AI量化策略的训练时间影响模型的结果，导致在调试的过程中拿不准该如何思考和选择训练时间，我们从以下三个方面探讨训练时间该如何选择?

#训练时间对模型的影响

针对特定的一段回测时间作为验证集, 检验训练时间的变化是否让模型带来很大变化?

#策略设置

策略选择：新建的可视化AI模板策略

方式：手工滚动训练

时间对比：训练集长时间 (5-10年) VS 训练集 短时间 (1个月-3个月-6个月-1,2年)

其次，模型中因子的特征权重发生改变再然后是 ndcg的评价也发生了改变，但变化不明显。 普遍发现 无论怎么增加数据时间长短，NDCG的指标都没能超过0.6以上。说明大量的数据样本

根据探索：《AI量化策略训练时间如何选择？》策略模版回测报错，请问如何解决？

https://bigquant.com/wiki/doc/celve-shijian-YNns2TC2iH

https://bigquant.com/experimentshare/27ef0ad9e896409bb53ddea1a3a43170

\

年后，北京一个忠实用户问了几个问题，我整理了下，也方便持续交流。

他给我留言的问题如下：

1. 我们的策略回测时，用的模型有没有把验证集的数据学习了？
2. 滚动回测的效果远远不如常规的 可能原因时什么？
3. 短期交易，大户资金流比较重要，有什么帖子或者研报发我提供点思路？
4. 预测明天股票，一定要放在回测里，收通知吗？ 验证集最后一天也成最近一天交易日，可以预测吗？

这是他的原话，一个字没有修改，因为我怕理解有偏差。

回测是否学习验证集数据？

在机器学习算法中，我们把可以获得到的数据分为训练集，验证集和测试集，之所以这样划分，是因

导语

大部分初学AI-量化的同学做选股策略的做法都是简单粗暴将全市场的股票数据都放入模型训练， 然后企图训练出一个万能模型-图灵机， 寄希望于仅仅只通过暴力的数据挖掘，或者某些因子，就可以打造出一个适应于 任何行情的选股模型--圣杯。

但遗憾的是，A股市场中的数据噪音是很大的，不同的市场环境，不同的因子的选股效

问题

AI量化策略中如何选择合适的因子

视频

https://www.bilibili.com/video/BV1J24y1f7mJ/?spm_id_from=333.999.0.0

PPT

{{membership}}

[/wiki/static/upload/42/4267409e-a9f4-42db-bb79-1321ba5e4c59.pdf](/wiki/static/upload/42/4267409e-a9f4

策略会简介

AI量化策略会是在AI量化投资训练营基础上的进阶版，结合AI量化投资训练营效果最佳。您将在AI量化策略会上学习到多种类型的实用性AI量化策略开发，从因子构建、策略模型调优到策略实盘等完整的策略实盘实践路径。还可以给我们投稿最想要听的内容，提前安排在下一期的AI量化策略会分享中。

PLUS会员免费参与

成为会员点击：PLUS会员

报名地址

点此报名

AI量化策略开发和实盘最佳实践

课程内容

1. 3+策略优化方法 2

导语

AI量化是未来趋势，金融机构对量化方向的人才求贤若渴，存在大量的人才缺失。对于金融知识一片空白的小白来说，难以听懂量化中专业的术语。因此，BigQuant整理了一套适合金融小白的培训课程，精心挑选量化中所需要具备的金融基础知识，为大家打开金融世界的一扇门。点击下方的视接来学习吧

视频

https://www.bilibili.com/video/BV1Nv411z7gt

更多的知识需要个人不断地积累和沉淀，有什么不懂的就来问小Q吧！（完整视频前往b站看，总共有26个视

现在先说说证券行情吧。

1。国外的股票行情我就不谈了，这个我不是很了解，今天我来说说国内两大证券交易所，上交所和深交所两大交易所。

上交所的L1和深交所的L1行情，狭义的说就是五档行情，还是比较好获取，渠道很多，但是质量参差不齐。我说说质量稍微好点的，野路子无限断、无限延迟行情，我就不谈了。

首先，最好L2行情数据接口的肯定是从交易所购买，交易所每年30万或35万，从交易所购买这个市场，一般用于量化分析交易或追板的，而是用于市场展示软件公司，一般交易会购买L2行情数

国内量化交易起步较晚，大约15年开始，20年开始爆发，21年量化私募规模飙升。由于容量过大，出现了一个头部量化私募中性策略导致大幅回调的问题。对于a股来说，量化交易仍然是一种相对较新的投资方式。自20年以来，监管已经关闭了证券公司的外部接口。因此，如果你想进行定量交易，你必须使用证券公司的level2行情接口和交易接口。今天，我将与大家分享如何一站式解决不同的定量交易需求。https://gitee.com/l2gogogo

自编程AI量化交易

解决方案：AI量化交易策略终端

简介：

极速交易策略终端是一款基于python语言的策略交易平台 ， 是活跃交易者策略研究 、 自动化交易

更通俗的来说，使用Level-2与使用普通行情相比，多了下述的好处：https://gitee.com/l2gogogo

1.  行情更快。Level-2数据实时推送报价以毫秒为单位刷新行情，并且不需要手动刷新行情。还可以实时监测多只股票的行情数据。主力动向，筛选底子好的股票，进行量化交易。

1. 对股票行情市场更加清晰。每笔交易的交易量和交易时间逐一列出，以便在交易量变化较大的早期阶段看到迹象，并看到判断买卖最佳时间的依据。

3.  行情更深入。买卖盘十档行情，列出买盘、买盘各十笔挂单价、挂单量；透过买卖盘3.，行情更深入。买卖盘十档，列出买盘、买盘各十笔挂单价、挂单量；透过买

AI量化训练营双11活动

一、单次课程

1.初阶：现价999，立减200得799，Plus会员立减400得599

2.进阶：现价1399，立减200得1199，Plus会员立减400得999

二、初阶+进阶

现价1998，立减200得1798，Plus会员立减400得1598 训练营地址：https://bigquant.com/quantcamp

三、2022AI量化策略会 购买初阶+进阶课程，可获赠价值1398的AI量化策略会，12月24日直播即将开启！ 策略会地址：https://bigquant.com/quantcamp/2022

四、优惠券领取 优惠

问题

如何对AI量化策略进行管理？

视频

https://www.bilibili.com/video/BV1zi4y197sj?share_source=copy_web

策略源码

如何对AI量化策略进行管理？三步走

AI量化论文介绍

牛津大学英仕曼量化化金融研究所（OMI）是世界领先的金融市场跨学科研究中心。OMI主要研究量化金融的基本问题，重点关注机器学习和数据驱动的模型。OMI研究汇总是一份精心策划的月度摘要，涵盖了量化相关领域的最新研究、见解和工具。

本月的论文分享中，有两篇来自OMI的最新论文。第一篇是基于订单账面不平衡的度量对交易流进行分类，并研究分解后的交易流对价格的影响，以设计有利的交易策略。第二篇介绍了使用动量策略应用于加密货币的转移排序模型。

本文主要介绍与金融和机器学习相关的论文。

**1. Trade Co-occurrence, Trade Flow Decom

作者:woshisilvio （全文共913字，阅读约需2分钟）

市场究竟有没有真正的alpha?

笔者一直疑惑的一点就是 我们的模型每天这样选股，赚钱的效应究竟是随机的，还是可控?

模型有没有真正的学到市场中的规律，挖掘到了alpha? 靠AI模型 来赚钱 究竟靠不靠谱？

对于这些问题，一千位quant就有1000个答案，这里就留给评论区的高人们解惑了。

针对以上问题，之前笔者有分享

AI只是工具，想要驾驭AI还得自身有点功底，不然反而会被工具所害，甚至从信仰AI变为抵制AI。本文简单介绍开发AI量化选股策略中所遇到的各种坑，希望大家有所收获，少走弯路。

本文主要从思想和实操两个层面分享下我在开发AI量化选股策略中所遇到的各种坑，也希望各位小伙伴能够进行补充。

策略思想逻辑层面

1. 训练集和测试集不能有所重合 机器学习的基本思路就是在训练集上发现pattern，训练出模型，然后对样本外的预测集数据进行预测。这好比老师平时布置的作业就是训练集，学生们通过平时的作业学习到知识，然后期末老师通过期末试卷来检验学生的学习掌握情况，如果期末试卷和平时作业

摘要

揭秘微软亚研院 AI 量化投资研究，展望行业未来发展六大趋势

微软亚研院2017年以来共发表12篇AI量化投资学术研究，其中选股主题超过半数，其他涉及风险模型、算法交易、数据增强、时间序列预测、基础架构等话题。这些研究的突出特点是前沿和务实，具有较高参考价值。前沿是指使用的AI技术，大量运用近年来热门的图神经网络、注意力机制，并灵活应用最优传输、自步学习、知识蒸馏、解耦表征等工具；务实是指解决的具体问题，如“AI模型如何应对市场规律变化”，“如何引导模型学习罕见本”，“如何充分挖掘事件、舆情蕴藏的信息”等，这些都是业界实践中会遇到、接地气的问题。我们透过微软AI量化研究

导语

2020年我们开展了近半年的Meetup，共11场Meetup活动，90个问题，7场专题，持续地为大家服务和提供新鲜的灵感。2021年，Me

导语

BigQuant宽客学院伴随着平台的更新，学习和探讨的内容也日益增加。大家对机器学习、深度学习的策略研究越来越深入，新的想法也层出不穷，为了满足大家对探索的渴望，因此我们准备了定期的“BigQuant AI量化专家MeetUp”，本周四正式启动了！BigQuant学院院长、AI量化专家现身BigQuant B站直播间，在线交流、答疑，解决您在AI量化和BigQuant遇到的所有问题！

Meetup内容

以导师答疑为主，解决大家在日常开发中遇到的问题：

1. 策略开发新思路探讨
2. 策略开发中遇到的疑惑
3. BigQuant平台使用

**Meet

视频

https://www.bilibili.com/video/BV11S4y197md?share_source=copy_web

策略源码

龙头战法实盘+AI-量化大赛NO.3-中证150增强[策略分享]

问题

AI量化策略训练时间如何选择

视频

https://www.bilibili.com/video/BV1br4y1B7na/

策略源码

文档及源码：AI量化策略训练时间如何选择

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

\

\

主题：The Impact of AI to Global Asset Managers: The Responses and Adoptions

演讲人：关子敬 先生 Kevin Kwan彭博亚太区量化及数据科学专家

**完整视频观看地址：<https://webcast.roadshowchina.cn/cmeet/NlZBZVhZRGZ6Q1NSRjdrbmJqQjZUQT09

摘要

揭秘微软院亚研院AI量化投资研究 展望行业未来发展六大趋势

微软亚研院 2017 年以来共发表12篇AI量化投资学术研究，其中选股主题超过半数，其他涉及风险模型、算法交易、数据增强、时间序列预测、基础架构等话题。这些研究的突出特点是前沿和务实，具有较高参考价值。前沿是指使用的AI技术，大量运用近年来热门的图神经网络、注意力机制，并灵活应用最优传输、自步学习、知识蒸馏、解耦表征等工具；务实是指解决的具体问题，如“AI 模型如何应对市场规律变化”，“如何引导模型学习罕见样本”，“如何充分挖掘事件、舆情蕴藏的信息”等，这些都是业界实践中会遇到、接地气的问题。我们透过微