金融数据
量化金融数据是指通过数学和统计模型对金融市场进行分析和预测所产生的数据。这些数据可以包括历史价格、交易量、波动率、相关性等各种指标，以及基于这些指标计算得出的各种统计量和风险参数。 它们对于投资者和金融机构来说具有重要的参考价值。可以帮助投资者了解市场趋势和风险情况，从而做出更明智的投资决策。同时，金融机构也可以利用量化金融数据来开发新的金融产品和服务，以满足客户的需求并获取更高的收益。 在处理量化金融数据时，通常需要使用各种数据分析工具和技术，包括数据挖掘、机器学习、统计分析等。这些工具和技术可以帮助投资者和金融机构从海量数据中提取有用的信息，并对其进行深入的分析和研究。 请注意，尽管量化金融数据可以提供有用的参考信息，但并不能完全预测市场的未来走势。因此，在使用这些数据时，需要结合其他因素进行综合考虑，以降低投资风险。
【历史文档】策略-模型训练+股票预测
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
更新时间：2025-02-27 02:34
【历史文档】算子样例-衍生特征抽取
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
更新时间：2025-02-27 02:34
【历史文档】算子-数据处理
{{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
更新时间：2025-02-27 02:34
【历史文档】算子-用户模块
{{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
更新时间：2025-02-27 02:34
【历史文档】数据
{{use_style}}
交易市场信息
平台交易市场对应的代码后缀。基本原则：code.exchange ，股票的exchange根据业务来划分，比如A股是SHA/SZA，ETF是 HOF/ZOF，指数是 HIX/ZIX 等；而期货则为全部统一为大写品种代码+四位年月+交易后缀，比如 L2201.DCE，SR2203.CZC。
# 读取数据 默认会返回全部证券代码数据, 通过指定参数 instruments 可以读取到指定的证券代码数据
DataSource("trade_market").read()
# 证券代码后缀对应交易市场
SHA: 上海证券交更新时间：2025-02-27 02:34
AI量化技术
AI量化领域结合了人工智能（AI）、机器学习（ML）以及量化金融的技术和方法。这一领域的目标是使用算法和计算模型来分析大量金融数据，从而做出投资决策或提高交易效率。
一些在AI量化领域重要技术和方法，以及在金融领域的应用：
- 机器学习算法：机器学习算法是AI量化领域的核心。它们包括监督学习、非监督学习和强化学习。
- 监督学习，如支持向量机（SVM）、神经网络、决策树等，用于预测或分类任务，如股价预测、信用评分。
- 非监督学习，如聚类、主成分分析（PCA）等，用于发现数据中的模式和关系，如市场细分、异常检测。
- 强化学习，如Q学习
更新时间：2024-09-05 03:12
数据任务标签
1. 数据任务输出标签
若因子任务和模拟交易任务有特定的依赖标签，请查看以下表格：
| 中文名 | 英文名(dai) | 输出标签 |
|---|---|---|
| 全年交易日历 | all_trading_days | |
| 交易日历 | trading_days | data, trading_days |
| 节假日 | holidays | |
| 中国股票代码列表 | cn_stock_instruments | data, cn_stock_instruments |
| 中国期货代码列表 | cn_future_instruments |
更新时间：2024-07-16 03:06
零基础《AI挑战虚拟股票预测大赛》入门教程
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
更新时间：2024-06-12 06:00
逻辑回归和交叉熵
更新时间：2024-06-07 10:55
分钟因子加工
更新时间：2024-06-07 10:55
如何构建Halpha、wgt_return_Nm等动量因子
更新
本文为旧版实现，仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors
https://bigquant.com/wiki/doc/dai-PLSbc1SbZX
[http
更新时间：2024-06-07 10:55
量化金融数据包含哪些方面
基本概念
量化金融数据是量化投资的基石，它包括各种类型的数据，用于支持交易决策、风险管理和投资策略的开发。
量化金融数据类别
-
市场数据
- 价格数据：包括股票、债券、期货、期权、外汇等各类金融资产的历史和实时价格。
- 交易量数据：显示特定资产在特定时间内的交易量。
- 成交数据：包含成交价和成交量的详细信息。
-
**基本
更新时间：2024-06-07 10:48
用支持向量机-分类算法实现A股股票选股
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
更新时间：2024-05-20 10:24
使用BigQuant平台实现多层感知器-分类算法
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
更新时间：2024-05-17 10:24
WorldQuant Alpha101因子 附录三：所有因子的SQL实现
更新时间：2023-08-21 10:56
Bigmodels模型库
BigQuant AI Platform deep learning models（BigQuant AI量化平台深度学习模型库）。
介绍
bigmodels是什么？
bigmodels是BigQuant AI量化平台的深度学习模型库，集成了AI量化研究过程中常用的深度学习模型。
为什么需要bigmodels？
我们用PyTorch封装了AI量化研究中常用的深度学习模型，包含DNN、1DCNN、LSTM和Transformer等，并持续更新。
平台用户可以用简单的方式调用经过大量实践检验的AI能力，赋能AI量化投资。
import toch
impo更新时间：2023-05-22 06:21
获取到的数据连接重复的疑问
更新时间：2023-01-11 05:55
机器学习+择时+跟踪止损+技术分析
更新时间：2022-11-20 03:34
板块因子和上市时间策略
更新时间：2022-11-20 03:34
Learning a Vector Representation of Time
更新时间：2022-08-31 09:37
我已开启了真实价格，为什么close_0与布林带的值，都不是真实值？
更新时间：2022-03-27 14:12
自定义数据进行因子分析demo
更新时间：2022-02-21 11:25
使用表达式引擎进行因子分析demo
更新时间：2022-02-21 09:48
中国的股票回报是否可预测？机器学习方法（SSRN-3971419)
论文原名
《Are Stock Returns Predictable in China? A Machine Learning Approach》
论文作者
Huihang Wu, Xingkong Wei, Xiaoyan Zhang
修订时间
2021 年 10 月
关键词
回报预测、样本外预测、机器学习、金融科技
引言
股票收益的可预测性一直是研究的核心问题之一。金融。本文试图引入机器学习方法来回答股票是否在中国，回报是可以预见的。中国股市的108个特征数据来自1997 年 1 月至 2019 年 12 月，本文比较了传统计量经济学模型与
更新时间：2021-12-10 03:34