传统的经济理论认为股票市场是有效的，价格波动是对市场信息的反应，投资者能够及时处理所有实时信息并做出最优决策。
投资者的当期关注和股票当期收益呈现正向变动关系
交易策略基本思想
投资者的当期关注和股票当期收益呈现正向变动关系，而投资者的滞后关注对股票当期收益表现为负面影响，根据这一结论，投资者应该根据关注度的变化情况适当的做出交易策略，当股票的关注度高时卖出股票，而当关注度低时则买入股票。
利用百度指数的日度数据衡量投资者的日度关注状况，但日度以内就无法在进行细分了
无法实现同一天内投资者关注度变化的衡量，所以自能以日度数据为基础研究前一期或者前数期投资者关注度的变化对当前投资决策的指导作用。当前日投资者对某只股票的关注度偏高时，应该在当期卖出标的，以获得关注度的溢价收益。
关注度数据：
绝对高关注度交易策略
绝对高关注度就是设定一个数值为关注度达到的偏高标准，一般情况下就是根据股票关注度的历史数据来定义绝对关注度偏高标准，具体的定义如下：
上式中，表示当期投资者关注度，其中
为对应标的样本区间前三个月历史日关注度的前20%分位数，当此值大于当期投资者关注时，则认为关注度是偏低的；
为对应标的样本区间前三个月历史日关注度的前80%分位数，此数值大于当期关注度时，则认为关注度处于偏高状态；当当期关注度介于前20%分位数和前80%分位数时，则认为此时的关注度处在正常范围内，既不偏高也不偏低。
交易策略设计思想
根据上文实证研究结果，高关注度会给当期带来超额收益，但在反转效应的驱使下，后期的股价将会走低，也就是说高关注度之后股价会下行，反之低关注度之后股价会上升，所以结合上文对绝对高关注度的定义，其交易策略可以设定为：
Cash[i+1]=stockprice[i-1]+Cash[i]#关注度低于q_20
stockprice[i]=0# 卖出
n=0
}else{
if(ldata[i]>q_80){
p=0.3;#如果高于关注度，设置买入股数的比率
up=(cdata[i]-cdata[i-1])/(cdata[i-1])#计算涨幅
从上式可以看出，如果关注度偏低，就执行买入策略，如果关注度偏高，就执行卖出策略，这一操作思想是完全根据投资者关注度有没有达到设定的高标准，通过对高关注度定义执行买卖操作以获取股票溢价。需要强调的是，这里的买卖策略是简化了的策略，是在不考虑其他因素的情况而仅仅根据关注度的高低执行的交易策略，以便将问题简单化。
交易策略实施过程
每个策略必须有代表股票的交易策略图。
三种策略最后的结果汇总，如下图
| 项目 | 收益均值 | 收益为正次数 | 平均交易次数 | 收益与最大回撤比值均值 |
|---|---|---|---|---|
| 数值 | 1.83 | 109 | 8.349112 | 86.6% |
随时关注您喜欢的主题
三种策略下每只股票的具体结果 116*3=348个具体结果
每个策略运行的是116只股票，483个交易日的数据，买入和卖出股票是用有限关注（AT）进行衡量（以过去三个月关注度为参考）
##筛选出股票数据 index= which(substr(a,1,4)=="SH60"|substr(a,1,4)=="SZ00");策略1
points(profitindex,ldata[sort(profitindex)],col="green")#5日均线
lines(cdata[(startdate+1): length(cdata)]/10 ,col="red")
#绘制收益曲线
#plot(profit,type="b")
| 项目 | 收益均值 | 收益为正次数 | 平均交易次数 | 收益与最大回撤比值均值 |
|---|---|---|---|---|
| 数值 | 9.91 | 647 | 4.5625 | 86.9% |
策略2
| 项目 | 收益均值 | 收益为正次数 | 平均交易次数 | 收益与最大回撤比值均值 |
|---|---|---|---|---|
| 数值 | 11.04 | 743 | 3.9624 | 78.9% |
Python深度强化学习智能体DDPG自适应股票交易策略优化道琼斯30股票数据可视化研究
MATLAB深度学习Transformer神经网络量化金融时间序列预测交易策略回测
深度神经网络DNN、RNN、RCNN及多种机器学习金融交易策略研究|附数据代码
【专题】2024购车关注度洞察报告合集PDF分享（附原数据表）
