110-低波高活跃策略

策略介绍

本策略旨在选取波动率低但活跃度高作为选股因子,观察了等权持股20只,持仓20天的策略表现。该策略的盈利逻辑基于对低波动率和高活跃度股票的选择。低波动率通常意味着股价波动较小,相对稳定,有助于降低投资风险。同时,高活跃度的股票通常具有较高的流动性和交易活跃度,有利于投资者在短

由bqbcl5zr创建,最终由qxiao更新于

109-量价相关性策略

策略介绍

本策略选取60日成交量与收盘价相关性作为因子,观察了进行股票筛选之后等权持股10只,持仓5天的策略表现。量价因子是投资中常见的一种因子,结合了交易量(量)和价格行为(价)的信息来预测股票的未来表现,盈利逻辑主要基于以下几点:

  1. 交易量的信号作用:交易量是市场活跃度的

由small_q创建,最终由qxiao更新于

108-市收率策略

策略介绍

本策略是104选股策略(🌟104-选股策略)模板的具体应用。

由于公司利润变化较大,而且依赖于会计准则、研发投入、设备更新投入等因素,难以正确反映公司的经营状况,而销售收入更加稳定,

由small_q创建,最终由qxiao更新于

107-股息率策略

策略介绍

本策略是104选股策略(🌟104-选股策略)模板的具体应用。基本逻辑是股息率较高的公司能够持续支付较高的现金股息,这通常意味着这些公司拥有较为稳定和可预测的现金流。投资者通过持

由small_q创建,最终由qxiao更新于

🌟104-选股策略

策略介绍

  • 101-简单动量策略 基础上,我们来实现一个更完整的选股策略模版
  • 此策略可以作为一个选股和线性策略的常用模版使用

策略流程

  1. 选股:选择基础股票池 2

由jliang创建,最终由qxiao更新于

106a-新国九条改良版微盘策略

策略介绍

本策略是根据新国九条进行改良的新版微盘策略从而更好筛选需要的股票。

自从2024年新国九条出来后,小市值策略逐渐失效,部分小票退市概率变大,我们先看看国九条中关于股票ST的内容:

可能影响股票被ST或退市的关键因子,这些因子可以作为投资者避免潜在风险的参考:

1、分红情况:如

由bq5bun29创建,最终由qxiao更新于

使用M.tune写一个滚动训练

前言

为了进一步加深对M.tune的使用理解,这里我给大家写一篇M.tune的实际应用。我们可以使用它来调参,当然也可以用它来做滚动训练,值得注意的是,M.tune只能调节模块的参数:

![](/wiki/api/attachments.redirect?id=9edd75fa-2

由bq7zuymm创建,最终由bq7zuymm更新于

为何用ai训练同一历史时刻,回测结果却不理想。

我始终以为,历史会重演,时势造英雄,于是:

1、我用上证指数(000001.SH)和纳斯达克ETF(513100.SH)创建了一个时光机:

[https://bigquant.com/codesharev3/01195700-2d18-411f-a4db-cd93b39f6f31

由bq752u3x创建,最终由bq752u3x更新于

按照指定价格撮合成交

背景

现在有如下这样一张自定义的表,有买入信号buy_signal,卖出信号sell_signal,而且还有自己定义的想成交的价格price列,那如何在平台实现自定义信号买卖和自定义价格成交?

![](/wiki/api/attachments.redirect?id=5b505a42-

由qxiao创建,最终由qxiao更新于

机器学习+择时+跟踪止损+技术分析

策略思路:

使用一些量价估值因子放入Stockranker中进行训练. 同时满足以下三个条件时进行大盘止损(沪深300指数):

  1. 大盘连续三天下跌;
  2. 五日均价小于三十日均价;
  3. 大盘跌破过去三十日的最高价的10%.

满足以下规则时进行个股止损:

  1. 价格跌破建仓以来的最高

由xuxiaoyin创建,最终由small_q更新于

机器学习:1-线性回归预测收益

  • 运行环境:AIStudio 3.0.0
  • 机器学习:线性回归策略:预测收益
  • 策略说明:本代码以教学目的为主,请自行调参


回测图:

![](/wiki/api/attachments.redirect?id=7d999db6-eec5-4e3a-b613-ff21ae9ce

由small_q创建,最终由small_q更新于

基于本地信号构建策略并展示模拟绩效

说明

本文档基于私募版https://fund.bigquant.com/介绍如何基于本地的策略信号在BigQuant平台上构建策略并展示出绩效。

流程如下:本地通过SDK把信号写入到平台表→在平台上构建策略读取表的信号交易→提交模拟→分享到策略社区。

![](/wiki/api/

由qxiao创建,最终由qxiao更新于

2024AI量化训练营作业提交

请大家在本文件夹下创建文档,上传作业,格式如下:


标题:用户名+作业名称

正文:描述+策略链接

由bqkzh1gu创建,最终由bq979qbe更新于

训练营8月1日问题答疑

{{membership}}

\

  • 使用可视化创建了一个策略模版,转换到代码的形式后,from bigmodule import M,编辑器下方会显示“"M" is unknown import symbol” . Notebook 似乎无法识别这个python包,但是运行正常。

![](/

由small_q创建,最终由small_q更新于

条件选股:基于股票5分钟资金流构造价格冲击偏差

策略逻辑:价格冲击偏差较小的股票表现较好,即前期容易下跌上涨困难的股票后期表现更佳,买入


\

策略源码:

请克隆策略,前往最新版本开发环境3.0中运行

{{membership}}


[https://bigquant.com/codeshare/38959187-211

由small_q创建,最终由jc666更新于

124-行业轮动的基本面选股策略

策略原理

行业轮动策略是一种量化交易策略,它依赖于在不同行业之间进行资金分配,以期捕捉市场趋势和行业表现的周期性变化。 从名字即可看出,经济周期导致任何市场状态下可能都会存在股市价格表现较好的行业,因此我们如果能布局这些行业并定期轮动调整,那会取得还不错的投资效果。

本策略是曾经在社区里

由qxiao创建,最终由small_q更新于

133-可转债双低策略

回测绩效

\

定义

可转债全称为可转换债券,指债券持有人可按照发行时约定的价格将债券转换成公司的普通股票的债券,如果债券持有人不想

由qxiao创建,最终由qxiao更新于

滚动训练策略框架

{{membership}}


一个简单封装的机器学习滚动的策略框架~可以方便的使用机器学习滚动训练回测~  \n可以在py文件内修改实际使用的模型,把mod2.py放在目录下, 直接import mod2 from mod2   配置一下config就可以一键进行机器学习滚动训练并看到回测了\

由small_q创建,最终由small_q更新于

CTA策略之--基于Bollinger通道的日频商品期货趋势策略

引言

目前国内CTA策略和基金发展的如火如荼,截止2021年初,全球对冲基金行业管理的总资产为8263亿美元,其中CTA基金的总资产高达3015亿美元

截至最新数据,目前国内私募中有接近7000只产品正在使用CTA策略,其规模的扩张速度是令人震惊的。同时令人关注的即是他扩张速度的背后惊人的

由qxiao创建,最终由gaojiawei更新于

分页:第1页第2页第3页第4页第5页第284页
{link}