量化策略

导语

人工智能（AI）技术得到了飞速发展，其在各个领域的运用也不断取得成果。机器学习被评为人工智能中最能体现人类智慧的技术，因此开发AI量化策略可以理解为将机器学习应用在量化投资领域。

理解机器学习算法

以StockRanker为例

机器学习算法太多，本文讨论只针对适用于金融数据预测的常用有监督型机器学习（Supervised Machine Learning）算法：StockRanker。假设我们要去预测某个连续变量Y未来的取值,并找到了影响变量Y取值的K个变量，这些变量也称为特征变量（Feature Variable）。机器学习 即是要找到一个拟合函数 ![](/w

在量化交易中，我们常听到和看到因子是量化研究中关键的一环。一个量化策略是5个因子的效果好，还是50个因子的效果好？因子之间有什么样的关联和差异？对量化交易策略收益的影响如何？那么因子投资是什么？为什么量化交易要用因子？

我们可以将投资决策因素看作是营养对食物的影响。根据营养成分，您可以决定食用哪种食物以及食用多少。因素对于了解特定投资方法的风险和回报是不可或缺的。

因此，每个交易者都会根据自身对回报的风险承受能力来投资风险和回报因素相似的股票。在本文中，我们将详细了解因子投资。

什么是因子投资？

因子投资是指利用“因子”或特定“特征”使各种股票收益彼此不同的投资方法。

导语

机器学习已经成为量化策略设计中的一大利器，了解各种机器学习算法的原理、特点、优劣，对于量化建模有着极大的帮助。因此，本系列【专题研究】介绍几种在资本市场中非常流行的机器学习算法及其在选股方面的相应应用，希望能对大家有所帮助。

随机森林是当前使用最广泛的机器学习集成算法之一。由于其简单灵活、不容易过拟合、准确率高的特性，随机森林在很多应用中都体现了较好的效果。

本文从单棵决策树讲起，逐步解释了随机森林的工作原理，然后将随机森林预测应用于二级市场，介绍了基于随机森林模型的智能选股策略。

什么是随机森林

随机森林是一种集成算法（Ensemble

本文是行业轮动策略的源码。

策略案例

https://bigquant.com/experimentshare/73f9656a0f5645c8909423df662357ff

\

（包含移动平均线公式及Python代码）

移动平均线（Moving Averages）是一种分析金融时间序列数据的基本工具，用于平滑价格数据以识别趋势。移动平均线主要有两种类型：简单移动平均线（SMA）和指数移动平均线（EMA）。

移动平均线 (Moving Averages)

简单移动平均线 (SMA)

公式：

![](/wiki/api/attachment

波动率（Volatility）是金融市场中用于衡量资产价格随时间变化的程度。波动率越高，表示资产价格的变动幅度越大，风险也越高。在股票市场中，波动率通常以历史波动率（基于过去的价格变动）或隐含波动率（基于期权定价）来衡量。

基本公式

历史波动率的计算公式通常是： ​ Volatility= sqrt( Var(R) ​)

Var(R) 是资产收益率的方差。\n ![](/wiki

AIStudio

AIStudio 是BigQuant的AI模型和量化策略开发环境，可以使用独立的GPU研究环境，也可以使用FAI分布式算力集群。

ChatGLM

ChatGLM是清华开源的模型，在中文上有不错的表现。其中ChatGLM-6B是一个开源的、支持中英双语问答的对话语言模型，并针对中文进行了优化。该模型基于GLM架构，具有62亿参数。

为了学习方便，我们这里使用其中的int4版本 chatglm-6b-int4，这个版本占用资源很少，速度快。

使用AIStudio GPU

BigQuan

量化策略研发助理

公司：Zonff Partners（专注于风险投资、量化对冲和采矿与计算投资的基金。） 地点：北京朝阳区凤凰置地广场

薪资：8k-15k 可面谈

职责描述： 1.协助处理各维度市场数据，利用量化的方法分析和预测相关品种的未来变动； 2.协助完善策略研究平台； 3.协助完成量化交易平台及维护交易系统。 4.对二级市场投资交易有浓厚兴趣，具有良好的学习能力，工作认真仔细，责任心强。

招聘要求： 1.本科、硕士或者博士，数学、物理、统计、计算机、电子或其他相关理工科专业在校生或应届生； 2.熟悉python/c++ 编程语言，熟练运用PPT、Excel、word

BigQuant 开始使用

BigQuant 导航

快速创建一个量化策略

1. 登录 BigQuant，进入 编写策略

   

   \

/wiki/static/upload/74/7464d5e3-c643-485a-bdef-793d0ba69cca.pdf

\

什么是BigTrader

BigTrader是宽邦科技推出的致力于为用户提供便捷、功能强大的量化策略编写、回测分析、仿真模拟和实盘交易的工具。在量化研究的过程中，量化研究员（宽客）需要在历史数据里回放模拟，验证策略效果，这就是BigTrader交易引擎的应用场景。

交易引擎有哪些优势

• 回测研究贴近真实 交易，最大程度保证回测的准确性
• 回测研究、模拟交易、实盘交易为同一套代码，无需做任务修改
• 交易引擎是一个有体系、结构化的工程框架，能大幅提升策略开发的效率

支持的品种

股票、基金、期货、可转债、指数，未来会支持期权、债券、两融

交易频率

导语

在AI量化策略开发第六步：回测教程中，我们介绍了Trade回测/模拟交易模块的重要函数和策略构建的基本流程，本文主要介绍如何在Trade模块中设置手续费和滑点。

在评估策略的时候，我们设置一定的交易手续费和滑点以模拟真实交易。在策略编写中，我们通常在回测模块的初始化函数中进行设置。

设置手续费

通过调用set_commission方法，在初始化函数中加入如下代码块实现相应的功能： 股票，按成交金额百分比设置手续费，手续费不足5元按5元收取

# 示例代码1
# 交易引擎：初始化函数，只执行一

BigTrader是宽邦科技推出的致力于为用户提供便捷、功能强大的交易引擎。

在量化研究的过程中，量化研究员（宽客）需要在历史数据里回放模拟，验证策略效果，这就是BigTrader交易引擎的应用场景。

首先，构建简单但能运行的策略

BigQuant平台回测主要使用bigtrader中initialize函数和handle_data函数，initialize为策略初始化函数，只触发一次。可以在该函数中初始化一些变量，如读取配置等；handle_data函数为行情通知函数，频率支持日线和分钟。

# 初始化函数，只执行一次
def initialize(co

本篇报告详尽地介绍了基于人工智能的阿尔法策略框架，包括基于AI技术在策略研究上的阶段性的工作和成果，并提供完整代码，读者可克隆策略，复现效果和继续改进。 希望本文能帮助读者拓展研究思路，应用AI来做更好的量化策略研发，把人工智能的能力赋予更多的投资者 (Democratize AI to empower investors)。

\

摘要

本篇报告构建了一个完整的可复用的 人工智能阿尔法策略框架。

本篇报告用AI对基本面、财务、交易型等 282个因子 做了单因子策略研究和多个维度上的绩效分析，并 **发掘了在短、中、长周期上多个夏普比率超过1.5 、年化收益超过 30

策略社区是BigQuant推出的量化策略交流社区，为平台用户提供一个自由分享、交流学习的互动平台，在这里可以获取到他人分享的优质策略模型。

平台提供【运行策略】功能，开通 ‘BigQuant Pro-旗舰版’ 服务，即可获取数据调用权限并部署模拟交易。

***免责声明：社区版块信息由平台用户自由分享发布, 本平台不对内容真实性做担保或核验, 风险自担.

下文是具体操作使用说明。

一、访问策略社区

1、访问 [策略社区](https://b

因子是量化策略的关键，量价因子被大家使用的最多，但是随着多越多的人不断的挖掘因子，因子失效成为我们关注的问题了，那么因子多久会失效呢？看到一篇来自量化藏经阁的文章，分享给大家：

报告摘要

美国市场的因子发布后失效现象 因子的样本外失效问题一直成为近年来学界研究热点。McLean和Pontiff（2016）率先研究了美国股票市场中的97种收益预测指标，他们发现美国市场中因子的多空收益在论文发布后大幅缩水。这种现象可能是源于套利者押注学术出版物上的错误定价，这导致因子在发布后的收益表现比发布前要低。 全球市场的因子异象检验 在本研究中，我们探讨了美国和38个国际股票市场上

我们为广大量化爱好者整理了120套量化策略源码，==获取全部源码方式见页尾。==

• 本合集旨在提供量化思路和常见的策略模板，从而学习和魔改，==请勿直接实盘==。

• 本合集均使用3.0开发环境，克隆策略时候==选择去AIStudio最新版运行==。

  \

一、新手学习策略

• 指数研究：指数择时策略（点击查看）
• 机器学习：[反转策略（点击查看）](https://bi

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

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

因子研究

• 因子加工的时候，如何判断加工结果是否准确

两步：1）检查原始数据 2）检查计算加工逻辑

测试数据的覆盖度、准确性。

• 因子挖掘方面的问题，如何去挖掘因子，没有形成一套逻辑

参考研究报告：

着重推荐第一篇：《国盛证券多因子系列之八：日间量价模型研究》

\

\

量化策略

1. 关于行业轮动模型的研究和设计，没有办法寻找一个好的方向与切入点

行业轮动的策略代码：

MeetUP直播答疑 时间：8月24日（周四）19:00 回放视频请访问宽客学院-双周答疑-79thMeetup

\

问题列表

**问题1：我主要使用价格K线形态来进行买入卖出依据，但是仅使用数学公式来描述形态（三角形，W，茶杯，头肩顶等）感觉比较局限，和难抓住我用眼睛能看到的内容（同样也表示这个东西比较主观）。能否我进行人工挑选，例如将我看到的：3月10日到5月7日XX股票是一个头肩底，将不同的形态打上不同的标签，找出成百上千个这样的形态作为训练集喂给AI，然后反过来让AI识别出过去历史上所有这些形态然后进行回测，不知这种做法是否可行，以及在代码模型

此为0527Meetup直播策略讲解，视频详见2021-AI量化Meetup导览

https://bigquant.com/experimentshare/edab29d0ffad4e039a9c1f5fed1fa870

\

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

策略案例

https://bigquant.com/experimentshare/5cfd9186208047518a995e4394ba1099

\

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