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

新版本暂无深度学习可视化模块

导语

在阅读了 深度学习的简要介绍后，本文将介绍深度学习DNN模型及其在量化投资领域中的应用。

深度学习在量化领域的应用

机器学习作为人工智能的核心，其传统算法在解决很多问题上都表现出了高效性。随着近些年数据处理技术上的进步和计算能力的提升，深度学习得以在很多问题上也大放光彩，成为近一段时间互联网、金融等领域的大热门。

在量化投资领域，机器学习尤其是由统计学延伸的各种算法一直以来都被尝试应用在选股、择时等策略的开发上，随着深度学习在其他领域上的突破，其在自动化交易甚至投资策略的自开发自

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

完成了数据处理，接下来就可利用平台集成的各算法进行模型训练和模型预测啦。本文将详细介绍“模型训练”、“模型预测”两大模块操作、原理。

模型训练和模型预测是AI策略区别于传统量化策略的核心，我们通过模型训练模块利用训练集因子和标注数据构建一个模型，并通过模型预测模型将预测集的因子数据输入模型进行预测。 \n

在模块列表的 机器学习 、 **深度学习

{{use_style}}

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](https://bigquant.com/wiki/doc/demos-ecd

102

# 在有序数组中找到出现最多的元素
def func() :
  num = arr[0]
  cnt = arr1
  maxNum = arr[0]
  maxCnt = 1
  
  for i in arr[1:]:
    if i == num :
      cnt += 1
    else:
      if cnt > maxCnt:
        maxCnt = cnt
        maxNum = num
    
    
  if cnt > maxCnt:
    maxCnt = cnt
    maxNum = num
  

导语

平台已经整理好新旧因子对比，可以在基础特征抽取里面直接抽取。

A股

量价因子

数据定义

以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

构造这个因子需要用到的数据的表格形式如下:

首先我们求出截面净委买比例：

最后将分钟内的截面净委买比例求平均即可得到时间加权的净委买比例，所以这

本文以中证1000的股指期货(IM2503.CFE)与指数(000852.SH)价差为例, 我们来加工股指与期货的价差因子并进行实时可视化操作。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

数据定义

因子构造思路较为简单，我们需要用到期货l1快照数据以及指数快照数据，首先计算快照上的价差，最后将价差用last函数聚合成分钟频的数据。

因子加工代码

首先导入第三方库，并将数据推送至中间表：

import dai
import time
import plotly.graph_objects as go
from IPython

一、股息率定义

股息率是指公司每年支付的股息与其股票当前市场价格的比率。它是一个重要的投资指标，帮助投资者评估股票的收入潜力，股息率越高，通常表示投资者可以从该股票中获得更多的被动收入。计算公式为：

本文更多介绍如何使用 ASOF JOIN 操作处理日频数据和非日频数据，因此，我们简化股息率的公式，假设分子分母都使用总股本，则上述公式可以简化如下：

![](/wiki/api/attachments.redirect?id=4

positions = context.get_account_positions()

for code, position in positions.items():

    print(code,position.last_sale_date, context.trading_calendar.session_distance(position.last_sale_date, data.current_dt))

\

策略流程

1. 筛选条件：净利润增长率长大于15%，连续3年净资产收益率大于15%，市盈率低于35。
2. 策略回测：开盘买入，收盘卖出，回测时间为2017-05-01至2017-06-15

策略实现

输入特征模块

• 将净利润增长率，净资产收益率，市盈率作为作为输入特征；

• 将净利润增长率长大于15%，连续3年净资产收益率大于15%，市盈率低于35设置为表达式过滤条件。

  \

数据抽取模块

• 抽取数据，并设置开始日期为2014-12-31 ，结束日期为2016-12-31。

\

BigTrader模块

• 在m5”BigTra

两个“输入特征（DAI SQL）”模块，分别从两个数据表提取数据，之后可以共同连接一个新的“输入特征（DAI SQL）”模块，做到数据连接的功能

我们来看一个具体的例子，在下面这个例子中：

• m1模块的作用是从cn_stock_prefactors表中提取出pe_ttm和total_market_cap两个字段，并且过滤掉ST股票
• m2模块的作用是从cn_stock_money_flow表中提取出main_flow和main_rate两个字段

![](/wiki/api/attachments.redirect?id=2d891157-85

介绍

• 本地上传csv文件并读取
• 和其他数据联合使用

实现

dai处理文件

• 生成一个csv文件作为测试，包括日期、股票代码、当日涨跌幅。
• 使用dai直接操作csv，如果是本地csv文件则直接拖拽至资源管理器。

输入特征联合使用

• 将操作后的csv输入：mafactor.csv中的factor_001因子。
• 表达式特征中输入cn_stock_prefactors中的股息率排名作为sc

1. 获取数据

首先获取训练集“Stanford V1.0”和使用Glove模型训练好的词向量矩阵。

我们使用shell命令获取以上文档，脚本如下：

DATASETS_DIR="utils/datasets"
mkdir -p $DATASETS_DIR

cd $DATASETS_DIR

# Get Stanford Sentiment Treebank
if hash wget 2>/dev/null; then
  wget http://nlp.stanford.edu/~socherr/stanfordSentimentTreebank.zip
else
  c

旧版声明

本文为旧版实现，仅供学习参考。

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

下列代码在读取数据时，使用最新dai.query接口即可。

数据读取

\

导语

本文继续讲解Pandas库在数据分析和处理上的一些应用。

[https://bigquant.com/codesharev2/5a39d584-7b74-4d00-832f-

新版数据导入部分使用dai库

导语

本节主要讲解Pandas库中 DataFrame 的数据查看与选择

Pandas 是基于 Numpy 构建的，让以 Numpy 为中心的应用变得更加简单。平台获取的数据主要是以 Pandas 中DataFrame 的形式。除此之外，Pandas 还包括 一维数组Series 以及三维的Panel。

Pandas中获取数据的方式

下面将进行详细介绍：

Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而

选取了IC较高的因子后，如何合成一个策略，一般步骤是什么

在因子开发研究完之后，选取了|IC|较高的几个因子后，一般如何合成一个策略，即在工程方法论上的一般步骤是什么？比如应该如何选择哪些模型进行合成（树模型or深度学习模型，是否有规律），分别是否都必须在训练前进行特征工程的处理再训练（去极值、中性化去除相关性），比如是否需要探查各个因子的相关性（如果多个因子存在一定的相关性，一般相关度大于多少需要进行处理，是否需要逐对特征两两取残差）

\

“水中行舟”研报如何用dai的SQL方式来实现？

方正的==“水中行舟”研报==中提到“取市场上所有股票在当日“不分化时刻”的成交额序列

问题

transformer等深度学习中序列窗口滚动模块具体的功能是什么，为什么要把数据做这个处理，能否用numpy的源码写一个函数？

视频

https://www.bilibili.com/video/BV1i44y1q7As?p=4&share_source=copy_web

策略源码

2021年7月8日Meetup策略模板：

[https://bigquant.com/experimentshare/6235b7c

因子构建步骤：

1. 理论推导：根据投资哲学和市场观察来定义因子。例如，价值、动量、质量等。
2. 数据获取：获取原始数据
3. 数据处理：对因子数据进行清洗、填充缺失值、处理极值等。
4. 因子计算：根据公式计算因子值
5. 单因子分析：进行分层回测、IC分析、回归分析
6. 加权合成：使用多个因子，需要决定每个因子的权重，将多个因子按照权重合成一个综合因子。
7. 因子回测：使用历史数据测试因子的有效性。
8. 因子优化：根据回测结果对因子进行优化，比如：组合优化。

\

因子定义

金融学理论：

• 投资理论
• 行为金融学

基本面因子 —— QMJ因子

QMJ因

问题

如何利用滚动回测进行策略开发和因子挖掘？

视频

[https://www.bilibili.com/video/BV1Gr4y177FR?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134af8dd086](https://www.bilibili.com/video/BV1Gr4y177FR?share_source=copy_web&vd_source=2

问题

如何通过爬虫获取开盘啦app上面的数据？

视频

https://www.bilibili.com/video/BV13R4y1C7KQ/

\

策略源码

https://bigquant.com/experimentshare/cb90e8e440bc47b9bbc9cb897e452af8

\

看视频

https://www.bilibili.com/video/BV1jh411u7zj/?vd_source=ecd29bbd04cbefdfa426167c55241973

策略源码

[https://bigquant.com/experimentshare/d4804cb7b37b40e191de5b196897c33b](https://bigquant.com/experiment

BigQuant的DAI数据平台提供了许多字段运算的表达式函数，完整的函数在这个文档（DAI SQL 函数列表），我们这篇文档总结了一些常见的表达式

1. DAI数据平台表达式函数的使用

1.1 输入特征模块中使用表达式函数

DAI数据平台封装的表达式函数，需要在可视化模式下的“输入特征（DAI SQL）”模块中的“表达式特征”一栏中填写，之后再连接数据抽取模块就可以把该表达式的计算抽取出来

例如，我们以5日平均收盘价`m_avg(close,

在使用“输入特征（DAI SQL）”提取数据的时候，可能会遇到缺失值的问题，缺失值的出现可能是因为原始数据表中有缺失值，也有可能是表达式计算的过程中产生了缺失值

对于缺失值，我们主要有两种处理方式，缺失值删除，或者缺失值填充

1. 缺失值删除

要想将缺失值剔除，只需要在“输入特征（DAI SQL）”模块中，将“表达式-移除空值”勾选即可

值得注意的是，使用这种方法，只要一行数据中有一个字段是空值，那么这一行就会被剔除

因此，当有多个特征被提取的时候，只要有一个特征由于运算逻辑错误导致整个字段都是空值的话，那么所有行都是包含空值的，这样的话数据提取