快速入门

由jliang创建，最终由jliang更新于2024-04-28 08:52 被浏览 894 用户

BigQuant 开始使用

BigQuant 导航

快速创建一个量化策略

登录 BigQuant，进入编写策略

\
创建策略：点击左侧栏 AIStudio新建策略 +，点击可视化线性策略，然后输入策略名（本文用 quant101 为例），Enter

\
查看策略：策略会创建并打开，在左侧资源管理器可以看到刚才创建的策略文件

\
运行策略：点击右上角全部运行，运行策略文件全部内容，滑动到页面底部，可以看到策略运行输出和结果

\
开始模拟交易：点击右上角提交模拟，确定

\
查看模拟交易任务，点击左侧栏任务管理，点击刚才创建的模拟交易任务

\
查看交易信号和绩效详情，进入我的交易查看

\
在微信里接收交易信号推送，模拟交易信号产生后会自动推送到微信。如果没有收到微信信号推送，请进入我的交易，确认模拟交易的更新通知里的微信是开启的（点击微信图标开启）。

快速创建一个AI量化策略

和开发一个上述开发一个传统量化策略流程一样，开发一个AI量化策略在BigQuant平台也非常简单：

登录 BigQuant > 进入编写策略 > 新建策略 + > 点击 可视化AI策略 > 输入策略名（本文用 ai101 为例），Enter 创建策略并打开，得到如下使用 StockRanker 算法的AI策略

\
【可选、推荐】升级计算资源：底部状态栏 > 点击资源 K0(1C/6G) > 选择 K2 (4C/16G，资源越大，计算越快)\nAI策略基于算法使用大数据和大算力训练投资预测模型。模型越复杂(比如 StockRanker算法的树的数量越大)、数据越大（比如数据时间周期越长、数据因子越多），计算耗时越长，需要数分钟、甚至数小时、数天才能完成训练。通过提升计算资源，可以显著加快训练速度，降低等待时间。用户注册后，平台会送宽币，可用于升级资源。

\
运行 > 查看预测效果和回测结果。这里耗时可能较长（可能需要数分钟），可以在页面上看到实时的训练过程和日志

\
提交模拟交易、每天接收微信推送信号通知，和前述一样

开发策略逻辑

理解可视化策略开发，根据自己的逻辑实现策略。

打开前面创建的 quant101 策略或者新建一个策略 (新建策略 > 可视化线性策略)，通过可视化方式可以快速看到这个策略的工作流
1. 定义选股逻辑
2. 抽取和计算数据
3. 回测验证效果
\

m1 输入特征 (其中 m1 是模块在策略中的id，这个是自动生成的) 用于定义选股逻辑，点击此模块，在属性 > 参数特征(SQL) 里看到他的逻辑实现，使用 DAI SQL 实现

将这里SQL替换如下：

-- 使用DAI SQL获取数据，构建因子等，如下是一个例子作为参考
-- DAI SQL 语法: https://bigquant.com/wiki/doc/dai-PLSbc1SbZX#h-sql%E5%85%A5%E9%97%A8%E6%95%99%E7%A8%8B

SELECT
    -- 【在这里输入因子表达式】
    -- DAI SQL 算子/函数: https://bigquant.com/wiki/doc/dai-PLSbc1SbZX#h-%E5%87%BD%E6%95%B0
    -- 数据&字段: 数据文档 https://bigquant.com/data/home
    -- 使用在时间截面的total_market_cap排名、五日日均成交量m_avg(amount_0, 5)作为本模版的两个因子
    -- 这里使用了DAI提供的c_normalize函数对因子进行z-score标准化处理以在多因子线性合成时不被量纲影响
    -- 还可以增加系数调节因子权重，这里对两个因子简单地添加了0.4、0，6的系数，在这个示例中没有经济学意义
    -- 另外可以使用DAI提供的cut_outliers函数去极值，c_indneutralize、c_neutralize函数进行行业、行业市值中性化
    0.4 * c_normalize(total_market_cap) + 0.6 * c_normalize(m_avg(turn, 5)) AS score,

    -- 日期，这是每个股票每天的数据
    date,
    -- 股票代码，代表每一支股票
    instrument
-- 预计算因子和数据 cn_stock_factors https://bigquant.com/data/datasources/cn_stock_factors
FROM cn_stock_factors

-- where 数据过滤
WHERE
   st_status = 0
   AND total_market_cap BETWEEN 1000000000 AND 4000000000

-- QUALIFY 数据过滤，支持过滤窗口函数，在 WHERE 之后才执行窗口函数。这里简化了一下，都放到QUALIFY了。对于专业用户建议分开WHERE和QUALIFY，有更好的升性能和准确性
QUALIFY
    -- 剔除ST股票
    st_status = 0
    -- 上市天数 > 270, 过滤掉新股
    AND list_days > 270
    -- 要求 pe > 0，-- 表示注释
    -- AND pe_ttm > 0
    -- 非停牌股
    AND suspended = 0
    -- 不属于北交所
    AND list_sector < 4
    -- 去掉有空值的行
    AND COLUMNS(*) IS NOT NULL
  

-- 按因子值排名，从小到大
ORDER BY date, score

其中修改了

排序 score：0.4 * c_normalize(total_market_cap) + 0.6 * c_normalize(m_avg(turn, 5)) AS score，并每天按score从小到达排序 ORDER BY date, score
过滤条件：添加市值要求在10亿到40亿之间：AND total_market_cap BETWEEN 1000000000 AND 4000000000

m2 数据抽取根据m1输出的选股逻辑做数据计算和抽取：修改结束日期为 2024-02-08，以查看最近运行效果。主要参数说明：
1. 数据开始日期和结束日期
2. 向前取 90 天数据：有的SQL算子可能用到更早日期数据，比如 m_avg(turn, 5) 计算当日的5日换手率均值，需要用到过去5日的数据，所以多向前看一些数据
3. 绑定交易日：选中后，在模拟交易模式下，这个参数将使用实际交易日
\
m4 BigTrader 根据数据做回测，默认逻辑是每天买入排序最小的10(target_hold_count = 10)只股票，每天(holding_days = 1)换仓。\n点击模块，修改参数：
1. 初始资金改为 10000000
2. 修改持有股票数量为20和调仓周期为5天
3. 基准修改为 000852.SH 中证1000
在日线策略(参数数据频率为daily)，主要交易逻辑见代码见 K线处理函数。

\
运行策略，查看回测效果，效果有所提升，也看到最近两个月市场特殊行情运行结果

开发AI策略因子

使用数据、公式/算子实现自己的因子并用于AI策略中。

预测目标
因子(特征)：量化的因子/特征工程
训练数据
预测数据
训练
预测
BigTrader (m7)

BigQuant平台

BigQuant是一站式量化策略开发AI平台和社区。在前述的几个快速开发例子中可以看到，BigQuant提供的可视化AI开发IDE (AIStudio)，让投资者可以更简单、更快速的用上量化和AI。同时BigQuant 策略开发环境完全支持 VSCode 代码开发、调试、终端等能力，可视化模式和代码模式可无缝切换，支持多种开发语言、量化框架等。

可视化策略通过模块和连接组合来定义策略工作流

模块：模块是可视化开发的基本单元，同一个模块可以有不同版本。点击模块，可以设置模块运行参数。平台已支持 1000+ 各种功能的模块
模块连接：通过连线，将上一个模块的输出作为下一个模块的输入

通过这样的工作流，平台可以实现高效的向量化计算，在海量数据和负责逻辑情况下可以提供数量级的性能提升

BigQuant是一站式量化策略开发AI平台和社区：

数据
因子
策略开发和回测
部署模拟交易，云端托管
部署实盘交易
- 云端
- 本地
学院
知识库

文档

BigQuant 策略社区使用指南