什么是无监督学习？

顾名思义，“无监督”学习发生在没有监督者或老师并且学习者自己学习的情况下。

例如，考虑一个第一次看到并品尝到苹果的孩子。她记录了水果的颜色、质地、味道和气味。下次她看到一个苹果时，她就知道这个苹果和之前的苹果是相似的物体，因为它们具有非常相似的特征。她知道这和橙子很不一样。但是，她仍然不知道它在人类语言中的名称是什么，即“苹果”，因为不知道这个标签。

这种不存在标签（在没有老师的情况下）但学习者仍然可以自己学习模式的学习称为无监督学习。

![img{w:100}](https://d1rwhvwstyk9gu.cloudfront.net/2021/

前言

算法交易起源于上世纪中叶的配对交易

历史上最早使用算法交易的例子可以追溯到1949年。对冲基金之父阿尔弗雷德·琼斯，利用空对多3：7的比例进行配对交易，在1955年到1964年间，综合回报率高达28%。到了上世纪60年代早期，投资者开始利用计算机通过分析股票的周线和月线来预测价格运动方向。

配对交易逐渐成熟，发展成后来的算法交易。随后算法交易策略慢慢在华尔街流传开来并被广泛使用，同时也带来了非常可观的盈利。原来在摩根士丹利从事配对交易的研究员，后来逐渐成为如大卫·肖、詹姆斯·西蒙斯这类明星基金经理手下的精英，算法交易的“黑盒子”便由此诞生。

随着计算机的广泛普及，华尔街各大

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

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/0f3871389f5846009ba425fe066d03b2

\

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

更新

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/5z65lqo5y2p5pw055qe6ywn5a55lqk5pit-6x1P1362eJ

策略案例

[https://bigquant.com/experimentshare/6b05d7bd134e420387acfa25c37b283f](https://bigquant.co

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

StockRanker多因子选股策略

https://bigquant.com/codesharev2/5d97cb4f-526b-45be-9527-5a6927873337

\

旧版声明

本文为旧版实现，供学习参考。

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

\

策略案例

https://bigquant.com/experimentshare/53afe5c70e1f48b28f66eeb980d86ebb

\

接口

• bigchart.Chart 定义建议 Chart文档

对于HeatMap（热力图）的 _type=”heatmap” 和 series_options：

bigcharts.Chart(
    ... 其他参数
    # 【设置图表类型】图表类型，具体参考各类型图表
    type_ = "heatmap",
    
    # 热力图中y传入的数据轴必须是两项，第一项表示的是y轴坐标轴的刻度数据第二项表示的

从常规思路分析，高收益策略需要，抓近期热门策略，波动大，才有机会产生高收益，但一种逻辑很难在不同的市场行情下有效，所以，在选定近期热门票的基础上，需要在不同的市场行情下，选用不同的选股逻辑去应对。

步骤：

一、定义表达市场情绪方面的因子，如：

#当天涨停数比例

group_sum(date,where(price_limit_status_03,1,0))/mean(group_sum(date,where(price_limit_status_03,1,0)),180)

#当天上涨家数/下跌家数

group_sum(date,where(return_0>

涨停股票数量多的一定是热门的。想要获得超额收益，就要向涨停股多的地方靠近。当你也认同这个观点，就来订阅学习吧。

视频从市值，板块，行业维度介绍了统计涨停数量与使用经验，从5日行业涨停统计介绍了如何查找热门行业，还有15日平均涨停数量如何查看市场强度。

感兴趣的小伙伴现在订阅或者续费Plus会员的可以用 邀请码 有惊喜噢！

邀请码：sdw58y

我在这里将一步步教你如何从各维度查看涨停板的股票，

https://bigquant.com/college/courses/course-v1:plus+strategy19+2024_01_13/courseware/29f66bcbf5f

{{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，

首先解释一下标题： CNN：卷积神经网络（Convolutional Neural Network）, 在图像处理方面有出色表现，不是被川普怒怼的那个新闻网站； 股票涨跌：大家都懂的，呵呵； 股票图片：既然使用CNN，那么如果输入数据是股票某个周期的K线图片就太好了。当然，本文中使用的图片并不是在看盘软件上一张一张截下来的，而是利用OHLC数据“画”出来的； 尝试：这个词委婉一点说就是“一个很好的想法^_^"，比较直白的说法是“没啥效果T_T”。

进入正题： 首先是画出图片。本文目前是仿照柱线图画的。 ![{w:100}](/wi

https://bigquant.com/codeshare/0ffb5755-3b0a-4e5f-95d8-4d37e9d5fac0

https://bigquant.com/codeshare/77aeff8a-3028-44b5-93ec-68867a08466d

\

sss

指标介绍

股票选择指标（Commodity Selection Index）：简称：CSI

所需数据和参数：CSI(high,low,close,length )

指标伪码：

MYMARGIN:=1000;

MYCOMMISION:=25;

K:=300/(SQRT(MYMARGIN)(150+MYCOMMISION))100;

MTR:=EMA(MAX(MAX(HIGH-LOW,ABS(HIGH-REF(CLOSE,1))),ABS(REF(CLOSE,1)-LOW)),LENGTH);

HD :=HIGH-REF(HIGH,1);

*LD :=REF(L

摘要

量化择时交易策略

机器学习量化交易策略的制定，是通过从海量历史数据中，利用计算机强大的处理能力，挖掘并分析出那些能够为投资者带来收益的各种大概率可行的投资方式来实现的。通过数学模型对这些策略进行分析并加以验证，以期望让投资者获得更高更稳定的收益，或更合理地规避风险。

长短期记忆模型具有明显优势

长短期记忆模型通过记忆单元有效地学习长期依赖关系，在金融市场预测中具有明显优势长短期记忆网络是人工神经网络的一种，具有负责计算时间序列中各个观测值之间依赖性的能力，同时具有快速适应趋势中急剧变化的固有能力。所以，长短期记忆模型可以在波动的时间序列中很好地工作。在处理股

摘要

A股行业轮动现象明显

A股市场年度领涨的行业呈现显著的切换效应，行业是A股市场最大的风险收益源之一，把握行业的轮动效应能够为投资策略贡献极高的收益。

行业涨跌呈现明显的集聚效应

行业的涨跌呈现明显的板块集聚性，因此行业的轮动可以进行分层，区分为板块的轮动效应与板块内行业轮动效应。依据行业收益率进行分层，依据不同的逻辑进行择时。 不同板块对现金流与折现率的敏感度（beta）差异大

根据two-beta模型对DDM模型拆解得到的结论发现。

金融现金流beta显著高于平均水平，而折现率beta几乎为0；周期板块则呈现较高的现金流beta，同时折现率be

摘要

四个维度认知企业核心竞争力：学术研究对于核心竞争力内涵的理解可概括为技术竞争力、产品竞争力、内控竞争力和持续发展性4个维度。技术竞争力是决定企业核心竞争力的形成的基础因素，产品竞争力是企业核心竞争力的直接体现，内控竞争力强化企业在技术和产品方面的竞争优势，持续发展性揭示企业保有并提升现有竞争力的能力。

多指标合成竞争力评价因子：选取四个维度下可量化的指标合成竞争力评价因子。经行业和风格调整后的因子与传统风格因子相关性较低，保持了因子的独立性。预测能力方面，因子月度 IC 为 1.59%，ICIR 为 1.40，具有一定的预测能力，同时在 10 年~13 年以及 17 年至今的

摘要

本文主要介绍超预期幅度因子的定义、分析师超预期股票收益特征分析和分析师超预期选股策略的构建。首先我们介绍精确到单季度的净利润超预期幅度ESP因子算法，然后我们对超预期股票的收益特征进行分析，发现EP_TTM和过去一个月收益率两个风格因子可以很好地解释超预期股票的收益来源。最后每月底根据EP_TTM和过去一个月收益率两个风格因子限定样本池，然后选取净利润超预期幅度最大的20只股票构建超预期20组合。组合基本上每年稳定战胜中证500指数，可以作为中证500增强的补充组合。

分析师超预期幅度因子定义

分析师超预期幅度ESP因子可以定义如下：ESP =（单季度实际净利润

摘要

目录CONTENTS

1.趋势配置模型的基本原理

2.中信一级行业指数历史表现及动量效应

3.传统截面动量模型在行业配置组合上的应用及改进方向

4.“时序动量+截面动量+止损机制”构建行业趋势配置组合

5.主要结论

正文

/wiki/static/upload/ca/ca5796d5-887d-4986-b0b2-a968e35b08b9.pdf

\

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