一、策略思想（仅为示例）

本策略是经典的高股息率选股模型的具体实现，该模型的思想如下：

1. 股票池过滤：剔除ST股、停牌股、北交所
2. 筛选条件：选取流通市值从大到小排名前300、市盈率大于0, 上市满一年的股票
3. 排序条件：按照股息率从大到小排序
4. 策略回测：持股3只等权重、持仓1周、周初调仓、回测时间为2023-01-01至2024-07-02

二、策略链接（仅为示例）

[https://bigquant.com/codesharev3/44afe482-a445-47f7-a3b2-dca3733c70fc](https://bigquant.co

https://bigquant.com/codesharev2/c3248901-fd95-4995-bb32-b5c57dc74689

\

\

分享主题

基于财务数据构建策略

\

视频回放

https://www.bilibili.com/video/BV1W84y117Nd/?spm_id_from=333.999.0.0&vd_source=ecd29bbd04cbefdfa426167c55241973

\

直播资料

[https://bigquant.com/experim

https://bigquant.com/codesharev2/d9fb9834-14af-4109-b6d4-6c996e6c5a77

\

https://bigquant.com/codesharev2/38796752-ff42-45ed-a9c9-1fcf0649c04e

\

海龟交易法则

海龟交易的交易规则 今天的收盘价大于过去20个交易日中的最高价时，以收盘价买入； 买入后，当收盘价小于过去10个交易日中的最低价时，以收盘价卖出；

策略构建步骤

• 策略构建步骤 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 IF(close > hist_high AND m_lag(close,1) < m_lag(hist_high,1) , 1, 0) AS buy_sig，实现买入信号。 在输入特征列表中通过表达式引擎定义 `IF(close < hist

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

声明：本策略需要在AIStudio 3.0环境下运行

股票提取：每日判断ST摘帽的股票，买入后持有3天

买卖时间：开盘买入，收盘卖出

初始资金：100万

持仓票数：所有满足ST摘帽条件的股票

持仓周期：3天

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/15c11781-ce05-42da-99e4-183d5b67a05d](https://bigquant.com/codeshare/15c11781-ce05-42da-99e4

• 运行环境：AiStudio 3.0.0
• 策略描述：我们选择一定条件下小市值的股票，来研究策略的历史表现
• 股票条件：过滤ST，过滤已停牌，上市天数大于365天，只要主板（过滤科创版和北交所）
• 排序条件：按照日期、流通市值（从小到大）排序
• 数据表名：cn_stock_factors_base
• 回测时长：2020-1-1 至 今天
• 持仓天数：1天
• 持仓票数：10只
• 资金分配：等权分配
• 初始资金：500000
• 买卖时间：开盘买入，开盘卖出

回测图：

![](/wiki/api/attachments.redirect?id=c443177a

/wiki/static/upload/15/155c3445-595b-4419-98f2-fb8ba6636edf.mp4

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/16

• 运行环境：AiStudio 3.0.0
• 策略描述：对于一个事件策略来说，哪一只股票在此策略下收益最高，我们是可以逐个试出来的，就买入
• 数据表名：cn_stock_bar1d
• 回测时长：2020-1-1 至 今天
• 初始资金：500000
• 买卖时间：开盘买入，收盘卖出

回测图：

策略源码：

{{membership}}

[https://bigquant.com/codesha

量化不仅是用于选股，还有针对货币，期货，期权，基金都可以做出不同程度的量化，本文讨论其中选股注意的事项。有需要写量化代码编写的可私信或者评论区留言！

本文将继续对量化选股做一个小白的科普，介绍几种初步的量化选股模型，如有错误之处请于评论指出。

我们一般将基金的投资策略分为股票策略、宏观策略、期货策略、复合策略等，其中每个大类下又可细分为多个子策略。但是所有的大类策略基本都存在量化子策略，如果按投资的方法来分，投资策略又可以笼统地分为主观策略与量化策略。

报 告 摘 要

概念动量的理论基础

传统的资产类别划分方法（如行业划分）具有清晰的定义，但是现在很多股票都会被划分到不同的概念板块中，而概念板块的划分则相对模糊。当投资者很难厘清概念板块的信息时，概念的扩散就相对缓慢，此时“概念动量”就形成了。

概念动量策略实证结果

本文以概念板块成分股的等权组合构建概念组合，根据过去F个月概念组合的收益率按大小分为5组，随后买入赢家概念中的股票并卖出输家概念中的股票，持有H个月，且在每个月进行再平衡。

当选择形成期F=6个月，持有期H=6个月并剔除最近1个月收益时，经过FamaFrench五因子调整后的月均超额收益达到

摘要

文献来源：Leippold, M., Wang, Q. & Zhou, W. (2021). Machine-Learning in the Chinese Stock Market. Journal of Financial Economics.

推荐原因：随着机器学习在金融和经济领域的应用迅速兴起，越来越多的学者利用机器学习工具研究股票的截面和时间序列预测。而中国股票市场历史较短，制度依然处于不断完善的阶段，有着自身的特殊性。本文根据中国市场的特征构建了一个全面的股票收益预测因子集，并利用几大流行的机器学习算法进行实证分析。经过CSPA条件预测能力检验，作者发现神经

报告摘要

研究背景

学习排序算法是一类有监督的机器学习算法，基于排序的机器学习算法在文本归纳和机器翻译等领域也表现出了强大的能力。然而在因子投资领域这些排序算法还没有得到人们的足够重视。另外对于IR指标，在多空策略中人们希望排名靠前和靠后的指标都是准确的。

研究现状

将排名框架引入到了多因子策略大多关注于添加可替换因子或构建神经网络。Song将排名进行颠倒，并对模型进行两次拟合，希望两个模型分别能够预测头部和尾部。但是这种方法可能得出在同一时间买卖同一只股票的结果。这样的结果促使本文提出了一种新的学习排序算法，该算法基于头部和尾部一致的排序列表，并且在排序

「股票及量化投资书籍分享」https://www.aliyundrive.com/s/4kajoeM7ock 点击链接保存，或者复制本段内容，打开「阿里云盘」APP 下载。

摘要

在水木股版上看到的一个交易系统帖子，适合初学股票投资的人，整理下来

作者在2014年进入A股市场，后来也逐渐开始做期货、外汇、加密货币等品种。

这些年我一直想找到一个完美的交易系统，这里对完美的定义是：不受时间、空间、对象、条件的限制。

说白了就是现在好用，将来也好用；A

/wiki/static/upload/73/7387f8bc-3d1b-4b37-ad6d-7e0d5ddcf4b2.pdf

\