import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# 根据项目规范，定义策略参数
class PortfolioAnalysisC

先感谢老韵同学，下面抄老韵同学的作业，改了3个模型进行训练，不知道为啥我这里xgboots的效果那么差，搞不清原因。感觉机器学习最重要的就是设置好因子和lable，目前没有头绪，没有对因子挖掘系统性的认知，现在就是瞎试。 之前lable没有用pct_rank_by，结果就很差，不知道如何运用pct_

https://bigquant.com/codesharev3/0b31571e-4809-4034-8605-b73b3234f64a

**策略设计

\

不同模型下的特征权重

在不同模型下，特征重要性有所不同

市销率和股息收益率加入过滤条件，并把股息收益率加放权重，情况改善很多

感悟：随着市场上机构比重的增加，对基本面也有了很多的要求。

[https://bigquant.com/codesharev3/946edaf7-9ac0-4bb9-8386-b970a5755f8b](https://b

例如取自选股中红宝丽20250322日09:24:57时刻的竞价价格和未匹配量

https://bigquant.com/codesharev3/91319f57-c25a-4c06-8b2b-6f01d14ffc03

熟悉因子分析

https://bigquant.com/codesharev3/5256593d-e0fb-4f30-a04b-0890b9f5b54e

\

影响策略效果的因子有很多，每个人所选择的因子也各有不同，选取因子后，如何分析数据，找出有效选股逻辑模型就成为重点。该数据分析工作是策略逻辑编写中最耗时的部分，本文介绍，如何简化数据分析的工作：数据标准化处理

举例说明：

当天收益因子：5000支票，可能会有1000+个不同的值，如：1

1. 用AI生成3个策略: 小市值策略，破净股策略，超跌反弹策略；
2. 3个策略回测后，将raw_perf里的returns和position存到数据库
3. 计算每个策略与factor_return表的相关性
4. 每个调仓日选取相关性最高的策略，用该策略的持仓作为风格轮动的持仓

代码：

分别用stockranker和xgboost做了滚动训练，stockranker的结果相对正常，xgboost非常离谱，不太清楚原因

一、stockranker

每年训练一次，每次用一年的数据滚动训练

from bigmodule import M

result = 

https://bigquant.com/codesharev3/96c50c11-0129-4859-a961-a614be5a016e

结果

今日作业：

\

1、请用自己的话解释什么是量化投资

答：

量化分几步

1 数据分析与挖掘：

• 分析挖掘价格信息 与 其他信息（ 比如 交易信息，基本面信息， 宏观信息等） 之间单维或者多维的关系。
• 关系可能是线性的，非线性的，时间序列的，横截面的等。

https://bigquant.com/codesharev3/9710d5b9-d38f-46e7-ad58-6ce7dae53d5e

\

数据获取思路：

1 用with , 将sql 分成三步 data_base，data_normalized ，以及features ,label 定义

2 data_base 获取初始字段，data_normalized 标准化， 以及pck_rank_by，获取横截面因子，m_leg 避

实现了 ：

xgboost 和 stockrank 的策略。以及 超参测试

相同因子的情况下， stockrank 要比 xgboost 更好些。

实现 ：\nxgboost 的策略\n\n因子设计

c_pct_rank(dividend_yield_ratio)

https://bigquant.com/codesharev3/6dcc2fbc-e575-4cbd-b38f-f4727caf601f

\

风格轮动

5月20日，采用小市值策略，5月27日轮动为流动性因子策略

我用“策略社区模板+万老师final全动态模板”与BQ的AI智能体编写了“宽指轮动选股策略-250807”，这个策略是针对沪深300、中证500、中证1000成分股股票池的股票，用Stock Ranker模型选股，然后将三个策略封装为三个用户因子表，再将三个因子表构成一个用三大宽基指数进行择时再对应

一、作业结论：

1、作业任务：通过将dai 函数喂给模型，让模型按照里面的算式构建因子，会形成越来越复杂的因子

2、作业结果：通过很普通的话术，一步步训练“模型”形成的因子，一步步走向构建复杂因子的方向，一步步从极大负收益可以调试到接近正收益。

二、作业过程：

1、先是按照老师的方法，在ge

手工通过大模型挖掘因子

一、改为deepseek API

二、因子挖掘

user = """
日期为2022-01-01到2024-01-01
我想做一个能够反应量价关系和个股财务情况相关的因子
"""

{
    "Thought": "为了

感谢万老师，这堂课收获非浅。无论是滚动训练框架，还是scikit-learn等知识的扩展，都对我的量化学习直到了非常大的启迪作用。

坦率讲，对平台和代码都还是半生不熟的情况下，这个作业的过程，就是一个非常高效的学习过程。

1、先试着补全一个线性模型。

首先拟定了五个常见因子，简化起见都是用

基于随机森林模板，选了37个因子根据随机森林重要性排序。

保留前面9个最重要的因子，结果如下

![](/w

1.安装SDK（内测中）

联系工作人员申请成功后，将安装文件放到任意一个路径，输入pip install <路径>完成安装

2.bq命令的使用

如需测试，请在终端中测试，将下方指令替换成正确的信息(如自己的账号密码、正确的策略id)然后Enter

2.1 用户登录:

1. 先说结论

我只是跟 QuantAgent 聊了几句天、每次加一两个小条件，结果最后跑出来的回测年化收益率 60%+。 过程比点外卖还简单——点开对话框、打字、回车、等几秒钟。

2. Quant Agent 是啥？

可以把它想象成一个会写代码、会调数据、还懂交易策略的“量化机器人”。