基本面量化策略是一种结合了基本面分析和量化分析方法的投资策略。通过对公司的财务报表、行业数据、宏观经济指标等基本面信息的量化分析，来识别被低估或高估的股票。这种策略通常涉及以下几个方面：

基本概念

1. **数据驱动的基本面深度分析：**基本面量化策略巧妙地结合统计方法与计算机算法，对公司盈利能力、财务稳健性、增长潜力等传统基本面指标进行精准分析，为投资者提供全面深入的企业价值洞察。
2. **

投资策略的优化是一个复杂的过程，旨在提高投资回报、降低风险并适应市场的变化。这通常涉及对现有策略的评估、调整和改进。以下是一些常见优化投资策略的方法和案例：

投资策略优化方法

1. 资产配置调整
   • 根据市场变化和个人的风险承受能力调整资产配置比例。
   • 例如，随着市场利率的上升，可能需要减少债券的比重，增加对股票的投资。
2. 定期平衡
   • 定期重新平衡投资组合，以维持原始的风险和回报水平。
   • 例如，如果股票的比重因市场上涨而增加，就卖掉一部分股票，购买更多的债券。
3. 采用或调整量化策略
   • 使

这是旧版的例子, 只能在2.0.0的Aistudio中运行

策略案例

https://bigquant.com/experimentshare/54fe864132a7447894540d70cd2e36e5

\

https://bigquant.com/experimentshare/116fdc30e1944051ba43f73e74837776

\

旧版声明

本文为旧版实现，仅供学习参考。

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

预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

[ht

旧版声明

本文为旧版实现，仅供学习参考。

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

\

策略案例

https://bigquant.com/experimentshare/723e10568f294571924b89f3953ce20b

\

前言

我们常用量化投资的方式预测未来可以交易的个股，从而获取最大收益。但能不能反其道而行之，通过量化的形式诊断个股：判断是否可以买入？仓位如何设置最合理？

对于资深投资者来说，可以根据历史交易经验，结合该股的特性及大盘环境，判断在这类情况下股票的胜率及收益如何，以此作为买入决策。

但有个更简单、快速的方法，可以借助量化快速找出股票在大盘环境下历史的收益率和胜率情况，作为买入决策。

本次分享将介绍如何用量化的方式诊断个股，并依据量化分析结果作为买入决策和制定交易计划。

正文

[/wiki/static/upload/9d/9d17fabf-6f78-4e80-8da0-5

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

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

{{membership}}

https://bigquant.com/codeshare/075d9454-cde6-4306-a113-84fcae5b3248

\

这几年跟着别的老师学习价值投资，抱着实现自动交易的目的，误打误撞接触了量化这个领域，

发现这个领域的人的都是高人，自己按照价值投资的思路，每年能拿到百分之十左右的利润就很不错了，但量化领域里面的大神都在研究每年60-70%的收益，甚至一个月翻倍…

跟武侠小说里面的藏经阁一样，扫地僧随便丢一本秘籍给你你就能横扫江湖一大半的人了…

从别的平台看到机器学习很厉害，一直没招到入门的方法，编程也不懂，就一直找地方学习，最后来到了big quant，里面资料很多，天天拿到策略改个日期看看回测，学习效果不理想

伟人说过，实践出真知，

想在这里做个计划，一步步去实现自己的想法看看能做到什么程度，

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过借鉴传统机器学习算法——XGBoost——对相同的量价因子进行实验，方便与深度学习模型进行对比实践。

二、算法介绍

XGBoost 是在 Gradient Boosting（梯度提升）框架

私募排排网最新数据显示，截至6月14日，百亿级量化私募数量已经超过30家。从业绩表现来看，据私募排排网统计，截至6月2日，今年以来量化多头股票私募产品平均收益率5.13%，正收益占比80.06%，同期主观多头股票私募产品平均收益率1.59%，正收益占比48.68%。

沪上某百亿量化私募表示，以前高频股票多头量化策略年换手率为200倍至300倍，行业高速发展后，高频策略换手率逐渐降至100倍左右，其中百亿级量化私募换手率大多集中在30倍左右。因此，目前量化投资对于市场波动的影响较有限。

在业内人士眼中，量化投资对市场的影响几何尚难准确判断，但从长期来看，主观与量化投资并非“水火不容”，目前多

由宽邦科技、华泰证券、朝阳永续、金融阶、华锐技术、NVIDIA等共同发起的《2022中国量化投资白皮书》全国研讨会于2023年4月至5月，分别在上海、北京、深圳、香港成功举办研讨会与投融资交流会议。

上海、北京、深圳场三地活动共计发表主题演讲与圆桌研讨42个议程；在香港场投融资交流会上，有16家管理人与海外投资人及代销机构进行了闭门沟通交流。系列活动累计吸引了超2000家各类型机构，4097人次报名。

四地活动聚集了包括宽邦科技、华泰证券、朝阳永续、金融阶、华锐技术、NVIDIA、紫光晓通、因诺资管、宽投资产、艾方资产、锐天投资、玄元投资、天演投资、倍漾量化、杉树资本、迈德瑞中国、九坤投资

指标介绍

乖离率指标（Bias）：

所需数据和参数：Bias(close,nDay,threshold )

指标伪码：

MAVAL:=MA(CLOSE,nDay);

BIAS:=100*(CLOSE-MAVAL)/MAVAL;

指标含义

/wiki/static/upload/21/210c8875-0828-4472-a65c-1ee21ec1bfec.pdf

\

摘要

互联网大数据与量化投资

身处大数据时代，我们所面对的数据的维度在不断增加。传统的量化投资模型基于财务报表及市场价量信息构建因子，信息来源相似性较高导致模型趋同、交易拥堵。在互联网中，非传统金融数据（如舆情、搜索量、语文文本）不断积累，这其中就包括许多对投资有用的信息。

互联网舆情数据可预测性分析

相较于传统的金融数据，互联网舆情数据可以及时地描述投资者的情绪面。众多数据源中，舆情搜索指数反映了众多投资者对某类信息的关注情况，本文将众多投资者对大小盘的舆情搜索情绪作为投资者情绪的直接代理变量，以此来研究大小盘风格轮动与舆情变化的强弱之间的关系。投资者情绪随

摘要

报告摘要：条件随机场模型及股市择时思路自1988年，西蒙斯成立了大奖章基金并在多次股灾中取得稳定的收益后，纯技术量化型的投资策略开始受到投资者的广泛关注，而机器学习正是这种技术量化型策略的中坚力量。目前使用较为成熟的模型之一是隐马尔可夫模型HMM，其与条件随机场是一对“生成判别对”。相比起HMM，条件随机场具有更加灵活等优点。事实上，条件随机场（Conditional Random Field，CRF）是描述给定一组输入随机变量条件下另一组输出变量的条件概率分布的模型。基于条件随机场，我们可以建立观测指标值和走势状态及走势状态与走势状态之间复杂的函数依赖关系，从而，当给定新的观测

摘要

量化投资与多因子选股

量化投资的本质是借用计算机将传统投资的逻辑定量化，并具有纪律性、程序化等优势。量化投资主要分为两个大方向，选股以及择时，分别决定了买卖的标的与时点，而量化选股则又包括了多因子选股、行业轮动、事件驱动等策略。量化策略的前提假设是历史会重复，而多因子选股则提炼出那些能够长期具备择股能力的因素，并加以整合。 多因子模型从历史数据分析，挑选出能够长期有效甄别出未来高收益股票的因子，并构建模型。在多因子选股时，股票的规模、估值、盈利水平、成长能力、过去的市场表现等等都将体现在量化模型中进行综合的判断。在不同的市场环境中，模型中的因子会有不同的表现，但整体提供

\

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过传统机器学习算法对相同的量价因子进行实验，方便与深度学习模型进行对比。

二、随机森林算法介绍

随机森林属于集成学习的一种，通过集成学习的Bagging思想将多棵树集成的一种算法：它的基本单

BigQuant AI Platform deep learning models（BigQuant AI量化平台深度学习模型库）。

介绍

bigmodels是什么？

bigmodels是BigQuant AI量化平台的深度学习模型库，集成了AI量化研究过程中常用的深度学习模型。

为什么需要bigmodels？

我们用PyTorch封装了AI量化研究中常用的深度学习模型，包含DNN、1DCNN、LSTM和Transformer等，并持续更新。

平台用户可以用简单的方式调用经过大量实践检验的AI能力，赋能AI量化投资。

import toch
impo

摘要

人工智能系列之65：解析GPT对量化投资的影响，顾短也兼长。相比ChatGPT和GPT-4在全社会范围引发的热议，量化投资领域对于GPT的态度显得相对冷静。ChatGPT和GPT-4展现出的强大语言生成能力和部分推理能力不可谓不惊艳，但和量化投资主流方法论——低信噪比场景下的预测模型有鲜明区别。这种因立场不同带来的感知差异，就如股指期货松绑无法令非量化从业者感到兴奋一样。我们认为在短期现实层面，量化投资行业可能难以直接受益于GPT模型。但长期来看，如同人脑各区域分工明确但相互联系，现有量化投资预测模型可与各类大模型耦合扩展功能；算法升级和规模扩大后，量化模型可能涌现出预期外的能力

随着交易数据量越来越大，金融领域的各种应用已经验证了使用人工智能可以更好地进行投资或业务决策，也越来越多人相信人工智能技术在金融领域的应用前景。人工智能提供了一种适用于从个人数据到业务流程的高效数据分析工具。 与此同时，越来越多金融机构开始使用机器学习方法，以期在市场竞争中赢得优势。量化投资机构逐渐抛弃传统的分析方法，转而使用机器学习算法预测市场走势和选择投资组合。 与传统投资方式相比，量化投资方式具有更高效率及准确性。量化投资是一种基于计算机系统而生成的投资策略选择方法，可以对数学模型进行监理，在实现交易理念活动过程中构建更为完善规范的量化投资评价体系。在对模型进行监理的基础上，再对历史数据

\

ChatGPT的横空出世作为对金融科技运用最广泛的量化私募，AI的爆发，对其影响就更为直接。

某量化私募表示，量化投资行业本质上仍旧是技术研发类行业，拥抱人工智能，吸收最新技术是量化投资行业生存的根本。不管是以各类Copilot为代表的辅助型生产力工具，还是使用“接近文本层面的AGI水准”的大语言模型（LLM）处理文本类型的另类数据，再到狭义上利用深度学习技术为代表的机器学习进行市场定价等等，人工智能在量化投资领域的场景化应用是全方位的。

人工智能的蓬勃发展，极大地提高了量化投资的效率，它的生产力升级对于量化投资的发展大有裨益，让研究的过程更加如鱼得水。但综合来看，量化投资是一个综合性系统

我目前主要的主要成果，做了一个基于行情数据的深度学习模型--准确来说是一个打分函数，用于评估股票。 https://www.joinquant.com/view/community/detail/db6e30a324426431b7169d774c8f7dec 基于上述模型我在大宽做了一个模拟位 https://bigquant.com/live/shared/strategy?id=108035

此外我还有一个，宏观模型，用于分析利差水平 <https://www.joinquant.com/view/community/detail/7a0bcd6891a4a2dc6416914