首页 编写策略 数据平台 策略社区 我的策略 宽客学院 知识库
免费注册

烤肉_作业

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

由godspeedgld创建，最终由godspeedgld更新于

张伟_作业

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：

由bqz709ry创建，最终由bqz709ry更新于

张伟_作业

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

由bqz709ry创建，最终由bqz709ry更新于

期货实时实盘交易

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

由small_q创建，最终由small_q更新于

策略分享—基于LightGBM模型和超参优化的收益率预测策略

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

由bq0m8rec创建，最终由bq9vd1b6更新于

bqbppxmo_作业


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

由bqbppxmo创建，最终由bqbppxmo更新于

老韵-机器学习作业

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

由bqgl97s8创建，最终由bqtzejx8更新于

猫见愁Terry_作业

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，

由bqaht3rj创建，最终由bqaht3rj更新于

实盘自动化交易功能

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

由small_q创建，最终由small_q更新于

bqvesixq_作业提交

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

由bqvesixq创建，最终由bqvesixq更新于

一致性风险度量的全天候策略

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)

由bqy4a9le创建，最终由bqy4a9le更新于

bqvesixq作业提交

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:

由bqvesixq创建，最终由bqvesixq更新于

BigTrader AI量化交易终端（股票实盘）

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

由small_q创建，最终由small_q更新于

期货实时模拟交易

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

由small_q创建，最终由small_q更新于

四金_作业

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",

    \

由bqf6mces创建，最终由bqf6mces更新于

策略分享-基于CatBoost模型与分类任务的ETF选基策略

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 “*

由bq0m8rec创建，最终由bq0m8rec更新于

碧空净_作业提交

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.

由bq9ndiek创建，最终由bq9ndiek更新于

四金_作业

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“

由bqf6mces创建，最终由bqf6mces更新于

诚邀参与我关于人–AI 协作的学术预调查（5–10 分钟，匿名；仅用于研究）。

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

由bq0usphz创建，最终由bq0usphz更新于

bqzzgc5a

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

由bqzzgc5a创建，最终由bqzzgc5a更新于

Liujunze_作业

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

由bq8buwub创建，最终由bq8buwub更新于

【平台使用】模拟交易没有实际调仓问题

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

由bqr422g2创建，最终由xiaoshao更新于

喜澄的作业

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，

由bq5campb创建，最终由small_q更新于

bqd17wit_作业提交

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

由bqd17wit创建，最终由small_q更新于

LJY作业提交

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，

由bqh5588x创建，最终由bqh5588x更新于

策略分享——趋势增强因子ETF策略

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

由sywgfuture01创建，最终由sywgfuture01更新于

0811策略日志

0811策略日志

0811策略日志

  1. 首页改造
  2. 优化
  3. 策略编写

\

由bq14w8qp创建，最终由bq14w8qp更新于

yzc作业

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

由yzc18811006016创建，最终由yzc18811006016更新于

【代码报错】组合策略提交模拟失败

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

由peng1960hong创建，最终由peng1960hong更新于

【代码报错】提交模拟失败

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：

由peng1960hong创建，最终由peng1960hong更新于

Skelton作业提交

•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

由bqafrbvb创建，最终由bqafrbvb更新于

老韵:超参测试绘图作业

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/

由bqgl97s8创建，最终由bqgl97s8更新于

bqbppxmo_作业

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?

由bqbppxmo创建，最终由bqbppxmo更新于

bqae70pv作业提交

  • 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。

    \

由bqae70pv创建，最终由bqae70pv更新于

陈雨作业，0805


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

由bqtzejx8创建，最终由bqtzejx8更新于

陈雨作业，0804

import matplotlib.pyplot as plt
import seaborn as sns

wegiht_list = [0.8,0.6,0.4,0.2]

p_values = pd.DataFrame([])
for weight in wegi

由bqtzejx8创建，最终由bqtzejx8更新于

陈雨作业-0801

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

由bqtzejx8创建，最终由bqtzejx8更新于

陈雨作业，0730

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

由bqtzejx8创建，最终由bqtzejx8更新于

陈雨作业，0731

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

由bqtzejx8创建，最终由bqtzejx8更新于

陈雨作业，0729

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

由bqtzejx8创建，最终由bqtzejx8更新于

陈雨的作业，0728

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

由bqtzejx8创建，最终由bqtzejx8更新于

碧空净_作业提交

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，

由bq9ndiek创建，最终由bq9ndiek更新于

yinyu作业提交

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

由bqg4auih创建，最终由bqg4auih更新于

优秀策略分享——数据标准化策略

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

由bq71v3n7创建，最终由bq71v3n7更新于

邹的作业

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

由bq9dhg5r创建，最终由bq9dhg5r更新于

策略分享-基于XGBoost模型和滚动训练的预测策略

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

由bq0m8rec创建，最终由bq0m8rec更新于

bqae70pv作业提交

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

由bqae70pv创建，最终由bqae70pv更新于

bqbppxmo_作业

换手率与市值因子






[https://bigquant.com/codesharev3

由bqbppxmo创建，最终由bqbppxmo更新于

四金_作业


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

由bqf6mces创建，最终由bqf6mces更新于

策略分享-基于成长因子的电子行业多因子选股策略

==--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

由bq0m8rec创建，最终由bq0m8rec更新于

BigTrader 量化交易引擎

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

由qxiao创建，最终由bqaht3rj更新于

在投资组合管理中应用大型语言模型（LLM）：创建主题宇宙指数

在这篇文章中，我们将探讨大型语言模型（LLM）在金融领域的应用，涵盖以下主题：

  • 量化金融
  • 投资组合管理
  • 情感分析
  • 新闻分析
  • OpenAI API和Python

我们将展示如何将LLM与OpenAI API和Python等工具结合使用，以简化生成主题投资组合和分析趋势等流程，从

由googleglass创建，最终由bqzau2ce更新于

TCB交作业

1、按照老师要求设置大盘4%，个股5%，-2%止损。\n2、感觉个股的阈值限制太低了，削弱了部分收益。

3、用ai帮写的代码，把老师的可视化画布给弄坏了，我也不知道怎么修：（

4、迟交作业，我错了。

[https://bigquant.com/codesharev3/390ce6a2-3def

由bqfua3ny创建，最终由bqfua3ny更新于

BigTrader 相关术语

\

分类 中文名 英文名 建议的代码变量名
绩效评估指标 累计净值 Cumulative Net Value cumulative_net_value 或 cum_net_value
绩效评估指标 年化收益

由jliang创建，最终由bq1tgawk更新于

【平台使用】如何剔除科创板、北交所，只保留主板数据

你好，我修改了这个策略的代码，想只保留主板的数据，但是运行回测数据没有变化，是什么原因呢？

策略：

[https://bigquant.com/codesharev3/fc26699e-a006-4e90-8609-8ebcbee38ff6](https://bigquant.com/codes

由bqrlttmv创建，最终由small_q更新于

【平台使用】模拟交易信号产生有问题

请技术来看看


源码：

[https://bigquant.com/codesharev3/15afa818-8cac-442a-8936-9bef606e7b0f](https://bigquant.com/codesharev3/15afa818-8cac-442a-8936-9bef60

由bqagh3rw创建，最终由small_q更新于

梅玺交作业

原始SQL调整：

context.sql = f"""
            select
            date,
            instrument,
            pct_rank_by(date,total_market_cap)

由bqmfycsy创建，最终由bqmfycsy更新于

大类ETF-DRO组合优化-不确定集、扰动逻辑优化

一、引言

在量化投资中，组合优化的鲁棒性直接影响策略的实战表现。近期我们对基于 Wasserstein 距离的分布式鲁棒优化（DRO）策略进行了迭代，看似细微的调整背后，其实藏着对组合稳定性和资产适配性的深度考量。下面就来详细说说第二个版本（代码 2）到底改了什么、为什么改以及如何实现的。

由bq9e696k创建，最终由bq9e696k更新于

bqbppxmo_作业提交

新增了ROE指标

[https://bigquant.com/codesharev3/769c6e87-7d37-4a49-ac1e-6caae3ef2b30](https://bigquant.com/codesharev3/769c6e87-7d37-4a49-ac1e-6caae3ef2b3

由bqbppxmo创建，最终由yangduoduo05更新于

{link}