AI策略与自定义选股逻辑策略，哪个更适合你
由kenneth39创建，最终由small_q 被浏览 60 用户
量化策略的本质是使用历史数据进行数据分析，找出某种交易逻辑，胜率、盈亏比概率更高，从而根据该策略的交易计划进行交易，实现盈利的目的。
Bigquant平台很强大，封装了很多基础数据，也提供了灵活的数据分析及策略开发的方式，比较典型的有两种：
一、AI策略
二、自定义选股逻辑策略
AI策略的特点是：
构建你认为影响股价涨跌的因子，设定训练时间，通过训练时间段内的历史数据，区分出哪些股票涨的好，哪些股票涨的差，使用AI算法能力，自动去找这些因子与股票涨跌之间的关系，用这种关系训练出预测模型，后续根据预测模型去选股。
通常只需要你构建因子、定义数据过滤条件(即你想让AI训练哪种风格的票），就可以完成策略的编写。
**好处：**上手快，不用自己去做数据分析
**弊端：**调优困难，AI还没有那么强大，训练出来的预测模型不一定好或阶段性性好、阶段性差，想针对它进行调优，因不清楚AI算法本身的内核逻辑，调整一个因子或参数，结果就千差万别
自定义选股逻辑的特点是：
选股逻辑完全自主控制，选股逻辑的思路可来源与听别人介绍的选股逻辑，自己根据主观经验构思的选股逻辑，根据某些走的好的票的特点逆推选股逻辑。只有股票满足你自定义选股逻辑的所有条件才会被选出用来交易。
**好处：**可以验证选股逻辑的有效性，将有效的选股逻辑纳入到策略中作为后续的交易计划，分析数据及调优选股逻辑较方便。且可以把多个有效的选股逻辑组合到一个策略中。
**弊端：**较AI策略编写的速度慢，针对性调优需要控制调优次数，避免存在过拟合
总结及两种策略的结合使用：
AI策略、自定义选股逻辑策略并无好坏之分，可以结合使用，比如：你想研究个强势票回调后再度拉升的策略，可以按此步骤尝试：
1、先定义强势票回调的条件，如：rankreturn5<0.1 （代表近5日跌幅在整个市场的前10%，表达回调） shift(rank_return_5,5)>0.9(代表5个交易日前的前近5天收益在整个市场涨幅排名前10%，表达强势），具体表达方法可以灵活定义
2、建个AI策略，数据过滤节点的条件固定为第1步的条件，输入特征列表中的因子构建你认为影响此类型股价涨跌的因子，完成AI策略的编写，观查效果
3、建个自定义选股逻辑的策略，数据过滤节点的条件固定为第1步的条件，输入特征列表中的因子构建你认为影响此类型股价涨跌的因子，再定义个股价未来收益的因子，如持仓2天的收益因子，zhangf2=shift(close_0,-2)/shift(open_0,-1)，将数据跑出来，用数据过滤节点的查看数据功能提取数据，自己分析数据，通过zhangf2可以快速查看哪些股票涨的好涨的差，再去分析涨的好的票，你定义的这些因子的值上能不能找到一些共性，把你找出的规律，定义成选股逻辑，即因子1满足什么条件&因子2满足什么条件，多因子条件叠加制定出选股逻辑，用自己找出的选股逻辑去回测（可以错开时间段，避免过拟合情况）
4、使用第3步分析的结果，优化AI策略，如：通过数据分析，比如增加某个条件，所有这种类型的股票的平均收益提高到XX%，可以把AI策略的数据过滤条件适当增加点（让满足这种条件的所有股票的平均收益处于1个正收益收，在此基础上更容易训练出好策略），如：通过数据分析，某种因子对股票涨跌的影响较大，某些较小，可以保留些影响较大的因子让AI去训练
以上只是一些简单的应用方式，实际操作上还有很多技巧和经验上积累的东西，有兴趣的朋友可以一起交流：gpdnf666
放两个策略大家可以观察下：
AI策略：
天梯链接：https://bigquant.com/live/shared/strategy?id=89223
自定义选股逻辑策略：