#提取一级行业，可以获得5000多只股票的行业列表。

sql ='''
select *
from cn_stock_industry_component
where date between '2023-0-01' and '2023-01-07'
'''
import dai
ww = dai.query(sql).df()
www_uni = ww.drop_duplicates(subset='instrument')

www_uni

#获取cn_stock_bar1d表数据

sql = '''
select *

OPEN/DELAY(CLOSE,1)-1 这代码中的DELAY 的函数 是什么意思

OPEN/DELAY(CLOSE,1)-1   这个函数中DELAY 是什么意思

\

请教一下，用1000多个股票一年的收益率数据和20个因子做多元回归模型，这里有多只股票和多个日期，应该要怎么处理呢？如何预测股票收益率？

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

就读几天的分钟数据，我用8G的FAI或者用2C/8G AI Studio就把内存读爆了。是不是读数据有啥BUG？

代码如下：

import dai

dayStart = "2022-12-22" dayEnd = "2023-12-31" sql = f"""FROM cn_stock_bar1m WHERE date >= '{dayStart} 09:30:00' AND date <= '{dayEnd} 15:00:00'""" df = dai.query(sql).df()

\

https://bigquant.com/wiki/doc/tezheng-ri-xIjPe1UFMu

这个例子程序也一直报错

后面会报错

https://bigquant.com/experimentshare/16f3f6c7fa904475ac8a131e2345ab0a

\

https://bigquant.com/experimentshare/d242d0c6c6a242c1ad2ad3cc11678891

\

一直有类似的错误，应该是该模块的代码有一些问题，需要查看一下

用可视化策略是不是只能分析股票的相关数据？比如我要分析行业，分析申万一级的电子行业的换手率历史数据是不是没有办法做到？如果可以的话麻烦说一下具体的方法！

stock_ranker 模型会报错， xgboost不会

只能请各位大佬帮忙看看了，谢谢

https://bigquant.com/codeshare/57441371-b673-46db-922e-8c1e63d60b0e

\

想用纯代码模式改写下SR DAI版本的模板，但是不知道这处传进去的数据应该是什么格式

数据的重要性

巧妇难为无米之炊

数据是基础，是量化研究的一个关键环节，没有数据，量化就是无源之水，无根之木。所以，数据必须有。

垃圾进垃圾出

数据分析领域有一个名言，“Garbage in, Garbage out”，如果我们在模型里面，输入的数据有很多细节没有处理好，我们模型计算出来的结果，甚至有可能南辕北辙，模型的可信度大大降低。所以，数据要尽可能精确。

如何选择一个好的数据源？

免费 or 收费？

这是一个利弊权衡取舍的问题。这个世界上，不存在完全免费的东西，任何看似免费的东西，都是在以另一种方式收费。市场上的很多数据生产商，也必然遵

说在前面

在量化交易中，第一步也是最基础的一步就是获得数据，因为只有获得数据之后我们才能对我们的策略进行回测，进而判断该策略是否有盈利空间。

获得了数据之后，我们通常使用R、python等语言对数据进行处理。这其中往往会涉及格式整理、数据读取等步骤。于是我们想，如果可以直接通过R或python获取数据，就省去了很多麻烦，而R中的quantmod和python中的tushare正好可以实现这一目的，我将分两篇文章分别介绍一下这两个常用的工具吧。

这篇文章我们将如何使用R获取金融数据，我们经常使用的是大名鼎鼎的quantmod包。该包功能强大且简单便捷。下面我们通过一个例子进行

现在机器学习方法大行其道，很多人也想用这些方法来做CTA，我自己也做了一段时间，高频低频都有，觉得有些地方需要注意一下。

首先是数据处理方面。传统的量化交易系统喜欢主力连续合约或指数合约，其实最关键的是换月部分的处理。如果是主力连续，那么换月时计算指标回看行情的时候可能会用到不同的合约，这当然是不大合理的；如果用指数合约，其实更不靠谱，毕竟很多非主力合约买卖价差非常大，价格跳跃严重，而且换月部分还是用了不同的合约。靠谱一些的方法自然是每个合约都保存完整的行情，分别计算完技术指标，再抽取主力部分形成连续合约；而不是先生成连续合约再计算指标。

有了数据之后就是建模了。如果是分笔数据，5

软件即服务类推荐系统

SaaS推荐系统在开发过程中遇到很多挑战，比如必须处理多租户（multi-tenancy），存储和处理大量数据以及其他软件相关的问题，如在远程服务器上保护客户敏感数据的安全。

使用SaaS推荐系统的好处是，可以以较低的开销来获取价值，而不需要大量的前期投入，它们通常具有明确的集成方式提供给用户使用，并且在使用它时，可以对其进行开发和改进。

SaaS推荐系统有：

SuggestGrid：改进自Rcmmndr。SuggestGrid是一个通用推荐系统。它基于Apache Spark，但有很多改进。

Peerius：一个封闭的、专注于产品和电子

\


本期作者：Gonçalo Abreu

本期编译：1+1=6

前言

在过去的几个月里，我们花费了很多时间构建属于自己的入门级高频交易系统。由于我们将学习机器学习应用金融领域已经

在对金融数据进行分析时，我们往往更希望使用原始的非结构化数据。在对非结构化数据进行处理的过程中，更有机会发现竞争对手所不知道的特征。

金融数据的种类


1. *基本

下面这段话是我刚接触量化交易时导师回复我的，背景就是我请教导师如何学习量化交易，导师从美国对冲基金归国一直在国内做高频交易。PS：大概一个月没更新，下面几段话应该值回大家关注这个专栏。

关于量化其实不要神话了，就是对数据的处理，和内在规律性的探索。

工具上matlab，C++这样的能学多少学多少，行情数据都有，自己就可以来跑一些时间序列的模型，验证下是不是有规律可以发掘，比如有没有长期稳定的协整关系，这个一般是用来做pairs trading任何来自数据的规律都能转换为交易策略。

但是一旦过了工具关，能顺手的玩数据了，就要进入思想关了，这个关每个人必须自己来突破，所谓思想就是怎么

首先，欢迎大家关注我们的专栏：Alpha-Nebula，这次讲述的paper是“Can Online Emotions Predict the Stock Market in China?”，在这篇文章里，作者探寻了微博情绪与股票市场的价格波动之间的关系。

数据处理

1. 首先，由于作者观察到非交易日的微博数据明显减少，故而作者移除了非交易日的微博舆情数据。
2. 其次，作者之前在2012年发表过一篇paper：Zhao, J., Dong, L., Wu, J., Xu, K.: Mood