【代码报错】提交模拟失败
可视化编程状态下DNN模型针对沪深300、中证500、中证1000指数的ETF策略，策略回测正常，但提交模拟失败，请解决？\n策略分享链接： https://bigquant.com/codesharev3/079766cb-7157-4e26-abf1-d2faf4c965c7\n提交模拟链接：
由peng1960hong创建，最终由peng1960hong更新于
可视化编程状态下DNN模型针对沪深300、中证500、中证1000指数的ETF策略，策略回测正常，但提交模拟失败，请解决？\n策略分享链接： https://bigquant.com/codesharev3/079766cb-7157-4e26-abf1-d2faf4c965c7\n提交模拟链接：
由peng1960hong创建，最终由peng1960hong更新于
•因子更重要还是模型更重要？
我认为因子更重要，只有好的因子才能做出好的策略。
相同因子下不同模型的区别：
每次训练时间比较长，时间有限，只跑了线性回归的策略。而且收益也没有调的很好。
后续有时间再持续优化，并跑其他策略比较。
[https://bigquant.c
由bqafrbvb创建，最终由bqafrbvb更新于
为了上难度，用了个三参数(策略本身没意义哈，只为了熟悉策略回测各环节），策略代码如下：
[https://bigquant.com/codesharev3/acc72621-b644-4961-9a13-375d4d4ea840](https://bigquant.com/codesharev3/
由bqgl97s8创建，最终由bqgl97s8更新于
使用总市值，换手率，pe_ttim和净利润(单季度, 同比增长)的截面排序 4个因子作为因子，使用LinearRegression，xgboost和随机森林分别进行回归，LinearRegression效果最好，如下图所示。
![](/wiki/api/attachments.redirect?
由bqbppxmo创建，最终由bqbppxmo更新于
因子和模型同样重要，因子和模型的组合决定了量化交易策略的效果。
不同因子在相同模型下的回测表现差异巨大，相同因子在不同模型下的回测表现也各不相同（图1vs图2）。
因子决定潜在收益空间，模型能够提升回测和实盘中的收益表现。
模型和因子的相对重要性会随着环境变化而变化。
\
由bqae70pv创建，最终由bqae70pv更新于
非常感谢张伟同学和四金同学的作业能给我看，我还好多代码不会写。
from bigmodule import M
# <aistudiograph>
# @param(id="m5", name="initialize")
# 交易引擎：初始化函数，只执行一次
由bqtzejx8创建，最终由bqtzejx8更新于
import matplotlib.pyplot as plt
import seaborn as sns
wegiht_list = [0.8,0.6,0.4,0.2]
p_values = pd.DataFrame([])
for weight in wegi由bqtzejx8创建，最终由bqtzejx8更新于
from bigmodule import M
# <aistudiograph>
# @param(id="m7", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m7_initialize_bigquant_run(con由bqtzejx8创建，最终由bqtzejx8更新于
from bigmodule import M
# <aistudiograph>
# @param(id="m5", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m5_initialize_bigquant_run(con由bqtzejx8创建，最终由bqtzejx8更新于
from bigmodule import M
# <aistudiograph>
# @param(id="m5", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m5_initialize_bigquant_run(con由bqtzejx8创建，最终由bqtzejx8更新于
1、请回顾你过去的交易经验，选择一个你曾经使用过的交易方法，尝试用量化的方式重新表达出来（用文字描述，无需代码实现）
优选2-3个近期热点行业筹码峰低位集中的2-3之股票。最好是看的出来主力持仓开始集中了。
量化表达：
(一)定义板块动量因子确定热门板块
(二)定义股票动量因子由bqtzejx8创建，最终由bqtzejx8更新于
由bqafrbvb创建，最终由bqafrbvb更新于
量化投资，简单说就是“用数学和算法代替人脑做买卖”。它把选股、择时、仓位、等所有环节都写成可计算、可回测的规则，然后让电脑按规则执行。核心要素可以拆成三块：
由bqtzejx8创建，最终由bqtzejx8更新于
由bqz709ry创建，最终由bqz709ry更新于
由bqg4auih创建，最终由bqg4auih更新于
感谢：作业太难了，感谢TCB的作业可以抄抄，比较简洁。
变化：n1，n2两个参数可调；持仓50只股票；增加了几个过滤条件如非ST、非停牌、非北交所板块等。
洞察：将北交所剔除后，夏普率从2.15下降到1.69，说明微盘股可能和很多人没关系因为无法买卖北交所股票。
==问题：批改作业的老师，
由bq9ndiek创建，最终由bq9ndiek更新于
对每一只股票，取最近 10个交易日 的最低价序列做 时间序列排序；在横截面（同一天所有股票）上，把上面得到的 0–1 分位值再排一次序，又得到 0–1 之间的分位值；因子值越大 → 股票当前价越接近 10 日最低点（时间序列排序值越低，再取负后反而越大）；**因子值越
由bqg4auih创建，最终由bqg4auih更新于
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
由bq71v3n7创建，最终由bq71v3n7更新于
由bqg4auih创建，最终由bqg4auih更新于
由bqg4auih创建，最终由bqg4auih更新于
换手率（turn）、股东变化数（shareholder_chg）和股东数量（a_shareholder），我将设计一个综合因子。以下是完整的因子设计方案：
\n
由bq9dhg5r创建，最终由bq9dhg5r更新于
XGBoost 是一种基于梯度提升树（Gradient Boosted Trees）的高效机器学习算法，常用于排序、分类、回归等任务，在bigquant平台上只用于排序任务，主要有三种：排序学习（NDCG）; 排序学习（Rankne
由bq0m8rec创建，最终由bq0m8rec更新于
由yzc18811006016创建，最终由yzc18811006016更新于
因子说明：
高成长+低换手+小市值(成交额波动小，流动性不足)
c_pct_rank(net_profit_to_parent_deduct_cagr_3_ttm) + c_pct_rank(-m_sum(turn, 5)) + c_pct_rank(-M_nanstd(am由bqae70pv创建，最终由bqae70pv更新于
由bqrlttmv创建，最终由bqrlttmv更新于