交易成本

很多量化研究，失败并不是因为策略“想错了”，而是因为一些被默认接受的前提，其实并不成立。

回测框架往往给人一种安全感：数据已经准备好，撮合规则也写好了，回测结果能直接画成一条漂亮的收益曲线。可一旦把视角从“策略逻辑”挪到“这些结果是如何被算出来的”，就会发现，回测里藏着不少未经确认的假设。

这些假设并不显眼，甚至从不写在策略代码里，但它们会悄悄决定回测是否可信。

成交，真的像你想象中那样发生了吗？

很多回测的第一步，就是“在某个价格下单，并立刻成交”。

这一步在代码里极其自然，甚至是默认行为： 只要触发条件满足，订单就被认为已经在当前 bar 的价格成交了。

问题在

分享主题

高频动量策略与主观超短交易

\

视频回放

https://www.bilibili.com/video/BV1eG4y147Ki/

\

直播资料

/wiki/static/upload/70/70110d2a-6075-45b4-ad3c-618340dc720f.pdf

\

https://bigquant.com/experimentshare/8671700b78014d6cbe44261ba23820f9

\

策略源码

{{membership}}

https://bigquant.com/codeshare/41bf4005-7f89-45a6-921e-51b1dcc771d9

\

\

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

【旧版使用说明】此文档为旧版本，相关文档可参考：

https://bigquant.com/wiki/doc/126-KkS3pYVIAH

20210624 Meetup 策略案例

https://bigquant.com/experimentshare/f235e9ce26dc42b9ae9fb57ca6574bf1

\

https://bigquant.com/experimentshare/f5061810f6e34b71ad59641c2f54e290

\

2021年4月22日Q1&Q2问题：

策略案例

https://bigquant.com/experimentshare/d50c07db9f7f45168dd745027c04b6d8

\

8月19日Meetup问题模板：

https://bigquant.com/experimentshare/f58dbfb388454407b8a2b99eb14cf1ea

\

\

按照模板写实在写不出来，改了一下模板，写了4个表来做计算

市场风格在一定时间范围之内确实还是有延续性的，如果风格相对明显的策略，是比较好适应这个市场的。我只加入了榜单上的2个小策略，对风格的涵盖不广，也比较难跑出来

问题：看日志发现用市场的最大风格逻辑还是有点问题的，风格比较容易变化，别的风格更好，不代表当前策略就有问题。如果频繁变换风格，其实会导致比较高的交易成本。应该还是有优化空间的

[https://bigquant.com/codesharev3/20630082-f046-426d-b140-77ddf944f47c](https://bigquant.com/codesh

因子概述 ABN TURN（异常换手）：衡量股票近期换手率相对于长期换手率的异常程度，计算方式为过去20个交易日平均换手率除以过去250个交易日平均换手率。

-1 * m_avg(turn, 20) / m_avg(turn, 252)

因子回测报告

1. 因子可信度：**中等偏弱，**IC值: 0.03，信号强度较弱，IR值: 0.4151，信号稳定性一般，有效性: 80.9%的时间|IC|>0.02，具备一定预测能力
2. 收益表现：**收益尚可回撤较大，**多头组合年化收益: 19.78%，多头最大回测35.01%
3. 交易成本：**合理，**换手率: 4.

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

新版数据平台：

https://bigquant.com/data/home

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

新版表达式算子：

<https://

研究背景

文章从现代投资组合理论出发，强调了通过多样化投资来优化风险和收益的重要性。再平衡（PR）是维持投资组合风险收益特征的关键策略，通过定期调整资产权重来应对市场变化。再平衡的频率（ORF）是一个关键参数，因为它直接影响交易成本和投资组合的灵活性。文章指出，频繁再平衡会增加交易成本，而过少再平衡则可能导致投资组合无法适应经济变化。因此，找到合适的再平衡频率至关重要。

研究方法

研究使用了机器学习（ML）技术来预测最佳再平衡频率（ORF）。具体步骤如下：

**1.数据集：**研究使用了2022年和2023年来自Binance交易所的50种加密资产的高频（每分钟）价格数据。

https://bigquant.com/codeshare/c60cd6a5-e600-4bd6-b9aa-1b2759e0d18d

\

上图为买入twap1 卖出为twap8时候的持仓比率

下图为买入open 卖出close时候的持仓比率 请问这是哪里的问题？

![{w:100}](/wiki/api/attachments.redirect?id=9b51f825-7d67-4158-a063

分钟周期股票策略，为什么不能成功运行？

https://bigquant.com/experimentshare/741036f7177146a496561a04f8b40872

\

回测如何设置一次全仓买入一只股票

如标题

https://bigquant.com/codesharev3/39b0162b-935c-4942-990f-1d74f9785599

\

核心观点

短期涨跌的预测相比长期更容易，但覆盖交易成本后再获利的难度更大。所以在高频交易场景，机器学习更适合有限状态下的订单执行。而对于长期的预测，机器学习的训练目标可以不是评估在给定状态下的每股总利润或买入行为的回报，而是监控在该状态下买入与在所有可能状态下买入的相对盈利能力。

Michael Kearns在2010年的关于讨论机器学习在高频交易应用的论文中，提出了很多机器学习应用与高频交易的限制，很多思考放到现在都值得我们去学习。机器学习在高频交易中主要有两个方向，一是订单的执行优化，二是高频涨跌方向的预测。这两者本质的区别是执行优化是在一个确定性的空间寻找最优解，即交易

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/9d63b4ca46fc40bfac5fa7843d4f89cf

\

分享一些量化交易相关的常识信息。

五因子模型公式及应用

五因子模型是哪五个因子

**[多因子选股模型及优缺点](https://bigquant.com/wiki/doc/5asa5zug5a2q6ycj6ikh5qih5z6l5zcn6kn6ke

https://bigquant.com/experimentshare/ce74bc7af5cd4206bcb1b6334235e2f8

\

https://bigquant.com/codeshare/3b5c66d6-ed5b-46a0-8dc6-3a48cc76a482

\