策略优化

策略优化在金融领域中扮演着至关重要的角色。它是指通过深入分析市场趋势、评估风险与收益潜力,以及应用先进的算法和模型,对现有的投资策略进行精细化调整和改进。这种优化旨在提高投资组合的回报率,同时降低不必要的风险暴露,确保资金的安全性和流动性。在当今复杂多变的金融市场中,持续的策略优化对于保持竞争优势和适应不断变化的投资环境至关重要。

【其他】我发现有的因子具有周期性,在有效的时候涨的特别猛

能不能在它有效的时候用它,无效的时候不用,或者在它无效的时候倒过来,或者滚动训练

更新时间:2025-02-15 11:07

【代码报错】已解决:stockranker训练到第9轮报错

https://bigquant.com/codesharev2/8a7c55c5-b437-4d23-9f53-47d0f41fbd98

\

更新时间:2025-02-15 10:58

【平台使用】策略报错:no data left after dropnan

https://bigquant.com/codeshare/faa3653b-25fa-466e-97d5-acf59707a9ef

过滤条件太严格了 请问大佬们如何改进

更新时间:2025-02-14 10:11

【指标定制】如何写一个组合策略?

假设有两个策略,分别为策略1和策略2,现需要将两个策略组合在一起

交易模型问题1:策略1和策略2均各持有10只股票,策略1模型下单金额占总金额的0.6,策略2模型下单金额占总金额的0.4,共20只票,请问怎么写?

交易模型问题2:策略1持有20支,模型2持有10支,共30只,策略1模型下单金额占总金额的0.6,策略2模型下单金额占总金额的0.4,请问怎么写?

更新时间:2025-02-14 09:30

【平台使用】如何在特定月份空仓?

请问如何让策略在固定月份(比如一月)空仓?

是在回测模块的初始化函数里加代码吗, 还是在仓位分配模块里加代码,应该怎么加呢?谢谢

https://bigquant.com/codesharev3/fd66537f-dd22-4b89-b0b2-b1a89f1ea800

\

更新时间:2025-01-20 01:56

强化学习在金融领域的应用:资料及书籍推荐

强化学习(RL)是机器学习中最令人兴奋的领域之一,尤其是在交易领域应用时。RL之所以如此吸引人,是因为它允许你优化策略并增强决策方式,这是传统方法无法做到的。

它最大的优势之一是什么?

你不需要花费大量时间手动训练模型。相反,RL可以自行学习和做出交易决策(取决于收到的反馈),并根据市场的动态不断调整。这种效率和自主性是RL在金融领域越来越受欢迎的原因。

根据新闻,“全球强化学习市场在2022年的估值为28亿美元,预计到2032年将达到887亿美元,从2023年到2032年的复合年增长率为41.5%。”

关键的研究报告

以下是Paul推荐的关于金融领域强化学习的关键研究

更新时间:2025-01-16 10:44

实战CTA 截面动量VS时序动量 如何动态分配策略?

原文标题:The Journal of Portfolio Management Multi-Asset Special Issue

2021 3.29

作者:Olivier Schmid 、Patrick Wirth

标题:Optimal Allocation to Time-Series and Cross-Sectional Momentum

中文编辑:量化投资与机器学公众号 QIML Insight 系列

\

核心观点

趋势(或动量)策略应该根据市场的状态,动态分配策略在时序动量与截面动量的权重。

基于时序动量与截面动量的组合策略主要依赖于各品种的趋势强度及品种间的

更新时间:2025-01-09 10:26

【平台使用】策略执行未结束且内存占用过高

问题请教-策略执行一直不结束,容量占用特别大

我使用了50个因子来计算,使用的是stockranker策略,策略执行了一个小时,都不结束,容量占用了1024G,这个怎样解决下,下面有代码和照片。

https://bigquant.com/codesharev3/54e4d4c8-7e89-4985-b20b-84fca9ee12f3

![](/wiki/api/attachments.redirect?id=cbec6413-a08e

更新时间:2024-11-04 01:41

追涨类策略的两个模型融合:一个预测上涨,一个预测下跌

\

更新

本文内容已经过期,不再适合平台最新版本,请查看如下最新内容:

[https://bigquant.com/wiki/doc/6l95rao57g7562w55wl55qe5lik5liq5qih5z6l6j6n5zci77ya5lia5liq6ake5rwl5lik5rao77ym5lia5liq6ake5rwl5lil6lem6zeu6aky-QQubuusc2B](https://bigquant.com/wiki/doc/6l95rao57g7562w55wl55qe5lik5liq5qih5z6l6j6n5zci77ya5lia5liq6ake5rwl5l

更新时间:2024-05-21 08:35

小市值策略源码

{{membership}}

https://bigquant.com/codeshare/ffad41f4-0b34-4997-9702-5b7753950675

\

更新时间:2024-05-20 07:35

强化学习在金融市场中的应用(上)

本文内容已经过期,不再适合平台最新版本,请查看以下最新内容,作为参考资料学习。

旧版声明

本文为旧版实现,仅供学习参考。

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

[https://bigquant.com/experimentshare/e1779fa4ec184a1fb209ebff7c588b8d](https://bigquant.com/experimentshare/e1779fa4ec184a1fb209ebff7

更新时间:2024-05-20 06:33

基金双均线策略

旧版声明

本文为旧版实现,仅供学习参考。

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


以双均线策略为例,采用新的DataSource接口实现基金数据的读取及策略回测

[https://bigquant.com/experimentshare/ac13b3c580cd4f06ad2cce26dd718ecc](https://bigquant.com/experimentshare/ac13b3c580cd4f06ad2cce2

更新时间:2024-05-20 06:13

【历史文档】常见问题

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

更新时间:2024-05-16 06:03

【历史文档】策略回测-回测模块详解

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

更新时间:2024-05-16 02:44

【历史文档】策略回测-日频回测(Trade)

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

更新时间:2024-05-16 02:44

【历史文档】策略

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

更新时间:2024-05-15 09:26

RBreak日内策略-分钟

https://bigquant.com/experimentshare/31086300e98a48b3a70354898f56783a

\

更新时间:2024-05-15 02:10

反转因子的精细结构

导语

反转因子的精细结构-研报复现 中,我们实现了反转因子,并结合StockRanker实现了一个简单的策略。本文展示如何再结合更多因子,一起训练和构建策略。

模块解释

  • m11:输入我们要引入的其他因子
  • m5:抽取基础因子
  • m11:抽取衍生因子
  • m12:合并反转因子数据和其他因子数据

查看模型特征权重

帮助我们更好的理解特征贡献度。数值越大的,表示因子

更新时间:2024-05-15 02:10

对抗学习:学习动态的技术交易策略

Learning the Dynamics of Technical Trading Strategies

作者:Murphy N. J., Gebbie T. J.

出处:Quantitative Finance, 2021-03

摘要

本文使用了一种基于对抗型专家的在线学习算法来学习,使财富最大化的零成本组合交易策略所需的最佳参数。该学习算法用于确定大量技术交易策略的动态,这些技术交易策略可以通过历史回测,并从约翰内斯堡证券交易所每日和日内数据执行的基础交易策略集合中形成一个聚合的投资组合交易策略。本文一个关键的贡献是:在每日取样和日内时间尺度上,使用一个新的假设检验来测

更新时间:2023-06-13 06:53

跟踪聪明钱:从分钟行情数据到选股因子-方正-160708

摘要

市场是一座黑暗森林,每个交易者都小心翼翼。备受大家关注的“聪明钱”(Smart Money),更是难觅踪影。在本篇报告中,我们尝试解答如下问题:能否从分钟行情数据中,发现“聪明钱”行动的蛛丝马迹?

我们首先利用聪明度指标S,从分钟数据中筛选出属于“聪明钱”的交易。在此基础上,我们构造了聪明钱情绪因子Q,该因子实际上反映了聪明钱参与交易的相对价位。因子Q的值越大,表明聪明钱的交易越倾向于出现在价格较高处,这是逢高出货的表现,反映其悲观态度;因子Q的值越小,则表明聪明钱的交易多出现在价格较低处,这是逢低吸筹的表现,反映其乐观情绪。

根据情绪因子Q对所有A股进行排序并等分五组,多空

更新时间:2023-06-01 14:28

个股动量效应的识别及“球队硬币”因子构建 方正证券-20220611

摘要

在股票市场中,动量效应和反转效应是一对普遍存在的现象,大量学术文献对主要国家和地区的股票市场实证研究中均证实了其有效性。在AA股市场中,总体上反转效应更为明显。然而遗憾的是,传统反转因子的表现却差强人意,甚至一度失效。

从个股角度来看,由于部分股票在月度频率上呈现的是动量效应,正是这些动量效应的存在,削弱了传统反转因子的效果。

因此,如何有效识别个股的动量效应,并将其因子值加以翻转,使其成为名副其实的反转因子,是改进传统反转因子表现的重要途径之一。

Moskowitz(2021)论述了当人们抛一枚硬币时,如果上次抛出了正面,人们倾向于猜测下次会是反面,这是因为人们对抛硬币这

更新时间:2023-06-01 14:28

xgboost策略,内核一直莫名的自动重启

问题

运行资源充足,但总是自动重启,100%复现


https://bigquant.com/experimentshare/721a8a757c1941e3b06b628c35279ce3

解答

可能是训练集数据存在异常值导致的,对数据进行预处理,可以参考以下策略

\

策略

[https://bigquant.com/experimentshare/596e737dfe9b423095685612871eed

更新时间:2023-06-01 02:13

如何在共享模块里创建一个可以在不同策略里复用的模块?

问题

如何在共享模块里创建一个可以在不同策略里复用的模块?

参考教程

自定义模块

https://bigquant.com/wiki/doc/mokuai-Y90CaC2tW3

视频

[https://www.bilibili.com/video/BV1CP4y1f7SC?spm_id_from=333.999.0.0&vd_source=ecd29bbd04cbefdfa426167c55241973&t=1.1](https://www.bilibili.com/video/BV1CP4y1f7SC?spm_id_from=333.999.0.0&vd_s

更新时间:2023-06-01 02:13

如何依据bar5m_CN_STOCK_A调整交易策略默认的买卖时间,请老师帮忙看看

问题

问题描述

我是参考这个帖子进行修改的:交易策略如何调整买卖时间 13。为什么会提示这个buy_price没有被定义?想请教老师帮忙看看?

问题策略

https://bigquant.com/experimentshare/45762d8fb4934bd3b579755d45357613

\

更新时间:2023-06-01 02:13

模拟交易策略运行错误。求助····

{w:100}

更新时间:2023-06-01 02:13

分页第1页第2页第3页
{link}