• 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

策略逻辑：价格冲击偏差较小的股票表现较好，即前期容易下跌上涨困难的股票后期表现更佳,买入

\

策略源码：

请克隆策略，前往最新版本开发环境3.0中运行

{{membership}}

https://bigquant.com/codeshare/38959187-2110-4d94-9853-de5ab21e357d

\

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：在财报公告日当天，筛选出净利润同比增长小于1的，并按照净利润同比增长排序

股票过滤：剔除ST、退市、非主板、上市时间小于365天的

买卖时间：开盘买入，收盘卖出

初始资金：100万

持仓票数：3

持仓周期：30天

回测图：

\

策略源码：

{{membership}}

• 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
• 买入条件：
• 5日均线大于10日均线，10日均线大于20日均线，20日均线大于40日均线，40日均线大于120日均线；
• 今日最低价小于10日收盘价均线 的股票，次日以开盘价买入；
• 买入后，如果5日均线小于40日均线，则次日以开盘价卖出
• 允许最多同时持有20只股票

\

策略源码：

[https://bigquant.com/codeshare/5051711d-1470-49f0-b448-e0cacfcf477b](https://bi

/wiki/static/upload/15/154dffcf-f5b9-4149-88bc-1969ac29d893.pdf

\

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

本文简单介绍如何通过可视化的方式开发出一个价值选股策略。

标题也许看着有点蒙，什么意思呢？其实就是通过5条线连接的几个模块就能开发出一个简单的价值选股策略。我们先来看看策略截图。

策略思想介绍

该策略一共包括：证券代码列表、输入特征列表、基础特征抽取、数据过滤、Trade(回测/模拟)共5个模块。首先我们先介绍下策略的思想。

• 开始日期：2013-01-01
• 结束日期：2017-11-07
• 选股依据：根

选股条件

动量指标选股

仓位设置

等权重

调仓规则

1-5个交易日

风险管理

无

回测设置

• 初始资金：500000

• 起始时间：2023-06-01

• 结束时间：2024-08-20

• 交易成本：买入万3，卖出千分之1.3，不足5元按5元收取

• 撮合价格：开盘价

  \

  回测与分析

  绩效指标

  总收益：16%

  年化收益：13%

  夏普比率：0.87

  最大回撤：6%

  
  结果分析

  整个策略表现不错，年化收益远超银行理财产品，其中最大回撤为5%，主要是行业

策略介绍

中证红利指数（CSI Dividend Index）是由中证指数公司编制的，旨在反映中国A股市场中高股息率股票的整体表现。该指数选取了股息率较高的股票构成样本，具有较低的波动性和较高的分红收益率，是稳健投资者喜爱的标的。

本策略主要通过筛选中证红利指数中的股票，重点考虑股息率（Dividend Yield）和净资产收益率（Return on Equity，ROE）两个因子。股息率是衡量股票分红收益的一项指标，而ROE则反映了企业运用资本的效率。综合考虑这两个因子，可以筛选出既能提供高分红，又具有较好运营能力的股票，进而实现稳健的收益。

回撤控制和夏普率的提升是本策略的两个

问题

多因子选股如何筛选有效因子

回答

参考研报:

1. 多因子系列之一：华泰多因子模型体系初探-华泰证券-20160921
2. 多因子系列之二：华泰单因子测试之估值类因子-华泰证券-20160929

因子分析参考：

1. [因子分析](https://bigquant.com/wiki/doc/yinz

备注：本策略含有未开放的数据，故克隆之后无法运行。

{{membership}}

https://bigquant.com/codeshare/b6e80d6b-f5e0-4778-97cf-77fcadb7b488

\

策略逻辑

Stockranker是专为选股量化而设计的机器学习算法，其选股思路是根据训练得到的模型，计算股票池中股票的当日评分，根据评分对股票池中的股票进行排序，排序靠前的股票就是当日选出的股票。

这种选股逻辑意味着不论股票的评分是多少，只要排序靠前就能被选中。实际上排序靠前股票的评分有不小差距。而评分反应的是股票的投资价值，评分高表明该股票的投资价值高，评分低表明该股票的投资价值低。因此排序算法仅能反应当天的相对投资价值，也就是矬子里面拔将军，不能反映股票的绝对投资价值。

而评分则不一样，他反应的是股票的绝对投资价值，也就是把股票的投资价值量化了。 本策略的逻辑就是根据评分来选股。

https://bigquant.com/experimentshare/c2cf252d64b7408a8071f4d78f52a5ea

\

旧版声明

本文为旧版实现，仅供学习参考。

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

预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

[ht

TALIB指标选股策略的交易规则

买入条件：满足

1. 今日开盘价大于昨日收盘价；
2. 5日收盘价均线大于10日收盘价均线的股票按PE升序排名取前十名,次日以开盘价买入； 买入后，如果5日收盘价均线小于10日收盘价均线，则次日以开盘价卖出。

策略流程

1. 股票过滤：剔除ST、停牌股、北交所
2. 筛选条件：上市天数大于270，收盘价小于30
3. 信号设定：对符合买入条件（今日开盘价大于昨日收盘价；5日收盘价均线大于10日收盘价均线的股票）的股票设定买入信号，对5日收盘价均线小于10日收盘价均线的股票设定卖出信号，并按照总市值升序排列
4. 交易设定：开盘买入，开

摘要

个股的日内交易特征是当日交易关键要素的概况。通过多维度刻画一段时间内高开低收以外的日内交易细节信息，使得低频交易成为可能。

利用个股分钟级别的量价数据构造月频因子，我们更为推荐两步算法：首先刻画个股日内交易特征，再统计当月的日内交易特征。其更能突出体现个股日内交易细节信息，且与传统因子相关性较低。

日内交易特征可分为交易情绪、参与者结构和博弈状态三大类。我们分别对三大类因子特征进行举例说明，并对各因子进行有效性检验。多空有效的因子包括：日内BETA、最高级出现时间、收盘成交量占比、成交量变异数比率、量价非平稳时间序列相关性等。月度IC绝对值在3%-4%之间。

在组合构建端我

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

量化投资与多因子选股

量化投资的本质是借用计算机将传统投资的逻辑定量化，并具有纪律性、程序化等优势。量化投资主要分为两个大方向，选股以及择时，分别决定了买卖的标的与时点，而量化选股则又包括了多因子选股、行业轮动、事件驱动等策略。量化策略的前提假设是历史会重复，而多因子选股则提炼出那些能够长期具备择股能力的因素，并加以整合。 多因子模型从历史数据分析，挑选出能够长期有效甄别出未来高收益股票的因子，并构建模型。在多因子选股时，股票的规模、估值、盈利水平、成长能力、过去的市场表现等等都将体现在量化模型中进行综合的判断。在不同的市场环境中，模型中的因子会有不同的表现，但整体提供

摘要

基于业绩公告相关文本的SUE.txt因子可以刻画PEAD效应

盈余后价格漂移效应（PEAD）是指股价在盈余公告发布后有较大概率向业绩高于或低于预期的方向漂移。传统SUE因子基于公告财务数据来衡量PEAD效应并预测股票的异常收益，而本文尝试从纯文本的角度出发构建文本SUE.txt因子，对文本进行解构从而挖掘alpha信息。基于业绩预告与相关研报文本的数据实证表明，SUE.txt因子具有较强的选股能力，机器学习模型对文本的拆分和解构与直观逻辑相符，模型可信度较高。最后使用华泰金工因子库对SUE.txt基础池进行增强，20130104-20211231回测期年化收益43.47

导语

大部分初学AI-量化的同学做选股策略的做法都是简单粗暴将全市场的股票数据都放入模型训练， 然后企图训练出一个万能模型-图灵机， 寄希望于仅仅只通过暴力的数据挖掘，或者某些因子，就可以打造出一个适应于 任何行情的选股模型--圣杯。

但遗憾的是，A股市场中的数据噪音是很大的，不同的市场环境，不同的因子的选股效

摘要

引入生命周期捕捉定价逻辑的差异

不同股票的定价逻辑差异较大，为此，可以尝试在不同的股票池中使用不同的逻辑。本文引入生命周期这一概念，基于企业生命周期理论对股票进行划分，讨论不同生命周期内的企业的特征，并最终应用于选股策略。

依据现金流规律划分企业生命周期，成熟期盈利高，成长期业绩增速快

主要参考现金流符号法对企业生命周期进行定量划分，根据融资现金流净额、经营现金流净额和投资现金流净额的正负号将企业划分到初创期、成长期、成熟期、动荡期和衰退期。其中，成熟期企业盈利能力最强；成长期企业业绩增速最快，估值最高，受到分析师关注度也最高；而衰退期企业几乎在每一项都位居

目前市场上的指数增强产品主要包括300指增、500指增、1000指增，以及全市场选股的“空气指增”。下半年以来，中证1000指增更是一度成为备受市场追捧的“香饽饽”，头部量化私募机构纷纷入场布局。

量化选股策略主要利用量化模型在全股票市场内进行选股和配置，其选股范围并不拘束于某一指数，投资组合也不针对任何指数进行行业类别、市值范围的跟踪。

因此，量化选股策略亦有“空气指增”之称。此策略通常对标主观选股策略，但其持仓股票的数量要远大于主观选股策略，一般可以达到数百只以上（甚至上千只）。指数增强是在量化多头基础上做指数风格的约束，由于不对标单一宽基指数，与传统的指数增强相比，“空气指增”也是更

AI只是工具，想要驾驭AI还得自身有点功底，不然反而会被工具所害，甚至从信仰AI变为抵制AI。本文简单介绍开发AI量化选股策略中所遇到的各种坑，希望大家有所收获，少走弯路。

本文主要从思想和实操两个层面分享下我在开发AI量化选股策略中所遇到的各种坑，也希望各位小伙伴能够进行补充。

策略思想逻辑层面

1. 训练集和测试集不能有所重合 机器学习的基本思路就是在训练集上发现pattern，训练出模型，然后对样本外的预测集数据进行预测。这好比老师平时布置的作业就是训练集，学生们通过平时的作业学习到知识，然后期末老师通过期末试卷来检验学生的学习掌握情况，如果期末试卷和平时作业