策略思想 1. 策略思路 本策略基于DAI SQL和因子管道，主要针对股票进行排序。排序依据是根据一些关键的财务和市场指标，例如90日与30日的窗口收益率、成交量以及短期涨幅等。交易日中，策略会根据排名结果买入前N只股票（N=1），并且资金按1/log(i+2)的权重方式进行分配。这种方法确保了排名靠前的股票得到更多的资金，从而期望获得更高的收益。 2. 策略介绍 这是一个高换手率的短期择时策略，适用于流动性较好的A股市场。其核心在于在持仓期结束后，通过逆向淘汰排名靠后的持仓股票，以释放资金并减少风险...
策略思想 1. 策略思路 - 本策略利用DAI/机器学习生成的排序信号进行股票的日级短持操作，并进行再平衡。以预计算因子（如近90日/30日收益率、成交量等）作为预测输入，通过排序得分确定买入的股票，持有期后选择排名末位的股票进行剔除。这种方法着眼于捕捉市场短期波动，追求实现市场超额收益。 2. 策略介绍 - 本策略使用机器学习与DAI技术，结合因子模型对股票进行分析，并通过多周期收益率及成交量参数，筛选合适的股票标的进行投资。以“position”为主的排序字段决定实际的选股顺序，并以资金权重按1/log(i...
策略思想 1. 策略思路 这是一种基于机器学习因子排序的短期交易策略。该策略使用 DAI SQL 来提取并排序候选股票，然后根据其预测得分来决定是否建仓。核心在于通过计算90/30天滞后收益的百分位排名、成交量等因子进行排序和预测，从而选择最有潜力的标的进行投资。 2. 策略介绍 此策略主要是围绕因子排序进行。通过计算股票在过去一段时间内的收益表现和成交量，将这些因子转化成排名指标，以便对股票进行打分。最终，根据这些得分决定每天的投资组合。每个候选股票的权重是通过一个函数 1/log(rank+2) 来确定，以...
策略思想 1. 策略思路 该策略利用机器学习模型对股票进行打分排序，根据排名结果进行选股和动态调仓。其核心思想是在A股市场中，通过每日对股票进行机器学习预测打分，以短期追求alpha的方式进行投资： - 策略每天从备选股票池中选出排名靠前的股票。 - 股票选取规则包括剔除ST、收益率筛选和成交量等多项因子。 - 资金分配基于改进的对数权重算法，每只股票分配的权重为\[1 / \log(i+2)\]，i为排名。 - 策略具有短线高频交易特点，通过每日调仓获取短期预测信号。 2. 策略介绍 这种策略主要使用机器学习打分的方法，...
策略思想 1. 策略思路 该策略的核心在于运用由数据管线生成的预测分数，这些分数是根据多个因子（包括90日和30日回报分位、成交量等）计算得出。具体步骤如下： - 每日筛选预测分数排名靠前的标的（代码中默认为1只），并进行短线持有。 - 选股时剔除ST类股票，并确保计算数据无缺失。 - 对回报分位进行阈值过滤以控制样本质量。 - 交易时每天重平衡，持仓期由参数控制（示例为1天）。 - 按预测排序的末位逐步卖出，以方便腾挪资金。 - 资金管理包括对每只标的最大资金占比限制、手续费设置、及建仓期内分阶段投...
策略思想 1. 策略思路 该策略基于DAI/因子和排序模型对样本池中的股票进行打分。通过预测得分（字段为position），每日选择排名靠前的股票（默认持仓数量为1），并使用1/log(i+2)的权重分配买入资金。策略中因子筛选包含90日与30日的收益排名、成交量以及短期涨跌等，并剔除ST股。策略交易频率为每日调仓，即持仓期默认为1天；买入按开盘价下单，卖出按收盘价清仓。资金分配采用建仓期等额资金/后续可放大1.5倍的机制，单只股票持仓上限可配置（context.max_cash_per_instrument）。风险控制上，该策略使用模型排名驱动的末位...
策略思想 1. 策略思路 该策略基于DAI和机器学习技术，旨在通过短期持仓多头来捕捉alpha。策略的主要流程包括： - 因子筛选与计算: 预处理模块通过因子筛选与计算，包括近90日与30日收益的分位秩以及成交量，并剔除ST股票。 - 模型排序与选股: 使用机器学习模型进行排序，选择每日得分排名靠前的股票。 - 头寸管理: 每日开盘按排名买入前N=1只标的（即大致为每日买入一只股票），持有期为1天。 - 资金管理: 策略中包括分批建仓，每票最大投资占比限制等设置。 - 风险控制与清仓: 超过持仓期后，根据预测排序逐步清仓。 ...
策略思想 1. 策略思路 该策略基于DAI模型输出的日频排序信号来执行短期多头轮动，是一个高频交易策略。策略通过SQL的方式计算及筛选出基准因子，如90天/30天的收益分位，同时剔除ST股票，利用外部字段(position/score)对每日候选股票进行排序，选取排名前N的股票（代码中N=1）进行建仓。策略允许在每日开盘时以目标资金买入并在持有期结束后（代码中为1天）卖出，同时在不是建仓期时最多可以使用1.5倍的日均可用资金进行交易。 2. 策略介绍 该策略被设计用于中国A股市场的高频日内及短线alpha捕捉，具有高换手率、集中仓...
策略思想 1. 策略思路 该策略运用了多因子选股和动态仓位管理的方法。策略主要通过对个股多维度因子的筛选和排名，选取潜在的优质股票进行投资。具体而言，该策略从各个市场因子（如行业回报率、个股日回报率、成交量变化等）提取出一系列衡量市场状态和个股潜力的特征值（con1 - con30），并基于这些特征值进行股票排名筛选，结合一定的投资约束条件，确定投资组合。 2. 策略介绍 多因子量化策略在现今的量化投资领域是一种常见且有效的策略。它通过对多种因子的综合分析，对股票进行优选排序，以此提高投资...
策略思想 1. 策略思路 - 本策略通过大数据指标和机器学习算法对股票进行排序和筛选。选择高频交易策略，主要依据90日和30日的位移收益及成交量等因子，结合DAI/ML打分评估，对目标股票进行日频排序并选择排名靠前的标的进行短持多头轮动。以此预测每日持仓并进行动态调整。 2. 策略介绍 - 该策略以量化投资领域中的排名打分机制为核心，通过对大量数据的分析和处理，将选出的股票按照模型的排序进行买入。策略的执行过程包括：选择因子（如return_90、return_30、volume等）进行分析处理，剔除异常样本并进行预排...
策略思想 1. 策略思路 - 该策略核心为基于因子的排序系统，主要利用了多因子的择股与轮动机制。通过使用短中期动量和成交量因子筛选股票，例如90日和30日的回报比率以及日成交量排名。同时，策略对剔除掉ST股票，并使用百分位和排名过滤来提升信号的稳定性。每天对可交易股票进行模型得分排序，并买入排名前N（默认N=1）只股票，以此方式在市场中进行资金的分配和管理。 2. 策略介绍 - 该策略采用了一种日频多因子选股及轮动的方法，通过数据预处理计算关键因子，排除不活跃或风险高的股票（如ST股票），在...
策略分析：天注19-创业板-F100-70-y74 策略思想 1. 策略思路 该策略采用基于DAI SQL构建的因子/预测模型进行日频择股和轮动操作。具体而言，策略通过计算过去90天和30天的收益率、成交量等指标，生成相应的百分位和排序值（position/score）。每个交易日，策略优先买入排名靠前的股票，并将资金分配给这些股票。策略每天进行调仓，持仓周期由hold_days参数控制。默认情况下，策略仅持有一只股票，权重分配遵循1/log(i+2)的规则。 2. 策略介绍 策略主要利用历史价格数据和成交量数据，通过DAI SQL操作构建因子。采用预测排序模型...
天悉3-创业板-1900-y121 策略分析 策略思想 1. 策略思路 这是一种基于DAI SQL构建的日频短线交易策略。具体操作上，此策略使用自定义因子（如90日与30日滞后收益比、成交量秩等）对股票池进行评分排序，择取排名靠前的标的构建投资组合，并通过每日调仓实现高频交易。每个交易日开盘后将资金分配于这些标的，并在收盘时卖出，频繁转仓以求取高短期收益。 2. 策略介绍 该策略的核心是使用自定义因子进行评分。例如，90日滞后收益与30日滞后收益的比率、成交量秩和单日收益等。通过对这些因子的计算和排序，策略挑选...
策略思想 1. 策略思路 该策略是一种基于机器学习预测模型的日频轮动策略，旨在短期内捕获市场的快速变化。通过使用DAI SQL构造因子，并结合外部预测数据（如position和score等），对每天的股票标的进行排序，剔除不合规的股票后，买入排名靠前的N只股票（日内为1只）。每个交易日会对持仓进行再平衡，逐步买入和卖出股票以达到最优持仓结构。策略的买入和卖出时机以及持仓比例都经过严格的模型与算法设计，以确保策略的风险最低化和收益最大化。 2. 策略介绍 日频轮动策略是一种高频率的交易策略，它的核心思想...
策略思想 1. 策略思路 - 此策略基于DAI（数据计算智能）的机器学习模型打分对股票进行日频选股和再平衡。首先利用一系列预计算因子如90日/30日收益分位、成交量进行样本过滤，剔除ST股票并设定收益分位阈值。根据外部ranker提供的预测position对股票进行排序，并在每天开盘后买入排名前N的股票（代码中N=1），分配权重按1/log(i+2)归一化，持有期由参数hold_days控制（默认1天）。在持仓期结束后，逐步卖出排名末位的股票腾出资金。每日资金管理按平均持仓时间分配，建仓期与常规期允许使用的现金上限不同，并对每只标的...
策略思想 1. 策略思路 这个量化策略主要基于市场数据及多个因子指标来判定市场涨跌结构及个股的走势属性。策略首先收集相关市场数据及个股的行情数据，通过设置的多个金融交易约束条件来决定选股并进行交易。其核心思路为： - 利用涨停、上涨和下跌股票数量的比率以及市场整体表现来计算一系列因子，如con1至con30。 - 使用这些因子的组合条件（constrs）来筛选股票。 - 将满足条件的股票加入到形成的投资组合中，每次交易通过分析确定单次所购买的最大股票数量。 2. 策略介绍 此策略主要依赖一系列因子，这些因子...
策略思想 1. 策略思路 该策略利用数据驱动的AI/ML打分机制结合自定义因子进行个股择时预测。通过对近90日收益和30日收益的比率及成交量等因子进行排序筛选，形成每天的预测排名。在此基础上，策略选择排名靠前的N只股票进行买入，并在短持有期（默认为1天）后进行轮动。总体思路是通过历史数据的深度分析以及ML打分机制优化选股，旨在通过高效的短线交易策略获取市场超额收益。 2. 策略介绍 采用的数学模型主要包括90日收益与30日收益的分位排序（即_c_pct_rank(-return_90)与_c_pct_rank(return_30)），以及成交量的极值情况...
策略分析 策略思想 策略思路 该策略基于DAI（Data Analysis and Integration）和机器学习技术，旨在通过计算排序信号进行日频短线择股。主要的操作步骤包括： 1. 通过DAI SQL构建因子，例如90日收益与30日收益的比率、成交量排名、短期收益等。 2. 剔除样本中的ST股票和数据缺失项。 3. 按模型输出的评分进行排序。 4. 每个交易日按照排名买入前N只股票（代码中默认N=1）。 5. 资金分配按照对数权重进行，即1/log(i+2)。 6. 使用当日开盘价进行买入，收盘价进行卖出。 7. 持仓时间由参数hold_days控制，默认情况下为1天。 8. 风控措施包...
策略思想 1. 策略思路 本策略依托于大数据因子分析和机器学习算法，通过DAI/SQL构建短期因子并进行排序，每天选择排名靠前的股票进行短期交易。目标是在日内通过开盘买入、收盘卖出的方式捕捉市场波动带来的收益。策略中选择依据多项因子（如30天和90天的回报、成交量和日收益等）计算排名，并对因子做了百分位过滤。 2. 策略介绍 量化投资通过设计和运用数学模型，根据数据驱动的原则进行决策。该策略结合了短周期因子构建与机器学习算法排序，意在通过高频短线交易创造利润，减少持仓风险并适应市场快速变...
策略思想 1. 策略思路 该量化策略利用了机器学习结合DAI SQL构建的排序分数作为选股信号。策略每天选取模型排序靠前的少数股票持仓，并进行短线操作。这一策略的核心在于通过预处理模块提取各类因子，如90日和30日的回报率指标、成交量及日内收益等。策略中剔除ST股票，并通过分位数滤波来筛选具体的候选股票池。在所有股票中，根据模型排序结果选择前N只股票进行投资，投资分配按照权重1/log(i+2)标准化。此外，策略分配资金使用在建仓期和稳定期有所差异，持仓期过后按模型排名逐步清仓。 2. 策略介绍 这个策...
