张伟_作业
由bqz709ry创建,最终由bqz709ry更新于
由bqz709ry创建,最终由bqz709ry更新于
因子和模型同样重要,模型相同的情况,不同因子在回测中,差异巨大。相同因子在不同的模型下进行回测,表现也各不相同。
一个好的策略,是因子和模型共同组合得到的。
因子可以决定回一个量化交易的潜在收益空间,好的模
由bqf6mces创建,最终由bqf6mces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
CatBoost 是由 Yandex(俄罗斯的一家互联网公司) 开发的一个 基于梯度提升(Gradient Boosting) 的机器学习库,主要用于 分类、回归、排序任务,以处理结构化数据为主。它的名字来自 “*
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
换手率与市值因子
[https://bigquant.com/codesharev3
由bqbppxmo创建,最终由bqbppxmo更新于
由bq4jnrx6创建,最终由bq4jnrx6更新于
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bqadm更新于
由small_q创建,最终由small_q更新于
因子说明:
低换手 + 高成长 + 小市值
c_pct_rank(net_profit_mrq_yoy) + c_pct_rank(-m_sum(turn, 10)) + c_pct_rank(-total_market_cap) AS factor
由bqf6mces创建,最终由bqf6mces更新于
==--具有行业风格特征的策略应该如何系统构建?==
电子行业是一个以电子元器件、电子设备及其相关材料和制造工艺为核心的综合性产业体系,覆盖从基础元器件制造到整机装配、系统集成等多个环节。该行业技术密集度高、更新迭代快,具有强烈的全球分工特征。
在 **申万行业
由bq0m8rec创建,最终由bq0m8rec更新于
BigTrader 是 BigQuant 推出的专业级量化交易引擎,采用 C++ 核心实现,并提供 Python API 接口和回调函数。它为量化投资者提供了一个全面的交易解决方案,无论您是初学者还是专业投资者,都能轻松上手使用。
由qxiao创建,最终由bqaht3rj更新于
由qxiao创建,最终由qxiao更新于
在这篇文章中,我们将探讨大型语言模型(LLM)在金融领域的应用,涵盖以下主题:
我们将展示如何将LLM与OpenAI API和Python等工具结合使用,以简化生成主题投资组合和分析趋势等流程,从
由googleglass创建,最终由bqzau2ce更新于
由bq4jnrx6创建,最终由bq4jnrx6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