因子分析大家应该都不陌生了，我们平台也有很多关于因子分析的模块供大家使用。最近我们根据平台上原有的因子分析模块进行了扩展。原来的因子分析模块的应用场景仅适用于股票市场，但随着市场发展的变化以及客户们对于因子分析领域的不断扩展，我们开发了一个新的模块：因子自定义分析。 在这个模块中，我们能够将

\

交易市场

交易市场信息

平台交易市场对应的代码后缀。 查看数据 | [使用示例](https://bigquant.com/community/searc

交易市场

交易市场信息

(trade_market)

平台交易市场对应的代码后缀。查看数据 | [使用示例](https://bigquant.

滚动训练模块简介

滚动训练模块上线已经有一段时间了，接下来我们会简单介绍如何使用这个模块。

为了尽量避免策略失效，我们可以定期更新训练集数据，也就是通过滚动训练的方式更新预测模型以适应最新市场行情的变化，例如：

我们希望训练一个模型，训练集数据从2016-01-01起到最新数据止，每次模

本文是《基于AI排序算法的指数增强策略》一文的代码。欢迎大家进行克隆研究。

策略案例

[https://bigquant.com/experimentshare/cc52020e848d407f965812470818896c](https://bigquant.com/experimen

本文主要收集一些策略研究常用到的一些功能帖。

• [写策略遇到报错，如何分享策略到社区，快速需求大家帮助](https://community.bigquant.com/t/%E5%86%99%E7%AD%96%E7%95%A5%E9%81%87%E5%88%B0%E6%8A%A5%E9%94%9

\

<a href="annex/附件1.docx" target="_blank">附件1</a>

[https://bigquant.com/experimentshare/e8bfcee7104a4c8296f101d58ea1c0e3](https://bigquant.com/experim

https://bigquant.com/experimentshare/84a2976465db47c8be6614b14f8974f7

\

https://bigquant.com/experimentshare/2451004cbc3f43a3ae9cf1b647439477

\

$alpha$

   很多使用平台的朋友都希望建立更加细化的AI可视化流程，下图是平台默认生成的AI可视化流程

![image|602x398](/community/uploads/default/original/2X/1/1e4dc8c43b2c9a0729cf74ed4f7b0b2f34

现在可以使用港股数据进行回测研究了，下面是示例代码。和A股模板策略相比，改了如下几处： 1.获取股票列表，需要指定港股市场， D.instruments(start_date, split_date,market=‘HK_STOCK’) 2.回测时指定benchmark为恒生指数HSI.HKEX

https://bigquant.com/experimentshare/89ecb5b8850a44e699f0d22556cffe11

\

导语

相信大家已经很熟悉平台的表达式引擎功能了，在创建因子的过程中我们经常会遇到需要批量生成因子比如close_0,close_1,close_2...close_20，又或者因子本身有很多重复的项只是参数不同，例如生成一个规则循环因子close_0turn_0 + close_1tur

时间序列特征工程

https://www.bilibili.com/video/BV1Nv411z7gt

\

导语

由于深度学习中牵扯到Dropout和随机种子等多处随机项，因此如果无法固化模型，当缓存丢失后会模拟交易/回测会触发重新训练，导致模型变化，本帖介绍固化已有的模型的步骤。

一、固化已有的模型的步骤

1. 调试策略

好的策略应该经过多次训练查看模型的回测效果稳定性，如

BigQuant独特的可视化、模块化画布拖拽为广大宽粉们提供更便捷、更舒适的策略开发体验，可以实现：

1. 快速、简单地开发机器学习、深度学习试验
2. 快速实现试验迭代，注重策略研究
3. 拖动模块、连接线条实现AI策略的开发

下面，进入可视化工作区的学习，训练你的个人AI助手！ 一、可视化功

2021年3月11日Meetup做空策略模版：

[https://bigquant.com/experimentshare/dc9aaa2f48cb4e8fa45c000b7598de3b](https://bigquant.com/experimentshare/dc9aaa2f48cb4e8f