首页 编写策略 数据平台 策略社区 我的策略 宽客学院 知识库
免费注册

四金_作业

\

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

sotckranker xgboost
![](/wiki/api/attachments.redirect?id=d5b76aed-3ac8-49e0-8333-a21838a9f2d7

由bqf6mces创建，最终由bqf6mces更新于

大卫_作业提交

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

由bqnst8by创建，最终由bqnst8by更新于

优秀策略分享——数据标准化策略

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bqpguj9o创建，最终由bqpguj9o更新于

bqbppxmo_作业

  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：

由bqbppxmo创建，最终由bqbppxmo更新于

张伟作业

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 =

由bqz709ry创建，最终由bqz709ry更新于

kd_gld的作业

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。

由godspeedgld创建，最终由godspeedgld更新于

kr_gld的作业

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

由godspeedgld创建，最终由godspeedgld更新于

kr_gld的作业

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)

由godspeedgld创建，最终由godspeedgld更新于

四金_作业

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

策略 执行过程 策略因子相关性
小市值 ![](/wiki/api/attachments.redirect?id=252757f9-1e2b-44f3-9a2

由bqf6mces创建，最终由bqf6mces更新于

【代码报错】组合策略提交模拟失败

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

由peng1960hong创建，最终由small_q更新于

Liujunze_作业

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

由bq8buwub创建，最终由bqtzejx8更新于

邹的作业

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

由bq9dhg5r创建，最终由bq9dhg5r更新于

老韵-机器学习作业

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

由bqgl97s8创建，最终由bqv93dy2更新于

bqbppxmo_作业


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

由bqbppxmo创建，最终由bqbppxmo更新于

回测API的调用（内测）

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:

由small_q创建，最终由stephen1231234更新于

Quant Agent：几句提示就做出年化 52% 的策略

  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。

  1. 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”。

由bq12wety创建，最终由bq12wety更新于

张伟_作业

一、尝试用不同的大模型实现因子的挖掘：

目的测试国内的主流大模型，看哪个大模型的能力更适合挖掘因子

提示词：

user = """
日期为2022-01-01到2024-01-01
我想做一个流动性增强因子
"""

qwen_plus：

由bqz709ry创建，最终由bqz709ry更新于

分页：第1页第2页第3页第4页第5页第315页
{link}