策略介绍

小市值稳健增长策略是一种专注于挖掘市值较小但具有稳健增长潜力的股票的投资策略。该策略通过深入分析这些公司的基本面、财务状况、行业前景以及市场情绪，筛选出具备长期成长潜力的优质小市值公司，以期在未来获得超额回报。通过该策略选择的股票的优势包括有

• 高增长潜力：小市值公司通

本文是关于交易引擎BigTrader使用的一些小技巧。虽然在之前的旧文档也介绍过，见文末附录链接。但本文有一些不一样的地方。

设置股票为等权

以前我们习惯于在初始化函数中定义股票权重，为简化交易引擎模块的代码，我们最近新增了一个仓位分配的模块，用于设置股票权重，当前提供了三种权重分配的使用

介绍

• 适合专业用户
• 在时间上滚动训练策略，跟进数据变化来迭代模型
• 本文只是一个简单演示，我们将在后续文章里介绍使用和原理

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平台：

<

导语

在之前的版本里，很多用户喜欢开发每日换仓、仓位集中度高的AI StockRanker策略，无需编写sql代码，因此本教程给出这样的一个策略实现，方便用户在此基础上根据自己需求调整策略。

本策略绩效

本策略年化收益74%，夏普比率2.5，最大回撤不到-8.5%，整体绩效不错

策略介绍

动量策略指的是投资者跟随市场的大势、根据投资品的上涨或者下跌趋势做出相应的做多、做空交易。因此，动量策略又叫**趋势追踪（trend following）**策略。

策略流程

动量策略的核心是“追涨避跌”。具体来说，这种策略会：

1. 选择时间窗口：确定回顾期

简介

由于深度学习中牵扯到Dropout和随机种子等多处随机项，因此如果无法固化模型，当缓存丢失后会模拟交易/回测会触发重新训练，导致模型变化，本文主要讲究如何使用XGBoost模型开发AI策略的过程中的相关技术。

保存模型的好处：

1. 模型固化，每次模型的预测结果一

策略思想

基于价格因子通过StockRanker进行基金的轮动选择。

本策略中使用数据过滤模块对成交量较小的基金进行了过滤。

交易频率

日线。

策略详情

在输入特征模块，进行特征的选取和数据的过滤。

表达式特征输入：

• `m_avg(volume, 5) AS v

策略介绍

本文将介绍经典的微盘策略，并通过编写简单的策略示例进行回测，初步感受如何在BigQuant上实现按某个指标排序并通过一系列条件过滤的量化策略开发。

微盘策略是一种投资策略，其核心思想是选择市值较小的公司进行投资。一般来说，小市值公司的股票价格相对较低，但是具有较高的成长性和投资价

阿隆指标由两条线组成：阿隆上行（Aroon Up）和阿隆下行（Aro

顶级交易者喜欢把布林带（Bollinger Bands，简称BBAN

**概念定义：**一种使用高级数学模型、统计分析和计算机算法进行交易决策的方法。

**应用范围：**一般包括股票、期货、外汇和衍生品等金融市场；

**主要原理：**依赖于金融市场中的价格、交易量、经济指标等大量历史和实时数据，用以识别市场趋势、估值、波动性等关键因素；使用

导语

本文以双均线策略为例，如何开发一个传统的趋势跟踪策略。

在BigQuant策略平台上，除了开发AI策略，还可以开发传统策略，比如趋势跟踪、套利、事件驱动策略、多因子选股策略。本文以双均线策略为例，帮助大家更好地理解[BigQuant回测机制](/doc/bigquant-N3sndR

\

深度学习模型通过功能层进行积木式拼接，典型的模型构架如下： 通常模型由输入层、中间层和输出层组成。中间层包

class torch.nn.LSTM(*args, **kwargs)

参数列表

input_size：x的特征维度 hidden_size：隐藏层的特征维度 num_layers：lstm隐层的层数，默认为1 bias：False则bih=0和bhh=0. 默认为True b

第4讲:动态规划算法的理论基础 研究科学家Diana Borsa将动态规划算法作为收缩映射进行研究，观察它们何时以及如何收敛到正确的解。

[https://www.youtube.com/watch?v=XpbLq7rIJAA](https://www.youtube.com/watch?v=Xp

导论

异常值问题在数据分析中经常遇到，本文介绍了多种处理数据异常值的方法。

在金融数据分析中，常常会遇到一些值过大或者过小的情况，当用这些值来构造其他特征的时候，可能使得其他的特征也是异常点，这将严重影响对金融数据的分析，或者是影响模型的训练。下面将带大家学习一些关于异常点处理

导语

从AlphaGo到AlphaStar，深度学习的强大逐步展现给世人。那么，什么是深度学习呢？本文将简要介绍深度学习的框架以及流程。

从单层感知器开始

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，

AVL树和红黑树都是自平衡的二叉搜索树，用于确保树操作（如插入、删除和查找）的效率。尽管它们共享一些基本特性，但在平衡策略、结构和操作性能上存在关键差异。

![](/wiki/api/attachments.redirect?id=ab20a9e0-5537-4ba9-9a09-8b0d93a3

SciPy是基于Python的一个开源库，用于数学、科学和工程计算。它建立在NumPy的基础上，提供了许多高级的数值计算功能，从而使得Python成为一个强大的科学计算环境。SciPy是科学计算中最重要的库之一，广泛应用于学术和工程领域，包括金融领域的量化分析和模型开发。

基本概念

XGBoost（eXtreme Gradient Boosting）是一个高效的机器学习库，也是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的集成学习算法，专为提升树算法的性能和速度而设计。它实现了梯度提升框架，并支持回归、分类及排序的问题。XGBoost

导语

本文介绍了LSTM的相关内容和在股票价格预测上的应用。

LSTM的股票价格预测

LSTM(Long Short Term Memory)是一种 特殊的RNN类型，同其他的RNNs相比可以更加方便地学习长期依赖关系，因此有很多人试图将其应用于 **时间序列的

第8讲:规划与模型 研究工程师Matteo Hessel解释了如何学习和使用模型，包括像Dyna和蒙特卡罗树搜索(MCTS)这样的算法。

[https://www.youtube.com/watch?v=FKl8kM4finE](https://www.youtube.com/watch?v=FK