Jo Jo
0%

发表于 分类于

适配岗位方向
方向 原因 项目建议关键词
✅ Cross-Asset Quant Research 强调因子提取、信号建模、回测评估，最适合数据分析型背景 Alpha因子、多因子模型、组合优化、机器学习预测、回测
✅ Multi-Asset / Portfolio Quant（也叫 Quantitative Solutions）

✅ 项目一：多因子选股 + 回测系统
使用 Pandas + Backtrader 做一个完整策略
构造 value/momentum/volatility 因子
实现选股逻辑、月度调仓、绩效分析
输出年化收益、夏普、最大回撤、因子 IC 评估
最后用 Streamlit 或 Jupyter 展示结果

✅ 项目二：机器学习预测 ETF 收益率方向
输入：历史收益、技术指标、宏观数据
模型：XGBoost / LSTM
输出：下周期涨跌方向
构造策略：根据预测信号生成买卖操作，做回测

✅ 项目三：资产配置优化器
使用 PyPortfolioOpt 和 cvxpy
输入10只 ETF 的历史数据
输出三种组合结构：
最大夏普
最小方差
风险平价
展示优化前后的组合表现，含权重热图、累计收益曲线等

发表于 分类于

项目目标阶段划分

🔹 第1阶段：完成因子选股策略和月度回测
下载并清洗5年数据
构建3~5个因子
合成因子打分 + 排序选股
实现一个多空组合回测模块
🔹 第2阶段：绩效分析
输出净值曲线、年化收益、最大回撤、夏普率
使用 Alphalens 做因子分组分析 & IC
🔹 第3阶段：进阶拓展
加入滚动窗口训练 + XGBoost 融合因子
搭建 Flask 网页展示回测结果 + 策略参数可调

GPT说
不一定必须用聚宽（JoinQuant）或米筐（RiceQuant），但你可以根据你的目标公司、项目侧重点、实用性来选择是否使用。下面我帮你分析一下每种做法的优劣，供你判断：

✅ 一、是否用聚宽/米筐平台的利与弊

选项 优点 缺点 推荐人群
❌ 不依赖平台，纯本地Python实现（如：Tushare + pandas + 回测框架） 免费、不限API、可移植；GitHub友好；技术成长大 数据获取稍复杂，回测要自己搭建逻辑 想展示工程能力或投海内外岗位者
✅ 使用聚宽/米筐等平台（网页策略开发） 快速、回测引擎好；数据干净；画图方便 有平台依赖、移植性差；不适合 GitHub 展示 想投**国内量化岗实习（如：九坤、幻方、明汯、米筐）**者

🧠 二、结合你目标建议

你说你想找工作或实习，自己做项目，那我建议如下：

情况 推荐方案
如果你希望锻炼技术栈 & GitHub 展示 ✅ 用本地Python实现（不依赖平台）
如果你要投国内券商/私募岗 ✅ 可同步用聚宽快速出图、做结果图
想实现模型 + 网页交互展示（简历亮点） ✅ 用本地数据 + Flask 部署策略展示页面

🛠 推荐项目结构（不依赖平台）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
quant-multi-factor/
├── data/                         # 股票行情数据
│   └── download_data.py         # tushare/yfinance
├── factors/
│   ├── momentum.py              # 动量因子
│   ├── value.py                 # 估值因子
│   ├── quality.py               # 质量因子
├── strategy/
│   └── multi_factor.py          # 合成打分 + 构建组合
├── backtest/
│   └── simple_backtest.py       # 多空回测
├── analysis/
│   └── performance_analysis.py  # 收益率、夏普率等
├── README.md
└── requirements.txt

🔧 需要用的工具

功能 推荐工具
数据下载 tushare（A股）、yfinance（美股）
因子处理 pandas, numpy
回测 简易自己写 / Backtrader
分析与可视化 matplotlib, pyfolio, alphalens
拓展（可选） flask、optuna、cvxpy、sklearn

🎯 项目目标阶段划分

🔹 第1阶段：完成因子选股策略和月度回测

  • 下载并清洗5年数据
  • 构建3~5个因子
  • 合成因子打分 + 排序选股
  • 实现一个多空组合回测模块

🔹 第2阶段：绩效分析

  • 输出净值曲线、年化收益、最大回撤、夏普率
  • 使用 Alphalens 做因子分组分析 & IC

🔹 第3阶段：进阶拓展

  • 加入滚动窗口训练 + XGBoost 融合因子
  • 搭建 Flask 网页展示回测结果 + 策略参数可调

✅ 我建议你这样开始：

  1. 选定 A 股还是美股（我可提供抓数据脚本）
  2. 告诉我你想要的几个因子方向（如：动量、估值、波动率、ROE等）
  3. 我来给你搭一套项目初始结构 + 第一个因子代码模板

你就能边学边做，逐步完成一个可展示、可简历呈现的高质量项目。

你现在选好 A股/美股了吗？以及想做哪些因子？我这边就可以马上生成你项目的 starter kit。

发表于

股票行业分类
中证指数（相对官方），202112修订，接近国际：33+90+200
申万行业分类 202108修订，接近国情 ：31（一级）+134（二级）+346（三级）

股票行业分类作用
持续盈利 是否近二十年持续盈利，食品饮料与医药生物行业
传统行业 前十年表现出色后十年表现不佳，电气设备 采掘，有色金属，传统汽车，机械设备，钢铁
新兴行业 前十年不怎么样近十年表现出色，计算机，电子，新能源，家电
表现不佳 最近二十年缺乏盈利表现 公用事业，纺织服装

影响股价因素（6）
经济，政治，行业，企业自身，市场，心理

6个股票交易基础知识

交易时间 周一至周五非法定节假日
        9:30-11:30  13:00-15:00
        价格优先时间有限

竞价成交 上午9:15-9:25 开盘集合竞价（成交量最大的价格）
        9:30-11:30  13:00-14:57 连续竞价
        14:57-25:00 收益集合竞价（成交量最大的价格）
    
交易单位 报价单位股 交易单位手 100股=1手 股价变动单位最小为0.01元

庄家与散户

换手率 10-50%非常活跃，低于1%非常不活跃

PE 市盈率（每股市场价格）/每股税后利润
    PE越高--> 企业被高估；PE越低--> 企业被低估

K线基础知识 需结合换手率看
财务知识 ROE 净利润 成长期

只有不到1%的人盈利，6000+只股 季报年报

发表于 更新于 分类于

EDF（European Data Format）是用来存储生物电信号（如 EEG/ECG/EMG）的标准格式。
以下是一份系统化的 EDF 脑电数据可分析清单，覆盖数据理解、可视化、预处理、特征提取、模型建立与展示。

阅读全文 »

发表于 更新于 分类于

🧠 BCI 基于 EEG 的情绪分析实战

用 Python + 脑电数据 + 深度学习完成一次实际的 BCI 情绪分析项目，实现了从信号处理，到分类评估，再到模型可视化和压缩的全链路分析，并写成一篇可扩展的论文或博客文章。

阅读全文 »

发表于 更新于 分类于

噢 打了一晚上lol，新手关还是失败了，不过有点通了的感觉！

不知道为啥 今晚更新的个人博客一直不更新。不晓得哪里出差错。

发表于

这是我的第一篇博客，记录我开始使用 Hexo 的旅程！🛫