可转债量化入门：用机器学习构建评分系统
从零开始理解如何用随机森林模型对可转债进行多维度打分，构建一个自动化的策略分析系统。
阅读全文 →量化投资策略研究
基于机器学习的量化投资策略研究 — 可转债、ETF、A股多资产分析
覆盖可转债、ETF、A股 — 每日自动生成策略分析简报
最新文章
假设有历史数据 df_features 和交易结果 label，以及对应的收益率序列 returns[7D[K
2. **Drafting Plan:**
阅读全文 →and H2 is ##. I need to make sure the title itself starts with `##`. Wait[4D[K
1. **Analyze the Request:**
阅读全文 →假设我们有可转债溢价率变化与价格涨跌幅的时序数据
2. **Drafting Plan:**
阅读全文 →假设我们已获取可转债历史行情 DataFrame df
2. **Drafting Plan:**
阅读全文 →假设 features_df 包含当前市场特征 (波动率、正股相关性等)
2. **Drafting - Section by Section:**
阅读全文 →假设 df_features 包含了我们上面表格中定义的转债因子数据 (如溢价率、波动率[K
2. **Drafting Strategy:**
阅读全文 →1. 模拟加载清洗后的可转债历史数据 (包含价格、溢价率等)
1. **Analyze the Request:**
阅读全文 →模拟转债估值特征数据 (实际应用中需接入 Wind/聚宽 API)
2. **Drafting Strategy:**
阅读全文 →1. 加载模拟数据 (真实场景中为读取本地数据库或 API)
2. **Drafting Strategy:**
阅读全文 →模拟特征构建：过去30日波动率、换手率等 (假设已预处理为 dataframe df)
1. **Analyze the Request:**
阅读全文 →1. 构造模拟的多因子面板 (PE, ROE, Momentum)
2. **Drafting - Step-by-Step:**
阅读全文 →