数据挖掘

无论你如何看待数据科学这门学科，都不能轻易忽视数据的重要性，以及我们分析、组织和理解数据的能力。Glassdoor 网站收集了大量的雇主和员工的反馈数据，发现在美国“25个最好的工作职位清单”中排名第一的是数据科学家。尽管排名摆在那里，但毫无疑问，数据科学家们研究的具体工作内容仍会不断增加。随着机器学习等技术变得越来越普遍，像深度学习这样的新兴领域获得了来自研究人员、工程师以及各大公司更多的关注，数据科学家会继续站在创新浪潮之巅并且推动技术的不断发展。

尽管拥有强大的编码能力非常重要，但数据科学也并非全部都是关于软件工程的（事实上，能够熟练掌握python已经足够很好的开展工作了）。数据科学

人工智能（AI）技术得到了飞速发展，其在各个领域的运用也不断取得成果。机器学习被评为人工智能中最能体现人类智慧的技术，因此开发AI量化策略可以理解为将机器学习应用在量化投资领域。

理解机器学习算法

机器学习算法太多，本文讨论只针对适用于金融数据预测的常用有监督型机器学习（Supervised Machine Learning）算法：StockRanker。假设我们要去预测某个连续变量$ Y$未来的取值,并找到了影响变量$ Y$取值的$K$ 个变量，这些变量也称为特征变量（Feature Variable）。机器学习 即是要找到一个拟合函数$f(X_1,X_2,\ldots,X_K|

9月24日Meetup 模板案例：

策略案例

https://bigquant.com/experimentshare/51adf36b114f4563b853329db07b3595

\

\

{{membership}}

https://bigquant.com/codeshare/a04ad103-6217-4484-a57c-81cc1e64fdf6

\

{{membership}}

https://bigquant.com/codeshare/323b5380-95d7-4410-a1ff-2116b3933d35

\

为什么要构建一个明日涨跌停状态因子？

构建明日涨跌停状态因子的目的是为了提升投资决策的效率和准确性，帮助投资者优化交易策略、管理风险、识别套利机会。此外，通过对涨跌停现象的研究，可以深入了解市场行为，为政策制定和市场监管提供有价值的参考。

如何构建？

要成功构建一个明日涨跌停状态因子，我们需要使用BigQuant数据平台中量化因子分类内股票因子中的cn_stock_prefactors（预计算因子的数据表)。根据需要构建因子的要求，我们需要使用收盘涨跌停状态: 1-跌停, 2-非涨跌停, 3-涨停, SQL 算子: cn_stock_status.price_limit_

策略案例

https://bigquant.com/experimentshare/fe8ec83484ca44148602d39a58545d75

\

视频讲解

查看视频

策略源码

https://bigquant.com/codeshare/23bb6c6a-c4e3-4a7c-aed4-48c719c64dee

\

策略案例

https://bigquant.com/experimentshare/5cfd9186208047518a995e4394ba1099

\

旧版声明

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

[ht

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

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

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

https://bigquant.com/codeshare/4515d40b-c2f4-4439-a2c9-92931adb0c6d

\

• BigQuant使用案例
• 最佳使用方式

\

摘要

量化择时交易策略

深度学习量化交易策略是从海量历史数据中利用统计原理通过数据挖掘和逻辑验证的方式发掘出超额收益来源。相比于传统的线性模型，深度学习模型的表示能力更强，能够学习的特征更多。本文以卷积神经网络为例，介绍深度学习模型在量化择时模型中的应用。

卷积神经网络感受野更宽，非线性表达能力更强，在收益率分类的场景下表现突出

卷积神经网络是一种常用的机器学习模型，相比于传统的全连接神经网络，卷积神经网络通过卷积层和池化层的结构,使得输出的感受野更宽，同时卷积核的权值是共享的，从而有效减少参数数量,卷积神经网络通过卷积层、池化层、全连接层不同块的组合结构设计，使

摘要

数据挖掘因子轮动关系有自身的局限性和优越性

数据挖掘探究因子轮动，可以利用模型的优势找到更为精细的关系。由于因子轮动的数据量较小，容易过拟合，且逻辑层面较难给出解释。通过扩充数据量及分类模型的应用，降低信噪比和过拟合程度；通过抽取简单模型窥视变量和因子轮动的逻辑关系。

外生变量和因子有效区间有较大关系

根据市场环境变量和随机森林模型建立的因子择时策略相比于默认因子方向建立的策略，除动量因子外，均有提高。以因子择时为基础建立的多因子等权配置策略年化收益为4.76%，最大回撤1.17%，信息比5.11，Calmar比4.06。从树的结构来看，和因子是否有效最相关

摘要

不同因子类型的逻辑与特性有很大差异，适合的调仓周期也未必一致。本文运用数据挖掘的方式从量价类数据中挖掘短周期因子，并测试不同交易成本与调仓周期对短周期因子收益能力的影响。最终构建短周期因子选股组合。

多维数据特征下，利用遗传规划原理批量生成因子。底层数据上除了基本的量价数据特征以外，运用高频数据构造了买卖交易标值、买卖成交量比值等更多数据特征。并利用遗传规划原理挖掘有效日频量价技术因子。

通过相关性检验筛选因子池并进行单因子测试。通过相关性测试剔除相关性过高的因子，将最终通过相关性测试的17个因子定为短周期因子池，简称短周期Alpha17。短周期Alpha17因子池内因子平均

导语

大部分初学AI-量化的同学做选股策略的做法都是简单粗暴将全市场的股票数据都放入模型训练， 然后企图训练出一个万能模型-图灵机， 寄希望于仅仅只通过暴力的数据挖掘，或者某些因子，就可以打造出一个适应于 任何行情的选股模型--圣杯。

但遗憾的是，A股市场中的数据噪音是很大的，不同的市场环境，不同的因子的选股效

对量化私募基金而言，其投研能力的高低，主要取决于：1.数据能力，如今越来越多行业头部量化私募基金拥有数百TB的数据；2.算法能力，包括深度学习、文本挖掘等算法能力的持续升级；3.交易能力，比如通过低延迟技术研发，将交易时间从20微秒缩短至2微秒。

ChatGPT的兴起，恰恰给量化私募基金数据挖掘与算法升级带来新的想象空间。ChatGPT可以用自然语言与私募基金量化投资建模人员沟通交流，以通俗易懂的语言解释那些结构化信息数据。一方面帮助私募基金量化投资建模人员更精准地寻找交易投资机会；另一方面根据这些建模人员需要，将投研报告里的相关信息数据呈现出来，大幅提升投研效率。

目前量化私募基金提升数

%%BigQuant_ChatGPT

如何使用ChatGPT，可以用来做什么？

\

编写线段树代码

问题

https://bigquant.com/experimentshare/98c1a63396fa4a7e9b2bc1e552b124ae

\

报告摘要

主要观点

本篇是“学海拾珠”系列第二十三篇。作者在本文中证明，指标对因子收益的预测能力是视预测时长而定的，同时受指标与因子收益的时变关系以及数据挖掘的影响。尽管有这些挑战，但只要投资者能切实地意识到因子择时的局限性，因子择时仍有可能成为非常好的工具。

• 因子表现随时间变化很大

产生因子溢价的主要来源包括风险暴露的补偿、由于市场参与者的不理性而产生的回报以及市场摩擦的影响。这三个因素中的每一个因素，都会随时间变化而波动。

• 五类信号可以预测因子的回报

因子的回报可以通过金融环境、经济环境、情绪、价差和动量这五类信号来