共找到 12 个提示词
CFA二级案例分析题(vignette)专项突破：6大重点科目(FRA/Equity/FI/Deriv/Portfolio/Ethics)权重调整→短线阅读法(先读题再读短文)→财务科目高亮对比法→衍生品估值四步法→Mock Exam提分节奏
多维度条件选股完整方法：基本面筛选(PE<行业80%分位/ROE>15%/营收增速>10%/经营现金流为正/商誉占比<30%)→技术面筛选(均线多头排列/MACD金叉/放量突破/RSI不超买)→资金面筛选(北向持续流入/融资余额上升/大宗交易溢价/龙虎榜机构买入)→条件权重设置与排序打分→筛选结果回测验证→不同市况的筛选条件调整
多因子合成方法论：等权合成/ICIR加权/最大IC加权/回归最优化,因子共线性诊断(VIF/条件数),施密特正交化与对称正交化。A股实践——不同合成方式的收益差异和稳健性对比
金融类考试公式系统记忆法：CFA/CPA财管/FRM三大考试核心公式库→公式分类(估值/风险/回报/比率)与关联图谱→杜邦分析树→CAPM到多因子模型的递进→期权BS模型直觉理解→债券定价公式族→间隔重复记忆法→自制公式卡模板
从零搭建量化回测系统：回测框架选型（Backtrader/Zipline/VNPY/自研）、核心模块设计（数据/信号/执行/风控/绩效）、回测陷阱避坑（前视偏差/生存偏差/过拟合）。帮你不被回测曲线骗到
从策略思路到可运行Python代码：技术指标策略（均线/布林带/MACD/RSI）、因子策略（动量/价值/质量）、事件驱动策略。代码含注释+参数说明+回测注意事项。不是黑盒——解释每一行在做什么
ML量化选股入门实战：XGBoost/LightGBM因子工程、特征处理(缺失值填充/标准化/Winsorize)、训练集/验证集/测试集的时序划分、样本外验证方法论、特征重要性分析与过拟合防范。A股ML选股实践
量化模型过拟合系统性防范：时序交叉验证vs K-Fold的金融适用性、L1/L2/ElasticNet正则化选择、样本外测试的"净化"期设计、拒绝推断(Reject Inference)处理幸存者偏差、A股ML模型真实过拟合案例剖析
完整多因子选股框架：Alpha模型(因子合成+预期收益预测)、风险模型(Barra结构化风险/统计风险模型)、组合优化器(最大化Alpha/约束跟踪误差/行业偏离/个股权重)、A股多因子策略全流程实战
量化组合优化方法论：均值-方差优化(MVO)、风险平价(Risk Parity/Hierarchical Risk Parity)、Black-Litterman模型(融合主观观点)、约束优化(CVaR约束/换手率约束/行业约束)、A股指数增强vs灵活配置的组合构建对比
设计量化交易策略，包含选股逻辑、择时信号和回测框架
通过多因子模型预判A股板块轮动方向，制定行业配置和调仓方案