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： ...

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 ...

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 ...

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 ...

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 ...

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 ...

[!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 ...

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 ...

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 ...

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 ...