导语

2020年我们开展了近半年的Meetup，共11场Meetup活动，90个问题，7场专题，持续地为大家服务和提供新鲜的灵感。2021年，Me

导语

BigQuant宽客学院伴随着平台的更新，学习和探讨的内容也日益增加。大家对机器学习、深度学习的策略研究越来越深入，新的想法也层出不穷，为了满足大家对探索的渴望，因此我们准备了定期的“BigQuant AI量化专家MeetUp”，本周四正式启动了！BigQuant学院院长、AI量化专家现身BigQuant B站直播间，在线交流、答疑，解决您在AI量化和BigQuant遇到的所有问题！

Meetup内容

以导师答疑为主，解决大家在日常开发中遇到的问题：

1. 策略开发新思路探讨
2. 策略开发中遇到的疑惑
3. BigQuant平台使用

**Meet

请参考新版的大盘择时

机器学习+择时+跟踪止损+技术分析

策略案例

https://bigquant.com/experimentshare/a5ed3eddf32f4e4dad4811a1acc257f0

\

人工智能，深度学习，机器学习……不管你在从事什么工作，都需要了解这些概念。否则的话，三年之内你就会变成一只恐龙。 —— 马克·库班

库班的这句话，乍听起来有些偏激，但是“话糙理不糙”，我们现在正处于一场由大数据和超算引发的改革洪流之中。

首先，我们设想一下，如果一个人生活在20世纪早期却不知电为何物，是怎样一种体验。在过去的岁月里，他已经习惯于用特定的方法来解决相应的问题，霎时间周围所有的事物都发生了剧变。以前需要耗费大量人力物力的工作，现在只需要一个人和电就能完成了。

而在现在的背景下，机器学习、深度学习就是新的“电力”。

所以呢，如果你还不了解深度学习有多么强大，不妨就从这篇文章开

策略案例

https://bigquant.com/experimentshare/5cfd9186208047518a995e4394ba1099

\

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

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

[https://bigquant.com/experimentshare/e1779fa4ec184a1fb209ebff7c588b8d](https://bigquant.com/experimentshare/e1779fa4ec184a1fb209ebff7

旧版声明

本文为旧版实现，仅供学习参考。

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

\

策略案例

https://bigquant.com/experimentshare/421fbaa682a04d6bacf4d2f1f47b54c6

\

旧版声明

本文为旧版实现，仅供学习参考。

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

\

策略案例

https://bigquant.com/experimentshare/723e10568f294571924b89f3953ce20b

\

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

1. 前馈神经网络（DNN）

一般来说，深度学习和神经网络是同一个概念

1.1 感知机（Perceptron）

在之前的分享中，我们介绍过一个线性分类器，叫做感知机（Perceptron），并且介绍过它是神经网络的基本单元

感知机的运算公式是：

• 假设我们有F个特征，每个特征一个参数，特征X这个时候也可以叫做输入
• 我们先给特征和参数来一个线性组合：Z = theta0 + theta1 X1 + theta2 X2 + …… + thetaF XF
• 之后把线性组合套在一个激活函数中，Y = f(Z)，最终的结果Y我们叫做输出，输出其实并不局限于二分类，多分类和回归

首先解释一下标题： CNN：卷积神经网络（Convolutional Neural Network）, 在图像处理方面有出色表现，不是被川普怒怼的那个新闻网站； 股票涨跌：大家都懂的，呵呵； 股票图片：既然使用CNN，那么如果输入数据是股票某个周期的K线图片就太好了。当然，本文中使用的图片并不是在看盘软件上一张一张截下来的，而是利用OHLC数据“画”出来的； 尝试：这个词委婉一点说就是“一个很好的想法^_^"，比较直白的说法是“没啥效果T_T”。

进入正题： 首先是画出图片。本文目前是仿照柱线图画的。 ![{w:100}](/wi

摘要

量化择时交易策略

深度学习量化交易策略是从海量历史数据中利用统计原理通过数据挖掘和逻辑验证的方式发掘出超额收益来源。相比于传统的线性模型，深度学习模型的表示能力更强，能够学习的特征更多。本文以卷积神经网络为例，介绍深度学习模型在量化择时模型中的应用。

卷积神经网络感受野更宽，非线性表达能力更强，在收益率分类的场景下表现突出

卷积神经网络是一种常用的机器学习模型，相比于传统的全连接神经网络，卷积神经网络通过卷积层和池化层的结构,使得输出的感受野更宽，同时卷积核的权值是共享的，从而有效减少参数数量,卷积神经网络通过卷积层、池化层、全连接层不同块的组合结构设计，使

Generative Adversarial Networks for Financial Trading Strategies Fine-tuning and Combination

作者：Adriano Koshiyama, et al.

出处：Quantitative Finance, 2020-09-01

摘要

系统交易策略是分配资产以优化特定绩效的算法程序。为了在竞争激烈的环境中获得优势，分析师需要适当地微调策略，或者发掘如何通过创造新的alpha以组合弱信号。已经有多种方法对微调和组合这两个方面进行了广泛研究，但是新兴技术，例如生成对抗网络，也会对这些方面产生

BigQuant AI Platform deep learning models（BigQuant AI量化平台深度学习模型库）。

介绍

bigmodels是什么？

bigmodels是BigQuant AI量化平台的深度学习模型库，集成了AI量化研究过程中常用的深度学习模型。

为什么需要bigmodels？

我们用PyTorch封装了AI量化研究中常用的深度学习模型，包含DNN、1DCNN、LSTM和Transformer等，并持续更新。

平台用户可以用简单的方式调用经过大量实践检验的AI能力，赋能AI量化投资。

import toch
impo

问题

AI量化策略中如何选择合适的因子

视频

https://www.bilibili.com/video/BV1J24y1f7mJ/?spm_id_from=333.999.0.0

PPT

{{membership}}

[/wiki/static/upload/42/4267409e-a9f4-42db-bb79-1321ba5e4c59.pdf](/wiki/static/upload/42/4267409e-a9f4

我目前主要的主要成果，做了一个基于行情数据的深度学习模型--准确来说是一个打分函数，用于评估股票。 https://www.joinquant.com/view/community/detail/db6e30a324426431b7169d774c8f7dec 基于上述模型我在大宽做了一个模拟位 https://bigquant.com/live/shared/strategy?id=108035

此外我还有一个，宏观模型，用于分析利差水平 <https://www.joinquant.com/view/community/detail/7a0bcd6891a4a2dc6416914

用ChatGPT生成的ChatGPT教程

模型板块包含了AI算法模型，多因子模型等一些研究内容。

1 本着价值投资的观点，通过深度学习模型对企业下季营业收入，净利润等财报进行预测，有利于投资者做出正确决定。同时对于普通投资者来说，可操作性较强。 2：模型为预测60个交易日（即3个月后）的营业收入同比增长率（fs_operating_revenue_yoy处理时数据做了小数和非线性处理） 3：结果：模型训练误差为2.8% ，验证误差为2.8% ，测试误差为9.8% 4:因本人能力有限，又非专业程序猿，加上对金融代码不熟，没办法做成策略（期待与平台和作，提供下季营业收入，净利润等财报预测值服务） 5：最后的图为真实值（做了小数和非线性处理）与预测值关系，从图可以看出预测值波动越

策略案例

https://bigquant.com/experimentshare/9426627188af4f488644532c01328c14

\

策略案例

https://bigquant.com/experimentshare/2d9488a9b36342898a1431052bc78d08

\

本集合里将分享平台开发者们对DeepAlpha系列的实践研究报告

\

\