全文链接：/?p=31556
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（点击文末“阅读原文”获取完整代码数据）。
相关视频
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：
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_20stockprice[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
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：绝对高关注度交易策略
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")
点击标题查阅往期内容
Python配对交易策略统计套利量化交易分析股票市场
左右滑动查看更多
01
02
03
04
策略2：相对高关注度
策略3：基于技术分析的关注度交易策略
点击文末“阅读原文”
获取全文完整代码数据资料。
本文选自《R语言量化技术分析的百度指数关注度交易策略可视化》。
点击标题查阅往期内容
【视频】量化交易陷阱和R语言改进股票配对交易策略分析中国股市投资组合
使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
R语言量化交易RSI策略：使用支持向量机SVM
R语言资产配置: 季度战术资产配置策略研究
R语言动量交易策略分析调整后的数据
TMA三均线股票期货高频交易策略的R语言实现
R语言时间序列：ARIMA / GARCH模型的交易策略在外汇市场预测应用
R语言基于Garch波动率预测的区制转移交易策略
r语言多均线股票价格量化策略回测
使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
Python基于粒子群优化的投资组合优化研究
R语言Fama-French三因子模型实际应用：优化投资组合
R语言动量和马科维茨Markowitz投资组合(Portfolio)模型实现
Python计算股票投资组合的风险价值（VaR）
R语言Markowitz马克维茨投资组合理论分析和可视化
R语言中的广义线性模型（GLM）和广义相加模型（GAM）：多元（平滑）回归分
PYTHON用RNN神经网络LSTM优化EMD经验模态分解交易策略分析股票价格MACD
R语言深度学习：用keras神经网络回归模型预测时间序列数据
【视频】CNN（卷积神经网络）模型以及R语言实现回归数据分析
Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性
数据分享|PYTHON用KERAS的LSTM神经网络进行时间序列预测天然气价格例子
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户流失模型
PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
Python使用神经网络进行简单文本分类
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
R语言基于递归神经网络RNN的温度时间序列预测
R语言神经网络模型预测车辆数量时间序列
R语言中的BP神经网络模型分析学生成绩
matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和结果可视化
用R语言实现神经网络预测股票实例
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
