www

本文是关于交易引擎BigTrader使用的一些小技巧。虽然在之前的旧文档也介绍过，见文末附录链接。但本文有一些不一样的地方。

设置股票为等权

以前我们习惯于在初始化函数中定义股票权重，为简化交易引擎模块的代码，我们最近新增了一个仓位分配的模块，用于设置股票权重，当前提供了三种权重分配的使用

导语

在AI量化策略开发第六步：回测教程中，我们介绍了Trade回测/模拟交易模块的重要函数和策略构建的基本流程，本文主要介绍如何在Trade模块中设置手续费和滑点。

在评估策略的时候，我们设置一定的交易手续费和滑点以模拟真实交易。在策略编写中，我

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

[https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW](https://bigquant.com

导语

如果当天涨停了，尾盘不想卖出，可以取消前日产生的卖单。具体方法是在回测模块的盘前处理函数中加入当天涨停的判断，如果是涨停就取消订单

具体步骤

第一步： 我们通过增加一个输入特征和数据抽取模块获取每日股票的收盘涨跌停状态price_limit_status和名称字段name，然

指标用法

考夫曼自适应均线指标的用法具体就是：当股价一直都在线下运行时，突然有一根阳线上穿指标线，这个时候就是一个比较好的进场点，如下图所示。

![{w:100}](/wiki/api/attachments.redirect?id=c9750cee-d1fd-40c8-9f33-3b7

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平台：

<

策略介绍

多因子选股策略是一种简单而又广泛使用的技术分析工具，主要用于识别市场趋势的变化和生成交易信号。

主要用到以下几个因子：

pb
rank(pb)
rank(roe_avg_lf)
rank(roe_avg_ttm) 
rank(net_profit_q

策略介绍

双均线策略是一种简单而又广泛使用的技术分析工具，主要用于识别市场趋势的变化和生成交易信号。这种策略涉及两条移动平均线——一条短期（快速）和一条长期（慢速）——并通过观察这两条线的交叉点来决定买入或卖出的时机。

策略流程

1. 筛选条件：将5日平均收盘价作为短线，50日平

前言

感谢BQ-小Q送的礼物，礼物已经收到拉，一如既往的黑盒高科技风。高端大气上档次。

• 
  ![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/att

简介

以计算过去20日最高价当天的成交量为例，介绍如何计算这种场景的需求。

主要函数介绍

m_imax()

这里我们将使用到DAI的SQL函数m_imax，该函数可以帮助我们获得过去某个时间段的最大值的窗口索引。

![](/wiki/api/attachments

导语

本文介绍了峰度和偏度以及如何运用这两个统计指标进行数据的正态性检验。

[https://bigquant.com/codeshare/00af3416-796d-43b9-9726-489d436a98ee](https://bigquant.com/codeshare/00a

导语

本文是基于StackAbuse的一篇讲解Seaborn的文章 上编写。 附示例及实现代码，可直接前往文末 **一键克隆代

https://bigquant.com/codesharev2/345d7ad5-4167-403a-b953-137098d8323b

\

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

下列代码在读取数据时，使用最新dai.query接口即可。

[数据读取](https://bigquant.com/wiki/doc/dai

导语

本文介绍了风险平价组合的理论与实践；后续文章将对risk parity组合进行更深入探讨以及引入预期收益后的资产配置实战策略。

前言

• 资产配置是个很广泛的话题，在投资中是一个非常重要的话题
• 从使用场景分类上来看，资产配置可以是宏观的资产配置，比如货币类、债券类、权益类

https://bigquant.com/experimentshare/7b584f05028d4314980bb4f80ad33f69

\

回顾去年的DCNN成果和深度学习发展，就必然会提及到到Kaiming He的深度残差网络 (https://arxiv.org/abs/1512.03385)。这

通过上次在Cifar10上复现ResNet的结果，我们得到了上表，最后一栏是论文中的结果，可以看到已经最好

导语

本文介绍了因子模型、对冲以及Beta的相关内容，并针对如何进行市场风险对冲给出了具体的案例。

因子模型

因子模型是通过其他若干项资产回报的线性组合来解释一项资产回报的一种方式，因子模型的一般形式是：

![{w:100}{w:100}](/wiki/api/attachme

GBDT+LR策略理论和思路介绍

GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就

https://bigquant.com/codesharev2/a73609db-6607-4078-920b-7975d79bbf15

\

预处理数据

数据预处理在众多深度学习算法中都起着重要作用，实际上，对数据进行适当处理后，很多算法能够发挥最佳效果。然而面对各种各样的数据，很多时候我们不知道怎么样才能针对性进行处理。本文介绍了Python下的机器学习工具scikit-learn。其中，“sklearn.preprocessi

https://bigquant.com/experimentshare/c451f287332a411cb4c7756c457318f6

\