克隆策略

In [3]:

## 策略简介

因子：样例因子（7个）

因子是否标准化：是

标注：未来5日收益(不做离散化)

算法：DNN

类型：回归问题

训练集：10-15年

测试集：16-19年

选股依据：根据预测值降序排序买入

持股数：30

持仓天数：5

  File "<ipython-input-3-a238bfba537a>", line 3
    因子：样例因子（7个）
              ^
SyntaxError: invalid character in identifier

模型结构

输入层 7 - 因子数量

全连接层 256 激活函数为relu

dropout 0.1

全连接层 128 激活函数为relu

全连接层 1 激活函数为linear - 预测输出

In [1]:

# 本代码由可视化策略环境自动生成 2021年11月25日 17:38
# 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。


# 用户的自定义层需要写到字典中，比如
# {
#   "MyLayer": MyLayer
# }
m5_custom_objects_bigquant_run = {
    
}

# 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 m24_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    pred_label = input_1.read_pickle()
    df = input_2.read_df()
    df = pd.DataFrame({'pred_label':pred_label[:,0], 'instrument':df.instrument, 'date':df.date})
    df.sort_values(['date','pred_label'],inplace=True, ascending=[True,False])
    return Outputs(data_1=DataSource.write_df(df), data_2=None, data_3=None)

# 后处理函数，可选。输入是主函数的输出，可以在这里对数据做处理，或者返回更友好的outputs数据格式。此函数输出不会被缓存。
def m24_post_run_bigquant_run(outputs):
    return outputs

# 回测引擎：初始化函数，只执行一次
def m13_initialize_bigquant_run(context):
    # 加载预测数据
    context.ranker_prediction = context.options['data'].read_df()

    # 系统已经设置了默认的交易手续费和滑点，要修改手续费可使用如下函数
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
    # 预测数据，通过options传入进来，使用 read_df 函数，加载到内存 (DataFrame)
    # 设置买入的股票数量，这里买入预测股票列表排名靠前的5只
    stock_count = 5
    # 每只的股票的权重，如下的权重分配会使得靠前的股票分配多一点的资金，[0.339160, 0.213986, 0.169580, ..]
    context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 0.2
    context.hold_days = 5
# 回测引擎：每日数据处理函数，每天执行一次
def m13_handle_data_bigquant_run(context, data):
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.ranker_prediction[
        context.ranker_prediction.date == data.current_dt.strftime('%Y-%m-%d')]

    # 1. 资金分配
    # 平均持仓时间是hold_days，每日都将买入股票，每日预期使用 1/hold_days 的资金
    # 实际操作中，会存在一定的买入误差，所以在前hold_days天，等量使用资金；之后，尽量使用剩余资金（这里设置最多用等量的1.5倍）
    is_staging = context.trading_day_index < context.hold_days # 是否在建仓期间（前 hold_days 天）
    cash_avg = context.portfolio.portfolio_value / context.hold_days
    cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
    cash_for_sell = cash_avg - (context.portfolio.cash - cash_for_buy)
    # 通过positions对象，使用列表生成式的方法获取目前持仓的股票列表
    stock_hold_now = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.portfolio.positions.items()}
    # 所拥有的仓位情况
    positions = {e.symbol: p for e, p in context.portfolio.positions.items() if p.amount>0}
    
     #------------------------------------------止赢模块START--------------------------------------------
    date = data.current_dt.strftime('%Y-%m-%d')
    positions_1 = {e.symbol: p.cost_basis  for e, p in context.portfolio.positions.items()}
    # 新建当日止赢股票列表是为了handle_data 策略逻辑部分不再对该股票进行判断
    current_stopwin_stock = [] 
    if len(positions_1) > 0:
        for i in positions.keys():
            stock_cost = positions_1[i] 
            stock_market_price = data.current(context.symbol(i), 'price') 
            # 赚3元就止赢
            if stock_market_price - stock_cost >= 5: 
                context.order_target_percent(context.symbol(i),0)
                cash_for_sell -= stock_hold_now[i]
                current_stopwin_stock.append(i)
                print('日期：',date,'股票：',i,'出现止盈状况')
    #-------------------------------------------止赢模块END---------------------------------------------
    
    #------------------------------------------止损模块START--------------------------------------------
    
    # 新建当日止损股票列表是为了handle_data 策略逻辑部分不再对该股票进行判断
    current_stoploss_stock = [] 
    if len(positions) > 0:
        for i in positions.keys():
            stock_market_price = data.current(context.symbol(i), 'price')  # 最新市场价格
            last_sale_date = positions[i].last_sale_date   # 上次交易日期
            delta_days = data.current_dt - last_sale_date  
            hold_days = delta_days.days # 持仓天数
            # 建仓以来的最高价
            highest_price_since_buy = data.history(context.symbol(i), 'high', hold_days, '1d').max()
            # 确定止损位置
            stoploss_line = highest_price_since_buy - highest_price_since_buy * 0.25
            record('止损位置', stoploss_line)
            # 如果价格下穿止损位置
            if stock_market_price < stoploss_line:
                context.order_target_percent(context.symbol(i),0)
                cash_for_sell -= stock_hold_now[i]
                current_stoploss_stock.append(i)
                print('日期：', date , '股票：', i, '出现止损状况')
    #-------------------------------------------止损模块END--------------------------------------------------


    # 2. 生成卖出订单：hold_days天之后才开始卖出；对持仓的股票，按StockRanker预测的排序末位淘汰
    stock_to_sell = []
    stock_to_sell = current_stopwin_stock + current_stoploss_stock
    if not is_staging and cash_for_sell > 0:
        if len(positions) > 0:
            for instrument in positions.keys():
                last_sale_date = positions[instrument].last_sale_date   #上次交易日期
                delta_days = data.current_dt - last_sale_date  
                hold_days = delta_days.days #持仓天数
                # 股票实行t+1制度，必须使持仓天数大于0
                if hold_days > 0:
                    equities = {e.symbol: e for e, p in context.portfolio.positions.items()}
                    instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
                        lambda x: x in equities and not context.has_unfinished_sell_order(equities[x]))])))
                    # print('rank order for sell %s' % instruments)
                    for instrument1 in instruments:
                        context.order_target(context.symbol(instrument1), 0)
                        cash_for_sell -= positions_1[instrument1]
                        if cash_for_sell <= 0:
                            break  

    # 3. 生成买入订单：按StockRanker预测的排序，买入前面的stock_count只股票
    buy_cash_weights = context.stock_weights
    buy_instruments = list(ranker_prediction.instrument[:len(buy_cash_weights)])
    max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument
    
    for i, instrument in enumerate(buy_instruments):
        cash = cash_for_buy * buy_cash_weights[i]
        if cash > max_cash_per_instrument - stock_hold_now.get(instrument, 0):
            # 确保股票持仓量不会超过每次股票最大的占用资金量
            cash = max_cash_per_instrument - stock_hold_now.get(instrument, 0)
        if cash > 0:
            # 获取今天和过去两天的成交量
            volume_since_buy = data.history(context.symbol(instrument), 'volume', 3, '1d')
            close_price = data.current(context.symbol(instrument), 'close')  #当收盘价
            high_price = data.current(context.symbol(instrument), 'high')  #当天最高价
            # 冲高回落的股票不能买
            if ((volume_since_buy[2]/volume_since_buy[1] < 2.5) or (high_price/close_price<1.05)) and volume_since_buy[2]/volume_since_buy[0] > 1:
                current_price = data.current(context.symbol(instrument), 'price')
                amount = math.floor(cash / current_price - cash / current_price % 100)
                context.order(context.symbol(instrument), amount)
                return
# 回测引擎：准备数据，只执行一次
def m13_prepare_bigquant_run(context):
    pass

# 回测引擎：每个单位时间开始前调用一次，即每日开盘前调用一次。
def m13_before_trading_start_bigquant_run(context, data):
    pass


m1 = M.instruments.v2(
    start_date='2015-01-01',
    end_date='2019-12-31',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m2 = M.advanced_auto_labeler.v2(
    instruments=m1.data,
    label_expr="""# #号开始的表示注释
# 0. 每行一个，顺序执行，从第二个开始，可以使用label字段
# 1. 可用数据字段见 https://bigquant.com/docs/data_history_data.html
#   添加benchmark_前缀，可使用对应的benchmark数据
# 2. 可用操作符和函数见 `表达式引擎 <https://bigquant.com/docs/big_expr.html>`_

# 计算收益：5日收盘价(作为卖出价格)除以明日开盘价(作为买入价格)
shift(close, -5) / shift(open, -1)-1

# 极值处理：用1%和99%分位的值做clip
clip(label, all_quantile(label, 0.01), all_quantile(label, 0.99))

# 过滤掉一字涨停的情况 (设置label为NaN，在后续处理和训练中会忽略NaN的label)
where(shift(high, -1) == shift(low, -1), NaN, label)
""",
    start_date='',
    end_date='',
    benchmark='000300.SHA',
    drop_na_label=True,
    cast_label_int=False
)

m33 = M.standardlize.v9(
    input_1=m2.data,
    standard_func='ZScoreNorm',
    columns_input='label'
)

m3 = M.input_features.v1(
    features="""close_0/mean(close_0,5)
close_0/mean(close_0,10)
close_0/mean(close_0,20)
close_0/open_0
open_0/mean(close_0,5)
open_0/mean(close_0,10)
open_0/mean(close_0,20)
return_5
return_10
avg_amount_0/avg_amount_5
rank_avg_amount_0/rank_avg_amount_5
rank_return_0
rank_return_5
rank_return_0/rank_return_5
pe_ttm_0








""",
    m_cached=False
)

m12 = M.input_features.v1(
    features_ds=m3.data,
    features="""# #号开始的表示注释
# 多个特征，每行一个，可以包含基础特征和衍生特征
close_0
high_1
open_0
low_0
st_status_0"""
)

m15 = M.general_feature_extractor.v7(
    instruments=m1.data,
    features=m12.data,
    start_date='',
    end_date='',
    before_start_days=0
)

m16 = M.derived_feature_extractor.v3(
    input_data=m15.data,
    features=m12.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=True,
    remove_extra_columns=False
)

m31 = M.standardlize.v9(
    input_1=m16.data,
    input_2=m3.data,
    standard_func='ZScoreNorm',
    columns_input='[]'
)

m7 = M.join.v3(
    data1=m33.data,
    data2=m31.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m19 = M.filter.v3(
    input_data=m7.data,
    expr='st_status_0==0 and low_0>high_1 and close_0>open_0',
    output_left_data=False
)

m26 = M.dl_convert_to_bin.v2(
    input_data=m19.data,
    features=m12.data,
    window_size=1,
    feature_clip=5,
    flatten=True,
    window_along_col='instrument'
)

m9 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2020-01-01'),
    end_date=T.live_run_param('trading_date', '2021-11-19'),
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m17 = M.general_feature_extractor.v7(
    instruments=m9.data,
    features=m12.data,
    start_date='',
    end_date='',
    before_start_days=0
)

m18 = M.derived_feature_extractor.v3(
    input_data=m17.data,
    features=m12.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=True,
    remove_extra_columns=False
)

m34 = M.standardlize.v9(
    input_1=m18.data,
    input_2=m3.data,
    standard_func='ZScoreNorm',
    columns_input='[]'
)

m28 = M.filter.v3(
    input_data=m34.data,
    expr='st_status_0==0 and low_0>high_1+0.02 and close_0>open_0',
    output_left_data=False
)

m27 = M.dl_convert_to_bin.v2(
    input_data=m28.data,
    features=m12.data,
    window_size=1,
    feature_clip=5,
    flatten=True,
    window_along_col='instrument'
)

m6 = M.dl_layer_input.v1(
    shape='20',
    batch_shape='',
    dtype='float32',
    sparse=False,
    name=''
)

m8 = M.dl_layer_dense.v1(
    inputs=m6.data,
    units=256,
    activation='relu',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='Zeros',
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    bias_constraint='None',
    name=''
)

m21 = M.dl_layer_dropout.v1(
    inputs=m8.data,
    rate=0.1,
    noise_shape='',
    name=''
)

m20 = M.dl_layer_dense.v1(
    inputs=m21.data,
    units=128,
    activation='relu',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='Zeros',
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    bias_constraint='None',
    name=''
)

m22 = M.dl_layer_dropout.v1(
    inputs=m20.data,
    rate=0.1,
    noise_shape='',
    name=''
)

m23 = M.dl_layer_dense.v1(
    inputs=m22.data,
    units=1,
    activation='linear',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='Zeros',
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    bias_constraint='None',
    name=''
)

m4 = M.dl_model_init.v1(
    inputs=m6.data,
    outputs=m23.data
)

m5 = M.dl_model_train.v1(
    input_model=m4.data,
    training_data=m26.data,
    optimizer='Adam',
    loss='mean_squared_error',
    metrics='mse',
    batch_size=1024,
    epochs=20,
    custom_objects=m5_custom_objects_bigquant_run,
    n_gpus=0,
    verbose='2:每个epoch输出一行记录',
    m_cached=False
)

m11 = M.dl_model_predict.v1(
    trained_model=m5.data,
    input_data=m27.data,
    batch_size=1024,
    n_gpus=0,
    verbose='2:每个epoch输出一行记录'
)

m24 = M.cached.v3(
    input_1=m11.data,
    input_2=m28.data,
    run=m24_run_bigquant_run,
    post_run=m24_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m13 = M.trade.v4(
    instruments=m9.data,
    options_data=m24.data_1,
    start_date='',
    end_date='',
    initialize=m13_initialize_bigquant_run,
    handle_data=m13_handle_data_bigquant_run,
    prepare=m13_prepare_bigquant_run,
    before_trading_start=m13_before_trading_start_bigquant_run,
    volume_limit=0.025,
    order_price_field_buy='open',
    order_price_field_sell='close',
    capital_base=1000000,
    auto_cancel_non_tradable_orders=True,
    data_frequency='daily',
    price_type='后复权',
    product_type='股票',
    plot_charts=True,
    backtest_only=False,
    benchmark=''
)

[2021-11-25 13:41:59.841234] INFO: moduleinvoker: instruments.v2 开始运行..

[2021-11-25 13:41:59.865630] INFO: moduleinvoker: 命中缓存

[2021-11-25 13:41:59.868011] INFO: moduleinvoker: instruments.v2 运行完成[0.026811s].

[2021-11-25 13:41:59.880626] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2021-11-25 13:41:59.888882] INFO: moduleinvoker: 命中缓存

[2021-11-25 13:41:59.892172] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.011546s].

[2021-11-25 13:41:59.900328] INFO: moduleinvoker: standardlize.v9 开始运行..

[2021-11-25 13:41:59.911186] INFO: moduleinvoker: 命中缓存

[2021-11-25 13:41:59.913670] INFO: moduleinvoker: standardlize.v9 运行完成[0.013335s].

[2021-11-25 13:41:59.924906] INFO: moduleinvoker: input_features.v1 开始运行..

[2021-11-25 13:41:59.965431] INFO: moduleinvoker: input_features.v1 运行完成[0.040542s].

[2021-11-25 13:41:59.971328] INFO: moduleinvoker: input_features.v1 开始运行..

[2021-11-25 13:42:00.024512] INFO: moduleinvoker: input_features.v1 运行完成[0.053137s].

[2021-11-25 13:42:00.055457] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2021-11-25 13:42:00.071330] INFO: moduleinvoker: 命中缓存

[2021-11-25 13:42:00.074059] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.018652s].

[2021-11-25 13:42:00.085053] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2021-11-25 13:42:09.790864] INFO: derived_feature_extractor: 提取完成 avg_amount_0/avg_amount_5, 0.011s

[2021-11-25 13:42:13.216332] INFO: derived_feature_extractor: 提取完成 close_0/mean(close_0,10), 3.424s

[2021-11-25 13:42:16.472203] INFO: derived_feature_extractor: 提取完成 close_0/mean(close_0,20), 3.253s

[2021-11-25 13:42:19.750830] INFO: derived_feature_extractor: 提取完成 close_0/mean(close_0,5), 3.277s

[2021-11-25 13:42:19.758042] INFO: derived_feature_extractor: 提取完成 close_0/open_0, 0.006s

[2021-11-25 13:42:23.020184] INFO: derived_feature_extractor: 提取完成 open_0/mean(close_0,10), 3.261s

[2021-11-25 13:42:26.290998] INFO: derived_feature_extractor: 提取完成 open_0/mean(close_0,20), 3.265s

[2021-11-25 13:42:29.755232] INFO: derived_feature_extractor: 提取完成 open_0/mean(close_0,5), 3.462s

[2021-11-25 13:42:29.765019] INFO: derived_feature_extractor: 提取完成 rank_avg_amount_0/rank_avg_amount_5, 0.007s

[2021-11-25 13:42:29.772630] INFO: derived_feature_extractor: 提取完成 rank_return_0/rank_return_5, 0.006s

[2021-11-25 13:42:32.055470] INFO: derived_feature_extractor: /y_2015, 569698

[2021-11-25 13:42:34.180510] INFO: derived_feature_extractor: /y_2016, 641546

[2021-11-25 13:42:36.678758] INFO: derived_feature_extractor: /y_2017, 743233

[2021-11-25 13:42:39.901945] INFO: derived_feature_extractor: /y_2018, 816987

[2021-11-25 13:42:43.096575] INFO: derived_feature_extractor: /y_2019, 884867

[2021-11-25 13:42:48.200663] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[48.115604s].

[2021-11-25 13:42:48.209175] INFO: moduleinvoker: standardlize.v9 开始运行..

[2021-11-25 13:44:40.541793] INFO: moduleinvoker: standardlize.v9 运行完成[112.332575s].

[2021-11-25 13:44:40.563941] INFO: moduleinvoker: join.v3 开始运行..

[2021-11-25 13:45:04.171326] INFO: join: /data, 行数=3551812/3584516, 耗时=16.655225s

[2021-11-25 13:45:04.289567] INFO: join: 最终行数: 3551812

[2021-11-25 13:45:04.331244] INFO: moduleinvoker: join.v3 运行完成[23.767289s].

[2021-11-25 13:45:04.347264] INFO: moduleinvoker: filter.v3 开始运行..

[2021-11-25 13:45:04.398510] INFO: filter: 使用表达式 st_status_0==0 and low_0>high_1 and close_0>open_0 过滤

[2021-11-25 13:45:08.827461] INFO: filter: 过滤 /data, 49201/0/3551812

[2021-11-25 13:45:08.879691] INFO: moduleinvoker: filter.v3 运行完成[4.53242s].

[2021-11-25 13:45:08.905054] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2021-11-25 13:45:09.069417] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.164364s].

[2021-11-25 13:45:09.079322] INFO: moduleinvoker: instruments.v2 开始运行..

[2021-11-25 13:45:09.088761] INFO: moduleinvoker: 命中缓存

[2021-11-25 13:45:09.090422] INFO: moduleinvoker: instruments.v2 运行完成[0.011119s].

[2021-11-25 13:45:09.102805] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2021-11-25 13:45:09.109532] INFO: moduleinvoker: 命中缓存

[2021-11-25 13:45:09.111415] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.008625s].

[2021-11-25 13:45:09.119241] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2021-11-25 13:45:13.210817] INFO: derived_feature_extractor: 提取完成 avg_amount_0/avg_amount_5, 0.005s

[2021-11-25 13:45:14.709968] INFO: derived_feature_extractor: 提取完成 close_0/mean(close_0,10), 1.498s

[2021-11-25 13:45:16.178875] INFO: derived_feature_extractor: 提取完成 close_0/mean(close_0,20), 1.467s

[2021-11-25 13:45:17.620264] INFO: derived_feature_extractor: 提取完成 close_0/mean(close_0,5), 1.440s

[2021-11-25 13:45:17.628641] INFO: derived_feature_extractor: 提取完成 close_0/open_0, 0.005s

[2021-11-25 13:45:19.083020] INFO: derived_feature_extractor: 提取完成 open_0/mean(close_0,10), 1.451s

[2021-11-25 13:45:20.460220] INFO: derived_feature_extractor: 提取完成 open_0/mean(close_0,20), 1.376s

[2021-11-25 13:45:21.878354] INFO: derived_feature_extractor: 提取完成 open_0/mean(close_0,5), 1.417s

[2021-11-25 13:45:21.883251] INFO: derived_feature_extractor: 提取完成 rank_avg_amount_0/rank_avg_amount_5, 0.003s

[2021-11-25 13:45:21.888161] INFO: derived_feature_extractor: 提取完成 rank_return_0/rank_return_5, 0.004s

[2021-11-25 13:45:24.437994] INFO: derived_feature_extractor: /y_2020, 945961

[2021-11-25 13:45:27.394383] INFO: derived_feature_extractor: /y_2021, 922284

[2021-11-25 13:45:28.639390] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[19.520128s].

[2021-11-25 13:45:28.646433] INFO: moduleinvoker: standardlize.v9 开始运行..

[2021-11-25 13:46:11.268497] INFO: moduleinvoker: standardlize.v9 运行完成[42.62205s].

[2021-11-25 13:46:11.277192] INFO: moduleinvoker: filter.v3 开始运行..

[2021-11-25 13:46:11.297546] INFO: filter: 使用表达式 st_status_0==0 and low_0>high_1+0.02 and close_0>open_0 过滤

[2021-11-25 13:46:13.137062] INFO: filter: 过滤 /data, 20118/0/1779515

[2021-11-25 13:46:13.179736] INFO: moduleinvoker: filter.v3 运行完成[1.902536s].

[2021-11-25 13:46:13.197713] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2021-11-25 13:46:13.324766] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.127042s].

[2021-11-25 13:46:16.554084] INFO: moduleinvoker: dl_layer_input.v1 运行完成[3.215744s].

[2021-11-25 13:46:16.610593] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.048333s].

[2021-11-25 13:46:16.633323] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.008265s].

[2021-11-25 13:46:16.660713] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.019982s].

[2021-11-25 13:46:16.674634] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.006356s].

[2021-11-25 13:46:16.697648] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.015599s].

[2021-11-25 13:46:16.751490] INFO: moduleinvoker: cached.v3 开始运行..

[2021-11-25 13:46:16.762313] INFO: moduleinvoker: 命中缓存

[2021-11-25 13:46:16.764667] INFO: moduleinvoker: cached.v3 运行完成[0.013216s].

[2021-11-25 13:46:16.768032] INFO: moduleinvoker: dl_model_init.v1 运行完成[0.062626s].

[2021-11-25 13:46:16.777625] INFO: moduleinvoker: dl_model_train.v1 开始运行..

[2021-11-25 13:46:16.929941] INFO: dl_model_train: 准备训练，训练样本个数：49201，迭代次数：20

[2021-11-25 13:46:35.325890] INFO: dl_model_train: 训练结束，耗时：18.39s

[2021-11-25 13:46:35.356952] INFO: moduleinvoker: dl_model_train.v1 运行完成[18.57933s].

[2021-11-25 13:46:35.362859] INFO: moduleinvoker: dl_model_predict.v1 开始运行..

[2021-11-25 13:46:35.746596] INFO: moduleinvoker: dl_model_predict.v1 运行完成[0.383755s].

[2021-11-25 13:46:35.771854] INFO: moduleinvoker: cached.v3 开始运行..

[2021-11-25 13:46:35.988538] INFO: moduleinvoker: cached.v3 运行完成[0.216696s].

[2021-11-25 13:46:37.913939] INFO: moduleinvoker: backtest.v8 开始运行..

[2021-11-25 13:46:37.919622] INFO: backtest: biglearning backtest:V8.6.0

[2021-11-25 13:46:37.921187] INFO: backtest: product_type:stock by specified

[2021-11-25 13:46:38.043308] INFO: moduleinvoker: cached.v2 开始运行..

[2021-11-25 13:46:38.052767] INFO: moduleinvoker: 命中缓存

[2021-11-25 13:46:38.054358] INFO: moduleinvoker: cached.v2 运行完成[0.011094s].

[2021-11-25 13:46:41.013484] INFO: algo: TradingAlgorithm V1.8.5

[2021-11-25 13:46:42.113314] INFO: algo: trading transform...

[2021-11-25 13:47:31.927159] INFO: Performance: Simulated 456 trading days out of 456.

[2021-11-25 13:47:31.928746] INFO: Performance: first open: 2020-01-02 09:30:00+00:00

[2021-11-25 13:47:31.929901] INFO: Performance: last close: 2021-11-19 15:00:00+00:00

[2021-11-25 13:47:38.914002] INFO: moduleinvoker: backtest.v8 运行完成[61.000068s].

[2021-11-25 13:47:38.915815] INFO: moduleinvoker: trade.v4 运行完成[62.915567s].

Epoch 1/20
49/49 - 2s - loss: 1.7466 - mse: 1.7466
Epoch 2/20
49/49 - 1s - loss: 1.5581 - mse: 1.5581
Epoch 3/20
49/49 - 1s - loss: 1.5508 - mse: 1.5508
Epoch 4/20
49/49 - 1s - loss: 1.5387 - mse: 1.5387
Epoch 5/20
49/49 - 1s - loss: 1.5296 - mse: 1.5296
Epoch 6/20
49/49 - 1s - loss: 1.5314 - mse: 1.5314
Epoch 7/20
49/49 - 1s - loss: 1.5280 - mse: 1.5280
Epoch 8/20
49/49 - 1s - loss: 1.5285 - mse: 1.5285
Epoch 9/20
49/49 - 1s - loss: 1.5239 - mse: 1.5239
Epoch 10/20
49/49 - 1s - loss: 1.5219 - mse: 1.5219
Epoch 11/20
49/49 - 1s - loss: 1.5203 - mse: 1.5203
Epoch 12/20
49/49 - 1s - loss: 1.5208 - mse: 1.5208
Epoch 13/20
49/49 - 1s - loss: 1.5278 - mse: 1.5278
Epoch 14/20
49/49 - 1s - loss: 1.5177 - mse: 1.5177
Epoch 15/20
49/49 - 1s - loss: 1.5185 - mse: 1.5185
Epoch 16/20
49/49 - 1s - loss: 1.5179 - mse: 1.5179
Epoch 17/20
49/49 - 1s - loss: 1.5182 - mse: 1.5182
Epoch 18/20
49/49 - 1s - loss: 1.5157 - mse: 1.5157
Epoch 19/20
49/49 - 1s - loss: 1.5180 - mse: 1.5180
Epoch 20/20
49/49 - 1s - loss: 1.5133 - mse: 1.5133

20/20 - 0s
DataSource(8006d6958b844794aea8add7db008b8fT)

日期： 2020-02-20 股票： 300417.SZA 出现止盈状况
日期： 2020-02-28 股票： 600550.SHA 出现止盈状况
日期： 2020-03-11 股票： 300654.SZA 出现止损状况
日期： 2020-03-23 股票： 300056.SZA 出现止损状况
日期： 2020-03-23 股票： 000850.SZA 出现止损状况
日期： 2020-03-23 股票： 300340.SZA 出现止损状况
日期： 2020-03-23 股票： 601199.SHA 出现止损状况
日期： 2020-03-24 股票： 002887.SZA 出现止盈状况
日期： 2020-03-30 股票： 300612.SZA 出现止损状况
日期： 2020-03-30 股票： 600520.SHA 出现止损状况
日期： 2020-03-31 股票： 002852.SZA 出现止盈状况
日期： 2020-03-31 股票： 002790.SZA 出现止损状况
日期： 2020-04-07 股票： 300004.SZA 出现止损状况
日期： 2020-04-10 股票： 600785.SHA 出现止盈状况
日期： 2020-04-13 股票： 603991.SHA 出现止盈状况
日期： 2020-04-20 股票： 002876.SZA 出现止盈状况
日期： 2020-04-21 股票： 300031.SZA 出现止盈状况
日期： 2020-04-22 股票： 300087.SZA 出现止盈状况
日期： 2020-04-24 股票： 002513.SZA 出现止损状况
日期： 2020-04-30 股票： 600674.SHA 出现止盈状况
日期： 2020-05-07 股票： 000715.SZA 出现止损状况
日期： 2020-05-08 股票： 603369.SHA 出现止盈状况
日期： 2020-05-13 股票： 300298.SZA 出现止盈状况
日期： 2020-05-14 股票： 600729.SHA 出现止盈状况
日期： 2020-05-14 股票： 603181.SHA 出现止盈状况
日期： 2020-05-14 股票： 002743.SZA 出现止损状况
日期： 2020-05-14 股票： 300498.SZA 出现止损状况
日期： 2020-05-15 股票： 600880.SHA 出现止盈状况
日期： 2020-05-20 股票： 300367.SZA 出现止损状况
日期： 2020-05-25 股票： 300333.SZA 出现止损状况
日期： 2020-05-25 股票： 000700.SZA 出现止损状况
日期： 2020-06-01 股票： 002098.SZA 出现止损状况
日期： 2020-06-02 股票： 000042.SZA 出现止盈状况
日期： 2020-06-02 股票： 688025.SHA 出现止盈状况
日期： 2020-06-02 股票： 300445.SZA 出现止盈状况
日期： 2020-06-03 股票： 300703.SZA 出现止盈状况
日期： 2020-06-04 股票： 300691.SZA 出现止盈状况
日期： 2020-06-08 股票： 603871.SHA 出现止盈状况
日期： 2020-06-08 股票： 300587.SZA 出现止盈状况
日期： 2020-06-08 股票： 300277.SZA 出现止盈状况
日期： 2020-06-11 股票： 002773.SZA 出现止盈状况
日期： 2020-06-15 股票： 688399.SHA 出现止盈状况
日期： 2020-06-16 股票： 603259.SHA 出现止盈状况
日期： 2020-06-16 股票： 300036.SZA 出现止盈状况
日期： 2020-06-22 股票： 300312.SZA 出现止损状况
日期： 2020-06-24 股票： 002801.SZA 出现止盈状况
日期： 2020-06-24 股票： 002514.SZA 出现止损状况
日期： 2020-07-06 股票： 603579.SHA 出现止盈状况
日期： 2020-07-06 股票： 002463.SZA 出现止盈状况
日期： 2020-07-06 股票： 002567.SZA 出现止盈状况
日期： 2020-07-07 股票： 600262.SHA 出现止盈状况
日期： 2020-07-07 股票： 002303.SZA 出现止盈状况
日期： 2020-07-08 股票： 300127.SZA 出现止盈状况
日期： 2020-07-08 股票： 002249.SZA 出现止盈状况
日期： 2020-07-08 股票： 600531.SHA 出现止盈状况
日期： 2020-07-10 股票： 601698.SHA 出现止盈状况
日期： 2020-07-13 股票： 603186.SHA 出现止盈状况
日期： 2020-07-13 股票： 603908.SHA 出现止盈状况
日期： 2020-07-14 股票： 603136.SHA 出现止盈状况
日期： 2020-07-14 股票： 002851.SZA 出现止盈状况
日期： 2020-07-20 股票： 603298.SHA 出现止盈状况
日期： 2020-07-20 股票： 002360.SZA 出现止盈状况
日期： 2020-07-20 股票： 600370.SHA 出现止盈状况
日期： 2020-07-23 股票： 603658.SHA 出现止盈状况
日期： 2020-08-03 股票： 002173.SZA 出现止盈状况
日期： 2020-08-05 股票： 002729.SZA 出现止盈状况
日期： 2020-08-07 股票： 002847.SZA 出现止盈状况
日期： 2020-08-12 股票： 300561.SZA 出现止损状况
日期： 2020-08-17 股票： 300401.SZA 出现止盈状况
日期： 2020-08-17 股票： 002163.SZA 出现止盈状况
日期： 2020-08-24 股票： 002740.SZA 出现止损状况
日期： 2020-08-26 股票： 300056.SZA 出现止盈状况
日期： 2020-09-01 股票： 002422.SZA 出现止盈状况
日期： 2020-09-04 股票： 300752.SZA 出现止盈状况
日期： 2020-09-08 股票： 300112.SZA 出现止盈状况
日期： 2020-09-09 股票： 000929.SZA 出现止盈状况
日期： 2020-09-09 股票： 000519.SZA 出现止盈状况
日期： 2020-09-09 股票： 688123.SHA 出现止损状况
日期： 2020-09-10 股票： 002685.SZA 出现止损状况
日期： 2020-09-14 股票： 603679.SHA 出现止损状况
日期： 2020-09-17 股票： 002407.SZA 出现止盈状况
日期： 2020-09-22 股票： 002079.SZA 出现止损状况
日期： 2020-09-23 股票： 300623.SZA 出现止盈状况
日期： 2020-09-24 股票： 600067.SHA 出现止盈状况
日期： 2020-09-24 股票： 000782.SZA 出现止损状况
日期： 2020-09-24 股票： 600052.SHA 出现止损状况
日期： 2020-09-28 股票： 002568.SZA 出现止盈状况
日期： 2020-09-28 股票： 600067.SHA 出现止损状况
日期： 2020-09-29 股票： 002674.SZA 出现止损状况
日期： 2020-10-09 股票： 600291.SHA 出现止损状况
日期： 2020-10-13 股票： 002930.SZA 出现止盈状况
日期： 2020-10-16 股票： 002607.SZA 出现止盈状况
日期： 2020-10-21 股票： 600738.SHA 出现止盈状况
日期： 2020-10-23 股票： 000039.SZA 出现止盈状况
日期： 2020-10-30 股票： 601116.SHA 出现止损状况
日期： 2020-10-30 股票： 601069.SHA 出现止损状况
日期： 2020-11-02 股票： 688037.SHA 出现止盈状况
日期： 2020-11-02 股票： 600419.SHA 出现止损状况
日期： 2020-11-04 股票： 600418.SHA 出现止盈状况
日期： 2020-11-12 股票： 603222.SHA 出现止盈状况
日期： 2020-11-19 股票： 300622.SZA 出现止盈状况
日期： 2020-11-23 股票： 002128.SZA 出现止盈状况
日期： 2020-11-25 股票： 002277.SZA 出现止损状况
日期： 2020-11-27 股票： 603167.SHA 出现止损状况
日期： 2020-12-07 股票： 600679.SHA 出现止盈状况
日期： 2020-12-07 股票： 000850.SZA 出现止盈状况
日期： 2020-12-07 股票： 300058.SZA 出现止损状况
日期： 2020-12-10 股票： 600792.SHA 出现止盈状况
日期： 2020-12-10 股票： 600793.SHA 出现止损状况
日期： 2020-12-11 股票： 002686.SZA 出现止盈状况
日期： 2020-12-11 股票： 300208.SZA 出现止盈状况
日期： 2020-12-15 股票： 002756.SZA 出现止盈状况
日期： 2020-12-21 股票： 000016.SZA 出现止盈状况
日期： 2020-12-22 股票： 002104.SZA 出现止损状况
日期： 2020-12-22 股票： 603788.SHA 出现止损状况
日期： 2020-12-22 股票： 000985.SZA 出现止损状况
日期： 2020-12-23 股票： 003010.SZA 出现止损状况
日期： 2020-12-24 股票： 002017.SZA 出现止损状况
日期： 2020-12-28 股票： 300541.SZA 出现止损状况
日期： 2020-12-31 股票： 300750.SZA 出现止盈状况
日期： 2021-01-04 股票： 603369.SHA 出现止盈状况
日期： 2021-01-05 股票： 002918.SZA 出现止盈状况
日期： 2021-01-06 股票： 603388.SHA 出现止损状况
日期： 2021-01-06 股票： 000961.SZA 出现止损状况
日期： 2021-01-07 股票： 300458.SZA 出现止损状况
日期： 2021-01-08 股票： 000767.SZA 出现止盈状况
日期： 2021-01-11 股票： 300697.SZA 出现止损状况
日期： 2021-01-13 股票： 300083.SZA 出现止盈状况
日期： 2021-01-13 股票： 601188.SHA 出现止损状况
日期： 2021-01-13 股票： 002515.SZA 出现止损状况
日期： 2021-01-13 股票： 002689.SZA 出现止损状况
日期： 2021-01-13 股票： 000411.SZA 出现止损状况
日期： 2021-01-13 股票： 002765.SZA 出现止损状况
日期： 2021-01-14 股票： 000513.SZA 出现止损状况
日期： 2021-01-20 股票： 300294.SZA 出现止损状况
日期： 2021-01-25 股票： 000919.SZA 出现止损状况
日期： 2021-01-26 股票： 600629.SHA 出现止损状况
日期： 2021-01-29 股票： 601216.SHA 出现止盈状况
日期： 2021-01-29 股票： 002963.SZA 出现止损状况
日期： 2021-01-29 股票： 603918.SHA 出现止损状况
日期： 2021-02-01 股票： 600804.SHA 出现止损状况
日期： 2021-02-01 股票： 600896.SHA 出现止损状况
日期： 2021-02-01 股票： 300230.SZA 出现止损状况
日期： 2021-02-04 股票： 300601.SZA 出现止盈状况
日期： 2021-02-04 股票： 600387.SHA 出现止损状况
日期： 2021-02-04 股票： 002658.SZA 出现止损状况
日期： 2021-02-05 股票： 002288.SZA 出现止损状况
日期： 2021-02-18 股票： 603360.SHA 出现止损状况
日期： 2021-02-19 股票： 600477.SHA 出现止盈状况
日期： 2021-02-23 股票： 600267.SHA 出现止盈状况
日期： 2021-03-02 股票： 300327.SZA 出现止盈状况
日期： 2021-03-04 股票： 000807.SZA 出现止盈状况
日期： 2021-03-08 股票： 600885.SHA 出现止损状况
日期： 2021-03-12 股票： 000966.SZA 出现止盈状况
日期： 2021-03-15 股票： 600483.SHA 出现止盈状况
日期： 2021-03-15 股票： 601388.SHA 出现止盈状况
日期： 2021-03-16 股票： 002741.SZA 出现止盈状况
日期： 2021-03-19 股票： 300129.SZA 出现止盈状况
日期： 2021-03-22 股票： 600332.SHA 出现止损状况
日期： 2021-03-22 股票： 600855.SHA 出现止损状况
日期： 2021-03-24 股票： 002836.SZA 出现止损状况
日期： 2021-03-25 股票： 002177.SZA 出现止盈状况
日期： 2021-03-26 股票： 300669.SZA 出现止盈状况
日期： 2021-03-29 股票： 000528.SZA 出现止盈状况
日期： 2021-03-29 股票： 601901.SHA 出现止损状况
日期： 2021-03-30 股票： 300788.SZA 出现止盈状况
日期： 2021-03-30 股票： 300669.SZA 出现止损状况
日期： 2021-04-06 股票： 600479.SHA 出现止盈状况
日期： 2021-04-06 股票： 300460.SZA 出现止盈状况
日期： 2021-04-14 股票： 300196.SZA 出现止盈状况
日期： 2021-04-21 股票： 300384.SZA 出现止盈状况
日期： 2021-04-22 股票： 688568.SHA 出现止盈状况
日期： 2021-04-26 股票： 688513.SHA 出现止损状况
日期： 2021-04-26 股票： 002789.SZA 出现止损状况
日期： 2021-04-27 股票： 600737.SHA 出现止盈状况
日期： 2021-04-28 股票： 688577.SHA 出现止盈状况
日期： 2021-04-28 股票： 603638.SHA 出现止盈状况
日期： 2021-04-30 股票： 300900.SZA 出现止损状况
日期： 2021-04-30 股票： 688030.SHA 出现止损状况
日期： 2021-05-06 股票： 002661.SZA 出现止损状况
日期： 2021-05-10 股票： 002889.SZA 出现止盈状况
日期： 2021-05-10 股票： 000960.SZA 出现止盈状况
日期： 2021-05-10 股票： 000426.SZA 出现止盈状况
日期： 2021-05-10 股票： 300651.SZA 出现止损状况
日期： 2021-05-11 股票： 600626.SHA 出现止盈状况
日期： 2021-05-11 股票： 300247.SZA 出现止盈状况
日期： 2021-05-20 股票： 300953.SZA 出现止盈状况
日期： 2021-05-20 股票： 688004.SHA 出现止损状况
日期： 2021-05-24 股票： 603566.SHA 出现止盈状况
日期： 2021-05-27 股票： 601567.SHA 出现止盈状况
日期： 2021-06-08 股票： 000573.SZA 出现止盈状况
日期： 2021-06-09 股票： 300965.SZA 出现止盈状况
日期： 2021-06-15 股票： 300565.SZA 出现止损状况
日期： 2021-06-15 股票： 000425.SZA 出现止损状况
日期： 2021-06-17 股票： 605100.SHA 出现止损状况
日期： 2021-06-21 股票： 605198.SHA 出现止损状况
日期： 2021-06-22 股票： 300847.SZA 出现止盈状况
日期： 2021-06-23 股票： 300545.SZA 出现止盈状况
日期： 2021-06-24 股票： 688579.SHA 出现止损状况
日期： 2021-06-30 股票： 600800.SHA 出现止损状况
日期： 2021-06-30 股票： 002310.SZA 出现止损状况
日期： 2021-07-05 股票： 002340.SZA 出现止盈状况
日期： 2021-07-05 股票： 603195.SHA 出现止盈状况
日期： 2021-07-08 股票： 002562.SZA 出现止损状况
日期： 2021-07-12 股票： 600711.SHA 出现止盈状况
日期： 2021-07-13 股票： 688639.SHA 出现止盈状况
日期： 2021-07-15 股票： 605117.SHA 出现止盈状况
日期： 2021-07-15 股票： 603919.SHA 出现止盈状况
日期： 2021-07-19 股票： 300229.SZA 出现止盈状况
日期： 2021-07-21 股票： 600749.SHA 出现止盈状况
日期： 2021-07-22 股票： 688106.SHA 出现止盈状况
日期： 2021-07-22 股票： 000541.SZA 出现止盈状况
日期： 2021-07-22 股票： 300432.SZA 出现止盈状况
日期： 2021-07-23 股票： 603868.SHA 出现止损状况
日期： 2021-07-26 股票： 000584.SZA 出现止损状况
日期： 2021-07-27 股票： 300877.SZA 出现止损状况
日期： 2021-07-28 股票： 603106.SHA 出现止损状况
日期： 2021-07-29 股票： 300322.SZA 出现止盈状况
日期： 2021-07-30 股票： 688068.SHA 出现止盈状况
日期： 2021-08-03 股票： 300488.SZA 出现止盈状况
日期： 2021-08-03 股票： 000595.SZA 出现止损状况
日期： 2021-08-05 股票： 002977.SZA 出现止盈状况
日期： 2021-08-05 股票： 000572.SZA 出现止盈状况
日期： 2021-08-10 股票： 002280.SZA 出现止盈状况
日期： 2021-08-13 股票： 300932.SZA 出现止盈状况
日期： 2021-08-13 股票： 603013.SHA 出现止盈状况
日期： 2021-08-17 股票： 002240.SZA 出现止损状况
日期： 2021-08-20 股票： 600727.SHA 出现止盈状况
日期： 2021-08-20 股票： 600875.SHA 出现止盈状况
日期： 2021-08-23 股票： 000983.SZA 出现止盈状况
日期： 2021-08-23 股票： 003002.SZA 出现止损状况
日期： 2021-08-25 股票： 300902.SZA 出现止盈状况
日期： 2021-08-26 股票： 601003.SHA 出现止盈状况
日期： 2021-08-27 股票： 300328.SZA 出现止盈状况
日期： 2021-08-27 股票： 300134.SZA 出现止损状况
日期： 2021-09-01 股票： 002038.SZA 出现止盈状况
日期： 2021-09-08 股票： 002624.SZA 出现止盈状况
日期： 2021-09-15 股票： 002096.SZA 出现止盈状况
日期： 2021-09-15 股票： 603585.SHA 出现止盈状况
日期： 2021-09-16 股票： 300005.SZA 出现止盈状况
日期： 2021-09-24 股票： 300542.SZA 出现止盈状况
日期： 2021-09-27 股票： 002877.SZA 出现止损状况
日期： 2021-09-29 股票： 688215.SHA 出现止损状况
日期： 2021-09-29 股票： 002235.SZA 出现止损状况
日期： 2021-10-11 股票： 601139.SHA 出现止损状况
日期： 2021-10-12 股票： 301017.SZA 出现止盈状况
日期： 2021-10-12 股票： 605090.SHA 出现止损状况
日期： 2021-10-13 股票： 600420.SHA 出现止盈状况
日期： 2021-10-14 股票： 603606.SHA 出现止盈状况
日期： 2021-10-15 股票： 002945.SZA 出现止损状况
日期： 2021-10-15 股票： 002949.SZA 出现止损状况
日期： 2021-10-21 股票： 603721.SHA 出现止损状况
日期： 2021-10-22 股票： 600536.SHA 出现止盈状况
日期： 2021-10-22 股票： 603586.SHA 出现止损状况
日期： 2021-10-22 股票： 300871.SZA 出现止损状况
日期： 2021-10-25 股票： 601058.SHA 出现止盈状况
日期： 2021-10-25 股票： 003007.SZA 出现止损状况
日期： 2021-10-26 股票： 688619.SHA 出现止损状况
日期： 2021-10-27 股票： 002678.SZA 出现止损状况
日期： 2021-10-27 股票： 688309.SHA 出现止损状况
日期： 2021-10-27 股票： 300836.SZA 出现止损状况
日期： 2021-10-27 股票： 600207.SHA 出现止损状况
日期： 2021-10-28 股票： 603023.SHA 出现止损状况
日期： 2021-11-04 股票： 603398.SHA 出现止盈状况
日期： 2021-11-04 股票： 600305.SHA 出现止盈状况
日期： 2021-11-08 股票： 300831.SZA 出现止损状况
日期： 2021-11-09 股票： 000753.SZA 出现止盈状况
日期： 2021-11-11 股票： 002965.SZA 出现止盈状况
日期： 2021-11-11 股票： 600048.SHA 出现止盈状况
日期： 2021-11-12 股票： 002020.SZA 出现止盈状况
日期： 2021-11-17 股票： 002056.SZA 出现止盈状况

收益率44.74%
年化收益率22.67%
基准收益率19.37%
阿尔法0.16
贝塔0.49
夏普比率1.1
胜率0.61
盈亏比1.07
收益波动率17.28%
信息比率0.04
最大回撤13.56%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-023f457cafb34aea9db40b6659f113f5"}/bigcharts-data-end