股票交易

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将过去20日收盘价（均值+2倍标准差）作为up_limit，（均值-2倍标准差）作为low_limit
• 买入股票：'600519.SH'（贵州茅台）
• 买卖规则：收盘价大于up_limit买入，收盘价小于low_limit卖出
• 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：

![](/wiki/api/attachments.redirect?id=9ed9f90b-c353-4aff-b4bf-

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

回测绩效

\

策略简介

本策略是日内回转交易可转债策略，其实和日内股票交易类似，毕竟可转债和股票非常接近，所以如果大家想测试日内股票交易策略，那么将标的和表名改成股票的即可。读者可能好奇，股票和可转债不能做空，那么怎么做日内回转呢？正是因为我提前设置了底仓，所以预测下跌我就能卖出底仓，然后收盘买回，预测上涨，我能立马多买一份，收盘再卖出，这样能实现收盘始终拥有底仓，只做日内波段。因此，称为日内回转交

策略介绍

该策略是一个典型的事件策略，事件策略和选股策略是有本质上的区别的，事件策略的基本思想是，对于特定的股票，什么时候该买，什么时候该卖，本文介绍了一种基于MACD指标的事件策略

具体来说，MACD包括三个指标：

• MACD（平滑异同移动平均线）：MACD线是短期指数移动平均线（通常是12天EMA）与长期指数移动平均线（通常是26天EMA）之间的差值，反映了短期价格动量相对于长期价格动量的变化
• Signal（信号线）：信号线是MACD线的9天指数移动平均线（9天EMA），用于平滑MACD线的波动，信号线的交叉情况常用于生成买卖信号
• Histogram（差离值）：差离值

MFI资金流向指标

计算方式：

• 典型价格（TP）=当日最高价、最低价与收盘价的算术平均值；货币流量（MF）=典型价格（TP）*当日成交量；
• 如果当日MF＞昨日MF，则将当日的MF值视为正货币流量（PMF），将N日内的正货币流量加总代入公式5；
• 如果当日MF＜昨日MF，则将当日的MF值视为负货币流量（NMF），将N日内的负货币流量加总代入公式5；MFI = 100 -［100/(1＋PMF/NMF)］

\

OBV能量潮

计算方式：

• 从上市第一天起，逐日累计每日上市股票总成交量若当日收盘价高于前一日收盘价，则当日OBV为前OBV加上本

问题

国泰君安alpha191中的count、regbeta、regresi三个函数怎么定义？

视频

https://www.bilibili.com/video/BV1ov4y1Z7Yg?p=2&share_source=copy_web

\

策略源码

# 国泰君安 Count(a, n)，过去5天close_0 > close_1 的天数
conditions = where(close_0

20210624 Meetup策略模板

https://bigquant.com/codesharev2/b67ebb2c-6812-44be-9dd9-0b06b3d3dfe2

\

新版交易引擎

• 标注股票

https://bigquant.com/wiki/doc/label4-e9s0WuillY

• 新版交易引擎写交易策略

https://bigquant.com/wiki/doc/bigtrader-hftrade-3gG2rg4jBd

[https://bigquant.com/wiki/doc/5zue5rwl5byv5

【此文档为旧版】 相关新版文档参考：

https://bigquant.com/wiki/doc/ai-rq8QOC2fDb

策略案例

https://bigquant.com/experimentshare/16571b942a8a4a92a4914c15f65d0883

\

问题

如何利用60分钟K线来合成120分钟K线呢？

视频

https://www.bilibili.com/video/BV1d54y1d7tv/

策略源码

https://bigquant.com/experimentshare/4e081ef44d3246f48551c6eee74f629d

\

问题

我试过用stockrank来标注做空股票和期货，（默认参数，回测做空的代码都写好）标注上加-，如-shift(close,-2)/shift(open,-1)或-shift(open,-1)/shift(open,-2)，随机生成几百甚至上千的策略回测所取得的效果普遍没有做多好，大多数情况甚至连正收益都达不到，而做多好多都轻松取得正收益，是算法的特性还是有其他窍门？

视频

https://www.bilibili.com/video/BV1Ny4y1E7KJ

\

策略源

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

问题

如何将回测模块设置成T+2开盘买入，T+3尾盘卖出（目前我们支持的是T+1买入）

视频

https://www.bilibili.com/video/BV1bT411u71x?share_source=copy_web

策略源码

[https://bigquant.com/experimentshare/157e67091c1b4534b7ea1f0a4255a38b](https://bigquant.com/experi

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

旧版声明

本文为旧版实现，仅供学习参考。

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

2021年7月8日Meetup模板：

[https://bigquant.com/experimentshare/a6bae485ffcc47819510b788ddfad338](https://bigquant.com/experimentshare/a

策略案例

https://bigquant.com/experimentshare/33123b7750b44396ac091be46abfe217

\

策略介绍

本策略基于日频双均线策略基础上，衍生至分钟频。涉及两条移动平均线——一条短期（快速）和一条长期（慢速）——并通过观察这两条线的交叉点来决定买入或卖出的时机。

策略流程

1. 筛选条件：将5日平均收盘价作为短线，40日平均收盘价作为长线；短线上穿长线买入，长线下穿短线卖出。
2. 策略回测：开盘买卖，回测时间为2024-05-20 09:00:00至2024-05-28 15:00:00。

策略实现

输入特征模块

• 将5日均线作为短线，m_avg(close, 5) AS _mean_short；40日均线作为长线，`m_avg(close

一字涨停是指股票在当日开盘后一直处于涨停状态，即股价连续涨停，无法交易。一字涨停策略的目的是在股票出现一字涨停时，尽可能地捕捉到股票的上涨趋势，以获取更高的收益。在平台的预计算因子表中包含一字涨跌停字段line_price_limit，因此，本文将利用该字段对一字涨停策略进行一个简单的实现。

策略流程

1. 过滤ST、停牌、北交所股票
2. 根据line_price_limit字段筛选出一字涨停且成交金额amount>10000的股票
3. 令成交笔数deal_number为score，并按照降序排列，同时设置持仓票数为25，等位持仓
4. 调仓天数为3

提示

需要注意的

策略介绍

本策略主要讲解如何在策略中加入个股风控与大盘风控逻辑。

• 个股风控：个股价格低于某一价格时，但是不影响其他股票的买卖信号，也被称为止盈止损逻辑。
• 大盘风控：大盘上证指数最近表现比较差时，将仓内股票全部清空，当日不再交易。

本策略就是在平台的默认可视化线性模板策略的基础上进行修改的，就是一个简单的小市值策略

• 剔除上市小于1年的新股、剔除ST股票、按照市值排序
• 等权持股30只、持仓5个交易日

策略实现

1. 止盈止损

止盈止损的逻辑，其实就是判断仓内的每一只股票自买入以来的涨跌，这个涨跌如果大于一个临界值，或者小于一个临界值，我们就将它卖出

旧版声明

本文为旧版实现，仅供学习参考。

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

\

导语

本文主要分享一个基于Deep Q Network的对于个股的择时策略

算法简介

DQN与Q-Learning

本文主要使用的是Deep Q Network。DQN是强化学习的一种方法，结合了Q-learning和深度学习神经网络。

Q-learning是用一张表来记录各个状态下的各个行为的q值，它能记录的状态

利用算法进行股票量化交易是当今金融市场的一个重要趋势。在国际象棋和围棋等诸多复杂的游戏中，深度强化学习（DRL）智能体都取得了惊人的成绩。深度强化学习的理论同样适用于股票市场的量化决策。本文介绍了同济大学计算机科学与技术系的上海市大学生创新创业训练计划优秀项目：「基于深度强化学习的金融量化策略研究」，解读了如何训练一个 A 股市场的深度强化学习模型，以及回测的绩效表现。

在该项目中，研究者把股票市场的历史价格走势看作一个复杂的不完全信息环境，而智能体需要在这个环境中最大化回报和最小化风险。相比于其他传统机器学习算法，深度强化学习的优势在于对股票交易任务进行马尔可夫决策过程建模，没有将

https://bigquant.com/live/shared/strategy?id=60243

需要的留下联系方式