI要一个策略,AI给的代码,几乎没有一句能在PTrade上用的。
02
正确的提问逻辑
1.明确需求:AI会偷懒,你问得越细,回答的就越细,实用性就越强。
2.指定格式:提示词+思维链+知识库,避免AI随意发挥,出现幻觉
3.注意控制长度:模块化代码设计,逻辑简单易维护,避免注意力机制难题
4.分布生成:将多层策略拆解,逐层实现
正确步骤:需求结构→策略构建→规范核查→测试修正→绩效优化→落地实战→持续改进
03
第一步:需求结构-明确策略逻辑
1.需要明确的事项
①运行周期:明确触发时机,
②标的:单股 or 股票池?
③需求:收盘价、成交量、指标计算规则
④规则:趋势动量逻辑/轮动调仓逻辑./..
2.提问示例
因为DS服务器忙的原因,示例我用的Chat-GPT4,其它支持长对话的AI基本上都可以,这里推荐kimi1.5
红框内容是设置好的模板,下同
04
第二步:策略构建,用AI生成代码
1.上传《PTrade所有API函数清单》让AI学习,支持文档上传最好,不支持的话也可以像我一样手动上传。
2.设定框架生成代码
最好给一个示例代码,最后把自己的需求,也就是第一步的结果复制下来。
05
第三步:规范核查,修改错误,避免幻觉
按照API文档生成的策略还是有很多语句问题,还需要学习《API接口明细-设置函数》《API接口明细-获取信息函数》《PTrade数据结构》,改正常见问题。
06
第四步:测试修正——快速定位与修复 BUG
策略的基本雏形就出来,接下来就是运行代码回测。第一次运行基本上都会报错,我们只需要把报错的部分重新提交给AI,让它修改。
提交的部分:从错误/Exception: :Traceback (most recent call last):”到“xxxError:xxxx”之间的所有行。而且一定要让它返回完整代码,不然很可能只返回一段,不知道放哪里。
这个过程一定要有耐心,我一共修改了7次,才返回了正确代码。
07
第五步:绩效优化,参数调优与压力测试
得到正确代码之后,可以让AI逐行增加注释,明确小白可修改之处,并将所有小白可修改的参数集中到初始化函数。这样方便我们理解策略逻辑,也方便我们优化参数。
08
第六步:落地实战
有一个比较好的回测结果之后,我们就可以先小资金尝试实盘验证。
09
第七步:持续改进,迭代升级
根据实盘情况,我们的策略框架可能会有一些修改,这些都可以用AI来帮我们。也可以定期导出交易日志让AI提供优化建议。AI对话框不要删除,学习的内容都在里面。
注意事项:
1.目前只推荐用PTrade,QMT策略框架太灵活,不太好规范。
2.学习文档可以加我微信:stock527
3.deepseek链接:
官方:https://deepseek.com
硅基流动:https://cloud.siliconflow.cn/i/ygPbpKtb
火山引擎:https://console.volcengine.com/ark/region:ark+cn-beiiing/model?vendor=Bytedance&vieW=LIST VIEW
百度智能云
https://console.bce,http://baidu.com/aianfan/ais/console/onlineTest/LLM/DeepSeek-R1
免责声明:仅做知识整理,及一些个人观点的输出。本号对这些信息的准确性和完整性不作任何保证。投资有风险,入市需谨慎。且本材料不构成任何投资意见,请谨慎选择与自身风险承受能力、投资目标等相匹配的产品及服务。
首先量化交易是一个系统性工程,这个系统性工程你需要大量的时间和精力来完成。
其次,量化交易的核心是策略,你如果通过问AI来获得一些策略,这些策略通常需要长周期的回测才能看出来是否真的可以稳定盈利(当然,99%的情况下,应该都不行)
所以对于我个人来说,我使用大模型做量化交易有2个方向:
从上面2个方向来说,都是让大模型关注在策略层面。在之后,我还要去做回测,搞定API,对接交易所。实盘、监控等等。
当你把这些做完了,你发现,可能还是不能赚钱的~
Deepseek 连完整代码都写不出来,连续喂给它前端后端三五篇代码纠错,它就装做服务器繁忙的样子,就宕机了,就说我攻击它了。你要是用它做量化模型,你恐怕会赔死。量化模型的关键是strategy,必须是你有优势的,最好没人用的strategy,如果你用的strategy烂大街了,那还不如不用,不然很容易被更好的strategy模型给毙了。它告诉你的必然是烂大街的模型。建议不要用,不要攻击它,我还是继续攻击openAI去。
鄂公网安备 42068302000331号
温馨提示:本站所有内容均来自互联网,若有侵权请联系站长处理。联系邮箱:yangtata@vip.qq.com