\

简介

本教程旨在介绍如何使用TensorFlow以及LSTM神经网络进行深度学习（了解更多机器学习请参见教程

@ML@ML

）。本教程的演示方法为：以实数序列的预测模型为例进行论述，并对股票价格或股指指数进行实测。

序列数据

本教程将使用神经网络作为序列数据的预测模型。接下来我们介绍什么是序列数据。

数学上的实数序列

vv为一有限实数序列，即v=(v1,...,vM)v=(v1,...,vM)，其中∀i=1,...,M∀i=1,...,M，vi∈Rvi∈R为实数，MM为一非负整数，亦即vv是一包含MM个元素的实向量（若M=0M=0

摘要

分析师的重新覆盖与市场反应不足

分析师重新覆盖指在中断了六个月或更长时间后，券商重新开始覆盖某只股票。重新覆盖在短期内伴随着显著的市场反应，尤其是当同一个分析师重新覆盖该股票时。市场对于分析师常规地向上修正评级与重新覆盖向上修正评级表现出截然不同的反应。当分析师常规地向上调整评级时，股票价格会迅速反应；然而当分析师重新覆盖时，股票价格会在之后6个月内持续向上，并且在两年内没有出现反转。此外，不同分析师的重新覆盖的影响与初始覆盖相类似。

正文

[/wiki/static/upload/15/1588fbf8-f277-4604-8447-a715642ab845.p

摘要

小市值与低估值的溢价现象长期存在，但短期内溢价效应存在强弱变化

长期来看小盘溢价与价值溢价在 A 股是存在的，历史上的小盘溢价与价值溢价也为量化策略贡献了许多收益。但在短期内溢价效应存在强弱变化，强弱变化会给我们风格投资带来风险。

估值理论认为，股票价格受到未来现金流与折现率两方面的影响

估值理论认为，资产的价值源自于持有它的投资者能够获得的现金流，通过对资产未来现金流的折现来对资产进行估值，是资产定价领域最常使用的方式。因此，股票价格受到未来现金流与折现率两方面的影响。市场收益率可以拆解成为现金流影响部分与折现率影响部分，个股的现金流 beta 与折现率 beta 反映了个

问题

关于昨日涨停因子，为什么么有部分特征

https://bigquant.com/experimentshare/d0437f9701b34e1aacd2d7a4746a013b

\

传统移动平均线（MA）的缺点

移动平均线（MA）是技术分析中常用的一类趋势跟踪指标，其可以在一定程度上刻画股票价格或指数的变动方向。MA的计算天数越多，平滑性越好，但时滞带来的延迟影响也越严重。因此，在使用MA指标进行趋势跟踪时，容易出现“跟不紧”甚至“跟不上”的情况。平滑性和延迟性在MA指标中成为了不可避免的矛盾，这就促使我们去寻找化解这一矛盾的工具和方法。

低延迟趋势线（LLT）的构造

与MA类似的均线指标还有EMA，其本质是在计算中对靠近计算日的价格赋予更大的权重。EMA指标的计算方式在信号处理理论中恰好对应着一类一阶低通滤波器，其可以将信号的高频分量进行有效的过滤

摘要

本篇是“学海拾珠”系列第五篇，摘选自论文《Shared analyst coverage: Unifying momentum spillover effects》的核心结论。

近年来，有学者指出，由于投资者和分析师的关注度是有限的，因此股票价格通常对其关联公司的相关新闻反应迟缓，从而产生动量溢出效应，研究发现这种溢出动量能够跨公司地预测股票收益。

本篇报告提出了一种更有效、更通用的描述关联性的代理变量——共同分析师覆盖（CFRET）。它通过计算月末每支股票所关联的所有股票的加权平均收益得到，能够解释过去研究提出的所有关联度的代理变量。在之后的实证分析中，我们发现被共同分析师