import pandas as pd
import numpy as np
import dai
sql = """
SELECT date, instrument,
m_avg(turn, 20) as avg_turn_20,
m_lead(close, 5) / close -1 AS future_return_5,
FROM cn_stock_prefactors
WHERE date >='2024-01-01' AND date <='2024-07-08'
ORDER BY date, instrument
"""
df
更新时间:2024-07-19 02:06
#102
def func(a):
'''
a: 输入数组,已经排好序
返回值:出现次数最多的元素,如果有多个,输出最早出现的
'''
#如果数组为空,返回None
if not a:
return None
#如果数组不为空,定义相关属性
max_element = a[0] #记录最大出现次数的元素
max_count = 1 #记录最大出现次数
current_count = 1 #记录当前元素的出现次数
current_element = a[0] #记录当前正在计数的元素
#遍历数组
for i in range(1, len(a)):
更新时间:2024-06-21 13:13
这个信息是哪里出错了呢?
更新时间:2024-06-20 06:02
年初就一直在等啦
终于等到这本书
分享一下
此书的代码下载地址:https://github.com/fchollet/deep-learning-with-python-notebooks
![](/community/uploads/default/original/3X/c/c/cc94b84a373c66d820177c480765c8ec2467c73d
更新时间:2024-06-12 06:16
数据预处理在众多深度学习算法中都起着重要作用,实际上,对数据进行适当处理后,很多算法能够发挥最佳效果。然而面对各种各样的数据,很多时候我们不知道怎么样才能针对性进行处理。本文介绍了Python下的机器学习工具scikit-learn。其中,“sklearn.preprocessing”模块提供了几种常见的函数和转换类,把原始的特征向量变得更适合估计器使用。
[https://bigquant.com/experimentshare/45cc0fe6c95b43848f64032bbef0a440](https://bigquant.com/experimentshare/
更新时间:2024-06-12 05:56
更新时间:2024-06-12 02:39
麻烦老师 帮忙看一下该报错怎么处理呢
更新时间:2024-06-11 14:14
首先通过爬虫爬取公募基金公布的仓位,我们以招商基金的沪深300指数增强基金为例(代码004190)获取该基金的2018年二季度公布的个股持仓比例,代码实现如下:
import re
import requests
import json
df1=pd.DataFrame()
url = "http://fundf10.eastmoney.com/FundArchivesDatas.aspx?type=jjcc&code=004190&topline=10&year=&month=6&rt=0.66322259
更新时间:2024-06-11 02:52
import dai
import statsmodels.api as sm
import pandas as pd
factors = dai.query("""
pragma enable_pushdown_window;
select a.date, a.instrument, a.total_market_cap, b.returns
from cn_stock_factors AS a
INNER JOIN (
SELECT date, instrument, m_lag(close,-1)/close - 1
更新时间:2024-06-07 10:55
本文为旧版实现,仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors
https://bigquant.com/wiki/doc/dai-PLSbc1SbZX
[http
更新时间:2024-06-07 10:55
\
**徐啸寅
更新时间:2024-06-07 10:55
{{membership}}
https://bigquant.com/codeshare/3ca8301b-8f1d-40ee-885e-3c79f50de068
[https://bigquant.com/codeshare/7720fa73-2034-40ea-a94f-f59a56dd53a0](https://bigquant.com/codeshare/7720fa73-2034-40ea-a94
更新时间:2024-06-07 10:55
夏普比率(Sharpe Ratio)是衡量投资表现的一个指标,它通过比较投资的超额回报与其承担的风险来评估投资的性价比。由诺贝尔奖获得者威廉·夏普提出,是风险调整后的回报的一种度量。
通过BigQuant量化平台的金融市场数据因子以及AI量化策略平台(PC端),可以验证夏普比率因子组成的AI量化策略有效性。
![](/wiki/api/attachments.redirect?id=8df056d7
更新时间:2024-06-07 10:48
市净率(Price-to-Book Ratio,简称 P/B Ratio)是衡量公司股票价格相对于其账面价值的一个指标。这个比率通常用于评估公司股票的价值,尤其是在资产重要的行业(如金融业)中。
BigQuant的金融市场历史数据因子平台以及AI量化策略平台(PC端),可以验证PB市净率因子组成的AI量化策略有效性。
![](/wiki/api/attachments.redirect?id=9e1
更新时间:2024-06-07 10:48
(包含移动平均线公式及Python代码)
移动平均线(Moving Averages)是一种分析金融时间序列数据的基本工具,用于平滑价格数据以识别趋势。移动平均线主要有两种类型:简单移动平均线(SMA)和指数移动平均线(EMA)。
BigQuant也提供全面的金融市场历史数据因子平台以及AI量化策略编写平台(PC端),帮助大家快速验证不同指标因子组成的量化策略。
![](/wiki/api/att
更新时间:2024-06-07 10:48
贝塔系数(Beta)是衡量一项投资相对于整体市场波动的指标。它是资本资产定价模型(CAPM)的关键组成部分,用于计算资产的预期回报和风险。贝塔系数反映了个别股票或投资组合相对于市场基准(如标准普尔500指数)的波动性。
BigQuant的金融市场数据因子平台以及AI量化策略平台(PC端),可以验证Beta贝塔系数因子组成的AI量化策略。
![](/wiki/api/attachments.redirect?
更新时间:2024-06-07 10:48
市盈率(Price-to-Earnings Ratio,简称 P/E Ratio)是一种评估公司股价相对于其每股盈利(EPS)的指标。它是投资者用来衡量股票投资价值和评估公司股价是否被高估或低估的常用工具。
BigQuant的金融市场数据因子平台以及AI量化策略平台(PC端),验证市盈率因子组成的AI量化交易策略。
![](/wiki/api/attachments.redirect?id=dfeedac3
更新时间:2024-06-07 10:48
净资产收益率(Return on Equity,简称 ROE)是一种衡量公司盈利能力的财务指标,用来评估公司管理层使用股东资本的效率。
ROE可以表示公司能够从每单位股东权益中创造多少利润。
BigQuant的金融市场数据因子平台以及AI量化策略开发平台(PC端)可以验证ROE净资产收益率因子在AI量化策略中的表现。
![](/wiki/api/attachments.redirect?id=dd
更新时间:2024-06-07 10:48
布林带指标(Bollinger Bands,缩写BOLL)是一种流行的技术分析工具,由约翰·布林格(John Bollinger)在1980年代发明。
布林带主要用于评估股票或其他金融资产的价格波动性和市场趋势。一般由三条线组成:一个中间带(移动平均线)和两个外带(标准差带)。
BigQuant的金融市场数据因子平台以及AI量化策略平台(PC端),可以验证布林带BOLL指标因子组成的AI量化策
更新时间:2024-06-07 10:48
换手率(Turnover)通常用于描述股票或其他证券在特定时间内的交易活跃程度。金融市场中,换手率可用于衡量股票的流动性,即股票在市场上买卖的频率和容易程度。
BigQuant的金融市场数据因子平台以及AI量化策略平台(PC端),验证换手率因子组成的AI量化交易策略。
![](/wiki/api/attachments.redirect?id=83ec82a2-6c14-4425-8bae-05b216f7
更新时间:2024-06-07 10:48
多因子选股模型涉及将多个指标(或“因子”)组合起来,用以评估股票的潜在回报与风险。这些因子通常包括但不限于价值、动量、规模、质量、波动性和股息收益等。接下来,将详细解释一些常见的多因子模型指标公式,并用数据示例来说明它们如何工作。
价值因子通常通过比较股票的市场价格与其基本面价值来评估股票是否被低估。常用的指标包括市盈率(P/E)、市净率(P/B)、企业价值对EBITD
更新时间:2024-06-07 10:48
工欲善其事,必先利其器,本文精心整理了各大编程语言常用的量化分析工具,会用其中几个就应该可以在私募找到一份不错的量化工作,如果不想安装推荐 BigQuant 人工智能量化投资 一站式的Python+机器学习+量化投资平台,打开浏览器就可以开发算法策略。
欢迎大家补充~~~
更新时间:2024-06-07 10:43
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
更新时间:2024-05-27 06:10
AVL树是一种自平衡二叉搜索树。在这种树中,任何节点的两个子树的高度差最多为1。这种高度平衡确保了在最坏情况下,树的操作(如查找、插入、删除)都能在O(log n)的时间复杂度内完成,其中n是树中节点的数量。
![](/wiki/api/attachments.redirect?id=6bcacc6e-3765-4c12-9ab8-827df17f96a9 " =570x321
更新时间:2024-05-20 05:56
AVL树是一种自平衡二叉搜索树。在这种树中,任何节点的两个子树的高度差被严格控制在1以内。这确保了树的平衡,从而保证了搜索、插入和删除操作的高效性。AVL树是由Georgy Adelson-Velsky和Evgenii Landis在1962年发明的,因此得名(Adelson-Velsky和Landis树)。
平衡因子:每个节点的平衡因子是其左子树的高度减去其右子树的高度。平衡因子必须保持在-1
更新时间:2024-05-20 05:55