回测

English/繁體中文/简体中文

导语

本文从量化投资定义、量化投资特点、量化投资优势及量化投资实践流程四方面简要为大家

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。
2. 模型过拟合：避免过度拟合历史数据，这可能导致未来性能下降。
3. 市场效率：理解市场效率和其对交易策略性能的影响。
4. 算法复杂性：更复杂的算法并不总是更好，简单有效往往更为重要。
5. 风险管理：制定严格的风险管理策略以保护资本。
6. 交易成本：

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质波动后，两个因子皆具有较好的选股效果。本报告尝试对于股票高频波动率进行拆分，并期望从高频波动中提取出有效的选股因子。

“系统波动+特质波动”的拆分方式在高频维度上无法得到具有优秀选股效果的因子。在1分钟的数据频率下，高频特质波动率因子表现较差，并无明显的选股能力。随着数据间隔的增大，该因子的Ra

AIStudio是BigQuant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。

/wiki/static/upload/31/315c1087-6d07-491a-90ef-43e717997077.mp4

从这里开始

• 点击进入 AIStudio

关键概念

\

来源：SSRN 作者：Sophie Emerson, Ruairi Kennedy, Luke O’Shea, and John O’Brien

机器学习是人工智能的一个子领域，它使用统计技术为计算机模型提供从数据集学习的能力，允许模型在没有显示编程的情况下执行特定任务。近年来，机器学习技术激增，人们对其在金融领域的应用也越来越感兴趣。在投资管理中，已被应用于新闻的情绪分析、趋势分析、投资组合优化、风险建模等。那么，机器学习在量化投资中有哪些潜在应用呢？

1.常见的机器学习算法

机器学习算法主要有三种：监督学习、无监督学习和强化学习。监督学习是在已知输入和输出的情况下训练出一个模型，将

策略案例

https://bigquant.com/experimentshare/5c5e31cf67c94de099b00aeab9676e48

\

策略案例

https://bigquant.com/experimentshare/05251c753111424eaff32648838ac24f

\

策略案例

https://bigquant.com/experimentshare/10ddc26e7b674144ab9e3738b63010a1

\

https://bigquant.com/experimentshare/2fbb2629dcb0450bbf72e224835b4957

\

https://bigquant.com/experimentshare/d50ee96c36f84af6ad990409294db4cb

\

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

回测结果是基于历史数据对某一投资策略进行模拟交易后得到的结果。进行回测的目的是为了评估一个投资策略的盈利能力、风险水平以及其他相关指标。

回测结果中通常包括不同时间段的投资收益率、最大回撤、胜率等指标。这些结果可以帮助投资者了解该策略的优势和不足，从而进行调整和优化。

基本概念

回测结果通常包含多个方面的信息，主要包括：

1. 总收益率：在策略回测期间，总收益率作为盈利或亏损的总体百

回测代码的编写和运行

策略逻辑编写完成后通过接口函数 M.hftrade （也是一个可视化模块的入口）来进行回测，如下是此函数的详细说明

M.hftrade.v2( #v2表示hftrade的版本号
    start_date,    #回测开始日期
    end_date,  #回测结束日期
    instruments=None,  #回测股票/基金/期货列表
    initialize=None,   #初始化函数初始化函数，initialize(context)
    on_stop=None,  #策略运行结束处理函数，on_stop(con

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，本帖介绍固化已有的模型的步骤。

第一步，调试策略

好的策略应该经过多次训练查看模型的回测效果稳定性，如果发现同样参数下多次训练模型得到的回测结果变动范围较大，多半是模型不稳定。模型稳定后可以考虑固化模型并开启模拟交易。

第二步，记录模型文件到userlib文件夹

以上图DNN模型为例，

在默认的AI策略里，交易股数并不是整百，这和实际交易确实有一些不同。之所以这样做，是因为回测主要是验证思想，不想让资金管理、风险控制影响最初的策略思想。

但是，用户是可以手动修改代码，达到整百下单的目的的。

具体方法是修改handle_data函数里交易接口API，同时修改回测类型为：真实价格回测。相关文档可以参考：回测与交易引擎。具体要修改的位置为回测模块trade中的主函数，截图如下： ![image|572x355](/community/upload

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

导语

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，本帖介绍固化已有的模型的步骤。

如何固化模型

调试策略

第一步，调试策略

好的策略应该经过多次训练查看模型的回测效果稳定性，如果发现同样参数下多次训练模型得到的回测结果变动范围较大，多半是模型不稳定。模型稳定后可以考虑固化模型并开启模拟交易。

记录模型文件

第二步，记录模型文件到userlib文件夹

![](/wiki/api/attachments.redirect?id=43e5c6bc-0a87-48

回测如何设置手续费和保证金率

可以在Initial函数中通过context的set_commission设置

def initialize(context):
    """初始化"""
    print("initialize")    

    # 股票设置费率的示例
    context.set_commission(equities_commission=PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5.0))    

    # 期货设置费率的示例
    comm_dict = {

https://bigquant.com/experimentshare/3e5c4533c9fa4174a16f8784bccfb69b

\

导语

在AI量化策略开发第六步：回测教程中，我们介绍了Trade回测/模拟交易模块的重要函数和策略构建的基本流程，本文主要介绍如何在Trade模块中设置手续费和滑点。

在评估策略的时候，我们设置一定的交易手续费和滑点以模拟真实交易。在策略编写中，我们通常在回测模块的初始化函数中进行设置。

设置手续费

通过调用set_commission方法，在初始化函数中加入如下代码块实现相应的功能： 股票，按成交金额百分比设置手续费，手续费不足5元按5元收取

# 示例代码1
def initialize(co

• 点击新建对话，创建一个新对话

• 点击输入框，开始与QuantChat交流

• 您可以直接输入以下对话

![{w:100}](/wiki/api/attachments.redirect?id=df515aaf-cef1-460

{{membership}}

一个简单封装的机器学习滚动的策略框架～可以方便的使用机器学习滚动训练回测～  \n可以在py文件内修改实际使用的模型，把mod2.py放在目录下， 直接import mod2 from mod2   配置一下config就可以一键进行机器学习滚动训练并看到回测了\n

https://bigquant.com/codesharev3/f76dfca2-cbba-44bd-a183-bd10f26619fb

\

回测图：

\

策略源码：

声明：本策略需要在AIStudio 3.0环境下运行（点击克隆之后-选择最新环境）

{{membership}}

[https://bigquant.com/codeshare/f4d50c8c-dc68-44e2-89ef-e91c72ad01f4](https://bigquant.com/codeshare/f4d50c8c-dc68-44e2-89ef-e91c72ad01

• 声        明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 交易逻辑：每隔30个交易日，以开盘价买入当日0<PB<1.5且0<PE<15且有成交量较前一日放大1.5~2.5倍的股票；
• 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。
• 股票过滤：换手率小于20%，过滤ST，过滤北交所，过滤科创版，上市天数大于270天，市盈率小于50
• 排序规则：按照换手率从大到小
• 买卖时间：开盘买入，收盘卖出
• 初始资金：100万
• 持仓票数：5
• 持仓周期：1天

回测图：

![](/wiki/api/attachments.red

单因子策略：120日换手率之和

回测图：

\

策略源码：

{{membership}}

https://bigquant.com/codeshare/54d502d3-8cd7-45f4-97a5-55b912da0ef3

\