每只的股票的权重，如下的权重分配会使得靠前的股票分配多一点的资金，[0.339160, 0.213986, 0.169580, ..] context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
改为等权重配置： context.stock_weights = [1 / stock_count for i in range(0, stock_count)]
[https:/
更新时间：2024-05-21 03:52
更新时间：2024-05-20 10:04
每隔30个交易日，以开盘价买入当日0<PB<1.5且0<PE<15且有成交量的股票； 每隔30个交易日，将不符合上述标准的持仓股票在第二天以收盘价卖出。
确定股票池和回测时间
通过证券代码列表输入要回测的单只/多只股票，以及回测的起止日期
确定买卖条件信号
在输入特征列表中通过表达式引擎定义 buy_condition=where((pb_lf_0<1.5) & (pe_ttm_0<15) & (amount_0>0) & (pb_lf_0>0) & (pe_ttm_0>0), 1, 0) 实现买入条件信号定
更新时间：2024-05-20 08:22
更新时间：2024-05-20 07:35
更新时间：2024-05-20 07:21
更新时间：2024-05-20 05:58
更新时间：2024-05-20 02:37
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
更新时间：2024-05-20 02:08
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
[https://bigquant.com/experimentshare/6b05d7bd134e420387acfa25c37b283f](https://bigquant.co
更新时间：2024-05-17 09:23
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
更新时间：2024-05-17 07:25
更新时间：2024-05-17 02:33
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>
更新时间：2024-04-13 05:40
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
更新时间：2024-01-15 17:19
更新时间：2024-01-09 02:04
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，
更新时间：2023-12-29 11:31
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。 
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
更新时间：2023-06-13 06:53
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
更新时间：2023-06-13 06:53
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
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
更新时间：2023-06-13 06:53
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
更新时间：2023-06-13 06:53
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
更新时间：2023-06-13 06:53
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
/wiki/static/upload/ca/ca5796d5-887d-4986-b0b2-a968e35b08b9.pdf
\
更新时间：2023-06-13 06:53