仓位管理

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

第一次建仓：

按目标比例买入股票，各股票的目标比例相同【比例为A】。

建仓后，下一个调仓日：

1. 先卖出部分股票，
2. 对未卖出的仓内股票进行调仓，将之持仓占比固定回到目标比例A
3. 按目标比例买入新选择的股票。

其中的第二步也就是多退少补部分应该怎么实现呢?

我现在使用的context.order_target_percent函数偶尔会发生委托数量错误的报错显示，不论是赚的股票还是跌的股票都偶尔会出现委托数量错误的报错

策略介绍

• 在 102 中我们使用了 仓位分配 模块生成目标仓位，在 BigTrader 中 K 线处理中根据输入数据的目标仓位买卖
• 在旧版的 StockRanker 策略中，是在 BigTrader 中通过编写代码处理交易逻辑，这里复现这个策略逻辑
• 主要逻辑和 [102](https://b

策略介绍

• 在 101-简单动量策略 基础上，我们来实现一个更完整的选股策略模版
• 此策略可以作为一个选股和线性策略的常用模版使用

策略流程

1. 选股：选择基础股票池
2. 打分：对股票打分
3. 仓位：根据打分和持股数量分配仓位
4. 回测：设置调仓周期和买卖点等，回测查看效果

策略实现

A股-基础选股模块

• m1 选股，使用 A股-基础选股 模块，剔除掉北交所以及ST的股票，下拉还可以按照申万行业、融资融券等基本条件进行筛选。

![

{{membership}}

https://bigquant.com/codeshare/9a29b13f-6ebe-46a4-a131-c356aed54a36

\

作者：woshisilvio

导语

在以往的认知中我们认为一个量化策略的选股>择时>风控，但经过多次的实盘交易发现风控处理不当会导致我们牛市赚的少、熊市亏更多。因此提出一种次优解的风控思路：风控>择时>选股。根据人工择时的经验，设计执行的固定量化风控准则（交易纪律），可以决定我们收益的下限，以及回撤的上限。

在本次分享中，将从以下四个方面展开：

1.仓位管理的策略。同时，优化上期分享的超跌反弹策略。

2.常用来做优化的工具和方法

3.对抗过拟合的方法

4.彩蛋策略：资金流大单追涨策略。预告下一期meetup

仓位管理策略

一个完整的AI-量化模型由三部

期权可能大家都不陌生，这里我带大家捋一捋一些基本的知识点，也带大家了解一些期权交易中的规律和现象。

1，期权的价格由很多个的因素构成，因此它风险的来源也远远多于股票等标的资产。常用的风险来源包括：标的资产价格的方向（Delta），标的资产的波动率大小（vega），标的资产价格的凸性（Gamma），波动率的凸性（volga），时间价值的损耗（Theta），与其他资产的相关性（correlation），以及偏度（skewness）。不论什么市场什么期权，Delta和vega是所有维度中最重要的。其他因素会在其他考量时利用。

2，期权的价值并不和标的股票价格呈线性关系。而是凸函数，如下图所示：

请问如何修改下面的卖出订单的代码，实现判断当股票总仓位大于总市值金额的60%时，卖出大于60%的那部分排序末位的仓位？

if not is_staging and cash_for_sell > 0:
        equities = {e.symbol: e for e, p in context.perf_tracker.position_tracker.positions.items()}
        instruments = list(reversed(list(ranker_prediction.instrument[ranker_predicti

希望实现每日早盘买入2只股票，各占总仓位的1/4,每天卖出2只股票，各占总仓位的1/4,但是怎么设置都达不到我预期的效果，不知道是不是我哪里设置的有问题，求大神指点..

问题

思路：当一支股票获利10%　有1000股为了保住利润，先卖出500股降低仓位，留下500股扩大利润。

那位大神帮忙写一下回测中的代码。先谢了！！！

\

摘要

一维回撤率控制策略原理根据回撤调整引理（DrawdrownModulationLemma）可以构造出一个使用样本内数据，无论在任何股票价格走势下，都能确保最大回撤率维持在容忍度之内的策略。基于以上理论，我们构造出一个不涉及未来数据的回撤率控制策略，后续用实例证明其有效性。

回撤率控制仓位管理策略的沪深300实证沪深300回撤率控制策略，在5%的最大回撤率容忍度设定参数下，基本可以将月度回撤率控制在10%以内。该策略中参数具有以下特点，投资比例分布在0%和100%附近居多且最优γ*往往取得取值范围的最大值。

基于回撤率的指数择时策略将沪深300回撤控制策略退化成简单的择时

涉及国内主要品种的不同的频率的回测与交易

\

摘要

多维回撤率控制策略原理

先前的外发报告《基于回撤率控制的仓位管理及择时策略》中阐述了单一维度的回撤调整引理（Drawdrown Modulation Lemma）的原理，并应用于沪深 300等指数证实其有效性。该引理可扩展到多维证券的组合当中去，然而涉及多维优化问题求解最佳γ时继续使用蒙特卡洛模拟求解是不现实的。因此，我们根据单一维度的结论，直接制定γ的选取方法，省略蒙特卡洛模拟求解步骤。

多维回撤率控制

日频策略选取经国信证实金工组证实有效的 ROE、CanSlim、GARP、多因子模型按照多维回撤控制策略进行组合，生成日频的持仓金额比例指导信息。结果

问题

是否可以在回测引擎中进行仓位修改，在预测每天股票的环节，如果当天排名第一的股票被if条件过滤掉， 转用仓位买入排名第二的股票?

视频

点击去bilibili观看，p3分集

https://www.bilibili.com/video/BV1aq4y177Df?p=3&share_source=copy_web

策略源码

5月13日Meetup策略模板

[https://bigquant.com/experimen

策略案例

https://bigquant.com/experimentshare/a3dac910ca0442aeb170f73a2fe7168c

\

问题

有哪些合理的大盘风控方案？

视频

https://www.bilibili.com/video/BV1TF41167ph?share_source=copy_web

策略源码

[https://bigquant.com/experimentshare/07791ba8fc354d4e9793ce963a735263](https://bigquant.com/experimentshare/07791ba8fc354d4e9

导语

以下为平台优秀开发者持续分享的策略思路和源码，帮助每一位平台上的quant开拓思路，开发出超额收益越来越高的策略。

策略分享

提升实盘的仓位管理策略

Stockranker评分的另类用法

6个步骤从零构建优质量化选股规则

[《天蝎座0.6》BQ天梯NO.2策略源码讲解](/wiki/doc/06-tianti-NO-celve-yuanma-

策略源码

A：《提升实盘收益的仓位管理策略》

\

资金流追涨策略-射手座~彩蛋免费送

还有仓位管理 +过拟合检测大礼包 合集

https://bigquant.com/wiki/doc/celve-3JphBBq5kb

核心观点

1、仓位配置在绝对收益策略中具有重要意义。通常考虑股票配置价值的基本面思路是分别从流动性、业绩、估值三个因素出发。我们分别选择单季度EPS同比变化、历史PE估值、M1同比与M2同比增速差为代理变量，测试其在价格震荡期内仓位配置方面的效果。经过测算，当价格指标提示为震荡期内，使用代理变量法进行仓位管理，累计收益为负，其结果不如单纯使用价格指标进行仓位配置效果好。

2、择时模型的目的是在给定的股票中，选择一个相对较好的切入点，当买入股票后若出现下跌，则亏损一定额度后进行止损，当有一定的浮盈后，保住利润。传统的择时模型采用技术分析的方法，我们暂且使用长短期均线、唐奇安通道来作为趋

开拓思路，交流有益！

• 策略的介绍

策略分享地址：https://www.botvs.com/strategy/1088

这个策略是我做虚拟货币以来的主要策略，后面经过不断完善和修改，复杂了很多，但主要思想并没有改变，分享的这个版本是无明显bug的 最初版本，最为简单清晰，没有仓位管理，每次交易都是满仓，没有卡死后重启等等，但也足够说明问题。策略从2014年8月运行，直到今年年初交易所收手续费。期间运行的还算很好，亏损的时间很少。资金从最初的200元跑到了80比特币。具体的过程可以看[小草的新浪博客]([小草_新浪博客](http://blog.sina.co

策略案例

https://bigquant.com/experimentshare/0062e380d1b5400ca5fe4522ac948649

\

来自：quantfiction

编译：1+1=6

正文

爱因斯坦曾说过：“复利是世界第八大奇迹”。

世界上最强大的力量，不是原子弹，而是复利+时间

复利投资的关键除了本金与年化收益率，便是时间的神奇“魔力”。

我们来看看复利计算公式：

FV=PV(1+i)^n*

其中

• FV：Final Value终值
• PV：Present Value现值
• i：收益率
• n：投资期数

举个简单的例子，如果你有1万元资金，投资时间为5年，年化收益率为10%。五年后，你一共能拿回多少呢？按照上面的公式，结果就是：

FV=10000(1+10

20210624 Meetup策略模板

https://bigquant.com/experimentshare/fe5b36317a3a4149862680619c10f5ad

\