1.引言

在量化投资领域，概念因子已从市场现象演变为系统性策略工具。从 2024 年 AI 芯片龙头寒武纪 387% 的涨幅，到低空经济概念板块 2300 亿元的资金净流入，概念因子正在重塑 A 股市场的盈利逻辑。我们构建策略的核心，在于将产业趋势的确定性转化为可量化的投资机会。

1.1策略介绍

本策略通过筛选出日涨跌幅最大的概念，并买入成分股市值最大的三只股票，每3日调仓

1.2数据使用

1.2.1 概念每日行情数据

概念指数行情(cn_stock_index_concept_bar1d)

<https://bigquant.com/data/d

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平台：

https://bigquant.com/data/home

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

新版表达式算子：

<https://

在全球金融市场波动率加剧的背景下，传统量化投资体系正面临数据维度单一、策略迭代滞后、决策响应缓慢等痛点。iTick 外汇股票报价 API 服务与 DeepSeek-R1 大模型的深度整合，通过 "数据 + 算法 + 场景" 三位一体的创新架构，为量化投资领域带来了革命性突破。

一、全维度数据生态构建

基于 iTick API 的全品种实时数据接入能力，系统可获取全球 200 多个交易所的外汇、股票、期权等超千万级 Tick 数据，并整合 Wind 客户端 API 提供的 800 万宏观经济指标、产业链数据及新闻舆情。通过 DeepSeek-R1 的异构数据融合引擎，采用注意力机制动态

在全球金融市场波动率加剧的背景下，传统量化投资体系正面临数据维度单一、策略迭代滞后、决策响应缓慢等痛点。iTick 外汇股票报价 API 服务与 DeepSeek-R1 大模型的深度整合，通过 "数据 + 算法 + 场景" 三位一体的创新架构，为量化投资领域带来了革命性突破。

\

一、全维度数据生态构建

基于 iTick API 的全品种实时数据接入能力，系统可获取全球 200 多个交易所的外汇、股票、期权等超千万级 Tick

简单来讲，量化投资就是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。

量化交易 是指借助现代统计学和数学的方法，利用[计算机技术来进行交易的证券投资方式。量化交易从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可以持续的、稳定且高于平均收益的超额回报。

量化投资模型只是一种工具、一种方法、一种手段，能实现成熟而有效的投资理念，需要不断根据投资理念的变化、市场状况的变化而进行修正、改善和优化，换而言之，有效的模型建立在适应市场环境的有效

随着 AI 技术的不断发展，其应用领域得到进一步扩展。同时，基于外汇API、贵金属API、股票API等量化投资凭借其科学、系统的决策方式，在金融领域中扮演着愈发重要的角色。QLib，作为一个专注于量化投资研究的开源项目，就利用了 AI 技术，结合iTick的免费外汇API、股票API数据接口，为广大研究者和从业人员提供了强大的量化投资工具支持。

\

QLib 简介

QLib 是一个由微软开源的量化投资研究平台，其代码仓库地址为 https://github.com/microsoft/qlib 。它旨在为量化投资领域的研究者和从业者提供一个高效、便捷的工具，帮助他们构建完整的量

随着 AI 技术的不断发展，其应用领域得到进一步扩展。同时，基于外汇API、贵金属API、股票API等量化投资凭借其科学、系统的决策方式，在金融领域中扮演着愈发重要的角色。QLib，作为一个专注于量化投资研究的开源项目，就利用了 AI 技术，结合iTick的免费外汇API、股票API数据接口，为广大研究者和从业人员提供了强大的量化投资工具支持。

\

QLib 简介

QLib 是一个由微软开源的量化投资研究平台，其代码仓库地址为

一、定义

在量化投资领域，数据是任何代码的底层架构，模型训练、策略运行都依赖于对应的数据。BigQuant 平台的模拟交易每天会基于策略所需的数据运行策略代码，最终产生下一个交易日的买卖信息。这种工作方式需要保证模拟交易运行前，其依赖的数据需要准备好。如果数据没有准备好会导致当日模拟交易运行结果是错误。

\

1. 参数可分为两组：依赖标签和输出标签，输入数据和输出数据；
   • 依赖标签：指该任务运行时需要依赖前置任务的输出标签，用户可通过输入关键字模糊匹配选择用户有权使用的依赖标签；
   • 输出标签：指该任务运行时的输出标签，用户可自由输入定义(该标签可作为用户自己的其他任务

如下图，只拿到了全市场3568个数据。

https://bigquant.com/wiki/doc/tezheng-ri-xIjPe1UFMu

这个例子程序也一直报错

像一些复杂的因子合成方法怎么实现呢，有没有相关的算子模块或者代码分享呢

https://bigquant.com/codeshare/1d87d715-5139-432b-9267-5b99154e598b

新手想问一下在trade运行中，这个错误是什么意思，需要在什么地方改正

\

三种构建大盘风控指标的方法关于LSTM+CNN的模型进行大盘风控的策略代码未找到，能否提供一下，谢谢。

https://bigquant.com/wiki/doc/dapan-zhibiao-fangfa-MoB3kNcAMG

根据官网《如何对AI量化策略进行管理？三步走》（https://bigquant.com/wiki/doc/celve-FeqcyLgLeU），并参考

【模板案例】（https://bigquant.com/community/t/topic/194074）策略组合

在将两个策略合在一起时报错，请问如何解决？

\

NameError Traceback (most recent call last) <ipython-input-20-6aeba62465a8> in <module> 1 M3 = M.

https://bigquant.com/wiki/doc/xinhao-fangfa-oxACTyy7MT我看到知识库里有个大神有这个再次分类提高选股策略的方法。但是，在测试集中把return_5_day=(shift(close_0, -5)-shift(open_0, -1))/shift(open_0, -1)给当作特征写进去了啊，这岂不就是用了未来函数么？还是说我理解错了

消息在股票交易中有很大的影响力，如果没有对消息的处理会导致策略经常中雷，怎么办呢？

说是有：

https://bigquant.com/wiki/doc/mokuai-aBcAf1yeFo

具体怎么调用这些因子

如标题

BigCharts 介绍

BigCharts是专业的金融市场和量化投资数据可视化探索与分析工具，致力于为用户提供高效、易用、可定制的数据可视化解决方案，提升用户在数据探索、分析和决策过程中的效率与准确性，成为量化投资者和金融分析师的得力助手。

快速入门

• import bigcharts
• bigchart.Line(…) 构建图表
  • .render() 显示图表
• 传入 DAI SQL 作为数据源

import bigcharts

bigcharts.Line("SELECT date, close FROM cn

StockRanker

StockRanker 是 BigQuant 平台提供的高性能排序学习算法(list-wise)，为量化投资场景做了优化。StockRanker可以根据输入的多个股票特征训练模型和做出排序预测。

在量化投资中，排序任务指的是根据某些标准对一组股票进行排序。例如，投资者可能希望按照未来收益潜力对股票进行排序，以决定投资组合的构成。排序学习（Learning to Rank）是一种机器学习方法，专门训练一个模型来优化排序效果。StockRanker 采用的是 list-wise 方法，它不仅考虑个别股票的特征，还关注整个股票列表的排序质量，从而实现更优的排序结果。

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过借鉴传统机器学习算法——XGBoost——对相同的量价因子进行实验，方便与深度学习模型进行对比实践。

二、算法介绍

XGBoost 是在 Gradient Boosting（梯度提升）