注：【方正金工】推动个股价格变化的因素分解与“花隐林间”因子——多因子选股系列研究之十

引言

推动个股价格发生变化的因素，通常可以分为三大类：市场层面的推动力、个股层面的推动力、噪声。其中个股层面的推动力又可以划分为近期突然到来的信息和中长期的基本面信息。在上述4

研报：

{{membership}}

LLT低延迟趋势线择时交易模型研究

[https://bigquant.com/codeshare/38ef8568-518b-4756-98f0-8dd8722d01e5](https://bigquant.com/codeshare/38

{{membership}}

[https://bigquant.com/codeshare/c3078960-1a56-4a00-9f9e-772917208528](https://bigquant.com/codeshare/c3078960-1a56-4a00-9f9e-772917208

反转之力的微观来源

我们在2018年底提出了反转因子的独家改进方案——W式切割，因其简洁有效，受到了同行人士的肯定。由W式切割得到的理想反转因子，其收益的稳健度显著优于传统反转因子Ret20，信息比率IR达到2.51，月度胜率为74%。为了使W式切割能够得到更多的微观信息，我们用分位数代替平均

近年来，随着市场对专利的关注度逐渐上升，基于专利数据的指数与基金产品逐渐增多。使用了专利数据的相关指数包括专利领先、创业专利、深创100 、央企创新驱动指数000861等，相关基金总规模超 100 亿元。本文将基于平台的专利数据库进行深入研究。

*Bigquant平台共计收录了486个专利因子

{{membership}}

[https://bigquant.com/codeshare/55f9bca0-7139-4c13-8e61-5277d1aa2a95](https://bigquant.com/codeshare/55f9bca0-7139-4c13-8e61-5277d1aa2

{{membership}}

[https://bigquant.com/codeshare/38085c4a-2332-4ceb-ba0e-eed448c3c6e5](https://bigquant.com/codeshare/38085c4a-2332-4ceb-ba0e-eed448c3c

{{membership}}

[https://bigquant.com/codeshare/0527a8c8-9944-4c74-b845-2068dce50bd1](https://bigquant.com/codeshare/0527a8c8-9944-4c74-b845-2068dce50

引言

在BigQuant平台(www.bigquant.com)上线的第一天，我们从互联网搜索引擎领域借鉴了PageRank算法引入到金融市场，提出了StockRanker算法，5年时间悄然过去，时间证明了StockRanker算法在金

本文主要研究了量化选股场景中的数据标准化方法，分别对比了时序标准化和截面标准化方法的在量化选股模型上的效果。

主要的工作有：

一是构建DeepAlpha数据集，包含A股2011年到2022年98个量价因子的日线数据，label为股票未来5日的收益率；

二是采用基于时序的K折交叉验证方法，严格3

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BE

本文基于BigQuant平台，探索了TabNet（Google, 2020）模型在量化选股中的应用。

我们使用了A股全市场2010年到2021年的日线行情数据，抽取了98个量价因子。采用5年训练1年验证1年的方法进行了滚动回测，回测期（2015年到2021年9月）内累计收益率387.81%，年化收

图神经网络模型介绍

什么是图神经网络？

目前，机器学习、深度学习的日益发展，其在语音、图像、自然语言处理上均取得了很大的突破和贡献

近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于

\

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/attachm

作者：woshisilvio

AI量化策略的训练时间影响模型的结果，导致在调试的过程中拿不准该如何思考和选择训练时间，我们从以下三个方面探讨训练时间该如何选择？

训练时间对模型的影响

针对特定的一段回测时间作为验证集, 检验训练时间的变化是否让模型带来很大变化？

策略设

作者：woshisilvio

AI量化策略的训练时间影响模型的结果，导致在调试的过程中拿不准该如何思考和选择训练时间，我们从以下三个方面探讨训练时间该如何选择？

训练时间对模型的影响

针对特定的一段回测时间作为验证集, 检验训练时间的变化是否让模型带来很大变化？

策略设

\

{{membership}}

[https://bigquant.com/experimentshare/ba243c6cd508478bacc881069da6dfea](https://bigquant.com/experimentshare/ba243c6cd508478bacc881069

{{membership}}

[https://bigquant.com/experimentshare/78b2cb544e1b4f108ed767acf490c133](https://bigquant.com/experimentshare/78b2cb544e1b4f108ed767acf

{{membership}}

[https://bigquant.com/experimentshare/5edc72bb7b8d48e88612c2922b9469bb](https://bigquant.com/experimentshare/5edc72bb7b8d48e88612c2922

{{membership}}

[https://bigquant.com/experimentshare/369ebd1ab67f475f912bcbdca9b3071a](https://bigquant.com/experimentshare/369ebd1ab67f475f912bcbdca

{{membership}}

[https://bigquant.com/experimentshare/ff206779bb0f4851ac0fede5acb195e6](https://bigquant.com/experimentshare/ff206779bb0f4851ac0fede5a

{{membership}}

[https://bigquant.com/experimentshare/54316bdc161f4dd888f55dbabc0545c6](https://bigquant.com/experimentshare/54316bdc161f4dd888f55dbab

{{membership}}

[https://bigquant.com/experimentshare/953563e68f824cb2b4f893f5251cecb3](https://bigquant.com/experimentshare/953563e68f824cb2b4f893f52

{{membership}}

[https://bigquant.com/experimentshare/edc99d567ace42268817c4e5c34c4668](https://bigquant.com/experimentshare/edc99d567ace42268817c4e5c