8月19日Meetup问题模板：

https://bigquant.com/experimentshare/f58dbfb388454407b8a2b99eb14cf1ea

\

策略介绍

本策略使用StockRanker算法，通过在多个因子/特征的数据上训练，旨在从大量股票中识别并排序那些未来表现可能最优异的股票。

策略流程

1. 特征选择：输入对股票价格有显著影响的多维度因子，可以是包括基本面、技术指标、情绪指标等等
2. 预测目标：预测未来 5 日收益率
3. 数据抽取和处理：抽取和处理数据
4. 模型训练：应用StockRanker算法，训练模型来预测股票未来上涨概率。StockRanker返回一个相对分数(score)，分数越大，预测未来涨幅越大。注意此 score 绝对值没有意义。
5. 仓位分配：买入 score 靠前的股票，越靠前，仓

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

\

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

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

用ChatGPT生成的ChatGPT教程

策略案例

https://bigquant.com/experimentshare/6ac00fc386f74acb886b8168d7809b98

\

策略案例

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

\

摘要

公众号遴选了各大期刊前沿论文，按照理解和提炼的方式为读者呈现每篇论文最精华的部分。QIML希望大家能够读到可以成长的量化文章，愿与你共同进步！

本期遴选论文 标题：FactorVAE: A Probabilistic Dynamic Factor Model Based on Variational Autoencoder for Predicting Cross-sectional Stock Returns

摘要

机器学习问题和其流程

机器学习问题本质上在于找出使得经验风险泛函（样本误差）最小的建模流程，基本的流程可以分为特征工程、模型训练和模型融合。本篇就上述三个过程，给出相关算法的介绍，并补充了之前系列报告中未详细介绍的内

机器学习三大步骤

特征工程包含特征构建、特征提取和特征选择三个过程，以选择相对最优的特征空间。特征工程往往会采用无监督和有监督的机器学习算法。机器学习模型可以分为线性模型、树模型和深度学习模型。线性模型主要体现了数据中的线性关系，如输入与输出的线性关系，点集的线性可分；树模型可以很好的捕捉输入与输出的非线性关系，和线性模型相辅相成。一些改进的随

作者：donkyxote

策略思想

基于17个短期因子，其中8个量价因子，9个均线因子。训练集使用2005-01-04至2020-06-01日，每个交易日买入模型当日预测结果排名靠前的1只A股股票，次日卖出。

StockRanker模型

原有模型是基于BQ提供的Stockranker机器学习算法：

![图 1：stockranker-2021年1月4日至2022年1月21日的模拟实盘结果{w:100}{w:100}](/wiki/api/attachments.redirect?id=bb5b3d09-3e20-4840-b5e0-2220d7f55

https://bigquant.com/experimentshare/5f74d02dff0e45d595f7494edb417019

\

本例使用GBDT算法进行模型训练和数据预测

1. 新建可视化AI模板策略
2. 在左侧模块导航栏“机器学习”中拖出“GBDT训练”和“GBDT预测”模块替换原有的 StockRanker 训练模块和 StockRanker 预测模块

本例设置“GBDT训练”中的参数：

损失函数类型：'reg:linear',

评价指标:'rmse',

模型:'gbtree'

[https://bigquant.com/experimentshare/08e84d706db74d5ba490658f1b92628b](https://bigquant.com/experimentshare/08e8

test h1

test h2

test h3

test h1

\

2021世界人工智能大会于2021年7月8日至10日在上海世博中心和上海世博展览馆同时举行。会中幻方量化合伙人徐进探讨了如何使用量化模型和深度学习在股市中赚钱的路径。

徐进提到,与传统股票定价不同,量化通过输入获取的信息,包括行情数据、上市公司财务数据,还有另类数据,比如新闻舆情、产业链等,进行模型训练,利用深度学习对股票进行定价。

在徐进看来,在这个过程中,需要处理很多关键细节,细节是魔鬼!以时间序列预测模型为例,包括数据清洗、规划处理、防止过拟合、 避免未来函数等,大量的细节决定了量化能否赚钱,并不是简简单单就能成功的。“只要你对市场、数据充分了解之后,才能得出比较好的赚很多钱的结果。

一、基于时间嵌入的方法

原文链接：https://towardsdatascience.com/stock-predictions-with-state-of-the-art-transformer-and-time-embeddings-3a4485237de6

当前应用于NLP领域的Transformer，结构过于庞大，并不适用于股票数据（开盘价，收盘价，最高价，最低价，等）这样的时序数据，因此，本文提出一种简化的适用于股票数据的Transformer结构，其根据时间嵌入的思想构建，能很好的应用于量化选股中。下面以一个例子来介绍用于股票数据的Transformer体系结构，以及

2020 年 9 月 26 日，在由中国科协主办，清华大学计算机科学与技术系、AI TIME 论道承办的《2020 中国科技峰会系列活动青年科学家沙龙——人工智能学术生态与产业创新》上，微众银行人工智能部门资深研究员刘洋博士进行了题为《联邦学习在金融领域的应用》的主题报告，介绍了联邦学习的相关理论，并以微众银行的一系列应用为主，介绍了联邦学习的产业落地现状。

作为中国首家互联网银行，微众银行成立至今