StockRanker算法
"StockRanker算法" 是一种先进的金融技术工具，其核心在于通过高级数据分析和机器学习技术对股票市场进行深度挖掘和预测。该算法的强大之处在于其能从海量数据中提取出有价值的信息，进而为投资者提供有关股票未来可能表现的独特视角。 具体而言，StockRanker算法首先会收集包括历史价格、交易量、公司财报、新闻情绪、社交媒体趋势等多维度的数据。然后，利用机器学习技术，如深度学习、随机森林或支持向量机等，对这些数据进行训练和学习，以识别和理解影响股票价格的各种模式和因素。 此算法不仅能对历史数据进行回溯测试，以验证其预测能力，而且还能实时地应用于市场，为投资者提供即时的股票评级和推荐。通过不断地自我优化和学习，StockRanker算法能够在变化莫测的金融市场中保持其预测能力的前瞻性和准确性。 总的来说，StockRanker算法是一种创新的金融科技工具，它通过结合大数据和机器学习技术，为投资者提供了一种系统化、数据驱动的方法来理解和预测股票市场，从而帮助他们做出更明智的投资决策。
DeepAlpha短周期因子系列研究之：StockRanker在量化选股中的应用
引言
在BigQuant平台(www.bigquant.com)上线的第一天，我们从互联网搜索引擎领域借鉴了PageRank算法引入到金融市场，提出了StockRanker算法，5年时间悄然过去，时间证明了StockRanker算法在金融量化选股领域的有效性。 今天，我们对DeepAlpha-StockRanker进行简单介绍。
什么是DeepAlpha
Alpha在金融市场有特定含义，表示跑赢市场的超越收益，Deep借用深度学习（Deep Learning）“深度”一词，因此DeepAlpha指通过人工智能深度学习的
更新时间：2023-06-07 08:37
Stockranker策略的2021收益逆势
\
更新时间：2023-05-17 08:45
StockRanker机器学习中的疑问
1、模型选出来的股票依据从何而来呢，是通过特征的重要性排序在股票池中选股吗，若是请介绍下怎么选这个实现步骤或逻辑呢。
2、
这里每个交易日都会预测得到过滤的数据，当所持有的股没到hold_day天时那每个交易日预测得到的数据是不是没意义，
stock_count 这
更新时间：2023-03-02 07:59
LSTM Networks应用于股票市场探究
摘要
BigQuant平台上的StockRanker算法在选股方面有不俗的表现，模型在15、16年的回测收益率也很高(使用默认因子收益率就达到170%左右)。然而，StockRanker在股灾时期回撤很大(使用默认因子回撤55%)，因此需要择时模型，控制StockRanker在大盘走势不好时的仓位。 LSTM(长短期记忆神经网络)是一种善于处理和预测时间序列相关数据的RNN。
更新时间：2022-11-12 07:19
基于Stockranker的超跌反弹策略
策略思路逻辑
上一篇 在华泰的研报中，我们知道了
四类因子（流入类因子、流出类因子、主力净流入类因子、开盘主力净流入类因子）在选股上存在一定的实用性。
研报链接：华泰单因子测试之资金流向因子
\
因子灵感来源
基于Stockranker的超跌反弹策略
这次我们--从研报中获取到了灵感，
结合一些收益率和量价因子，来进一步合成我们的资金流因子，
制作反转策略。
![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:1
更新时间：2022-11-03 08:33
20220623-StockRanker多因子选股策略
20220623-StockRanker多因子选股策
更新时间：2022-06-29 01:14
关于模型训练的一点简单想法：以DNN和StockRanker对比为例
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
更新时间：2022-06-22 14:58
关于模型训练的一点简单想法：以DNN和StockRanker对比为例
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}{w:100}{w:100}](/wiki/api/attachments.redirect?id=bb5b3d09-3e20-4840-b5e0-2220d7f5599
更新时间：2022-06-22 05:47
Stockranker算法调参比较
StockRanker算法的核心是排序学习和梯度提升树，本文以0.1和0.2作为“学习率”参数的输入值进行测试。
首先，我们以StockRanker的默认参数0.1作为“学习率”的输入值进行模型训练，得到以下的训练结果：
1.特征重要性：又称为特征权重，是StockRanker模型基于各个特征对模型贡献度的一个数量型评估指标，值越大表示越重要。从下图可以看出，在“学习率=0.1”的情况下，rank_return_0最为重要，其值为133.266；其次为rank_return_5（110.354）；最差的为avg_amount_0/avg_amount_5，其值为1.608。
![{w
更新时间：2022-03-23 11:29
StockRanker实盘交易的那些事儿
作为平台的铁杆用户，本文主要分享下使用StockRanker模型来实盘交易的一些经验。
在机器学习领域，预测的结果依赖于：数据、算法和特征，因此真正好的策略一定是特征选择和特征构建非常好。
平台的StockRanker模型策略生成器只是搭建了一个策略框架，输入不同的特征就可以看到不同的策略效果。去年的时候，我构造出了大约10个特征进行回测，从12年到16年底，平均年化收益达到了76%，因此就打算先用一部分小资金实盘，进一步验证特征的有效性。
因为政策原因，目前国内股票实盘交易接口并没有开放，因此量化平台都不会说自己平台上可以实盘交易，免得监管部门叫去喝茶。于是只有手动下单，好在股票持仓时
更新时间：2021-08-24 05:46
StockRanker排序
更新时间：2021-07-30 07:26