高频交易

问题

如题，发现日级策略在代码列表中设置空值即可选定全A股，但分钟级策略这么做会报错：

context.subscribe(context.ins)

<TypeError: 'NoneType' object is not iterable>

策略案例

https://bigquant.com/experimentshare/44cc116a1dad4c37983b9be35da208ee

\

代码

代码：在高频回测模块的k线处理函数定义如下：
# 回测引擎：每日数据处理函数，每天执行一次
def bigquant_run(context, data):
    
    # 相隔几天（hold_days）进行一下换仓
    if context.trading_day_index % context.hold_days != 0:
        return 
    
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.ranker_prediction[
        context.ran

问题

我用的是hft模块，标的是可转债，如图，代码如下 请复现。
# 本代码由可视化策略环境自动生成 2022年7月19日 23:48
# 本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。


# Python 代码入口函数，input_1/2/3 对应三个输入端，data_1/2/3 对应三个输出端
def m2_run_bigquant_run(inp

问题

如何修改HFTrade高频交易模块里的成交率限制volume_limit

\

本集合里将分享平台开发者们对DeepAlpha系列的实践研究报告

\

The Story of Citadel

Citadel纪录片分享！House of Ken Griffin – The Story of Citadel！了解Ken Griffin是如何把Citadel打造成为300亿美元对冲基金！

https://www.bilibili.com/video/BV1ot4y1j74y

Citadel创始人访谈

Citadel城堡投资集团 肯·格里芬 在大卫·鲁宾斯坦访谈 The David Rubenstein Show - Citadel's

交易策略揭秘

Renaissance Technologies文艺复兴科技公司交易策略揭秘记录！该短片中详细介绍了文艺复兴科技公司多年来如何开发各种交易策略，从早期的均值回归到利用内核方法等等。

https://www.bilibili.com/video/BV1ae4y1f7Em

\

分享头部量化私募团队、策略、深度资料等

\

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

\

摘要

本文提出了一套宏观风险配置框架，并在大类资产和行业上进行实证分析

本文主要工作如下：1、构建了一套涵盖增长、生活端通胀、生产端通胀、利率、汇率五大风险的宏观因子体系，并进行了因子资产化处理，以满足高频、低时延、可交易的需求；2、提出了一套宏观风险配置框架，能够将投资者对于宏观环境的预测观点通过定量化的手段落地到投资实践中，使得投资组合既能适配特定宏观环境，又能达到较优的风险收益特征；3、测试宏观风险配置模型在大类资产和行业层面的表现。实证结果表明，本文提出的宏观风险配置模型能够为投资者提供定量化、动态化、及时性、普适性的宏观风险配置工具，并且大类资产上的表现要优于行业上

报告要点不同频率级别信息含量不同一般而言，频率越高数据信息含量越高，主要体现在两方面：切片数据细化带来量价波动的信息含量提升；逐步分解的盘面数据对于交易行为辨识度的提高。

区分积极买入与保守买入，构建买入情绪因子积极买入，投资者所下订单主动与盘口卖盘挂单成交；保守买入，投资者所下限价订单挂单等待后续卖单与之成交。根据积极买入与保守买入比建立买入情绪因子。

买入情绪因子呈现优异的选股能力BM因子的平均RankIC为0.0724,回测的2010年1月至2017年2月期间内，原始BM因子、反转中性化、反转市值中性化BM因子的年化超额中证500收益分别为14.53%，13.24%，9.3%

[

摘要

2022世界人工智能大会于2022年9月1日至3日在上海举办。世界人工智能大会自2018年以来，已成功举办四届。2022世界人工智能大会由国家发展和改革委员会、科学技术部、工业和信息化部、国家互联网信息办公室、中国科学院、中国工程院和上海市人民政府共同主办。

作为本届世界人工智能大会承办单位之一，数库科技于9月3日下午举办以“数无疆·智无界”主题分论坛，J.P. Morgan亚太地区量化策略负责人Robert Smith先生发表了题为*《Big Data and AI Strategies：AI for Investing》*的主题演讲，Robert Smith分别

/wiki/static/upload/c9/c94fbe09-58ac-483f-8d29-ba184e00cfb3.pdf

\

正文

/wiki/static/upload/25/259b1aaa-df16-4ed2-abd6-8ad67bba7fb7.pdf

\

摘要

1.1.人工智能正当时1956年，人工智能（ArtificialIntelligence,AI）的概念在计算机达特茅斯会议上被提出。AI赋予机器像人一样思考，并做出反应的能力。它的本质是通过研究人类活动的规律，构造具有一定智能的人工系统来模拟人类的某些思维过程和智能行为，去完成以往需要人的智力才能胜任的工作。

如今，大数据、GPU和复杂算法的出现与进步，大大加速了人工智能的发展。2016年，由DeepMind开发的AlphaGo以4：1战胜了韩国棋手李世石，让人工智能备受关注，掀起了人工智能的浪潮。这一新兴学科凭借其广阔的发展前景吸引了众多研究者，目前已经在计算机视觉、自然语

摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系

\

\

\

「股票及量化投资书籍分享」https://www.aliyundrive.com/s/4kajoeM7ock 点击链接保存，或者复制本段内容，打开「阿里云盘」APP 下载。

涉及国内主要品种的不同的频率的回测与交易

\

作者：liuhooly

前言

首先感谢平台给了和众位大神一起学习和实践DNN的机会，我应该是这次里面经验比较浅的，因为一直以来使用的都是

StockRanker，因此本文的使用体验上会有一定的两种学习方法的对比理解。不一定准确，大家参考即可。

策略构建

标注

因为是高频轮仓，所以主要是用的第二日收盘价与第一日开盘价的比值来做收益标注（shift(close, -2) / shift(open, -1)-1），同时，将所有股票按照100个区间进行标注区分。其实再过往经验中，该方法不一定是最好的，因为有出现过使用第3日或第5日收盘价反而表现更好，但是这点为什么无法解

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

\