问题

需要在当前的持仓中可以通过股票代码来获得当前的持有天数,有哪个方法可以获取到吗

\

解答

你好，你可以通过 position = context.get_position(instr) pos_date = position.last_sale_date print("持仓时间",pos_date)

“请问这个天数是交易日还是自然日？“

具体实现代

问题

对系统不熟悉，问个小白的问题吧。

看起来context和data这两个对象是回测中非常重要的全局对象，要写策略的话应该是必须要对这两个对象非常熟悉才行，所以我想看看这两个对象里都有哪些内容，比如看FAQ里了解到data下有current_dt这个属性，但是自己写了一小段代码，发现根本没法用。谁指点一下？

\

解答

是的。context \data这些变量都只能在回测引擎中使用，即，你要调用M.tra

问题

回测运行没有错误，但是绑定模拟交易就一直提示运行失败

if context.extension['datecont'] == 0: KeyError: 'datecont'

ERROR moduleinvoker: module name: forward_test, module version: v5, trackeback: KeyError: 'datecont'

就是之前提问奇偶交易变量的那个note

![{w:100}](/wiki/api/attachments.redirect?id=baac3c98-e070-4a77-a5c9-a2c9467

问题

回测中读取该表，出现错误，IndexError: invalid index to scalar variable

但是在回测外读取就没有问题，包括回测中以同样的方式读取其他表也没问题，为什么呢？

解答

在回测中把instruments,

页面卡住2-3秒后也没有下载的窗口弹出。用的Chrome浏览器。极个别时候有弹窗，显示只能下载10000条或让重新跑回测。

问题

回测时，买了股票后为什么总资产会变成买股票钱的2倍左右？

下单的方式我试过下面3种，都是这样的结果。

    rv = context.order(context.ins, order_num, price, order_type=OrderTyp

问题

比如只在沪深300中回测，若有一支股票在上一季度中买入，一直持仓到下一季度，而在下一季度中这支股票被移出了沪深300指数，因此需要在每一个交易日内都对持仓的股票判断其是否还在沪深300指数里面，不在就卖掉，请问怎么在回测中调取当前季度的沪深300指数？

解答

使用模块 A股股票过滤 即可。股票类型选择沪深300

问题

解决办法

重启开发环境

问题

KeyError Traceback (most recent call last)
in
209 )
210
–> 211 m19 = M.trade.v4(
212 instruments=m9.data,
213 options_data=m21.predictions,
in m19_handle_data_bigquant_run(context, data)
25 context.ranker_prediction.date == data.current_dt.strftime(’%Y-%m-%d’)]
26 print (ranker_pre

参考 https://wesmckinney.com/book/ 编写 Python For Quants - 用于量化投资的Python

摘要

新闻和社交媒体提供的投资信号

首先，该篇文章研究 20 年来投资信号的历史特点，此类信号指标广泛来自新闻和社交媒体，这可以区分每个数据类型的独特性；此外，该文评估社交媒体和新闻的投资相关性随时间的变化；最后，该文进行市场时机策略的回测，该策略基于社交媒体情感和基于新闻情感的信号对超额收益进行预测。

新闻作为市场时机的情感来源胜过社交媒体

基于社交媒体和新闻历史数据，基于社交媒体的情感大多已经被基于新闻的情感所捕捉。尽管在研究期间社交媒体激增，但嵌入式情绪的投资重要性似乎并没有随着时间的推移而提高：社交媒体聊天的嘈杂本质并没有随着数据源的增加而消失。总的来说，

摘要

当我们构建并回测了一个策略后，就需要对策略的历史业绩表现进行评价，这一过程也称为业绩归因。本文主要向大家介绍业绩归因中涉及到的主要内容和实现方法。

通常，策略业绩归因分为两大组成部分：收益归因和风险归因。从盈亏同源的角度而言，能够产生收益的因子一旦广为人知可能随时就会变为一个无利可图甚至波动剧烈的风险来源，因此收益与风险相生相伴。

正文

业绩归因重要性

通过业绩归因，我们可以更加清楚组合的收益与风险来源，进而知道这种获取超额收益的能力是否能够持续，也能够明白组合发生剧烈波动的原因，从而改进策略或进行策略比较。此外，

摘要

文献来源：Demiguel V, Gil-Bazo J, Nogales F J, et al. Can Machine Learning Help to Select Portfolios of Mutual Funds?[J]. Social Science Electronic Publishing, 2021.

推荐原因：众所周知，事先确定未来表现优异的共同基金是一项困难的任务。本文基于大量投资者容易获得的基金特征数据，利用机器学习方法训练提升其预测能力。研究发现，利用1980年至2018年期间美国股票型基金的数据，基于机器学习方法构建的基金组合，经风险调整

摘要

这是最近在Quora上的一个提问：

Is stochastic math and Brownian motion still important to quantitative hedge funds? Is it all about AI and machine learning now？

机器学习算法大流行的时代，传统的量化金融理论，如随机过程、布朗运动等在量化对冲基金还重要吗？这本质上还是Q-Quant与P-Quant发展的问题。在这个问题下面，很多网友给出了很精彩的回答。

正文

▌Aaron Brown

很多量化投资策略都是基于非常简单的数学。复杂的工具往

正文

/wiki/static/upload/25/259b1aaa-df16-4ed2-abd6-8ad67bba7fb7.pdf

\

正文

/wiki/static/upload/cc/ccdb74be-b863-4da3-8f49-1f6faa26c18e.pdf

\

免费策略开发回测，详情加V：ASK185185

涉及国内主要品种的不同的频率的回测与交易

\

摘要

因子投资模型增强：基于深度学习来预测基本面数据经过回测发现，如果能够预知未来的基本面数据并构建组合，则能够大幅跑赢传统方式构建的组合。并且，基本面数据之间的关系可能比基本面数据与价格之间的关系具有更高的信噪比。因此，作者根据过去5年的基本面数据训练一个深度神经网络来预测未来的基本面数据，结果表明较之于简单预测（假设未来数据和当前数据一致）模型，神经网络模型在MSE、年化收益、夏普比率等指标都有明显的提升。

消费者的眼睛是雪亮的：消费者评价的投资价值本文探究了消费者的评价是否包含着对投资有价值的信息。利用上买家对产品的评价信息，发现消费者的评价对于选股具有一定的价值。

通过做多异

\

Q1:现在海内外量化实践有什么代际差吗？海外接下来量化方向除了另类数据应用，还有什么发展潮流？他们对于国内量化市场是怎么判断的？

**关子敬：**在我看来海内外最主要的差别是：国内投资人是偏向喜欢直接对股价做预测，而海外直接预估股价比较少，主要做填充模型（imputation model），针对遗失数据做估算，特别是在

AI量化策略快速理解

https://bigquant.com/wiki/doc/celve-Uu3N6WbJNJ

\

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

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