回测

昨晚到今天早上是回测引擎有问题还是咋回事，本以为自己代码写的不对，后来验证了一些之前老师课程里的一些代码模版也出现同样的报错，之前跑的好好的，昨天到今天就不行了。（链接：

https://bigquant.com/codeshare/29383a8a-db8e-4401-b409-3e349b71b5ec

报错日志如下：

![](/wiki/api/attachments.redirect?id=cd3f9630-65bb-4888-b228

策略请求接口

order(symbol, volume, price, order_type=OrderType.LIMIT, offset=Offset.NONE)

• 下单[股票、期货]，必须指定标的、下单数量、下单价格

想要每次以当日开盘价购入10手,文档里写必须指定下单价格。价格可以不输入，自动获取么？

\

https://bigquant.com/codeshare/e498cbde-bca0-4c63-a7b8-f2e411abf7ed

大佬们好，我刚刚了解这个平台，用得不太熟练，请问大家知道这个ETF RSI的策略为什么最后回测的时候报错吗？

一直有类似的错误，应该是该模块的代码有一些问题，需要查看一下

这个策略我想新增一个财务指标叫财务杠杆权益，但是在回测的K线处理里面只要添加财务杠杆，结果一加就出错。求解

财务杠杆权益= (fs_current_assets_0+fs_non_current_assets_0)/(fs_total_equity_0 )

策略地址：

https://bigquant.com/codeshare/729d8088-cabc-4559-a196-e49cf4a5fb5b

\

多策略回测，换手率分析等回测模块都显示plot is deprecated， 都画不出来，麻烦工程师们看一下是代码该更新了吗？

{{use_style}}

回测与交易

极速回测(高频)

快速回测引擎，支持高频数据快速回测。不支持模拟交易和实盘。

输入: - input_data：输入数据，包含 date, price（价格）, 和 position（仓位）

输出: - data: DataSource，完整交易和绩效数据，可以使用 data.read_df() 读取和查看详细数据。

表名： fastbacktest.v1

AIStudio是BigQuant平台以AI为核心的Cloud IDE，可以用于量化投资数据分析、因子挖掘、模型训练、回测和交易，以及更广泛的程序开发和AI模型开发训练等。

/wiki/static/upload/31/315c1087-6d07-491a-90ef-43e717997077.mp4

从这里开始

• 点击进入 AIStudio

关键概念

\

本期提问者：bq22fw19、bq61ym2n、1855680***、bqhz06vb

因子挖掘

如何利用市场信息？

利用市场信息进行量化投资主要涉及以下步骤：

1. 数据收集：首先，需要收集和整理市场数据，包括股票价格、交易量、基本面数据、新闻、宏观经济数据等。这些信息可以从各种数据供应商或公开数据源获取。
2. 数据预处理：对收集到的数据进行清洗和预处理，处理缺失值、异常值、重复值等，保证数据的准确性和完整性。
3. 特征工程：根据投资策略和模型需求，进行特征工程，提取有价值的特征和信号。
4. 模型构建：选择合适的模型（如回归模型、机器学习模型、深度学习模型

{{membership}}

SAR抛物线模型研究

https://bigquant.com/codeshare/25fee71f-dcef-4fe4-a8a1-75bf511d9466

SAR抛物线模型回测

[ https://bigquant.com/codeshare/79b84aec-5eeb-4218-8c38-67e06f477216]( https://bigquant.com/codeshare/79b84ae

问题

回测时间延后了20来天，之前的选股策略完全变了

随着时间的推移，之前选的股也变了

这是随着时间推移选股模型是变化的

就是说回测到1.1日收益200年化，测到1.2日回测就成100年化了

解答

训练集不一样会导致训练出的模型不一样，

思考了很久从哪里讲量化交易，决定还是从人生中的第一本量化书籍开始，本专栏的目的也是把记录自己的读书过程，把书越读越薄！第一次读这本书的时候，已经是5年前了，作为量化实验室的新丁，被要求阅读的就是这本书，并且实现书中的交易策略，了解到了很多很多基础的概念，书中的代码多数已经不能用，所用的语言也是matlab，这次写系列读书笔记，我将使用PYTHON语言（现在用的比较多），这里并不是说matlab过时了，我到现在依旧认为在矩阵处理及可视化上matlab仍然具有绝对优势。周围很多策略开发者仍然在使用matlab!

Quantitative Trading是E.P CHAN的第一本书，在外网有响

故不积跬步，无以至千里；不积小流，无以成江海。--《荀子·劝学篇》

1.机器学习用于选股，对财务数据的特征学习，居然还是小市值NB....

2.机器学习，海量数据预测股票的未来趋势，+Model的研究

3.机器学习之神经网络入门

4.[随

如果你想回测交易策略，可能第一件需要的东西就是历史交易数据。的确，如果你有上帝之手或者从未来穿越回来，那么不经过测试，直接上线实盘交易，也能赚的盆满钵满。而我等凡人，则必须在历史数据中回测我们的策略。而国外有些基金公司，交易策略都有数月的回测和模拟盘考验期。

或许你会对自己说“这不是很难啊 - 就是拿到数据然后把数据加入数据库中。” 我们也希望这件事情如此简单！但是现实残酷，以国内股票数据来说：

1. 获取股票数据的接口很多。免费的接口有新浪、网易、雅虎的API接口，收费的就是证券公司及相应的公司提供的接口。接口不统一，数据质量参差不齐。
2. 数据颗粒度相差很大。最粗的有日k线数据，细一

作者：用Python的交易员原创文章，转载请注明出处

本篇比较简单，只有下面一张图，但是精华尽在其中，有问题欢迎留言。


补充一下，避免误会：针对LTS接口，目前只有存量客户可以用（

前言

量化投资需要回测。

然而回测只是第一步。考验买方Quant的最终标准仍然是盈利，而且是稳定和成规模的盈利。

从事量化投资的朋友经常会发现，在回测中非常好的策略，在实盘中表现不一定好。回测易，而实盘难。从回测到实盘还存在大量的问题，值得研究和思考。

很多原因可以造成回测和实盘的差距。第一个常见的原因是对交易成本考虑不够。这不是大问题。我们可以通过调整回测参数来修改回测结果，最后重新评价策略。第二个常见的原因是过度优化，知乎中有大量讨论过度优化的回答和文章，例如以下两篇：

[Vincent Leiberich：量化投资的哲学基础4：科学哲学家告诉你怎样避免过度优化​zhuan

自己的一个小团队， 用python从头到尾搭了一个交易平台， 从数据到回测，到模拟仿真到实盘交易， 折腾了大半年， 基本该填的坑都填上了。 小团队做自动化交易，不容易，跟大家分享一下:

• 先别想着策略， 先把平台搭好。 最好的平台，还是自己搭的平台。为啥？你自己得对里面的所有细节有把握， 自己做一遍最清楚。 同时未来想扩展， 自己可以改。 人家做的好系统， 一方面是不会给你用的， 另一方面或多或少很多地方是跟你的要求不相符合的。
• 先可以试试用掘金量化的平台， 有免费版， 不能交易， 可以实盘模拟。 平台做的不错， 能想到的，人家都想到了。 我们玩儿熟了， 然后做了自己的python平台

原创文章，转载请注明出处：用Python的交易员

性能问题

Python在2016年里可以说是风靡国内量化投资圈，目前整个生态链已经初具规模：

• 交易：vn.py、easytrader、at_py
• 数据：tushare
• 回测：rqalpha
• 在线平台：UQ、RQ、JQ

随着用户越来越多，Python语言的性能问题也就逐渐成为整个社区关注的重点，经常遇到新手问：Python写的量化交易程序是不是很慢啊？

在他们心中，Python估计是这个样子：

![{w:100}](/community/uploads/default/orig

在这篇博客中，我们将制定一个交易策略，其中我们将对公司的基本面数据进行定量分析，并创建一个基本面强公司的投资组合并分析投资组合的表现。

本博客涵盖的主题：

1. 什么是基本面分析？
2. 什么是定量分析？
3. [为什么要使用基本

前言

一直以来，我都很想写一篇关于如何做全球资产配置的长篇文章，希望能够以翔实的文字和可靠的数据，在投资的路上，为大家填坑。为此，我写下了这篇2万字的【新全球资产配置白皮书】。

文中的内容，是根据多年资产管理的经验和实证研究得出的。在美国，我和几个合伙人为高净值客户、家族办公室及机构，咨询和管理了超过几十亿美元的资产，十多年来，做到了以数据为基础，化为手段，传统金融学和行为金融学为旁征的【基于事实】的资产管理。

资产配置是【大部分投资人】最应该要做的事：不管可投资产是10,000元，还是100,000,000元，虽然做法肯定会不一样，但道理都是相通的。特别是在过去的十几年间

原文章来自Aspect Capital网站，本文为原文章的中文翻译。本文仅用于交流学习使用，不得用于商业用途。如对相关著作人造成侵害，请立即联系译者及时删除。

原文标题：The Art of Simulation

原文时间：2017年2月

翻译：雷闻

摘要

能够回测交易策略在一段时间内的表现，是系统化投资方法的主要优点之一。但是，必须以科学和有纪律的方式进行。回测使我们能够在一系列市场和市场环境中测试投资策略。在最好的情况下，它使投资研究能够采用科学的方法，检验假设并设计策略，目的是评估一种特定的市场交易方法。然而，建立一个看起来盈利的回测策略看似非常容易，

围棋人类第一高手柯洁在与AlphaGo的第二局对阵中再次惜败。有报道称此次的AlphaGo已经比当初跟李世石下的版本进化了几代，想当于给上一版本”让3子“的水平，鉴于柯洁第一局仅输1/4子，可见柯洁的水平应该能完胜上一代的AlphaGo。

AlphaGo主要采取了两种模型——深度学习和增强学习。深度学习（Deep Learning）本质上是一种监督学习（Supervised Learning），或回归分析（Regression Analysis）。它从传统的神经网络发展而来，但最近几年在计算方法上有了突破，加上硬件上的发展，使得它可以拟合更复杂的数据，因此在计算机视觉、图像识别上发展

\