102a-第一个AI策略
由qxiao创建，最终由qxiao 被浏览 2 用户
策略介绍
本策略基于 BigQuant 平台的 StockRanker 排序学习算法，通过机器学习方法预测股票在未来一段时间内的相对表现，并对股票进行横截面排序，从而构建可交易的股票组合。
StockRanker 是 BigQuant 自研的一种 Learning to Rank（排序学习）算法，专门用于量化选股场景。\n它通过在多维因子/特征数据上进行训练，学习股票在未来收益维度上的相对优劣关系。
模型输出的是一个相对评分（score）：
- score 只用于 同一交易日的股票排序
- score 的绝对大小本身不具有直接金融意义
- score 越大，代表该股票在模型看来未来表现相对更优
策略思想
本策略围绕 “特征 → 学习 → 排序 → 仓位 → 交易” 五个核心环节构建。
- 特征选择
通过输入多维度因子作为模型特征，包括估值、价格行为等信息，刻画股票的当前状态。
- 预测目标
预测股票 未来 5 个交易日的收益表现，并将其转化为排序学习任务。
- 数据处理
对训练阶段与预测阶段的数据分别进行抽取、过滤和缺失值处理，确保数据质量和时间一致性。
- 模型训练
使用 StockRanker 算法学习“什么样的特征组合，更可能对应较高的未来收益排名”。
- 仓位与交易
根据模型预测结果进行选股，并将排序结果映射为实际仓位，最终通过回测或模拟交易执行策略。
0、因子特征选择
- m2 输入特征 DAI SQL 在实现因子输入，这里用 表达式模式 输入，作为例子，选择了几个估值因子，在实际中你可以选择你需要的因子。
- 使用的是 cn_stock_prefactors 预计算因子表 中数据作为基础数据，也可以在这里直接使用更多数据，例如
cn_stock_bar1d.turn , cn_stock_valuation.float_market_ca - 连接关系：m2 → m3(features) 与 m2 → m16(features)。
1、训练阶段：构建带标签的训练数据并训练模型
- 训练阶段的目标是：让模型学会在给定特征条件下，哪些股票在未来更可能表现更好。
- 首先，通过 m1 代码列表（训练集） 定义训练所使用的股票范围和时间区间。m1 的作用不是获取行情数据本身，而是生成一套统一的样本坐标（即哪些股票、哪些交易日会成为训练样本）。在这一模块中，通常只需要填写市场类型和训练起止日期，其余如自定义股票池可以留空，使用平台默认设置即可。
- m1 同时连接：m1 + m2 → m3(instruments) 与 m1 → m4(instruments)。
在确定训练样本坐标后，m3 表达式特征抽取 和 m4 自动标注 会同时基于 m1 提供的同一套股票与日期运行。m3 负责在这些坐标上计算描述股票当期状态的特征数据（如估值、价格、成交等），m4 则在完全相同的坐标上计算对应的未来表现标签（如未来 5 日收益的离散等级）。m1 同时连接 m3 和 m4，是为了保证每一条训练样本中的特征与标签严格对应同一只股票、同一交易日，这是模型能够正确学习的前提。
m3 表达式特征抽取：在确定训练样本坐标后，m3 表达式特征抽取 会基于 m1 提供的股票与日期坐标，并按照 m2 的特征定义，计算训练阶段的特征数据（如估值、价格、成交等）。
连接关系：m1 → m3(instruments)，m2 → m3(features)，输出 m3.data → m8.data1。
m4 模块用于数据标注：在 m1 定义的股票池与日期范围上，为每个样本（date, instrument）计算并新增 label 列。\nlabel 的计算过程如下：
m_lead(close, 5) / m_lead(open, 1)计算未来收益倍率，含义为“明天开盘买入，5 个交易日后收盘卖出”。all_quantile_cont(_future_return, 0.01) 与 all_quantile_cont(_future_return, 0.99)计算未来收益的 1% 与 99% 分位值。clip(_future_return, _future_return_1pct, _future_return_99pct)按分位值裁剪极端收益，提升标签稳定性。all_cbins(_clipped_return, 20)将裁剪后的收益按分布划分为 20 个等级（离散化），得到排序学习所需的标签。另一个常用分箱函数为 c_wbins，可参考DAI 函数文档。- 连接关系：m1 → m4(instruments)，输出 m4.data → m8.data2，与 m3 在 m8 中按 date,instrument 对齐。
随后，通过 m8 数据连接 将 m3 输出的特征数据与 m4 输出的标签数据按 date 和 instrument 进行合并，生成每一行同时包含“特征 + 标签”的完整训练样本。若你希望保留未对齐样本用于排查，可临时改为 outer 并输出调试，但训练仍建议 inner。
m6 DAI 数据过滤（训练）：m6 用于剔除不可交易或明显异常的训练样本（例如停牌、ST、成交为 0 等），减少噪声。
连接关系:m8.data → m6.input_data，输出 m6.data → m12.input_data。
st_status==0 & close>low ： 排除 ST / ST 等特殊处理股票并且要求收盘价大于最低价。
m12 缺失值处理 进一步移除包含缺失值的样本。m6, m12两个模块的参数通常可以保持较为保守的默认设置，重点在于保证数据质量，而不是一次性过滤过多样本。
连接关系：m6.data → m12.input_data, 输出m12.data → m9.input_data.
m9 为 Python 函数模块，用于在可视化流程中插入自定义逻辑。\n该模块接收上游模块输出的数据，执行用户定义的 Python 处理代码，并将处理结果输出到下游模块。m9 常用于实现特征的二次加工、样本过滤、预测结果后处理等当前标准模块不便直接完成的逻辑，用于增强策略灵活性。是否使用 m9 以及具体效果，取决于策略中自定义代码的实现内容。
m9在这里用于对上游训练样本进行自定义加工。本策略中该模块读取 m12 输出的数据表，删除 st_status、low、close、price_limit_status
等不希望参与模型学习的字段，并将处理后的结果写回为 DataSource 输出给 StockRanker 训练模块使用，从而确保模型只学习有效特征，避免无效字段干扰训练效果。
最后，清洗后的训练数据被送入 m7 StockRanker 训练模块。该模块使用排序学习算法，在训练样本上学习股票的相对优劣顺序，并输出可复用的模型。对于初次使用的策略，建议优先使用默认或稳健的参数配置，模型效果的主要提升往往来自特征质量而非复杂调参。
在m7板块可以调整StockRanker 训练模块的训练细节，包括学习算法、叶节点数量等。
到此，训练集板块已经完成
训练集板块与测试集板块并不直接用数据连线相连，而是通过“训练得到的模型”进行连接：训练集负责生成模型，测试集负责使用该模型进行预测。
训练集链路（此例左侧）：m1 → m3（特征） m1 → m4（标签） m3 + m4 → m8 → m6 → m12 → m7(StockRanker 训练)输出的核心只有一个东西：m7 输出的 model（训练集最终产物）
2.测试阶段
测试/预测链路（此例右侧）：m2 + m15 → m16（特征） → m10 → m17 → m13(StockRanker 预测)
m15和m1在本质上是同一个功能的模块，都是在定义股票范围和时间区间，只不过m15 定义预测所使用的股票与日期坐标，用于后续预测特征计算与当日打分。训练期和预测期通常不同（例如训练用 2021–2022，预测用 2023–2024）。避免训练数据和预测数据混在一起（防止穿越），同时方便分别调参和回测区间m1的训练区间较长、覆盖多阶段，而m15：预测/回测区间放在训练区间之后，股票市场 market 通常保持一致（除非故意跨市场训练）
连接关系：m15 → m16(instruments)。
**m16 表达式特征抽取（预测）**m16 在 m15 的坐标上，复用 m2 的特征定义计算预测特征。预测阶段不生成标签。
连接关系：m15 → m16(instruments)，m2 → m16(features)，输出 m16.data → m10.input_data。
**m10 数据过滤（预测） + m17 缺失值处理（预测）**用来保证可交易的预测输入，预测阶段必须保证输入数据可执行：m10 剔除不可交易样本，m17 剔除缺失样本，确保预测与交易稳定。（效果与m6 + m12相同）
连接关系：m16 → m10 → m17 → m13(data)。
m13 StockRanker 预测用来模型打分m13 使用 m7 训练得到的模型，对预测样本进行打分输出 score，用于后续仓位生成。
连接关系m7.model → m13.model，m17.data → m13.data，输出 m13.predictions → m18.input_1。
m18 仓位分配用将从 score 转换到 position
m18 将预测分数（score）转换为目标持仓结构（position），决定买哪些、买多少。
连接关系：m13.predictions → m18.input_1，输出 m18.data → m19.data。
score DESC 是指按照预测分数降序排序
持仓股票数：10 是指我们取分数最高的10支股票
1 AS position：完全等权持仓，不看排名强弱 ，如果选择1 / score_rank AS position：排名越靠前权重越大（第1名最大）
m19 BigTrader（回测/交易执行）用来执行调仓与回测m19 根据目标仓位执行买卖，输出回测绩效与交易细节。
连接关系：m18.data → m19.data；如需在回调中读取信号数据，通过 context.data 访问。
只需要设置：回测区间、调仓周期、买卖价格点（open/close）、初始资金等。
3.查看数据
我们封装一个函数，用来查看每一个模块输出的是什么数据
import pandas as pd
def to_df(x, name="obj", max_rows=2000):
"""
尽量把任意对象转成 DataFrame：
- DataSource -> read()
- DataFrame -> 原样
- dict -> key/value表 或 sql单列
- list/tuple -> 单列或多列
- 其他 -> 摘要表
"""
# 先 read()
if hasattr(x, "read"):
x = x.read()
# 1) DataFrame
if isinstance(x, pd.DataFrame):
return x
# 2) dict
if isinstance(x, dict):
# 常见：sql
if "sql" in x and isinstance(x["sql"], str):
return pd.DataFrame({"sql": [x["sql"]]})
# 否则做 key/value 表
rows = []
for k, v in x.items():
# 太长的字符串截断，避免 notebook 卡
sv = v
if isinstance(v, str) and len(v) > 2000:
sv = v[:2000] + " ... (truncated)"
rows.append({"key": k, "value": sv})
return pd.DataFrame(rows)
# 3) list/tuple
if isinstance(x, (list, tuple)):
# list of dict -> DataFrame
if len(x) > 0 and isinstance(x[0], dict):
return pd.DataFrame(x)
# list of list/tuple -> DataFrame
if len(x) > 0 and isinstance(x[0], (list, tuple)):
return pd.DataFrame(list(x))
# list of scalar -> 单列
return pd.DataFrame({name: list(x)})
# 4) 其他对象：做摘要
return pd.DataFrame({
"name": [name],
"type": [str(type(x))],
"repr": [repr(x)[:2000]]
})
def show_df(x, title="df", head=20):
df = to_df(x, title)
print(f"\n[{title}] shape={getattr(df, 'shape', None)}")
display(df.head(head))
return df
m1（代码列表）
m2(特征列表)
m3(抽取结果)
m4(Label数据)
m7(模型)
m13(预测分数)
m18(仓位)
策略实现&代码
在BigQuant平台可以非常容易的将量化+AI结合起来。如下是策略代码，可以克隆策略进入 AIStudio 运行和调优。
https://deepwin.bigquant.com/codesharev3/8c71efad-dd5e-42ac-b097-f944994e1732
\