股票交易

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！！！

\

问题

我也遇到了这情况，当天买入了预卖出股票

问题

context.order_value调用时，实际下单金额跟传入金额有正负3%差距，请问是什么原因？

我发现同一天，不同股票，下单相同金额，看回测结果发现金额最多有正负3%左右的差距，这个是什么原因？

调用context.order_value之前我print了value参数，确定是一样的，排除了手续费和滑点（成本价跟开盘价一样）。

下面是一个样例，value参数传入是16.8398万，可是回测结果是

173883.719 (+3.2%差距)

168494.351 (0.05%差距)

163319.581(-3.1%差距）

![{w:100}](/w

问题

不知道为何我的买入逻辑只有一个，而且明显买入amount应该是100的整数，但是最后一笔买入数量不知为何就不是100整数。有人可以帮忙解答一下吗？谢谢

我买入逻辑如下：

amount = math.floor(cash / current_price / 100) * 100

context.order(context.symbol(instrument), amount)

下载的交易详情数据：

![{w:100}{w:100}](/wiki/api/attachments.redirect?id=97eff0cd-098b-4d09-b7e5-9e4f3ba

策略案例

https://bigquant.com/experimentshare/33123b7750b44396ac091be46abfe217

\

问题

回测时，买了股票后为什么总资产会变成买股票钱的2倍左右？

下单的方式我试过下面3种，都是这样的结果。

    rv = context.order(context.ins, order_num, price, order_type=OrderTyp

问题

有个疑问哈。

对于daily的回测来说， 策略里经常有 if data.can_trade(asset) then context.order(asset, 10000)。 但问题是，if里判断是今天这个股票是否可交易，到了明天要执行交易的时候，可能股票是停牌的。所以，这个IF THEN有实际价值吗？

解答

这个函数其实没什么用，之前的模版有用到，现在很少用这个函数了。

\

策略回测，之前都好用

最近2天开始报错

显然，这个股票在2020-08-24是可以交易的。

包括其他股票，之前都好用，现在都只能在21年后交易

\

问题

如何将回测模块设置成T+2开盘买入，T+3尾盘卖出（目前我们支持的是T+1买入）

视频

https://www.bilibili.com/video/BV1bT411u71x?share_source=copy_web

策略源码

[https://bigquant.com/experimentshare/157e67091c1b4534b7ea1f0a4255a38b](https://bigquant.com/experi

问题

我试过用stockrank来标注做空股票和期货，（默认参数，回测做空的代码都写好）标注上加-，如-shift(close,-2)/shift(open,-1)或-shift(open,-1)/shift(open,-2)，随机生成几百甚至上千的策略回测所取得的效果普遍没有做多好，大多数情况甚至连正收益都达不到，而做多好多都轻松取得正收益，是算法的特性还是有其他窍门？

视频

https://www.bilibili.com/video/BV1Ny4y1E7KJ

\

策略源

问题

国泰君安alpha191中的count、regbeta、regresi三个函数怎么定义？

视频

https://www.bilibili.com/video/BV1ov4y1Z7Yg?p=2&share_source=copy_web

\

策略源码

# 国泰君安 Count(a, n)，过去5天close_0 > close_1 的天数
conditions = where(close_0

问题

如何利用60分钟K线来合成120分钟K线呢？

视频

https://www.bilibili.com/video/BV1d54y1d7tv/

策略源码

https://bigquant.com/experimentshare/4e081ef44d3246f48551c6eee74f629d

\

https://bigquant.com/live/shared/strategy?id=60243

需要的留下联系方式

策略案例

https://bigquant.com/experimentshare/16571b942a8a4a92a4914c15f65d0883

\

导语

本文主要分享一个基于Deep Q Network的对于个股的择时策略

算法简介

DQN与Q-Learning

本文主要使用的是Deep Q Network。DQN是强化学习的一种方法，结合了Q-learning和深度学习神经网络。

Q-learning是用一张表来记录各个状态下的各个行为的q值，它能记录的状态的个数是有限的。而在金融市场上，价格、交易量等数据都是连续的，因此可以组合成无数种状态，如果用一张表来记录，那么这张表将大到无法想象。

而DQN不用表来记录Q值，而是用一个深度学习神经网络来预测Q值，并通过不断更新神经网络从而学习到最优的行动路径。结构

导语

本文整理了一些关于强化学习在金融领域的应用的中外文献、相关课程和网站以及github上的一些代码实现，希望对大家研究有所帮助。后期强化学习相关模块会在平台上线，敬请期待！

一、英文文献

• 《用于日常股票交易的多代理Q-Learning方法》

  原文：《A Multiagent Approach to Q-Learning for Daily Stock Trading》

  摘要：本文提出了一个新的股票交易框架，试图进一步提高基于强化学习的系统的绩效。

策略案例

https://bigquant.com/experimentshare/52ed2445eced44fe93abaed8a95c91d5

\