AI选股

BigQuant平台上可以快速开发股票传统策略和股票AI策略，今天我们就拿市值因子来练手，看看两个策略在2020-01-01到2024-05-28期间各自的收益风险情形。

市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传统的选股策略的股票组合大多在市值因子上有很大的风险暴露。希望了解多因子选股策略的小伙伴可以参考这篇报告：东方证券《因子选股系列研究之十》：Alpha因子库精简与优化-160812

一、传统小市值策略

本文所介绍的传

导语

【旧版模块】，该文档为旧版。新模板详见：

https://bigquant.com/wiki/doc/102-ai-hXNHGsyWzS

在阅读了学院关于可视化模板教程后，相信你已经掌握了平台上的模块使用方法。本文将以XGBoost模型为例，介绍回归、排序、分类的不同之处。在文末，你可以克隆该算法自行研究、学习

首先我们明确一下算法在机器学习中的地位。一般来说，机器学习有三个要素：数据、算法和模型。

• 数据是场景的描述，包括输入和输出。
• 算法

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

2021年8月5日Meetup问题：深度学习的学习率在哪里可以调整，训练集和测试集的loss如何打印到一张图上，early_stop如何设置？深度学习的权值初始化方法对结果影响很大，能否做个全面介绍，CNN,lstm,mlp一般试用哪种初始化方法。lstm或者cnn后面接的mlp一般用几层为好？mlp的神经元数量一般要相较输入层扩充几倍？

[https://bigquant.com/experimentshare/c0853836ac224f7ab02c97acce9f973f](https://bigquant.com/experimentshare/c0853836ac224f7ab02

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

基本概念

AI选股通过人工智能技术对股票市场的数据进行分析和预测，从而筛选出具有较高投资价值的股票。这些指标可以包括多种因素，如技术指标、基本面指标、市场情绪指标等。AI选股通常涉及复杂的机器学习模型，这里将介绍一些基础但重要的金融指标，这些指标常被用于构建更复杂的AI选股模型。

1. 移动平均线（Moving Averages）

移动平均线是分析股价趋势的基本工具，包括简单移动平均（SMA）和指数移动平均（EMA）。

简单移动平均SMA公式

SMA(N)=( ∑(N, i=1), Close i) / N​ ![](/wiki/api

AI选股概念

AI选股是指使用人工智能技术，特别是机器学习和深度学习，来分析大量金融数据，识别市场趋势，预测股价变动，并据此提出买卖建议的过程。它通过算法自动处理和解析历史数据、新闻报道、财务报表等，以揭示股市的潜在规律。

核心技术

1. 数据分析和处理：AI系统能够处理和分析大量的数据，包括市场数据、公司财报、新闻报道、社交媒体信息等。这些数据远远超出人类分析的能力范

策略介绍

本策略使用StockRanker算法，通过在多个因子/特征的数据上训练，旨在从大量股票中识别并排序那些未来表现可能最优异的股票。

策略流程

1. 特征选择：输入对股票价格有显著影响的多维度因子，可以是包括基本面、技术指标、情绪指标等等
2. 预测目标：预测未来 5 日收益率
3. 数据抽取和处理：抽取和处理数据
4. 模型训练：应用StockRanker算法，训练模型来预测股票未来上涨概率。StockRanker返回一个相对分数(score)，分数越大，预测未来涨幅越大。注意此 score 绝对值没有意义。
5. 仓位分配：买入 score 靠前的股票，越靠前，仓

【旧版说明】此文档为旧版，相关新版文档参考：

https://bigquant.com/wiki/doc/102-ai-hXNHGsyWzS

新建一个可视化AI选股策略，如下图所示：

在训练集流程中的缺失数据处理模块m13前加入模块“去除退市股”m27(从“用户模块”——“共享模块”中找到并拖入画布)，即可实现在训练集中去除退市的股票

在验证集流程中的缺失数据处理模块m14前加入模块“去除退市股”m27(从“用户模块”——“共享模块”中找到并拖入画布)，即可实现在验证集中去除退市的股票

【旧版】，此文档为旧版，相关新版文档参考：

https://bigquant.com/wiki/doc/103-ai-LpsqDhu8mG

新建一个可视化AI选股策略，如下图所示：

在预测集流程中的缺失数据处理模块m14前加入模块“选取指定概念板块股”m27(从“用户模块”——“共享模块”中找到并拖入画布)

连接模块m18和模块m27即可实现指定验证集股票范围为指定的概念板块。

[https://bigquant.com/experimentshare/bf7775a5e6d3494

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版实现

新版去除st股票更加方便，仅需在输入特征列表模块的表达式过滤条件里加上st_status = 0 的过滤条件即可

版本v1.0

新建一个可视化AI选股策略，如

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

问题

自动标准任意数据源报错如下：

HDF5ExtError Traceback (most recent call last) HDF5ExtError: HDF5 error back trace

File "H5F.c", line 509, in H5Fopen unable to open file File "H5Fint.c", line 1400, in H5F__open unable to open file File "H5Fint.c", line 1700, in H5F_open unable

新建一个可视化AI选股策略，如下图所示：

在训练集流程中的缺失数据处理模块m13前加入模块“去除退市股”、“过滤市场”、“过滤st股票”(从“用户模块”——“共享模块”中找到并拖入画布)即可实现相应的过滤功能；

在验证集流程中的缺失数据处理模块m14前加入模块“去除退市股”、“过滤市场”、“选取指定概念板块股”、“过滤st股票”(从“用户模块”——“共享模块”中找到并拖入画布)即可实现相应的过滤功能。

[https://bigquant.com/experimentshare/81d64826251e47d6b10cf2bea879bf38](https://bigquant.com/e

可视化策略-AI选股

https://bigquant.com/experimentshare/b08f437e5ee94168b0bc856f6f650ad2

\

新建一个可视化AI选股策略，如下图所示：

在训练集流程中的缺失数据处理模块m13前加入模块“过滤市场”m25(从“用户模块”——“共享模块”中找到并拖入画布)并在参数窗口中填入3，即可实现在训练集中去除创业板股票

在测试集流程中的缺失数据处理模块m14前加入模块“过滤市场”m26(从“用户模块”——“共享模块”中找到并拖入画布)并在参数窗口中填入3，即可实现在测试集中去除创业板股票

[https://bigquant.com/experimentshare/83a7616bb36845d296a03c0aa8fce5d2](https://bigquant.com/experimen

https://bigquant.com/experimentshare/2fbb2629dcb0450bbf72e224835b4957

\