天升1-创业板-F100-350-y64*
由 bqv1eeek创建,
策略思想
1. 策略思路
本策略核心在于利用DAI（Data and Artificial Intelligence）和机器学习（ML）生成的排序信号进行短线选股和滚动建仓。具体来说，通过DAI SQL构建一些因子（如30/90日收益比、成交量、近1日回报等），并对样本进行分位过滤（剔除ST股票和去除极端分位）。最终输出的结果是一个position排序。在每天交易时，根据该排序买入排名靠前的若干只股票（在示例中为1只），并进行相应的持有操作。持有期在示例中设置为1天，到期后通过排序末位逐步清仓，以腾出资金。资金分配采用按1/log(i+2)的权重进行归一化，并且在建仓期分阶段配资，通过这些措施来提升资金使用效率。
2. 策略介绍
- 核心思想: 使用AI技术和机器学习模型生成排序信号，然后基于这些排序信号进行每日股票选择和交易。
- 因子构建: 通过DAI SQL构建多个因子，如30/90日收益比、成交量、近1日回报等。
- 排序和过滤: 根据构建的因子数据，对样本进行过滤，剔除ST股和极端分位样本。
- 资金管理: 配资策略上采用分阶段配资及单股最大仓位限制，以优化资金使用。
- 交易周期: 策略执行每日再平衡，与风险控制结合实现高频次收益捕捉。
3. 策略背景
在量化投资中，数据和模型的结合是生成超额收益的关键。本策略依托于BigQuant平台提供的DAI和ML特性，通过构造不同的因子模型来选择股票，旨在通过短期信号迅速捕捉市场的波动收益。量化因子的构建和模型的不断迭代是策略成功的前提，而在多维度因子空间中探寻有效性则是决策者面临的挑战。本策略适应并力求超越传统方法，通过结合现代AI手段挖掘数据深层信息，提高股票投资的精度和收益。
策略优势
- 高频率灵活调整: 本策略每日进行再平衡，能够快速响应市场动向，适合波动较大的市场环境。
- 基于AI的因子构建: 利用先进的大数据和AI技术对因子进行科学构建和排序，提高选股精准度和收益潜力。
- 合理资金管理: 通过分阶段资金调度和单股上限控制，优化资金使用效率，避免过度集中风险。
- 高收益与高夏普: 回测显示策略在样本期能带来较高收益与夏普比率，有较强的收益捕捉能力。
策略风险
- 市场风险: 由于策略依赖于市场波动捕捉机会，若出现长期单方向市场（如熊市），策略表现可能不佳。
- 成本与滑点风险: 每日频繁交易可能导致成本累积，滑点影响可能显著，尤其是在流动性较低或高波动的股票上。
- 模型风险: ML模型可能在训练数据与实际情况的偏移中失效，进而影响排序信号的准确度。
- 极端市场事件: 类似疫情或黑天鹅事件等市场极端事件可能导致因子失效、市场动荡，对策略造成冲击。
在实际操作中，应通过调整模型参数、设定风险管理措施以减轻这些潜在风险的影响。
