摘要

高频交易在美国证券市场中的角色

如果把正在正常交易、买卖力量均衡的市场比喻成一个平静的水面，此时，某个基本面交易员下了一个数量较大的订单，这好比往水中投入了一块石头。那么，不论是订单自身的价格推动力，还是其他投资者做出的反应，都会使市场产生一系列波动，一如水面泛起的层层涟漪。而高频交易则藏匿于其中，于市场的起伏之中寻找获利的机会。

在美国，上市和交易业务是完全分离的

所有的上市证券均可以在任何一家交易所交易。对高频交易商而言，这种碎片化的交易模式提供了很大的获利机会。试想，同一个证券很有可能因为市场流动性或是参与者结构的差异，甚至只是信息传递存在时滞，在不同

更新

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/10-WptofJfpcQ

20210624 Meetup策略模板

[https://bigquant.com/experimentshare/fe5b36317a3a4149862680619c10f5ad](https://bigquant.com/experimentshare/fe5b36317a3a4149862680619c10f5ad

https://bigquant.com/experimentshare/7a254684e512467fa085ba1d5bbf5ad3

\

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

\

策略案例

[https://bigquant.com/experimentshare/42bf93884b1246ad83c2874f06765732](https://bigquant.com/experimentshare/42bf93884b12

策略案例

https://bigquant.com/experimentshare/3f0d164525984abca02f3e0f58155a00

\

https://bigquant.com/experimentshare/d50ee96c36f84af6ad990409294db4cb

\

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

更新

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/st-4e44uAfQ1i

\

ST摘帽事件逻辑

被实施ST的股票往往存在较为严重的财务问题或其他异常状况，股票风险较大；但是，当上市公司上述异常状况消除后，公司应当在董事会审议通过年度报告后及时向交易所报告并披露年度报告，同时可以申请撤销对其股票实施的退市风险警示，即“摘帽”。ST股票摘帽是一个利好事件，我们试图在其中挖掘超额收益。由于上市公司

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，相关策略请参考以下链接：

https://bigquant.com/wiki/doc/124-exuI9VGX1a

https://bigquant.com/wiki/doc/5z66yer5ym5z2h57q562w55wl-F6yoWKprOq

本策略主要分享如何以指定

更新

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/5z65lqo5y2p5pw055qe6ywn5a55lqk5pit-6x1P1362eJ

策略案例

[https://bigquant.com/experimentshare/6b05d7bd134e420387acfa25c37b283f](https://bigquant.co

前言

我们常用量化投资的方式预测未来可以交易的个股，从而获取最大收益。但能不能反其道而行之，通过量化的形式诊断个股：判断是否可以买入？仓位如何设置最合理？

对于资深投资者来说，可以根据历史交易经验，结合该股的特性及大盘环境，判断在这类情况下股票的胜率及收益如何，以此作为买入决策。

但有个更简单、快速的方法，可以借助量化快速找出股票在大盘环境下历史的收益率和胜率情况，作为买入决策。

本次分享将介绍如何用量化的方式诊断个股，并依据量化分析结果作为买入决策和制定交易计划。

正文

[/wiki/static/upload/9d/9d17fabf-6f78-4e80-8da0-5

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

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

BigQuant策略模板库旨在帮助用户快速开始并优化他们的量化投资策略。无论您是初学者还是经验丰富的投资者，我们的策略模板都能提供从简单到复杂的多种投资策略选择。这些模板涵盖了基础策略、中级策略和高级策略。

• 基础策略模板：适用于刚开始接触量化投资的用户，例如简单的移动平均线交易策略。
• 中级策略模板：适用于具有一定经验的用户，包括多因子模型和基于事件的交易策略。
• 高级策略模板：针对高级用户设计，使用复杂的机器学习算法和高频交易技术。

模版使用

• 克隆模版策略
• 进入 [AIStudio 3.0](https://bigquant.com/aistud

指标介绍

梅斯线（Mass）：

所需数据和参数：Mass(high,low,smoothlength,summationlength,malength )

指标伪码：

MASSVAR0:=EMA(HIGH-LOW,SMOOTHLENGTH);

MASSVAR1:=EMA(MASSVAR0,SMOOTHLENGTH);

MASSVAR2:=IF(MASSVAR1>0,MASSVAR0/MASSVAR1,0);

MASSVAL:SUM(MASSVAR2,SUMMATIONLENGTH);

指标含义

[/wiki/static/upload/b4/b4d2ac13-d4

指标介绍

心理线（Psychological line）：简称Psy

所需数据和参数：Psy(close,nDay,threshold1, threshold2 )

指标伪码：

PSY:COUNT(CLOSE>REF(CLOSE,1),NDAY)/NDAY*100;

指标含义

/wiki/static/upload/c3/c3c6e415-2abe-4c54-885f-a338fffb2e73.pdf

\

指标介绍

顺势指标（Commodity Channel Index）：简称CCI

所需数据和参数：CCI(high,low,close,tp_per,md_per,const )

指标伪码：

TYP:=(HIGH+LOW+CLOSE)/3;

CCI:(TYP-MA(TYP,tp_per))/(const*AVEDEV(TYP,md_per));

指标含义

[/wiki/static/upload/66/66738cbe-f3d6-4cfe-b4da-2219d83947a3.pdf](/wiki/static/upload/66/66738cbe-f3d6-4cfe

摘要

前情回顾：传统上，研究人员需要以劳动密集型的方法去研究因子，因子组合和规则组合。这样的方法是低效的，非常像工业化之前的手工作坊。

本方法针对现有技术存在的不足，依靠当今强大的计算力，提供一种能满足用户预期收益风险需求的、高效的自动批量产生交易策略的方法。

去伪存真：自动产生出来的策略并不能直接用，而是需要策略研究员的进一步筛选。我们给策略研究员提供了一系列能够避免未来函数、过度拟合和贴合实际交易环境的方法

具体实践：

避免未来函数——推进分析+模拟盘

过拟合——参数敏感性分析+主观归因

策略周期——最大回撤失效+预测值和实际值IC判别法

作者：woshisilvo

导语

在以往的分享中，很多朋友们问到如何设置大盘风控？在之前的分享中，我们讲过可以采用指数的涨跌幅以及Macd指标作为大盘风控的思路，通过特征列表 构造指数特征macd表达式，再通过指数特征抽取来进行风控的设置。

bm_0=where(ta_macd_dif(close,2,4,4)-ta_macd_dea(close,2,4,4)<0,1,0)

本次我们对该思路进行改造，从以下三个方面进行优化：

• 构造指数的MAAMT指标作为指数风控的指标
• 用指数的成交量（3.5日ma线死叉）作为风控依据
• LSTM神经网络模型

今天与大家探讨高频策略的回测框架。高频策略的研发，有两个显著的特点： 一是数据量大，与日频相比，分钟频率就是百倍的数据量， 到秒级别更达到上千倍的差异。 二是对交易细节敏感，回测系统要尽可能去模拟真实交易的情形，甚至要比真实交易更严格，这样研发出来的高频策略才有实盘的价值。所以高频策略要考虑的细节很多，决策时间点，成交价，手续费，流动性等。细节考虑的不到位，策略回测和实盘交易就会差异很大，降低策略研发的价值和效率。 如何在大数据量前提下，尽可能的将细节考虑到位，就是高频策略回测系统的挑战，也就是严谨和高效的权衡。

下面和大家一起构建一个秒级别的策略回测框架。 一般来说，回测框架会包含以下几个

python究竟怎么可以获取level2行情呢？比如百度、新浪、搜狐、CSDN等都有教程还有说明，同时还有提供一些常见的股票L2接口，包括许多模拟股票交易系统也提供了数据，但这些获取股票数据的方法并不像通过python那样方便。那么，如何通过python实现股票L2接口呢？

以下有两种情况说明：

（1）你有自己的证券商及客服专员；

在这种情况下，个人直接打电话给交易账户的证券期货供应商客户服务专员，获取CTP数据接口信息。CTP是指根据要求，进入期货公司的交易程序必须经过穿戴认证。简单地说，它是在期货公司提供的模拟环境中完成指定

https://bigquant.com/experimentshare/a4e89b23c2de4c56b6534136169d13c1

\

摘要

作者：Taewook Kim, HaYoung Kim

出处：PLOS ONE, 2019-02

预测股票价格在制定交易策略或选择买卖股票的适当时机中起着重要作用。作者提出了融合长短期记忆-卷积神经网络（LSTM-CNN）模型，该模型结合了从相同数据的不同表示形式（即股票时间序列和股票图表图像）中的特征，以预测股票价格。所提出的模型由LSTM和CNN组成，用于提取时间特征和图像特征。作者使用SPDR S＆P 500 ETF数据来衡量所提出模型相对于单个模型（CNN和LSTM）的性能。LSTM-CNN模型在预测股票价格方面优于单个模型。此外，作者发现蜡烛图是用于预测股票价格的最

交易策略揭秘

Renaissance Technologies文艺复兴科技公司交易策略揭秘记录！该短片中详细介绍了文艺复兴科技公司多年来如何开发各种交易策略，从早期的均值回归到利用内核方法等等。

https://www.bilibili.com/video/BV1ae4y1f7Em

\