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

导语

很多朋友都在尝试使用平台的分钟数据，下面介绍一下分钟数据的读取与分时策略的构建。

分钟数据的读取

• 股票分钟数据，以000001.SZA为例：

df1 = DataSource('bar1m_000001.SZA').\
            read(start_date='2015-01-01',end_date='2015-05-01').set_index('date')

82nd Meetup 直播答疑， 11月21日 19:00 B站直播解答

问题1:在已有策略中筛选：只要20日内出现过涨停的股，请问怎样能最简单用最少的代码来构建？

回答：预计算因子表中,price_limit_status字段表示收盘时刻的涨停状态；往前取20日, 进行滚动求和m_sum(p, 20)>=3; 选出求和结果大于等于3的票.

       [选择历史涨停票进行交易](https://bigquant.com/codesharev3/88e21207-a3b1-46b7-9f18-0d93f411b0d1)\n\n**问题2：请老师仔细讲解一下“

一、策略概述

1.1 背景介绍

行业轮动策略是一种量化交易策略，旨在通过在不同行业之间进行资金分配，捕捉市场趋势和行业表现的周期性变化。 从名字即可看出，经济周期导致任何市场状态下可能都会存在股市价格表现较好的行业，因此我们如果能布局这些行业并定期轮动调整，那会取得还不错的投资效果。与单纯持有某个行业或个股相比，行业轮动策略通过分散投资风险，提高了组合的抗风险能力，并且能够在不同的市场环境中寻找最佳的投资机会。

1.2 研究目的

本策略是曾经在社区里的一个策略复现而来，策略链接为：<https://bigquant.com/wiki/doc/v10-uKB4qr0I

MeetUP直播答疑 时间：3月28日（周四）19:00 直播地址：B站（https://live.bilibili.com/21929948）

以下问题解答，对应源码请访问子目录， 本次MeetUP 直播答疑大纲如下：

\

一、因子分析中的行业因素

1. 如何构造板块因子或行业因子？
2. 行业间涨跌的相关性，对于行业的划分颗粒度和行业

旧版声明

本文为旧版实现，仅供学习参考。

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

以双均线策略为例，采用新的DataSource接口实现基金数据的读取及策略回测

[https://bigquant.com/experimentshare/ac13b3c580cd4f06ad2cce26dd718ecc](https://bigquant.com/experimentshare/ac13b3c580cd4f06ad2cce2

摘要

正文

/wiki/static/upload/c8/c889ea29-9c9e-4610-883a-d095ba76fca9.pdf

\

摘要

中国商品期货市场近30年来取得历史性突破和跨越式发展。近年来，伴随股票市场多因子选股策略的风靡，越来越多的期货界投资人士，在尝试使用多因子框架构建商品市场的CTA策略。这类策略的核心是找到各类可以影响商品市场价格涨跌的公共因子，如资产动量、波动率、宏观基本面等，构建统一框架来评估资产价格上涨、下跌的潜力，进而构建商品市场的组合投资策略，多因子策略是近年来CTA策略的一个重要分支。本文主要尝试对多因子CTA策略构建中一些常用的因子进行测评，并试图构建一个基本的多因子CTA策略，以深入洞察该类策略的运作，供投资者参考

测试的因子包括技术面因子以及宏观基本面两类因子。技术面因子采用横

摘要

策略回测效果如何评估？ 量化实践中的过拟合问题一直饱受诟病，我们尝试梳理学术前沿对该领域的思考。在最新的学术文献中，不少学者已经开始反思学术界各类α因子是否只是数据挖掘的产物，一些文章开始提出一个更加严格规范的α因子挖掘框架。我们选取了一篇颇具代表性的论文，借鉴其中关于克服回测过拟合问题的一些技术方法。日常量化实践中研究人员会进行大量实验并选取其中最好的一种进行效果展示，这个过程会带来较大的过拟合问题，本文提出了一种考虑测试次数的策略效果评价调整方法。

正文

[/wiki/static/upload/d8/d83e2de1-71dc-4f14-afc3-a040f4

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

\

https://bigquant.com/experimentshare/fd3d5958d8d840e3b8897aaa971443d1

\

摘要

基于CSCV框架计算三组量化研究案例的回测过拟合概率

本文基于组合对称交叉验证（CSCV）框架，以三组量化研究为案例展示回测过拟合概率（PBO）的计算流程，发现两组多因子选股模型的PBO较低，择时模型的PBO较高。案例1为7种机器学习模型的多因子选股策略，指数增强组合PBO大多在15%~50%，“XGBoost表现最佳”的结论大概率不是回测过拟合。案例2为6种交叉验证方法的多因子选股策略，多空组合PBO在20%~50%，“分组时序交叉验证表现最佳”的结论大概率不是回测过拟合。案例3为双均线50ETF择时策略，PBO在50%~90%，“参数组合[11,30]和\

想到哪里写哪里，最近总结，把思路捋直了再说。 2017年开始接触策略下半年开始了解bigquant。之前在JD。。。。后来。。。。 2017下半年到2018年上半年策略从A策略开始接触，B从A升级过来， B到C策略建立，经过上千次的回测和修改，18年下半年放下休息，等结果。 这期间A建立之后做了几十次更改到C回测估计有上千次了。形成了ABC策略组合，每一个组是十几个A-copy1组成的。我没有跟上网站的升级，我宁愿升级慢点。从旧策略慢慢移植到新的框架去。至少bug更少点吧？心里作用。

总结一下策略误区吧。 如果这个策略以后会实盘，那就这样说起： 1 定义市场容量=多少资金投入，这个和策略框架

之所以需要查看中间变量的数值是因为我们有时在编写策略、策略调试中需要检查中间变量的数值是否正确，具体方法见下：

https://bigquant.com/experimentshare/318dd5e24d3a4578b858f4a1226aca3b

\

作者：bigquant
阅读时间：5分钟
本文由BigQuant宽客学院推出，难度标签：☆☆☆

导语

本文目的是介绍如何使用bigexpr表达式对WorldQuant公开的101个alpha进行因子构建，并进行因子测试。

一、背景介绍

根据WorldQuant发表的论文《101 Formulaic Alphas 》 669 ，其中公式化地给出了101个alpha因子。与传统方法不一样的是，他们根据数据挖掘的方法构建了101个alpha，据说里面80

导语：当我们策略回测完成时，系统会输出包含各种指标的收益曲线图，但可能因我们对这些指标的释义和内容不太熟悉，导致无法准群判断策略好坏，本文从回测各指标概念入手，希望可以帮助大家更好地理解策略回测结果。

当我们完成一个策略回测时，会得到如下图形，包含 收益概况 、 交易详情 、 每日持仓和收益 、 输出日志 。接下来，我们详细介绍这几个部分。

一、收益概况

收益概况以曲线图的方式显示了策略在时间序列上的收益率。红色曲线为 **