现在先说说证券行情吧。

1。国外的股票行情我就不谈了，这个我不是很了解，今天我来说说国内两大证券交易所，上交所和深交所两大交易所。

上交所的L1和深交所的L1行情，狭义的说就是五档行情，还是比较好获取，渠道很多，但是质量参差不齐。我说说质量稍微好点的，野路子无限断、无限延迟行情，我就不谈了。

首先，最好L2行情数据接口的肯定是从交易所购买，交易所每年30万或35万，从交易所购买这个市场，一般用于量化分析交易或追板的，而是用于市场展示软件公司，一般交易会购买L2行情数

国内量化交易起步较晚，大约15年开始，20年开始爆发，21年量化私募规模飙升。由于容量过大，出现了一个头部量化私募中性策略导致大幅回调的问题。对于a股来说，量化交易仍然是一种相对较新的投资方式。自20年以来，监管已经关闭了证券公司的外部接口。因此，如果你想进行定量交易，你必须使用证券公司的level2行情接口和交易接口。今天，我将与大家分享如何一站式解决不同的定量交易需求。https://gitee.com/l2gogogo

自编程AI量化交易

解决方案：AI量化交易策略终端

简介：

极速交易策略终端是一款基于python语言的策略交易平台 ， 是活跃交易者策略研究 、 自动化交易

更通俗的来说，使用Level-2与使用普通行情相比，多了下述的好处：https://gitee.com/l2gogogo

1.  行情更快。Level-2数据实时推送报价以毫秒为单位刷新行情，并且不需要手动刷新行情。还可以实时监测多只股票的行情数据。主力动向，筛选底子好的股票，进行量化交易。

1. 对股票行情市场更加清晰。每笔交易的交易量和交易时间逐一列出，以便在交易量变化较大的早期阶段看到迹象，并看到判断买卖最佳时间的依据。

3.  行情更深入。买卖盘十档行情，列出买盘、买盘各十笔挂单价、挂单量；透过买卖盘3.，行情更深入。买卖盘十档，列出买盘、买盘各十笔挂单价、挂单量；透过买

AI量化训练营双11活动

一、单次课程

1.初阶：现价999，立减200得799，Plus会员立减400得599

2.进阶：现价1399，立减200得1199，Plus会员立减400得999

二、初阶+进阶

现价1998，立减200得1798，Plus会员立减400得1598 训练营地址：https://bigquant.com/quantcamp

三、2022AI量化策略会 购买初阶+进阶课程，可获赠价值1398的AI量化策略会，12月24日直播即将开启！ 策略会地址：https://bigquant.com/quantcamp/2022

四、优惠券领取 优惠

问题

如何对AI量化策略进行管理？

视频

https://www.bilibili.com/video/BV1zi4y197sj?share_source=copy_web

策略源码

如何对AI量化策略进行管理？三步走

问题

如何结合欧奈尔的RPS指标,开发AI量化策略?

讲解

1988年，欧奈尔将他的投资理念写成了《笑傲股市How to Make Money in Stocks》。书中总结了选股模式CANSLIM模型，每一个字母都代表一种尚未发动大涨势的潜在优质股的特征。

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

AI量化论文介绍

牛津大学英仕曼量化化金融研究所（OMI）是世界领先的金融市场跨学科研究中心。OMI主要研究量化金融的基本问题，重点关注机器学习和数据驱动的模型。OMI研究汇总是一份精心策划的月度摘要，涵盖了量化相关领域的最新研究、见解和工具。

本月的论文分享中，有两篇来自OMI的最新论文。第一篇是基于订单账面不平衡的度量对交易流进行分类，并研究分解后的交易流对价格的影响，以设计有利的交易策略。第二篇介绍了使用动量策略应用于加密货币的转移排序模型。

本文主要介绍与金融和机器学习相关的论文。

**1. Trade Co-occurrence, Trade Flow Decom

作者:woshisilvio （全文共913字，阅读约需2分钟）

市场究竟有没有真正的alpha?

笔者一直疑惑的一点就是 我们的模型每天这样选股，赚钱的效应究竟是随机的，还是可控?

模型有没有真正的学到市场中的规律，挖掘到了alpha? 靠AI模型 来赚钱 究竟靠不靠谱？

对于这些问题，一千位quant就有1000个答案，这里就留给评论区的高人们解惑了。

针对以上问题，之前笔者有分享

AI策略简介

最近几年人工智能（AI）技术得到飞速发展，其在各个领域的运用也不断取得重大成果。机器学习是实现人工智能的一种方式，被评为人工智能领域中最能够体现智能的一个分支，机器学习与人工智能、深度学习的关系可以参考下图： 机器学习可以这样简单理解：借助于计算机，对数据（训练集）进行学习后，形成模式识别（模型），进而实现对未来数据（测试集）的预测。

假设我们要去预测某个连续变量$ Y$

AI只是工具，想要驾驭AI还得自身有点功底，不然反而会被工具所害，甚至从信仰AI变为抵制AI。本文简单介绍开发AI量化选股策略中所遇到的各种坑，希望大家有所收获，少走弯路。

本文主要从思想和实操两个层面分享下我在开发AI量化选股策略中所遇到的各种坑，也希望各位小伙伴能够进行补充。

策略思想逻辑层面

1. 训练集和测试集不能有所重合 机器学习的基本思路就是在训练集上发现pattern，训练出模型，然后对样本外的预测集数据进行预测。这好比老师平时布置的作业就是训练集，学生们通过平时的作业学习到知识，然后期末老师通过期末试卷来检验学生的学习掌握情况，如果期末试卷和平时作业

背景

训练好的模型并不能一直有效，因此需要更新模型，然后使用参数表现最佳的模型进行预测。滚动训练和超参搜索是平台的两个重要模块，今天结束将其组合使用。

滚动训练

我们以下面示意图介绍滚动训练的机制：

可以看出，滚动训练本质是多次训练，得到不同模型的预测结果，然

摘要

揭秘微软亚研院 AI 量化投资研究，展望行业未来发展六大趋势

微软亚研院2017年以来共发表12篇AI量化投资学术研究，其中选股主题超过半数，其他涉及风险模型、算法交易、数据增强、时间序列预测、基础架构等话题。这些研究的突出特点是前沿和务实，具有较高参考价值。前沿是指使用的AI技术，大量运用近年来热门的图神经网络、注意力机制，并灵活应用最优传输、自步学习、知识蒸馏、解耦表征等工具；务实是指解决的具体问题，如“AI模型如何应对市场规律变化”，“如何引导模型学习罕见本”，“如何充分挖掘事件、舆情蕴藏的信息”等，这些都是业界实践中会遇到、接地气的问题。我们透过微软AI量化研究

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

导语

2020年我们开展了近半年的Meetup，共11场Meetup活动，90个问题，7场专题，持续地为大家服务和提供新鲜的灵感。2021年，Me

导语

BigQuant宽客学院伴随着平台的更新，学习和探讨的内容也日益增加。大家对机器学习、深度学习的策略研究越来越深入，新的想法也层出不穷，为了满足大家对探索的渴望，因此我们准备了定期的“BigQuant AI量化专家MeetUp”，本周四正式启动了！BigQuant学院院长、AI量化专家现身BigQuant B站直播间，在线交流、答疑，解决您在AI量化和BigQuant遇到的所有问题！

Meetup内容

以导师答疑为主，解决大家在日常开发中遇到的问题：

1. 策略开发新思路探讨
2. 策略开发中遇到的疑惑
3. BigQuant平台使用

**Meet

视频

https://www.bilibili.com/video/BV11S4y197md?share_source=copy_web

策略源码

龙头战法实盘+AI-量化大赛NO.3-中证150增强[策略分享]

问题

AI量化策略训练时间如何选择

视频

https://www.bilibili.com/video/BV1br4y1B7na/

策略源码

文档及源码：AI量化策略训练时间如何选择

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

\

\

主题：The Impact of AI to Global Asset Managers: The Responses and Adoptions

演讲人：关子敬 先生 Kevin Kwan彭博亚太区量化及数据科学专家

**完整视频观看地址：<https://webcast.roadshowchina.cn/cmeet/NlZBZVhZRGZ6Q1NSRjdrbmJqQjZUQT09

摘要

揭秘微软院亚研院AI量化投资研究 展望行业未来发展六大趋势

微软亚研院 2017 年以来共发表12篇AI量化投资学术研究，其中选股主题超过半数，其他涉及风险模型、算法交易、数据增强、时间序列预测、基础架构等话题。这些研究的突出特点是前沿和务实，具有较高参考价值。前沿是指使用的AI技术，大量运用近年来热门的图神经网络、注意力机制，并灵活应用最优传输、自步学习、知识蒸馏、解耦表征等工具；务实是指解决的具体问题，如“AI 模型如何应对市场规律变化”，“如何引导模型学习罕见样本”，“如何充分挖掘事件、舆情蕴藏的信息”等，这些都是业界实践中会遇到、接地气的问题。我们透过微

导语

本文主要介绍在AI可视化模板策略上的一些尝试，加入一些更为复杂的逻辑，最终提高策略开发能力达到进阶水平。

不知道大家是否有这样的疑惑，在按照平台给出的模板开发了策略以后，不知道从哪些角度提升策略效果，只知道增删一些因子不断调试。本文以一个实际的策略案例，希望大家能够掌握以下几点：

• 修改训练集、测试集时间
• 通过表达式引擎构建衍生因子
• 修改数据标注
• 通过某因子过滤数据集
• 自定义模块
• 加入固定百分比止损

如何提升策略效果

• 修改训练集、测试集时间

  金融市场不同时期具有不同的市场风格，比如15年之前，中小创涨得

导语

AI只是工具，想要驾驭AI还得自身有点功底，不然反而会被工具所害，甚至从信仰AI变为抵制AI

本文简单介绍开发AI量化选股策略中所遇到的各种坑，希望大家有所收获，少走弯路

本文主要从思想和实操两个层面分享下我在开发AI量化选股策略中所遇到的各种坑，也希望各位小伙伴能够进行补充

策略思想逻辑层面

1. 训练集和测试集不能有所重合

   机器学习的基本思路就是在训练集上发现pattern，训练出模型，然后对样本外的预测集数据进行预测。这好比老师平时布置的作业就是训练集，学生们通过平时的作业学习到知识，然后期末老师通过期末试卷来检验学生的学习掌握情况，如果期末试