单因子策略：120日换手率之和

回测图：

\

策略源码：

{{membership}}

https://bigquant.com/codeshare/54d502d3-8cd7-45f4-97a5-55b912da0ef3

\

单因子策略-60日收盘价均价比今日收盘价

回测图：

{{membership}}

策略源码：

https://bigquant.com/codeshare/0039ff8f-7d74-41a7-a97b-9a0586ada8a5

\

• 声        明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 交易逻辑：每隔30个交易日，以开盘价买入当日0<PB<1.5且0<PE<15且有成交量较前一日放大1.5~2.5倍的股票；
• 每隔30个交易日，将不符合上述标准的持仓股票在第二天以收盘价卖出。
• 股票过滤：换手率小于20%，过滤ST，过滤北交所，过滤科创版，上市天数大于270天，市盈率小于50
• 排序规则：按照换手率从大到小
• 买卖时间：开盘买入，收盘卖出
• 初始资金：100万
• 持仓票数：5
• 持仓周期：1天

回测图：

![](/wiki/api/attachments.red

回测图：

\

策略源码：

声明：本策略需要在AIStudio 3.0环境下运行（点击克隆之后-选择最新环境）

{{membership}}

[https://bigquant.com/codeshare/f4d50c8c-dc68-44e2-89ef-e91c72ad01f4](https://bigquant.com/codeshare/f4d50c8c-dc68-44e2-89ef-e91c72ad01

是否可以导入csv，或者基于平台已有数据，加工出来的数据（已包含开盘价、收盘价、最高价、最低价等数据），使用平台的回测组件进行回测？

分享一些量化交易相关的常识信息。

五因子模型公式及应用

五因子模型是哪五个因子

**[多因子选股模型及优缺点](https://bigquant.com/wiki/doc/5asa5zug5a2q6ycj6ikh5qih5z6l5zcn6kn6ke

交易是每天的排名第一，日频，怎么看回测和模拟交易的预测结果是是否一样

回测结果是基于历史数据对某一投资策略进行模拟交易后得到的结果。进行回测的目的是为了评估一个投资策略的盈利能力、风险水平以及其他相关指标。

回测结果中通常包括不同时间段的投资收益率、最大回撤、胜率等指标。这些结果可以帮助投资者了解该策略的优势和不足，从而进行调整和优化。

基本概念

回测结果通常包含多个方面的信息，主要包括：

1. 总收益率：在策略回测期间，总收益率作为盈利或亏损的总体百

来源：SSRN 作者：Sophie Emerson, Ruairi Kennedy, Luke O’Shea, and John O’Brien

机器学习是人工智能的一个子领域，它使用统计技术为计算机模型提供从数据集学习的能力，允许模型在没有显示编程的情况下执行特定任务。近年来，机器学习技术激增，人们对其在金融领域的应用也越来越感兴趣。在投资管理中，已被应用于新闻的情绪分析、趋势分析、投资组合优化、风险建模等。那么，机器学习在量化投资中有哪些潜在应用呢？

1.常见的机器学习算法

机器学习算法主要有三种：监督学习、无监督学习和强化学习。监督学习是在已知输入和输出的情况下训练出一个模型，将

本代码由可视化策略环境自动生成 2024年1月17日 01:02

本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。

交易引擎：初始化函数，只执行一次

def m6_initialize_bigquant_run(context): # 加载预测数据 context.ranker_prediction = context.options['data'].read_df() context.ranker_prediction.set_index('date',inplace=True)

交易引擎：每个单位时间开盘前调用一次。

https://bigquant.com/codeshare/ab8fdfa0-cd0e-47b7-a96d-a0391c480bb7

这是我一个简单的策略，可以正常回测，但是提交模拟交易出错，请问如何解决？

2024-01-15 00:44:40 任务运行开始调度 state=trigger event= ea0b9d62-d73c-405f-aabe-a5812a248e0d ..

2024-01-15 00:44:46 任务运行状态更新 st

https://bigquant.com/codeshare/168a21b0-908a-45f2-9a09-97e7ffce37de

\

请问：在回测时报性能告警，是什么原因，如何避免？

/usr/local/python3/lib/python3.8/site-packages/pandas/core/generic.py:2605: PerformanceWarning:

your performance may suffer as PyTables will pickle object types that it cannot

map directly to c-types [inferred_type->mixed,key->block3_values] [items->Index(['instrument

https://bigquant.com/aistudio/studios/a29733f8-0f37-11ed-93bb-da75731aa77c/?folder=/home/aiuser/work

https://bigquant.com/codeshare/ce89ec06-3457-4f59-bfed-70d7bb95e4c7

导入策略试运行日志

[2024-01-02 22:45:32.247550] INFO moduleinvoker: input_features.v1 开始运行.. [2024-01-02 22:45:32.271768] INFO moduleinvoker: input_features.v1

如标题

什么也没变,甚至用固化的策略,回测2022年,效果都大变样了, 请教, 要作何修改,才能恢复到以前一样?

https://bigquant.com/codeshare/f88d845e-2f55-45ea-b8b1-4cf7dd5cdde3

在bigtrade里使用可以该方法获取持仓，请问如何在trade模块里获取持仓列表呢

新手用量价相关性做了个策略，不知道为啥回测报错。请指点，万分感谢

from bigdatasource.api import DataSource
from bigdata.api.datareader import D
from biglearning.api import M
from biglearning.api import tools as T
from biglearning.module2.common.data import Outputs
#
import pandas as pd
import numpy as np
impor

交易引擎：初始化函数，只执行一次

def bigquant_run(context):

context.set_commission(PerOrder(buy_cost=0.0001, sell_cost=0.0011, min_cost=0))
context.slippage.VolumeShareSlippage(volume_limit=0.025, price_impact=0.1)

#读取数据
context.ranker_prediction = context.options['data'].read_df()
context.ranker_predictio

回测中貌似有bug，前一天用context.order_target_percent(instrument,0)卖出的股票，后一天在仓位中还有它的信息，只不过持仓量为0。既然仓位中没有这只股票了，为什么仓位中还有它的信息？

这是自带的我的文档/因子分析代码策略.ipynb，我使用这份代码进行简单的快速因子回测。在上周五之前是没问题的，最近无法运行了，提示TypeError: set_global_opts() got an unexpected keyword argument 'tooltip_opts'。完整代码如下：

https://bigquant.com/codeshare/51c8cc81-4866-4fe5-907c-c45285e68994

\

{{membership}}

https://bigquant.com/codeshare/ccb0fdad-c4da-424e-ace1-dd57ace94cec

\

在大宽看了不少策略，有一个关于具体使用当天还是前一天数据的问题

比如B站视频中的稳健深小策略

#==================== 数据准备

today = data.current_dt.strftime('%Y-%m-%d')

time = data.current_dt

# 根据权重计算排序得分

today_data['总市值_score'] = today_data['总市值'].rank(ascending=True)

today_data['流通市值_score'] = today_data['流通市值'].rank(ascending