文件名称：金融科技
文件大小：16.74MB
文件格式：ZIP
更新时间：2024-03-11 23:09:48
JupyterNotebook
欢迎 用python实现的简单量化模型 扫描整个S＆P 500，并构造BB，RSI，MACD等因素执行面板回归以确定重要因素 根据面板回归，n种排序和每种排序要保留的最高库存百分比执行排序算法 最后，执行法玛法国回归以测试效果
【文件预览】：
fintech-main
----.ipynb_checkpoints()
--------prophet-checkpoint.ipynb(72B)
--------alpha-checkpoint.ipynb(319KB)
--------backtracker-checkpoint.ipynb(379KB)
--------black sholes-checkpoint.ipynb(72B)
--------portfolio management-checkpoint.ipynb(186KB)
--------alpaca-checkpoint.ipynb(72B)
----factor investing.pdf(6.37MB)
----backtracker.ipynb(380KB)
----graphs()
--------MMM_price.png(41KB)
----alpaca.ipynb(1.47MB)
----S&P500-Info.csv(58KB)
----tickers.csv(29B)
----utils.py(5KB)
----requirements.txt(4KB)
----Market-cap weighted portfolios _ Python.pdf(10.36MB)
----portfolio management.ipynb(1.62MB)
----black sholes.ipynb(20KB)
----S&P500-Symbols.csv(4KB)
----backtests()
--------portfolio_backtest.py(0B)
--------S&P500-Info.csv(58KB)
--------utils.py(0B)
--------S&P500-Symbols.csv(4KB)
--------__pycache__()
--------stocks.pkl(127KB)
--------Portfolio.py(4KB)
--------backtester.py(2KB)
----README.md(358B)
----alpha.ipynb(329KB)
----classy()
--------class.R(21KB)
--------classnotes.Rmd(18KB)
----__pycache__()
--------utils.cpython-37.pyc(5KB)
----stocks.pkl(210KB)
----prophet.ipynb(41KB)
----F-F_Research_Data_Factors.CSV(52KB)
----.gitignore(37B)
----app()
--------.vscode()
--------utils.py(4KB)
--------main.py(12KB)
--------requirements.txt(116B)
--------Procfile(60B)
--------__pycache__()
----quantbacktest()
--------.ipynb_checkpoints()
--------Untitled.ipynb(10KB)
--------__pycache__()
--------random_forecast.py(5KB)
--------backtest.py(2KB)
----example_wp_log_peyton_manning.csv(85KB)
----see_output.html(718KB)