基础配置

# 核心参数
TRAIN_START = "2016-01-01"
TRAIN_END = "2019-01-01"
TEST_START = "2021-01-01"
TEST_END = "2025-06-02"

# 基础因子
BASE_FEATURES 

简体中文/[English](https://n2nquant.com/wiki/doc/5zug5a2q56cu56m25bmz5yw-vZgf16DEj

简体中文/[English](https://n2nquant.com/wiki/doc/5zug5a2q56cu56m25bmz5yw-vZgf16DEj

English/繁體中文/[简体中文](https://n2

English/繁體中文/[简体中文](https://n2

English/繁體中文/[简体中文](https://n2

English/**[繁體中文](https://n2nquant.com/wiki/doc/57eo5ar5lim5oq5lqk6

English/[繁體中文](https://n2nquant.com/wiki/doc/57eo5ar5lim5oq5lqk6yg

English/[繁體中文](https://n2nquant.com/wiki/doc/57eo5ar5lim5oq5lqk6yg

English/繁體中文/[简体中文](https://n2nquant.

English/繁體中文/[简体中文](https://n2nquant.

English/繁體中文/[

\

English/[繁體中文](https://n2nquant.com/wiki/doc/5lua5lmi5piv6yep5yyw5oqv6

English/繁體中文/[

English/繁體中文/[

English/[繁體中文](https://n2nquant.com/wiki/doc/5lua5lmi5piv6yep5yyw5oqv6

English/[繁體中文](https://n2nquant.com/wiki/doc/5lua5lmi5piv6yep5yyw5oqv6

🌟 Thank you all for your continuous support of N2NQuant! We hope to continue moving forward on the path of quantitative investment with everyone, whi

Hello everyone, this is the strategy exchange area! Everyone can share their quantitative strategy ideas on this post, whether it's a quick tip or a m

AI量化指标的选择和排序取决于特定的投资策略、市场条件和数据可用性。

以下是30个常见的AI量化指标，按照一般在量化分析中的重要性排序：

1. 收益率（Return）
2. 夏普比率（Sharpe Ratio）
3. 波动率（Volatility）
4. 最大回撤（Maximum Dr

AI量化交易重要常识

1. 数据质量与完整性：高质量、准确、全面的数据是AI量化交易成功的关键。

导语

人工智能（AI）技术得到了飞速发展，其在各个领域的运用也不断取得成果。机器学习被评为人工智能中最能体现人类智慧的技术，因此开发AI量化策略可以理解为将机器学习应用在量化投资领域。

理解机器学习算法

以StockRanker为例

机器学习算法太多，本文讨论只针对适用于金融数据

ROE是价值投资者考察上市公司盈利能力的一个重要指标，在美国市场上有效性很强，但在A股基本没有选股效果，造成“A股不看公司盈利”的印象。但如果ROE的分子换成一年后的未来盈利，ROE的选股能力将显著提高，说明历史ROE选股无效的原因主要在于其对公司未来盈利的预测作用太弱，准确的盈利预测可以为投资者带

风险模型主要实现三个功能：估算协方差矩阵、控制风险暴露和组合绩效归因分析。后两者需要用到结构化的因子风险模型（例如BARRA、Axioma）；估算协方差矩阵可以用结构化因子模型，也可以采用纯统计方法

结构化因子模型的最大好处在于降维，既可以降低参数估计误差，也可以降低协方差相关计算的复杂度，大幅提

内容提要

系列前期报告《高频数据应用系列研究（一）——使用高频数据跟踪核心资产的公募基金持仓变化》讨论了使用高频数据对于基金披露的持仓进行持续修正，并得到个股上公募基金持仓占比预期的方法。本文在前期研究的基础之上，探讨了公募基金持仓占比预期（后文简称公募持仓预期）在选股以及行业轮动策略中的应用

上周成长、盈利因子延续强势表现，多数风格因子表现不佳

上周成长、盈利因子在各类股票池表现较好，延续2020年初至今的强势表现。其余风格因子整体表现不佳。估值、财务质量、反转、波动率、beta因子在各类股票池出现回撤。小市值、换手率因子在沪深300成份股票池表现较好，在其余股票池出现回撤。技术因子在

本文回顾了组合优化的一般框架，讨论了组合优化中相关参数的意义和选择，包括交易成本惩罚与换手约束、风险惩罚系数与跟踪误差约束、权重上下限、风格因子暴露约束、股票数量约束，以及各约束之间的冲突等问

不同的风险水平对应着不同的预期收益，可以通过风险厌恶系数或者跟踪误差的调整实现不同的风险或收益水平，但是

本篇报告主要研究了研发营收比因子在各个行业内的效果，从单因子测试角度来看，研发营收比在高科技行业(医药、电子、通讯、计算机)都有一定的效果，但是在构建行业内增强组合后，发现因子在医药和计算机行业有比较明显的新alpha贡献，在另外两个行业内新增强组合与原组合表现基本不变

我们构建了中证500内和创

由于投资者对信息的反应具有滞后性，业绩公告超预期的股票后期有正向的异常收益，低于预期的股票后期有负向的异常收益，学界先后在全球不同市场均发现了盈利公告的价格漂移现象（PEAD）。

我们基于季节性随机游走模型预测的净利润和营业收入计算标准化的预期外净利润（SUE）和营业收入（SUR），用来度量业绩超

上篇报告我们提出的协方差矩阵谱分解近似方法可以兼顾统计模型的高效便捷和因子模型的组合优化提速，不过其中K值（保留的最大特征值数量）的设定比较偏经验，本报告通过数学推导给出了此方法近似误差上限的简洁表达式，并基于此动态调整K值，保证理论一致性，同时可以在不显著影响策略表现的条件下，实现组合优化过程的大

2016年，周期股崛起，市场风格发生明显切换，各类alpha因子的相对强弱态势也发生剧烈变化。我们认为周期股是否会持续强势有待讨论，但随着IPO增速、市场监管加强以及量化产品规模的扩张，传统偏小盘、偏技术的低资金容量alpha因子的效用会减弱，估值、盈利等基本面因子的作用会相对增强，市场日趋成熟。因

传统用超额收益衡量事件效应大小的方法容易受行业和市值风格影响，错误的识别出一些“伪事件”，我们建议采用横截面回归方式剔除行业和市值影响计算事件导致的异常收益，再配合秩检验来识别能真正贡献alpha的事件

如果策略组合对各个风险因子的主动暴露控制为零，那么用中性化后的alpha因子预测残差收益和预测

这篇报告主要从多个维度切入来研究业绩预告在传统的多因子框架下的应用。业绩预告比业绩快报和定期财务报告的公布时间更早，对推测上市公司业绩还是很重要的。从2012年开始，A股上市公司业绩预告的数量大幅的提升，且发布的预告的上市公司数量也达到了1500家左右，今年截至到6月底，已经有2600多家上市公司发

反转和市值因子的失效触发了国内对因子择时的研究需求。海外市场和A股类似，因子择时研究的兴起也是由2007.08的“量化危机”和2008年金融危机触发。危机后估值、动量和质量因子的效果明显下降。报告汇总讨论了AQR、BlackRock、GSAM等几家大机构有关因子择时的研究成果。有乐观者、有悲观者。但

价值投资不等于低估值投资，低估值股票可能是由于公司质地真的很烂，只考虑股票估值因素容易调入所谓的“估值陷阱”。所以价值投资一个必要过程是判断上市公司质地是否优良，再看公司质地是否配得上它的估值。我们这篇报告要解决的问题是如何用定量指标来衡量A股上市公司的质量优劣，验证一下A股是否真如一些市场偏见所言

投资要点

不可或缺的风险模型：协方差矩阵应用领域介绍组合的波动是度量组合风险的重要指标，而组合成分股收益率的协方差矩阵便是估计组合波动的重要工具。

股票收益率的协方差矩阵在组合绝对风险估计、组合相对风险控制、组合优化和因子组合构建以及多因子合成四个部分都有着十分广泛的应用。

协

研究结论

从2016年12月沪港通开通以来，北上资金大量流入A股，截至2020年2月3日，北上资金累计流入A股1.05万亿，对A股带来了各方面的影响，因此无论是北上资金对市场风格影响还是北上持仓和流入流出本身的信息都是值得重点研究的。

本文基于公开的北上资金持仓数据构建了12个持仓

摘要

Level2类选股因子存在进一步挖掘空间。随着业界对于选股因子研究的深入，许多类别的选股因子都得到了较好的挖掘。但在众多研究中对于基于Level 2行情数据的选股因子的相关研究却少之又少，很多前期研究都将注意力集中到了Level 2类指标的短期选股效果上而并未对于该类指标在中长期上

传统多因子模型采用月频调仓，但实盘中提高调仓频率会带来两个好处：一是减小技术类alpha因子的IC衰减、二是提高风控频率降低风险。随着2016年底开始的技术类因子失效，前者的作用减弱，但后者的作用仍在

固定月频的调仓模式忽略了月中组合的风险敞口变化，所以有必要在月中实施风险监控，提升组合的调仓频率

随着传统因子研究的深入，通过使用日级别数据已经很难发现能够在传统技术选股因子之外提供额外选股能力的因子了。考虑到传统因子多使用日级别数据刻画股票日间的形态特征，通过引入日内高频数据刻画股票日内的特征也许能够为模型带来新的信息以及Alpha。

这一观点也在本系列前一篇研究（《选股因子系列研究十八——

基金重仓超配个股特征。公募基金倾向于超配大市值、高估值的股票。从行业分布来看，基金倾向于超配医药、计算机、电子、食品饮料、国防军工等行业的个股，而低配机械、基础化工、交通运输等行业的个股。大部分重仓超配股票，在基金持有期均跑赢了市场大部分股票

基金重仓超配个股的收益具有一定延续性。即便获取基金持仓

研究结论

股票的买卖压力不仅对价格在成交量维度上的分布有影响，而且对价格在时间维度的分布也有影响。买入压力比较大的股票在价格相对低位时会有主动买单推高价格，因而在价格相对低位的停留时间较短，卖出压力比较大的股票在价格相对高位时会有主动卖单压低价格，因而在价格相对高位的停留时间较短。

不同股票的价

股票的买卖压力不仅对价格在成交量维度上的分布有影响，而且对价格在时间维度的分布也有影响。买入压力比较大的股票在价格相对低位时会有主动买单推高价格，因而在价格相对低位的停留时间较短，卖出压力比较大的股票在价格相对高位时会有主动卖单压低价格，因而在价格相对高位的停留时间较短。

不同股票的价格不具有可比

本文主要研究了影响反转因子的表现的因素，包括市场状态和宏观因素，从结果上来看，MKTILLIQ（市场资金敏感性）、MKTTO（市场换手率）、MKTVOL（市场波动率）和BAS（Bid-Ask Spread）这4个市场状态指标能够显著的预测下个月反转因子多空组合的表现。综合来看，这4个指标越低的时候，

在系列前期报告中（《选股因子系列研究（十九）——高频因子之股票收益分布特征》），我们基于股票高频收益分布特征对于相关因子的选股效果进行了回测。

研究发现，股票高频偏度具有较好的选股效果，但是高频方差以及高频峰度并无显著的选股能力。考虑到股票日收益的波动率同样选股效果不佳，但将其拆分为系统波动以及特

A股呈现明显的市值效应和行业效应，不少选股因子的alpha也大部分来源于此。如果采用因子的原始数据和股票收益率做相关性检验，选出的股票会明显受到市场风格因素的影响，我们有必要从因子原始数据中剥离这些因素，检验因子是否能贡献行业、风格因素之外的alpha，本报告用新的方法对估值、成长、技术、风险四类因

配臵观点

上周国内方面A股继续放量上行，自6月30日起低估值板块补涨导致的价值和成长风格强烈切换后，上周风格趋于均衡；周五在监管趋严信号和减持的影响下，大金融板块带领市场回调，但PPI底部回升、PMI超预期等经济数据反映复苏的确定性增强，加上北向资金加码和公募基金建仓持带来的增量资金持续进

外资持股偏好与公募基金抱团近年来，随着资本市场的逐步开放，A股市场机构投资者占比不断提升，机构资金的话语权和定价权也越来越高，“价值投资”概念越来越受关注。

从北上资金持股及公募基金重仓股组合的风格因子暴露来看，机构资金更偏向于大市值、高动量、高估值的股票，且其在基本面因子上的暴露程度普遍更高。

摘要

在水木股版上看到的一个交易系统帖子，适合初学股票投资的人，整理下来

![{w:100}](/wiki/api/attachments.redir

给友友们推荐下金十开放平台open.jin10.com

海量财经数据可进行回测、也可嵌入你的量化交易系统~~

1、资质

2022年1月，金十数据获得中央网信办首批颁发的金融信息服务备案（首批全国只发了20家），在广州是独一家。[金融信息服务报备系统 (ifcert.cn)]

去年底至今，得益于南下资金的注入，以及经济复苏的预期，恒生综指涨幅已超过10%，低估值、高股息的优质港股吸引了全球投资者前来配臵，随着沪港通、深港通的相继开放，港股与A股的关系日益紧密，两地投资者可以更加便捷地投资对方的股市，研究因子选股模型在港股的应用能产生直接的投资收益

我们分别在恒生综指和港

近1年多来，我国被动产品的规模大幅扩张，份额在偏股类产品中的占比已增长至38%。有意思的是，同时期，以指数增强为代表的alpha策略，表现却不尽如人意。那么，两者之间是否存在一定关联呢？本文从被动产品规模已占据半壁江山的美国市场出发，再回到正在成长期的中国被动产品，尝试探讨这一问题。

美国被动产品

投资要点：

本文主要针对朝阳永续、WIND两家数据供应商的分析师预测数据进行分析，比对数据源、加工一致预期数据的质量以及选股的有效性。

从数据源上来看，朝阳永续收纳的分析师报告篇数多于WIND，但两者之间的差距在逐步缩小，目前这个差异已经很小；从两个数据商覆盖的股票比例来看，朝阳永续覆盖比例始终

上周波动率因子表现出色，其余价量因子整体表现较好

上周波动率因子表现出色，在沪深300成份股票池的RankIC值超过10%，在中证500、中证1000成份股、全A股票池的RankIC值在20%左右。估值、反转、换手率、beta因子表现接近，在沪深300成份股票池表现平淡，在其余股票池表现较好。成长

因子投资周报旨在根据主观参与程度高低，为投资者提供不同主被动等级的因子投资解决方案及产品建议，以满足投资者对于因子投资的不同需求。周报按照主被动程度从高到低分为以下五个部分：因子择时建议，量化投资组合，Smart Beta量化配置方案，多因子复合指数，单因子指数。

风险模型因子收益统计：本周最为强

基本面：疫情防控措施对国内经济的冲击已经体现且逐渐减弱

定义上市公司景气度为业绩预告中“预增”、“续盈”、“略增”和“扭亏”的整体占比，反映上市公司中业绩好转的比例；景气向上的公司占比自2017Q4持续下降到2019Q3，2019Q4景气度有所回升。周期定位方面，当前处于库存周期底部反转、

上周各类型基金指数小幅震荡，推荐成长板块和周期板块基金

截至2020年4月3日，基金市场共有6309只基金产品，其中混合型基金数量最多，货币型基金规模最大。上周（2020.03.30-2020.04.03）QDII基金表现最佳，涨幅0.42%。混合型、目标日期型、目标风险型三类FOF基金上

调整加仓是当下主旋律。本周市场出现大幅调整，上证综指、上证50、沪深300及创业板的调整也都基本接近300点。当下我们认为，市场未来调整的幅度已经非常有限，但时间上略显不充分。我们上周曾经指出，有两种调整形式供投资者参考：一种是快调，调整时间一般在一周左右，这意味着市场未来是以空间换时间，市场接下来

抱团消费触发防御性反弹，持续时间有限。4月季报公布压力测试下，市场抱团医药、消费进行防御性配置，低估值个股短期有反弹行情，但下行趋势未变，时间不会超过2周，空间对应上证综指不会超过100点。

交易源于流动性需求，配置型资金持续流入。信息交易程度指标近两周持续下行，主力资金也处于观望状态，市场目前交

斥资21亿元收购科技金融服务公司。

1. 拉卡拉公告计划使用自有资金19.1亿元收购公司关联方考拉金科持有的广州众赢100%股权。
2. 拟使用自有资金人民币2.1亿元收购公司关联方考拉科技、孙陶然、联投企慧、公司非关联方西藏纳顺合计持有的深圳众赢100%股权。我们预计本次自有资金收购两家重量级公

摘要

投资要点

西学东渐，是指从明朝末年到近代，西方学术思想向中国传播的历史过程。西学东渐不仅推动了中国在科学技术和思想文化方面的发展，也有力地促进了社会与政治的大变革。在今天，西学东渐仍有其重要的现实意义。作为A股市场上以量化投资为研究方向的卖方金融工程团队，在平日的工作中，常常

xgboost模型模仿人类思考进行“补充式”学习模式

xgboost模型是一种强学习模型，其是由众多弱学习模型集成，其采用弱学习模型为CART，即分类与回归树。该模型重在拟合特征和标签间的非线性关系。组成该模型的众多弱学习器之间的关系是补充弥补的关系，弱学习器的训练有先后，每个新的弱学习器

今年双周频调仓的GP_RF(“遗传规划+随机森林”模型)超额收益4.42%

今年以来双周频调仓的“遗传规划+随机森林”模型表现较好，换手率限制为60%的情况下，该模型上周超额收益为0.44%，最近一个月超额收益为2.82%，今年以来超额收益为4.42%。对于月频调仓的“遗传规划+随机森林”

本周市场小幅震荡，上证指数在回补缺口后出现震荡冲高，以小盘风格代表的中小板指表现相对强势。上周领跌的中小板指在本周呈现相对较大反弹，上周领涨的上证50在本周延续相对强势。行业主题，农林牧渔板块成为本周热点，此外上周强势的食品饮料本周延续强势。本周跌幅较大的为通信，而上周跌幅最大的电子等在本周呈现反弹

在系列前期报告中，我们从不同角度探寻了分钟成交数据、TICK盘口委托数据以及逐笔数据中所包含的选股能力。研究结果表明，高频数据中包含着较为显著的选股能力。即使在剔除了常规低频因子的影响后，高频因子依旧具有显著的选股能力。考虑到系列前期报告在研究构建高频因子时，大多仅使用某一类高频数据进行因子构建，并

投资要点

近1年多来，我国被动产品的规模大幅扩张，份额在偏股类产品中的占比已增长至38%。有意思的是，同时期，以指数增强为代表的alpha策略，表现却不尽如人意。那么，两者之间是否存在一定关联呢？本文从被动产品规模已占据半壁江山的美国市场出发，再回到正在成长期的中国被动产品，尝试探讨这一问题

美

大小盘轮动效应明显，把握轮动节奏能有效提升策略收益

2010年6月以来，以沪深300为代理变量的大盘指数和以创业板指为代理变量的小盘指数的相对强弱关系发生了多次切换，在过去十年时间，大盘占优、小盘占优、大小盘均衡三种状态之间发生了多次来回切换。假如能够完美捕捉每月大小盘相对强弱变化，在完美

报告要点不同频率级别信息含量不同一般而言，频率越高数据信息含量越高，主要体现在两方面：切片数据细化带来量价波动的信息含量提升；逐步分解的盘面数据对于交易行为辨识度的提高。

区分积极买入与保守买入，构建买入情绪因子积极买入，投资者所下订单主动与盘口卖盘挂单成交；保守买入，投资者所下限价订单挂单等待

核心观点

目的

多因子模型体系包括alpha模型、风险模型、成本控制模型、组合优化模型。组合优化模型是最终将前三个模型整合为一体，得到最优结果。本期报告的主要目的是对组合优化模型进行详细的探讨，对不同的限制条件影响组合表现的规律性进行一定程度的揭示

lamda系数

lamda系数对组合表现的

报告摘要：

机器学习是订单簿动态建模的前沿方法订单簿的动态建模，主要有两种方法，一种是经典的计量经济学方法，另一种是前沿的机器学习方法。机器学习通过对己知数据的学习，找到数据内在的相互依赖关系，从而对未知数据进行预测和判断，最终使得机器具有良好的推广能力。支持向量机(SVM,Support Vec

研究结论

前言：本篇报告为东吴金工动量因子系列研究的第二篇，延续并拓展了上一篇报告《成交量对动量因子的修正》的研究理念，按照交易者类型对成交量做了进一步细分，考察在不同交易者结构下，动量因子表现的强弱。

A股市场的交易者结构：按照挂单金额的大小，可以将交易者分为机构、大户、中户和散户。在A股市场

高频偏度因子。本周（特指2020.07.06-2020.07.10，下同）、7月及2020年的多空收益率分别为0.0%、-0.8%和11.1%。

下行波动占比因子。本周、7月及2020年的多空收益率分别为-0.3%、-1.2%和9.1%。

开盘后平均净委买变化率因子。本周、7月及2020年的多空

研究结论

前言：本篇报告为东吴金工“波动率选股因子”系列研究的第二篇，受到学术界“股价波动与股票信息流”关系理论的启发，从“信息冲击”的角度出发，逐步构建了衡量“股票信息分布均匀度”的选股因子。

波动率与信息冲击：学术研究表明，股票价格的波动，与流入股票的信息流直接相关。借鉴前人研究经验，我们提

基金投资热点

近两周成立的主动权益基金数量为15只，规模为179.62亿元，认购情绪相对降温；近两周市场有一定的反弹，反弹力度并不大，主要行业集中在医药、食品饮料等防御性行业，因此相应的主题基金表现也较好；而科技类基金整体反弹力度较弱。

基金在行业板块上的分布

根据lasso算

研究结论

建信中证红利潜力指数对应的中证红利潜力指数（H30089.CSI），通过EPS、每股未分配利润、ROE等指标对股票进行综合排名，选取排名居前的50只股票组成样本股，旨在反映分红预期大、分红能力强的上市公司的整体表现。

中证红利潜力指数历史表现优异。自基日（2005/12/30）

报告摘要：

传统多因子选股。在国内A股市场，传统的多因子量化选股模型得到了广泛的应用，在实际表现中，传统的多因子模型在过去几年中也表现出较为稳定的超额收益率。但随着传统多因子模型应用越来越广泛，历史长期有效的因子逐渐失效，对新因子的挖掘提出了迫切的需求。

新因子挖掘。传统的因子指标挖掘主要集中于

投资要点

多因子组合表现。上周（2020年7月3日至2020年7月10日，下同），进取组合、平衡组合的周收益率分别为7.69%、9.17%；同期，主要宽基指数上证50指数、沪深300指数、中证500指数、中证1000指数的周收益率分别为6.10%、7.55%、10.33%、10.37%。上周，进取

市场分析与判断：短期波动加剧，中期上涨延续全周回顾：风险偏好进一步攀升，A股市场日均成交额创今年新高。

1）A股放量大涨：中证全指、上证综指、深证综指分别对应涨幅约8.88%、7.31%、10.24%；日均成交金额逾1.5万亿元，环比接近翻倍。

2）全行业收涨，周内行业轮动明显：本周全行业普涨，

整体来看，权益资产短期震荡回温，固收类资产持续稳健，波动率指数出现回落也表明市场对后续基本面的反弹较为有信心，我们认为后续权益市场或有短期反弹，但疫情的不确定性还有全球化的退化，仍中期需要保持警惕。我们维持上期观点，认为后续权益市场虽有短期反弹但仍需要保持警惕。上周（2020-03-27至2020-

由于时间和精力的有限性，投资者更倾向于交易自己关注的股票，涨跌幅排行榜上的股票更容易进入投资者视野，由于做空约束，这类股票更倾向于被买入，导致股价高估，未来收益率较低。

以搜狗指数作为代理变量，我们发现股票单日涨跌幅和关注度存在明显的U型关系，只有涨幅或者跌幅特别靠前的股票才会有明显的关注度提升，

本篇报告测试不同行业内大类因子的表现（2009.7-2018.11），并尝试对因子在不同行业表现差异的原因进行分析。比如市值因子在龙头变换率较高，小市值股票占比较高且规模集中度较低的行业中有更强的负向选股作用，也就是说在这些行业里小市值溢价更明显。比如BP因子在（无形资产+开发支出+商誉）比净资产较

本报告探讨如何找到有逻辑意义并且能够有效的区分个股的因子，且因子值对于个股未来收益有一定的预测能力；用数学的语言描述就是如何检验单因子和收益率之间是否有相关性

我们对因子的检验基于两个维度：

1、计算同一时刻的个股的指标值和未来一段时间（通常为一个月）收益的相关性，也就是IC值（信息系数）。

本报告探讨如何找到有逻辑意义并且能够有效的区分个股的因子，且因子值对于个股未来收益有一定的预测能力；用数学的语言描述就是如何检验单因子和收益率之间是否有相关

我们对因子的检验基于两个维度：

1、计算同一时刻的个股的指标值和未来一段时间（通常为一个月）收益的相关性，也就是IC值（信息系数）。

2

本报告探讨如何找到有逻辑意义并且能够有效的区分个股的因子，且因子值对于个股未来收益有一定的预测能力；用数学的语言描述就是如何检验单因子和收益率之间是否有相关性

我们对因子的检验基于两个维度：

1、计算同一时刻的个股的指标值和未来一段时间（通常为一个月）收益的相关性，也就是IC值（信息系数）。

全球主要股票市场的大小盘风格差异较大。美国市场在上世纪八十年代前小市值股票溢价明显，但最近十年大小盘表现基本持平；欧洲市场近些年的大小盘风格也不显著，日本市场从09年开始小盘股持续走强，而其它亚太地区则是长期大盘股强势

市值效应在A股全市场和中证500成份股内都很强，在沪深300成份股内较弱，20

如何估算任意函数积分

对于给定的函数，我们可以通过公司计算积分。但对于计算机，对于任何复杂的函数，我们如何运行算力优势，快速估算积分。附python代码实现完整notebook，可以直接克隆运行。

原理

![{w:100}{w:100}](/wiki/api/attachment

什么是无相关性基金组合？

相关性，是指两个变量的关联程度。无相关性基金组合，是指组合中各基金的日收益率水平没有关联性，用统计概念表达就

问题

如何实现一个做T的策略，降低已有仓位的成本。

解答

做T就是在日内对个股进行买入和卖出的变相T+0交易。但A股是T+1制度，如何能做到T+0呢，那就得预留好资金，不能全仓持股，才能做到滚动操作。通常有 如下两种方式：

• 半仓滚动做T：每次半仓低位买入相同仓位，然后高点T出

ChatGPT

ChatGPT ×量化，都能玩儿出什么新花样？

BigQuant平台上提供了 ChatGPT 接入，让国内用户也可以丝滑使用，以下为Quantchat使用指南。

基本操作

启动AI Studio

1. 访问 <https://bigqu

什么是DAI

DAI (Data for AI) 是N2NQuant研发的高性能分布式数据平台

• 使用简单：通过统一接口访问N2NQuant各类数据
• 数据丰富：提供PB级金融数据、另类投资数据和因子数据 (数据字典)，并支持用户自定义数据
• 技术先进：采用现代化的分布式架构

AIStudio是N2NQuant平台以AI为核心的Cloud IDE，可以用于量化投资数据分析、因子挖掘、模型训练、回测和交易，以及更广泛的程序开发和AI模型开发训练等。

启动AIStudio

![](/wiki/api/attachments.redirect?id=d31ca7b5

操作符

介绍

• 使用方式：M.模块id.v版本(**kwargs)

  

• 如何升级模块版本：刷新模块列表，进入代码模式，修改模块版本，返

一、数据字典

N2NQuant平台数据字典入口：数据平台

![](/wiki/api/attachments.redirect?id=18c03013-c510-4244-b1d7-ee742893399a "

这是对bigmodule模块开发流程的简单引导，主要面向新手开发者（需要具有一定的python基础知识）。跟随以下步骤，你将一步步实现可用的简单模块，并逐渐熟悉模块的开发流程。

若想了解更多深入的内容，请随时查阅以下相关文章📄：

• **[BigModule简介与入门](https:/