import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# 根据项目规范，定义策略参数
class PortfolioAnalysisCon

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# 根据项目规范，定义策略参数
class PortfolioAnalysisC

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# 根据项目规范，定义策略参数
class PortfolioAnalysisC

先感谢老韵同学，下面抄老韵同学的作业，改了3个模型进行训练，不知道为啥我这里xgboots的效果那么差，搞不清原因。感觉机器学习最重要的就是设置好因子和lable，目前没有头绪，没有对因子挖掘系统性的认知，现在就是瞎试。 之前lable没有用pct_rank_by，结果就很差，不知道如何运用pct_

作业1：\n1）测试筛选策略不同时期的风格是否会有变化？

结论：有变化。

实验变量：策略采用一个小市值因子 c_pct_rank(total_market_cap)，对比的是市场风格-市值收益率。

结果发现：策略在2020年1月至2025年8月，整体与市值因子相关系数最大，其次是beta和流动

https://bigquant.com/codesharev3/0b31571e-4809-4034-8605-b73b3234f64a

**策略设计

\

不同模型下的特征权重

在不同模型下，特征重要性有所不同

市销率和股息收益率加入过滤条件，并把股息收益率加放权重，情况改善很多

感悟：随着市场上机构比重的增加，对基本面也有了很多的要求。

[https://bigquant.com/codesharev3/946edaf7-9ac0-4bb9-8386-b970a5755f8b](https://b

例如取自选股中红宝丽20250322日09:24:57时刻的竞价价格和未匹配量

from bigmodule import M

# <aistudiograph>

# @param(id="m7", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m7_initialize_bigquant_run(con

本文件提供 BigQuant Python API 的使用说明，包括用户管理、策略运行、策略查询等功能。

前置代码（Python）

from bigquant.api import strategy, user, run

\

1 user 模块：用户

https://bigquant.com/codesharev3/91319f57-c25a-4c06-8b2b-6f01d14ffc03

熟悉因子分析

https://bigquant.com/codesharev3/5256593d-e0fb-4f30-a04b-0890b9f5b54e

\

影响策略效果的因子有很多，每个人所选择的因子也各有不同，选取因子后，如何分析数据，找出有效选股逻辑模型就成为重点。该数据分析工作是策略逻辑编写中最耗时的部分，本文介绍，如何简化数据分析的工作：数据标准化处理

举例说明：

当天收益因子：5000支票，可能会有1000+个不同的值，如：1

一、引言

在 A 股市场中，小盘股往往具备高成长潜力但波动较大，蓝筹股则以稳定分红和低波动为特征。如何平衡两类资产的风险与收益，是许多投资者关注的核心问题。本文分享一套量化策略 —— 通过混合小盘股与蓝筹股的股票池，结合组合优化动态调整权重，在控制不确定性风险的同时，捕捉不同市场环境下

0. 策略名词解释：

（1） Sharpe Ratio（夏普比率）

定义：夏普比率是衡量投资回报与风险的比值，反映单位风险所获得的超额收益。\n公式为：

![](/wiki/api/attachments.redirect?id=b90426d0-635d-4b2b-b48a-59c87

1. 用AI生成3个策略: 小市值策略，破净股策略，超跌反弹策略；
2. 3个策略回测后，将raw_perf里的returns和position存到数据库
3. 计算每个策略与factor_return表的相关性
4. 每个调仓日选取相关性最高的策略，用该策略的持仓作为风格轮动的持仓

代码：

分别用stockranker和xgboost做了滚动训练，stockranker的结果相对正常，xgboost非常离谱，不太清楚原因

一、stockranker

每年训练一次，每次用一年的数据滚动训练

from bigmodule import M

result = 

简介

BigTrader 是 BigQuant 推出的专业级量化交易引擎，采用 C++ 核心实现，并提供 Python API 接口和回调函数。它为量化投资者提供了一个全面的交易解决方案，无论您是初学者还是专业投资者，都能轻松上手使用。

核心特性

• 全市场覆盖
  • 多品种支

https://bigquant.com/codesharev3/96c50c11-0129-4859-a961-a614be5a016e

结果

今日作业：

\

1、请用自己的话解释什么是量化投资

答：

量化分几步

1 数据分析与挖掘：

• 分析挖掘价格信息 与 其他信息（ 比如 交易信息，基本面信息， 宏观信息等） 之间单维或者多维的关系。
• 关系可能是线性的，非线性的，时间序列的，横截面的等。

https://bigquant.com/codesharev3/9710d5b9-d38f-46e7-ad58-6ce7dae53d5e

\

数据获取思路：

1 用with , 将sql 分成三步 data_base，data_normalized ，以及features ,label 定义

2 data_base 获取初始字段，data_normalized 标准化， 以及pck_rank_by，获取横截面因子，m_leg 避

实现了 ：

xgboost 和 stockrank 的策略。以及 超参测试

相同因子的情况下， stockrank 要比 xgboost 更好些。

实现 ：\nxgboost 的策略\n\n因子设计

c_pct_rank(dividend_yield_ratio)

https://bigquant.com/codesharev3/6dcc2fbc-e575-4cbd-b38f-f4727caf601f

\

风格轮动

5月20日，采用小市值策略，5月27日轮动为流动性因子策略

我用“策略社区模板+万老师final全动态模板”与BQ的AI智能体编写了“宽指轮动选股策略-250807”，这个策略是针对沪深300、中证500、中证1000成分股股票池的股票，用Stock Ranker模型选股，然后将三个策略封装为三个用户因子表，再将三个因子表构成一个用三大宽基指数进行择时再对应

一、作业结论：

1、作业任务：通过将dai 函数喂给模型，让模型按照里面的算式构建因子，会形成越来越复杂的因子

2、作业结果：通过很普通的话术，一步步训练“模型”形成的因子，一步步走向构建复杂因子的方向，一步步从极大负收益可以调试到接近正收益。

二、作业过程：

1、先是按照老师的方法，在ge

手工通过大模型挖掘因子

一、改为deepseek API

二、因子挖掘

user = """
日期为2022-01-01到2024-01-01
我想做一个能够反应量价关系和个股财务情况相关的因子
"""

{
    "Thought": "为了

感谢万老师，这堂课收获非浅。无论是滚动训练框架，还是scikit-learn等知识的扩展，都对我的量化学习直到了非常大的启迪作用。

坦率讲，对平台和代码都还是半生不熟的情况下，这个作业的过程，就是一个非常高效的学习过程。

1、先试着补全一个线性模型。

首先拟定了五个常见因子，简化起见都是用

除了回测模块可以使用TWAP和VWAP外，平台数据库有直接获取TWAP和VWAP的方法吗？（老版本的bar1d_wap_CN_STOCK_A_adj表好像没有了）

基于随机森林模板，选了37个因子根据随机森林重要性排序。

保留前面9个最重要的因子，结果如下

![](/w

1.安装SDK（内测中）

联系工作人员申请成功后，将安装文件放到任意一个路径，输入pip install <路径>完成安装

2.bq命令的使用

如需测试，请在终端中测试，将下方指令替换成正确的信息(如自己的账号密码、正确的策略id)然后Enter

2.1 用户登录:

1. 先说结论

我只是跟 QuantAgent 聊了几句天、每次加一两个小条件，结果最后跑出来的回测年化收益率 60%+。 过程比点外卖还简单——点开对话框、打字、回车、等几秒钟。

2. Quant Agent 是啥？

可以把它想象成一个会写代码、会调数据、还懂交易策略的“量化机器人”。

一、尝试用不同的大模型实现因子的挖掘：

目的测试国内的主流大模型，看哪个大模型的能力更适合挖掘因子

提示词：

user = """
日期为2022-01-01到2024-01-01
我想做一个流动性增强因子
"""

qwen_plus：

以下是机器学习的作业，分别测试了XGBoost模型和线性回归模型，代码如下：

[https://bigquant.com/codesharev3/9f8b0f0d-a863-4f0c-ab89-2508ca68d72b](https://bigquant.com/codesharev3/9

在BigQuant上，您可以对接期货公司进行期货实时交易，当前实盘仅支持日内（实时）交易策略！大致流程如下：

1.在BigQuant上构建实时期货策略。

2.开通申万宏源期货账号。

3.在BigQuant上绑定期货账号。

4.添加实盘策略并设置条件后开始交易。

这里，默认您的账号里

0.策略名词解释

（1）LightGBM模型

LightGBM（Light Gradient Boosting Machine）是微软开源的一种基于梯度提升框架的高效实现。它主要用于机器学习中的监督学习任务，如分类、回归和排序等问题。本策略中使用的是回归。

githu

已挖掘的因子如下:

[

'因子 c_zscore((volume / turn)) 的 IC 为 0.015, 因子累计收益为 0.194, 年化收益为 0.097, 夏普比例为 0.551, 年化波动率为 0.206, 最大回撤为 -0.223',

'因子 c_zscore((c_z

折腾了几天，终于把3个模型的训练和比较都弄完了，走了很多弯路，训练模型也耗费了大量的时间，虽然作业完成得慢一些，但是在做的过程中得到了很大的提高，主要有以下几点心得：

1、对整个AIStudio工作环境更加了解，各个功能也都再熟悉了一遍，操作更顺手了

2、在完成作业过程中遇到过很多不明白的问题，

注：当前仅支持万和证券BigTrader量化交易终端

功能描述

本功能实现了从云端（bigquant.com）策略信号生成到终端自动获取并下单的完整闭环。用户在BigQuant云端平台运行量化策略后，系统会自动生成交易信号，用户在本地终端通过Python程序自动获取这些信号，最终将

1、请回顾你过去的交易经验，选择一个你曾经使用过的交易方法，尝试用量化的方式重新表达出来（用文字描述，无需代码实现）.。

1.SMA 及EMA 的黄金叉
2.短线向上破长线购入
3.移动止蚀，设为当前X滚移标准差的n倍
4.若当前止蚀高于记录的最高止蚀,设最高止蚀为当前止蚀.
5.跌破止蚀

一 什么是一致性风险度量

风险度量:是金融领域中量化资产或组合潜在损失的工具,核心是用数值描述未来可能发生的损失大小或概率,帮助投资者判断风险高低

普通风险度量是指未经过严格公里约束,仅从直观或经验出发设计的风险指标,常见的有:波动率(标准差),风险价值(VaR)

添加m5模块之前是可以正常选取可转债的，但是添加这个特征模块之后就选不出来了

[https://bigquant.com/codesharev3/acf0848c-173f-4ad4-ab2e-cd27b66a3c9f](https://bigquant.com/codesharev3/acf08

1、请用自己的话解释什么是量化投资。

使用数据化、数据科学,统计, 投研结果，使用系统化数据收集及回测，及使用程序交易方法投资。

\

2、请你列出你认为的量化投资的优势和劣势。

优势:

1.系统化,

2.理性，

3.evident-based,

4.可分散风险

缺点:

实盘整体流程

1.开通BigQuant合作券商账户（指定二维码开通享手续费优惠），并申请实盘、绑定实盘资金账号。

2.设置对应实盘资金账号的实盘策略，创建计划交易信号（实盘申请通过后：用户的实盘策略可选择用户的所有模拟交易策略）。

3.创建实盘访问凭证，获取对应访问凭证的密

BigQuant进行期货实时交易

\

1. Simnow官网创建注册获取交易交易账号；

(1) https://www.simnow.com.cn 登陆Simnow官网，点击右侧的注册账号

(2) 填入关键信息，手机号、密码等注册账号（==请务必记住自己的密码，后续绑定

多轮因子评估后，因子计算方式复杂，模型容易出现幻觉，将数据表信息，补充到上下文中。

将模型修改为kimi：

• api_key="sk-",

• base_url="https://api.moonshot.cn/v1"

• model="kimi-k2-0711-preview",

  \

0. 策略名词解释

（1）CatBoost模型

CatBoost 是由 Yandex（俄罗斯的一家互联网公司） 开发的一个 基于梯度提升（Gradient Boosting） 的机器学习库，主要用于 分类、回归、排序任务，以处理结构化数据为主。它的名字来自 “*

用了稳定性测试后的因子；

三个因子的权重，也是用稳定性工具对3个参数进行网格搜索的最优解1：8：1；

将仓位分配模块删了，相关信息写到了交易引擎的前处理部分；

时间跨度从22年初至今，3年周期的表现比较一般、但真实；

增加了大盘风控和个股止盈止损。

[https://bigquant.

总结

因子更重要还是模型更重要？

因子和模型同样重要，模型相同的情况，不同因子在回测中，差异巨大。相同因子在不同的模型下进行回测，表现也各不相同。

一个好的策略，是因子和模型共同组合得到的。

本次作业的三个模型对比：

• Random Forest：鲁棒、易调、抗过拟合，但“

\

我们在做什么？

这是一项关于项目团队中人与 AI 协作的学术研究，关注在真实工作中人机如何互补、哪些做法更有效。仅用于学术统计分析。

谁可以参与？

金融/金融科技从业者（银行、投资、保险、支付、合规/风控/市场基础设施等）；

或近 12 个月参与过人与 AI 协作项目的从业者（非金融领域也欢

https://bigquant.com/codesharev3/56dcbce6-f9c4-4dfe-9a34-c0510cf56323

\

https://bigquant.com/codesharev3/344ef1e3-564d-4479-9153-00aae1011c30

\

https://bigquant.com/codesharev3/544c97ae-d3c1-4bc0-92d6-b0e9dd09cef0

\

https://bigquant.com/codesharev3/5e8b026e-dcb4-45b6-84c0-148fdf5a17ba

\

直接取了小市值作为因子，训练了因子与未来10天收益率的关系。代码水平和时间有限，仅到能运行的程度，后续还需要很多时间继续优化。

[ https://bigquant.com/codesharev3/dcd2ef10-85d6-46fa-ba73-1ada53f6f300]( https://big

一、作业结论：

本次作业采用了线性回归和xgboost两种模型：

年收益分别是：线性回归30%、xgboost 52%。

二、作业过程：

1、搭建模型的框架

（1）框架的模型是按照“滚动训练策略”搭建起来的

（感受：原本自己在结合AI 搭建的，后来因为处理各种各样的错误花了很多时

我设置了卖出持有超过5日的股票，而且每天都在做股票池子筛选不知道为什么模拟交易的时候没有进行实际调仓

文档源码：

[https://bigquant.com/codesharev3/7bc0bca0-ca32-4bde-9b1e-9bc6ebd2d0aa](https://bigquant.co

按照本次作业要求，我根据笑宇老师的讲解及给的模版，借住AI编程，分了几个步骤，完成作业如下：

1、先根据之前老师的讲解，选择小市值因子、换手率因子等有效因子，构建策略因子组合，时间关系选了4个，后续可以用老师讲解的因子分析表替换可能的有效因子\n2、基于笑宇老师给的模版，运用AI完成线性回归策略，

1、请用自己的话解释什么是量化投资。

答：我觉得，就好像是用一套具体的的数学公式来代替人去选股票，个人的话通常是凭感觉决定买不买。而量化投资就像是给投资做了一套标准化的步骤流程，用很多数据，然后把这些数据输入到一个模型里。这个模型会像根据设定好的规则，做出买卖决策。

2、请你列出你认为的量化

因子概述 ABN TURN（异常换手）：衡量股票近期换手率相对于长期换手率的异常程度，计算方式为过去20个交易日平均换手率除以过去250个交易日平均换手率。

-1 * m_avg(turn, 20) / m_avg(turn, 252)

因子回测报告

1. 因子可信度：中等偏弱，

1. 趋势增强因子

在原来趋势得分因子的基础上，加入了时间的二次项和时间的三角函数项，分别代表趋势强度和趋势波动，并通过岭回归算法计算预测值，算出加强后的拟合优度，从而计算趋势增强因子。

1.1 原来的趋势得分因子

![](/wiki/api/attachments.redirec

0811策略日志

0811策略日志

1. 首页改造
2. 优化
3. 策略编写

\

https://bigquant.com/codesharev3/a430f47c-fcb4-4a6f-9b07-52ba50530c18

\

对比两个版本

1-因子和模型同样重要，因子是食材，模型是厨师，缺哪个都不行，好因子+差模型也很难跑出比较好的收益。如果是确定的模型，确定的数据来源，哪怕只是改回排序，做好特征，绩效也有明显提升

![](/wiki/api/attachments.redirect?id=35453b58-b67

可视化编程状态下DNN模型针对沪深300、中证500、中证1000指数的ETF策略，策略回测正常，但提交模拟失败，请解决？\n策略分享链接： https://bigquant.com/codesharev3/079766cb-7157-4e26-abf1-d2faf4c965c7\n提交模拟链接：

•因子更重要还是模型更重要？

我认为因子更重要，只有好的因子才能做出好的策略。

相同因子下不同模型的区别：

每次训练时间比较长，时间有限，只跑了线性回归的策略。而且收益也没有调的很好。

后续有时间再持续优化，并跑其他策略比较。

[https://bigquant.c

为了上难度，用了个三参数(策略本身没意义哈，只为了熟悉策略回测各环节），策略代码如下：

[https://bigquant.com/codesharev3/acc72621-b644-4961-9a13-375d4d4ea840](https://bigquant.com/codesharev3/

使用总市值，换手率，pe_ttim和净利润(单季度, 同比增长)的截面排序 4个因子作为因子，使用LinearRegression，xgboost和随机森林分别进行回归，LinearRegression效果最好，如下图所示。

![](/wiki/api/attachments.redirect?

• 因子和模型同样重要，因子和模型的组合决定了量化交易策略的效果。

• 不同因子在相同模型下的回测表现差异巨大，相同因子在不同模型下的回测表现也各不相同（图1vs图2）。

• 因子决定潜在收益空间，模型能够提升回测和实盘中的收益表现。

• 模型和因子的相对重要性会随着环境变化而变化。

  \

非常感谢张伟同学和四金同学的作业能给我看，我还好多代码不会写。

from bigmodule import M

# <aistudiograph>

# @param(id="m5", name="initialize")
# 交易引擎：初始化函数，只执行一次

from bigmodule import M

# <aistudiograph>

# @param(id="m7", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m7_initialize_bigquant_run(con

from bigmodule import M

# <aistudiograph>

# @param(id="m5", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m5_initialize_bigquant_run(con

from bigmodule import M

# <aistudiograph>

# @param(id="m5", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m5_initialize_bigquant_run(con

1、请回顾你过去的交易经验，选择一个你曾经使用过的交易方法，尝试用量化的方式重新表达出来（用文字描述，无需代码实现）

 优选2-3个近期热点行业筹码峰低位集中的2-3之股票。最好是看的出来主力持仓开始集中了。
 量化表达：

 (一)定义板块动量因子确定热门板块

 (二)定义股票动量因子

https://bigquant.com/codesharev3/48aca0c3-b15f-49fe-8ab5-a7dc522cc6bb

\

1.什么是量化投资

量化投资，简单说就是“用数学和算法代替人脑做买卖”。它把选股、择时、仓位、等所有环节都写成可计算、可回测的规则，然后让电脑按规则执行。核心要素可以拆成三块：

1. 研究什么\n• 因子：把股票好坏翻译成可量化的指标，如估值、动量、情绪、突发事件等。\n• 产生交易信号

https://bigquant.com/codesharev3/2820381c-7f3e-416c-9d15-759b03ea6cde

**对代码部

https://bigquant.com/codesharev3/b4e21182-5837-40eb-b8ed-67cf93d7b3e2

\

感谢：作业太难了，感谢TCB的作业可以抄抄，比较简洁。

变化：n1，n2两个参数可调；持仓50只股票；增加了几个过滤条件如非ST、非停牌、非北交所板块等。

洞察：将北交所剔除后，夏普率从2.15下降到1.69，说明微盘股可能和很多人没关系因为无法买卖北交所股票。

==问题：批改作业的老师，

对每一只股票，取最近 10个交易日 的最低价序列做 时间序列排序；在横截面（同一天所有股票）上，把上面得到的 0–1 分位值再排一次序，又得到 0–1 之间的分位值；因子值越大 → 股票当前价越接近 10 日最低点（时间序列排序值越低，再取负后反而越大）；**因子值越

影响策略效果的因子有很多，每个人所选择的因子也各有不同，选取因子后，如何分析数据，找出有效选股逻辑模型就成为重点。该数据分析工作是策略逻辑编写中最耗时的部分，本文介绍，如何简化数据分析的工作：数据标准化处理

举例说明：

当天收益因子：5000支票，可能会有1000+个不同的值，如：1

https://bigquant.com/codesharev3/06edc584-60af-4a2c-8d73-dc6e14cb8c3b

\

https://bigquant.com/codesharev3/f88fd3eb-71ab-4b11-b0c1-de20d52a3d01

\

换手率（turn）、股东变化数（shareholder_chg）和股东数量（a_shareholder），我将设计一个综合因子。以下是完整的因子设计方案：

设计思路

\n

1. 核心逻辑：
   • 换手率反映股票流动性（流动性越高，市场关注度越高）
   • 股东变

0. 策略名词解释

（1）XGBoost模型

XGBoost 是一种基于梯度提升树（Gradient Boosted Trees）的高效机器学习算法，常用于排序、分类、回归等任务，在bigquant平台上只用于排序任务，主要有三种：排序学习（NDCG）; 排序学习（Rankne

https://bigquant.com/codesharev3/7018d7d1-c6e0-4ce9-9951-be156792c627

![](/

因子说明：

高成长+低换手+小市值(成交额波动小，流动性不足)

c_pct_rank(net_profit_to_parent_deduct_cagr_3_ttm) + c_pct_rank(-m_sum(turn, 5)) + c_pct_rank(-M_nanstd(am

https://bigquant.com/codesharev3/f8b82781-fe3e-4733-a273-93c2600476bb

\

换手率与市值因子

[https://bigquant.com/codesharev3

因子说明：

低换手 + 高成长 + 小市值

   c_pct_rank(net_profit_mrq_yoy) + c_pct_rank(-m_sum(turn, 10)) + c_pct_rank(-total_market_cap)  AS factor

==--具有行业风格特征的策略应该如何系统构建？==

0. 电子行业概览

电子行业是一个以电子元器件、电子设备及其相关材料和制造工艺为核心的综合性产业体系，覆盖从基础元器件制造到整机装配、系统集成等多个环节。该行业技术密集度高、更新迭代快，具有强烈的全球分工特征。

在 **申万行业

https://bigquant.com/codesharev3/0a5687f3-4bb5-4506-b297-f4accfad4bf8

\