基金交易量预测比赛_5_背景知识2
1 EGJ 理论
1.1 简介
“EGJ 理论”通常指由 Edmans、Gabaix 和 Koijen
提出的关于基金资金流(fund
flows)对股价影响的研究框架,重点研究基金资金的流入或流出如何通过需求冲击改变股票价格。
1.2 核心观点
机制
描述
流入‐流出引发需求冲击
基金申购需购买股票,赎回需卖出,立即影响价格
价格弹性低导致放大效应
一些机构投资者无法快速调节,推动更大价格变动
部分回撤,部分持久
初始冲击约一半在 5–10 天内回撤,其余持续存在
股票“脆弱性”量化
借 ETF
流量和持股集中度等指标衡量股票易受非基本面冲击影响的程度
对投资者来说,了解哪些股票对资金流冲击更敏感有助于判断短期波动风险。
对企业和基金经理来说,这些非基本面冲击可能影响融资成本、投资决策和股权结构。
对政策制定者来说,监管基金流动性工具(如 ETF
杠杆增长)可能带来的系统性市场影响也值得关注。
2 对 EGJ 影响的拆分
出处:《如何度量基金申赎对股票价格的影响?》
作者:张欣慰、刘凯
发布机构:量化藏经阁,国信证券经济研究所
发布时间: ...
两阶段股票价格预测研究
1234567英文名称:A Two‑Stage Framework for Stock Price Prediction: LLM‑Based Forecasting with Risk‑Aware PPO Adjustment 中文名称:两阶段框架的股票价格预测:基于大型语言模型及风险感知PPO调整 链接: https://www.scirp.org/journal/paperinformation?paperid=142270#T3作者: Chenzhao Qizhao 机构: Univ. of Hyogo 出处:Journal of Computer and Communications(第 13 卷第 4 期)日期:2025‑04
摘要
目标:提出一个结合 LLM 与风险感知 PPO
的框架,提升股票价格预测准确性并控制风险。
方法:第一阶段由 LLM
生成基于历史数据与新闻情绪的预测,第二阶段由强化学习 PPO 利用 VaR/CVaR
等风险指标调整预测输出。
结论:该 LLM‑PPO
框架在预测准确性与风险敏感性上均优于传统模型,为市场波动环境下决策提供更加稳健的 ...
TradingAgents项目源码解析
1 源码分析
|400
标准版:https://github.com/TauricResearch/TradingAgents,18.2K
star(2 个月前更新)
为简化内容,本文仅介绍标准版。
中文加强版:https://github.com/hsliuping/TradingAgents-CN,4.7K
star(一周前更新)
针对 A 股信息源进行调整
加强了新闻功能的使用
加强了 Docker 部署部分
Streamlit界面
基于国内模型优化
1.1 数据来源
用法见:获取金融数据_总览
1.2 模型
实验中使用 o1-preview 和 gpt-4o
分别作为深度思考与快速思考的大语言模型。但测试时建议使用
o4-mini 和 gpt-4.1-mini
以节省成本,框架会发起大量 API 调用。
1.3 代码
概览:该项目由 Python 语言编写,代码 3500+ 行,分为三个主要部分:
agent:定义了每个组和组内各成员的功能及实现,请参见具体
Prompt。
dataflow:实现各种工具功能,如新闻抓取、信息和数据采集,以及指标计算。
gr ...
基金交易量预测比赛_1_我的方案
1 比赛介绍
1.1 题目介绍
比赛名称:AFAC2025 挑战组 -
赛题一:基金产品的长周期申购和赎回预测
具体赛题请参见:https://tianchi.aliyun.com/competition/entrance/532352
参赛者需要:
借助大模型,自主获取并构建其他有效特征。
训练一个时序模型,有效建模产品收益和市场行情波动,预测每只基金在
2025/7/25 至 2025/7/31 七天内每日的申购量和赎回量。
比赛提供的数据:
自 2024-04-08 以来的 20
支基金申购和赎回数据,以及对应的几个界面的曝光量。(周期时间短、基金数据少、可获取数据的渠道有限)
注意:
预测的不是价格,而是交易量。
1.2 Demo 程序
主办方提供了一个 demo 程序:包含 400
多行代码,涵盖了时间特征提取、调用大模型、生成 embedding、使用 lightgbm
建模、生成提交文件等功能。该程序需要进行少量修改才能运行。其核心是:用大模型提取特征
+ 机器学习时序预测。
距离我上次参加比赛已经有七八年了,机器学习和时序算法仍然是
xgboost、li ...
基金交易量预测比赛_3_反思
1
模型针对不同时段预测效果不同
比赛时发现自六月初到七月底的时间段,越往后越难以预测。
查看相应时间段的上证指数可以发现:榜单的最佳成绩出现在六月中上旬,此时的趋势较为平稳,成交量也不大。随后,股市出现放量上涨的趋势,对比
6 月 20 日和 7 月 24 日,成交量已翻倍。尤其是 7 月 21 日至 7 月 25
日这一周,几乎是日榜成绩最差的。从沪深 300 的成交量来看,只有 24 年 10
月至 24 年 12 月期间有类似的交易量,但这段时间是急跌后的慢涨,与 7
月底的情况不同。总之,模型无法预测它未见过的数据。
一个奇怪的现象是,当我加入 7 月 23
日以后的数据进行训练时,模型整体出现偏离,导致使用之前的数据(如 6
月)进行验证时效果显著下滑。查看 apply_amt 和
redeem_amt,在这两天发现了大量的赎回操作,但基金净值和大盘都涨得很好,无论偏债还是偏股都是如此(量价背离)。之前出现如此剧烈波动的时间段是在
24 年 10 月前后和 25 年 3 月前后。非常相似。
2 使用编程工具和大模型
我参加比赛的多数代码是由模型生成的。以前我必须掌握如何使 ...
基金交易量预测比赛_2_数据分析
1 简介
比赛
AFAC2025挑战组-赛题一:基金产品的长周期申购和赎回预测
提供了自 2024-04-08 以来 20
支基金的申购和赎回数据,以及对应几个界面的曝光量,比赛的目标是预测未来七天的交易量。
比赛地址:https://tianchi.aliyun.com/competition/entrance/532352/
官方数据下载地址:https://github.com/AFAC-2025/AFAC2025_train_data
本文将探讨面对未知领域数据的分析方法及对该领域的理解过程,力求结合常识与数据进行解读。
下面,先来看一下基金类型的分布情况,然后分析两个典型数据,一个偏股型基金和一个偏债型基金,为每支基金画个像。
(以下基金相关信息来源于大模型,可能不完全准确)
2 基金类型分布
比赛提供的数据虽然只有 20 支基金,但包含了 10
种不同类型,如下图所示。这些类型包括长债、短债、DQII、军工、科技、煤炭和新能源汽车等,每种类型的数据量并不多,时间跨度也较短,知识迁移可能受限。
从行业逻辑上来看,可以简单地分为偏股和偏债两种类型。偏债类型类似银行存款,波动 ...
基金交易量预测比赛_4_背景知识讨论
[!zk 20250729155745532-0] 基金净值与申购赎回关系
来源:对话关于基金管理及申购赎回机制
内容:基金净值主要由持仓股票市值决定,通过申购和赎回影响市值及份额变化 -
基金净值计算方式与股票价格有关 - 申购赎回影响基金持仓及资金流动
相关主题:基金净值 申购赎回机制 投资策略 类别:04_ 社会与文化
基金净值
Yan
最近在玩一个关于基金的比赛,有点不太明白,以偏股类基金为例,它持仓的股票分别是
aa,bb,cc。是不是无论大家买还是卖基金,买多少卖多少,都和基金的净值无关?净值是由当前
aa,bb,cc 股票的价格决定的?
4o
以偏股类基金为例,它的基金净值(即每份基金的价值)确实主要由它持有的股票市值决定,比如你说的股票
aa、bb、cc。每天收盘后,基金管理人会根据这些股票的市价来计算:
基金净值 =(aa 市值 + bb 市值 + cc 市值 + 其他资产 - 负债)÷
基金份额总数
那买卖基金到底影响什么?
你买入基金时,基金公司会实际拿你的钱去买更多的 aa、bb、cc
这些股票(除非基金封闭或限购);
你卖出基金时,基金公司就得变现部 ...
国外API获取金融数据指南
1 国外 API
1.1 yfinance:python 库
yfinance 之所以能够免费提供服务,是因为它通过模拟浏览器访问 Yahoo
Finance 来抓取数据,类似于 " 网页爬虫 "。Yahoo 的反爬机制会限制甚至封禁
IP,导致 429 错误。此外,yfinance 需要解析 JSON 端点并处理 HTML
页面,任何对 Yahoo Finance 网站的改动都可能影响 yfinance
的正常运行。
1pip install yfinance
1.2 Finnhub
Finnhub 是专为开发者打造的金融数据
API,全球化的实时数据专家。涵盖美股及全球 60
多个市场,提供实时股价、外汇、加密货币、公司基本面、新闻和 AI
驱动的情感分析。免费版每分钟支持 60 次 API 调用,每秒最多 30
次,足以满足大多数个人项目和基础回测需求。免费版主要提供美股的实时和静态数据,访问
A 股、港股以及历史蜡烛图需要更高权限。此外,Finnhub 好像还支持 MCP。
注册:https://finnhub.io/register
文档:https://finnhub.i ...
论文阅读_多智能体LLM金融交易框架TradingAgents
1234567英文名称:TradingAgents: Multi-Agents LLM Financial Trading Framework中文名称:交易代理:多智能体大语言模型金融交易框架链接: http://arxiv.org/pdf/2412.20138v7代码: https://github.com/TauricResearch/TradingAgents作者: Yijia Xiao, Edward Sun, Di Luo, Wei Wang机构: 加利福尼亚大学洛杉矶分校,麻省理工学院,Tauric Research日期:2024-12-28
1 摘要
目标:提出一种受交易公司启发的股票交易框架,以提升交易表现。
方法:使用大型语言模型(LLM)构建多角色的代理系统,包括基础分析师、情感分析师、技术分析师和交易员,通过模拟动态协作的交易环境。
结论:通过详细的架构和广泛的实验,TradingAgents
在累计收益、夏普比率和最大回撤方面显著优于基准模型。
1 读后感
这篇论文在同类中算是设计较复杂的,附录有 Prompt 列表,GitHub
提供了代码。亮点在于整体架 ...
视频_后处理
1 Openshot
1.1 安装
请避免使用命令行安装软件,建议下载 AppImage
包,以防止旧版本存在的拖动问题。
下载链接:https://www.openshot.org/download/
目前提供 AppImage 格式,下载后设置为可执行权限即可直接运行。(关键字
OpenShot)
1.2 调整屏幕大小
1.2.1 问题
对于录屏的视频,有时需要去掉视频中的边框和系统状态栏。
1.2.2 方法
在视频上右键点击,选择属性。
在属性界面左侧进行以下操作:
调整横向和纵向的缩放比例
修改横向和纵向坐标
注意:
不要在添加和编辑标记中设置属性,它只针对具体帧操作而非整个视频。
1.3 剪切和拼接
1.3.1 原理
在制作大型视频时,常常通过组合多个小视频,或者在视频中挖出一小块并用其他视频填充。推荐的方法是先将所需区域剪切成小块并进行处理,而不是直接在原视频上操作。
1.3.2 剪切
导入视频:通过菜单选择“文件”,然后点击“导入文件”。
右键点击视频文件,选择“split
file”,在播放到需要剪切的位置时,设定开始和结束时间。
完成剪切后,可以在物 ...