量化不仅是用于选股，还有针对货币，期货，期权，基金都可以做出不同程度的量化，本文讨论其中选股注意的事项。有需要写量化代码编写的可私信或者评论区留言！

本文将继续对量化选股做一个小白的科普，介绍几种初步的量化选股模型，如有错误之处请于评论指出。

我们一般将基金的投资策略分为股票策略、宏观策略、期货策略、复合策略等，其中每个大类下又可细分为多个子策略。但是所有的大类策略基本都存在量化子策略，如果按投资的方法来分，投资策略又可以笼统地分为主观策略与量化策略。

基本概念

量化选股模型是在量化投资领域中广泛使用的工具，旨在系统地识别和选择具有超额收益潜力的股票。这些模型通常基于历史数据和统计分析，结合了各种财务指标、市场数据、经济指标和其他相关信息。

\

常见6大选股模型

以下是一些主要和常用的量化选股模型：

1. 基于因子的模型

   1. 多因子模型：结合多个因子（如价值、成长、动量、质量、规模等）来评估股票。

报告摘要

高频因子的优势：与低频因子相比，高频数据在量化选股中的优势主要体现在：因子拥挤度相对较低、因子多样性好、检验因子的独立样本多。

研究内容：本报告从四类不同的角度构建因子：日内价格相关因子、日内价量相关因子、盘前信息因子、特定时段采样因子。考察了 46 个因子周频选股的表现。

其中，日内价格相关的因子是由日内收益率的高阶统计量和日内价格形态衍生的因子；日内价量相关因子包括成交量分布以及用价量关系构建的因子；盘前信息因子主要是从开盘集合竞价信息中提炼的因子；特定时段采样因子主要是指根据一定规则筛选出重要时段，在该时段采样提取的因子，主要包括尾盘数据构建

量化选股是一种基于数学和统计方法的股票投资策略，它使用复杂的数学模型和算法来分析和选择股票。这种方法强调数据驱动和系统化的决策过程，与传统基于主观判断和基本面分析的选股方法相对。通过BigQuant的量化策略开发中心（PC端）可以自主开发量化策略挑选个人投资偏好的策略。

概念

量化选股的核心是利用历史数据和统计分析来预测股票未来的表

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）框架

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。

本篇文章通过传统机器学习算法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。

二、随机森林算法介绍

随机森林属于集成学习的一种，通过集成学习的Bagging思想将多棵树集成的一种算法：它的基本单

阿隆指标由两条线组成：阿隆上行（Aroon Up）和阿隆下行（Aroon Down），同时还包括阿隆振荡器AROONOSC，旨在识别股票或其他资产的趋势变化以及趋势的强度。

阿隆上行（Aroon Up）测量自最近一次高点以来经过的时间百分比，阿隆下行（Aroon Down）测量自最近一次低点以来经过的时间百分比。这两条线通常在0到100之间变动。指标的关键在于这两

MACD（Moving Average Convergence Divergence）是一种常用的技术分析工具，用于识别股票或其他资产的价格动量和趋势转变。

它由三个部分组成：MACD线、信号线（或平均线），以及柱状图。

![](/wiki/api/attachments.redirect?id=a437c1f3-8491-46f7-a4b9-3a37bd79c

作者：陈奥(chenao1106)

导语

前期分享过⼀个策略可以由多个选股规则组成，如何新增优质的选股规则就成为策略的重点。本次分享从以下6个步骤完成优质选股规则从⽆到有的开发全过程讲解：

找灵感->构思逻辑->逻辑实现初次回测->调优->去拟合回测->判定是否优质，最终将优质选股规则加⼊到组合策略中。

本次分享⼀共介绍2个选股规则开发的案例：1个成功案例、1个失败案例。

选股规则

1.指数不⾼开情况下，个股股价处于低位，当天⾼开并阳线收盘，博低位开始反弹

![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}

作者：

邵守田 东北大学金融工程硕士BigQuant首席策略官

傅浩晅 伊利诺伊大学香槟分校统计与经济双学位BigQuant算法团队成员

本报告模型构建工具：https://bigquant.com/

联络咨询：bigq100【微信号】

核心观点

据中信证券推算，截至2021年2季度

基于Tabnet模型的量化选股方案。抽取了98个量价因子，2010到2018年为数据训练TabNet模型，并将模型的预测结果应用在2018到2021年9月的数据上进行了回测。

根据meetup26th的模版abNet在量化选股中的应用报错？如何解决？

https://bigquant.com/experimentshare/dcfb3bbef7524e44bf2cc0bed40c4460

\

python版

{{membership}}

https://bigquant.com/codeshare/3ca8301b-8f1d-40ee-885e-3c79f50de068

DAI版

[https://bigquant.com/codeshare/7720fa73-2034-40ea-a94f-f59a56dd53a0](https://bigquant.com/codeshare/7720fa73-2034-40ea-a94

近年来，随着市场对专利的关注度逐渐上升，基于专利数据的指数与基金产品逐渐增多。使用了专利数据的相关指数包括专利领先、创业专利、深创100 、央企创新驱动指数000861等，相关基金总规模超 100 亿元。本文将基于平台的专利数据库进行深入研究。

Bigquant平台共计收录了486个专利因子。专利数据可分为发明专利、实用新型专利、外观设计专利三大类；专利状态包括：专利申请、专利公开、实质审查、专利授权几个流程；专利数据指标包括数量、说明书总字数、权利要求总项数、独权总项数、附图总数、摘要总字数、IPC 分类号总数、寿命加总、专利审查期加总、前引、后引、非专利方面引用、同族专利共计 1

\

关于python的优势就不说再多了，地球人都知道，还不知道的去面壁思过。因为不想当韭菜，所以还是自己老老实实写代码吧。

记录些常用的内容，以便自己回头复习。

常用的函数有：

• numpy 处理向量矩阵

• scipy 数据统计优化处理

• pandas 金融数据分析

• matplotlib 画图

• tushare 财经数据

• Zipline 回测平台

• TaLib 技术指标

• BigQuant 人工智能量化投资平台

——介绍

Numpy

Numpy是Python的一个科学计算的库，提供了矩阵运

1、什么是量化选股？

每个投资者在投资生活中有着这样或那样的选股原因，有的着重看财务指标，比如只买PB小于2的股票，有的则喜欢依赖于技术分析，喜欢买入近12个月跌幅超过一定幅度的股票。量化选股并不神秘，它只是把您心中那个心照不宣的原因给标准化、在每个周期按照机械化的流程选出股票而已。

就像Pascal语言之父N.Wirth提出的“程序=数据结构+算法”，实际上，量化选股的本质=因子+算法，因子就是你觉得影响股价变动的一个或多个原因；

摘要

随着人工智能、云计算、大数据等技术的发展，新兴技术快速应用于金融科技行业。

与此同时，随着投资理念的转变和科技的发展，传统数据越来越难以满足投资者的投资需求，另类数据在金融市场中的应用已成为学界和业界共同关注的话题之一。

移动互联网蓝皮书指出，随着移动互联网的发展，大量的用户交互数据和行为数据由此产生。在此背景下，移动大数据成为大数据的一个重要应用方向。移动大数据随着政府治理､ 互联网经济､ 民生医疗､ 移动支付高速发展, 是中国最重要也是最受规范的大数据, 在资产管理行业应用场景非常丰富。

移动大数据是一种较为特别的另类数据类型，日常使用的手机，iPad等移动终端，时时刻

目录

1. CNN模型原理介绍
   1. 卷积神经网络介绍
   2. 一维卷积神经网络
2. ResNet残差网络应用
   1. 残差学习单元介绍
   2. ResNet模型结构
   3. 模型比较与数据集的测试结果
3. 实验&结果
   1. ResNet在时序数据上的应用及模型构造
   2. 数据准备&实验过程
   3. 实验步骤和回测结果
   4. 研究总结和展望
4. 参考文献

\

CNN模型原理介绍

卷积神经网络介绍

常见的卷积神经网络在图像识别领域有着突出的表现，CNN模型可以在处理图像识别任务的时候更好的解决常规全连接神经网络带来的易过拟合

引言

在BigQuant平台(www.bigquant.com)上线的第一天，我们从互联网搜索引擎领域借鉴了PageRank算法引入到金融市场，提出了StockRanker算法，5年时间悄然过去，时间证明了StockRanker算法在金融量化选股领域的有效性。 今天，我们对DeepAlpha-StockRanker进行简单介绍。

什么是DeepAlpha

Alpha在金融市场有特定含义，表示跑赢市场的超越收益，Deep借用深度学习（Deep Learning）“深度”一词，因此DeepAlpha指通过人工智能深度学习的

本文主要研究了量化选股场景中的数据标准化方法，分别对比了时序标准化和截面标准化方法的在量化选股模型上的效果。

主要的工作有：

一是构建DeepAlpha数据集，包含A股2011年到2022年98个量价因子的日线数据，label为股票未来5日的收益率；

二是采用基于时序的K折交叉验证方法，严格3年训练1年预测的数据划分，使研究更贴近于实际应用；

三是对比了LightGBM模型和DNN模型在不同标准化方法下的效果，发现截面标准化在DeepAlpha数据集上的表现更好；

四是将DNN模型的预测结果从2017年1月1日到2021年12月31日进行了模拟回测，基于截面标准化的方法年化收益35%

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。

本篇文章通过传统机器学习算法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。

二、随机森林算法介绍

随机森林属于集成学习的一种，通过集成学习的Bagging思想将多棵树集成的一种算法：它的基本单

一、引言

DeepAlpha系列模型中，我们发现DNN全连接神经网络模型可以从基础的量价数据中有效提取出有效的选股能力。同时，股票的量价数据属于金融时序数据，对应的，在深度学习模型中LSTM具有较强的时序预测能力，因此我们将LSTM模型应用于量化选股模型，并分析和验证其效果。

二、LSTM长短期记忆神经网络

2.1 RNN循环神经网络

循环神经网络（Recurrent Neural Network，RNN）是一种用于处理序列数据的神经网络，相比一般的神经网络来说，RNN将状态在自身网络中循环传递，因此可以接受更广泛的时间序列数据。

基础的RNN结构如下图所示：

![

本文基于BigQuant平台，探索了TabNet（Google, 2020）模型在量化选股中的应用。

我们使用了A股全市场2010年到2021年的日线行情数据，抽取了98个量价因子。采用5年训练1年验证1年的方法进行了滚动回测，回测期（2015年到2021年9月）内累计收益率387.81%，年化收益率 27.57%，夏普比率 0.83。

一、前言

1.1 DeepAlpha

![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.redirect?id=4e643

图神经网络模型介绍

什么是图神经网络？

目前，机器学习、深度学习的日益发展，其在语音、图像、自然语言处理上均取得了很大的突破和贡献

近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于专门处理图数据的神经网络结构 – GNN

A Gentle Introduction to Graph Neural Networks(from Google Research)

**[A Comprehens