基本面分析简介

我们先来看一个量化交易策略在本平台的回测曲线和回测数据，该策略在三年期的年化收益率是24.84%，最大回撤为42个点（在2024年初出现严重回撤）。总体来说，这个策略总体是一个正收益系统的策略，但在某些时间阶段出现了大幅波动甚至严重回撤现象。

2023年底和2024年初基本面选股策略结果出现回撤是多种因素综合作用的结果。这些因素相互影响，使得基本面选股在这一时期面临一定的挑战。那么基本面选股究竟是什么呢？本文将简要

如何在AIStudio3.0环境中写出以下因子

-- 统计30天内主力流入占比大于12%的天数

-- 总资产报酬率roa要大于5

-- 5天的收益率/20天的收益率

-- 最近5日的成交额排名

-- 平均10天的换手率

-- 统计30天内主力流入占比大于12%的天数

-- 现金流量

-- 当日收盘价破 56天最高价（创新高）

-- 10天的sma线/30天的sma线

-- SAR抛物线指标

-- 10天的波动率/60天的波动率

-- CCI14天的指标

-- 3天收益率的 排名

-- 判断 当日的资金流入净额>昨日资金流入净额

-

Bigquant平台提供了较丰富的基础数据以及量化能力的封装，大大简化的量化研究的门槛，但对于较多新手来说，看平台文档学会量化策略研究依旧会耗时耗力，我这边针对新手从了解量化→量化策略研究→量化在实操中的应用角度，整理了一些视频+配套源码，有兴趣的朋友，可详见链接观看，https://note.youdao.com/s/RlfuJuCB

资料内容主要包括：AI策略编写、非AI策略编写、大盘数据分析等

如：下面这个策略就是非AI策略编写，接合大盘、板块、个股当前的市场特性，自定义选股逻辑。

![{w:100}{w:100}{w:100}](/wiki/api/attachments

最好更细粒度的， 比如分钟级别。

好像没找到。 求例子。

请问这个卖出是否哪里设置不对，用这个trade去跑回测是可以正常运行的 也会买入卖出，但是放到模拟里面 他只买入 不卖出

回测引擎：每日数据处理函数，每天执行一次

def bigquant_run(context, data): # 按日期过滤得到今日的预测数据 ranker_prediction = context.ranker_prediction[ context.ranker_prediction.date == data.current_dt.strftime('%Y-%m-%d')] #----------------------------------

最近读到中金量化多因子系列中提到一些高频因子，比如50分钟K线最高与最低价相关系数平方的均值、成交量最高50根K线成交量收益率动量等等，那么根据分钟行情数据构建出来的话，应该是计算出多行的数据，那么对于我们量化爱好者来说，做因子测试的话是利用这些日内多行的数据吗？还是需要做降频处理到每日只取一行数据？之前听万老师讲课听过一般会对高频因子做降频处理，这样处理数据算力负担不会太大。所以有些疑惑，一、想确认下刚才所讲的这两个高频因子是需要取多行数据还是可以降频处理？二、如果可以做降频处理，那么采用什么方式处理比较好？比如取它们均值还是什么？

量化交易中，多因子合成是针对因子收益率的合成还是对于因子暴露值的合成？

摘要

本文探讨了如何利用机器学习技术在加密货币交易中利用动量效应。加密货币交易近年来在私人投资者中越来越受欢迎，而动量效应对底层市场的影响已被多项研究证实。量化交易系统可以通过动量指标来开仓和平仓，但现有的利用动量效应的方法并未依赖机器学习，而是基于人工制定的规则，这些规则在加密货币市场这种高度波动的环境中并不适用。本文提出利用机器学习方法自动检测加密货币市场数据中的动量效应，并预测下一个交易日加密货币受动量效应影响的可能性及其方向。通过对比测试，机器学习模型能够较好地预测短期价格波动，减少错误交易信号的数量，并提高投资回报率。

研究内容

研究背景

加密

为什么使用TGAN？

在量化交易中，你可能会遇到日常金融数据不足以回测策略的情况。然而，遵循真实数据分布的合成数据可以非常有用，可以帮助你用足够数量的观测值来回测策略。生成对抗网络（GAN）将帮助我们创建合成数据。具体来说，我们将使用用于时间序列数据的GAN模型。

文章大纲

在这篇文章中，你将学习到：

• GAN算法的定义及其工作原理
• 如何使用时间序列GAN（TGAN）算法的PAR合成器
• 如何使用TGAN算法生成的合成数据回测策略
• TGAN算法的益处和挑战
• 一些提高结果的注意事项

适用人群与具备条件

这篇文章适用于任何可能需要使用稀缺金融数据回测策

量化交易员从哪里获得免费数据源

金融从业者和量化人员在日常工作里，常常迫切地需要获取金融实时报价、股票、指数、外汇等各类数据，而 API 已然成为他们不可或缺的得力工具，为数据获取开辟了便捷高效的通道。其中，实时报价 API 犹如市场的敏锐触角，能够让用户瞬间抓取到最新的市场价格信息，无论是股票的实时股价波动、指数的点位升降，还是外汇的汇率变化，都能精准掌握，这对于精准地把握市场动态、果断地做出快速决策起着极为关键的作用。一些知名的实时报价 API 如某些专业金融数据服务平台所提供的接口，虽可能涉及一定费用，但数据的及时性与准确性有较高保障。此外，免费股票 API 也为部分预算有限或处于探索

引言

在量化交易与数据科学领域，特征工程是一个至关重要的步骤，直接影响到模型的预测能力与效果。OpenFE 是一个开源的特征工程框架，旨在帮助研究人员和工程师快速生成高质量的特征。然而，原始版本的 OpenFE 算子虽然功能强大，但在某些应用场景下仍存在一定的局限性。为了更好地满足我们在量化研究中的需求，我对 OpenFE 算子进行了重新构建，丰富衍生特征生成；并将其与 XGBoost 相结合，用于特征重要性评估，方便后续标的打分。

本文将详细介绍这一重构过程，并通过实际案例展示如何使用这一改进后的算子生成衍生特征，并使用 XGBoost 进行特征重要性评估，从而优化我们的量化模型。

金融从业者和量化人员在日常工作里，常常迫切地需要获取金融实时报价、股票、指数、外汇等各类数据，而 API 已然成为他们不可或缺的得力工具，为数据获取开辟了便捷高效的通道。其中，实时报价 API 犹如市场的敏锐触角，能够让用户瞬间抓取到最新的市场价格信息，无论是股票的实时股价波动、指数的点位升降，还是外汇的汇率变化，都能精准掌握，这对于精准地把握市场动态、果断地做出快速决策起着极为关键的作用。一些知名的实时报价 API 如某些专业金融数据服务平台所提供的接口，虽可能涉及一定费用，但数据的及时性与准确性有较高保障。此外，免费股票 API 也为部分预算有限或处于探索阶段的从业者提供了便利，可在一定程

因子原理

动量因子和反转因子是量化交易中一对相反的概念，虽然它们的逻辑有所不同，但都基于市场上存在的某种”惯性‘现象，即资产价格可能会在一段时间内延续其之前的趋势，或者由于市场的过度反应，导致价格偏离基本面。

动量因子的核心思想是：过去表现较好的股票在未来会继续走强，表现差的股票则可能继续低迷。假设A公司股票过去一个月的涨幅为15%，B公司过去一个月的涨幅为-5%，那么我们认为A公司股票有可能继续上涨，而B公司股票则可能下跌或表现不好。

而反转则认为在过去一段时间中表现较差的股票在未来可能经历收益的较大逆转，出现反弹。假设A公司股票过去一个月的跌幅为-20%，那么A公司股票的价格可

摘要

在深度学习的所有应用场景中，股价预测也无疑是其中一个异常诱人的场景。随着传统线性模型的潜力逐渐枯竭，非线性模型逐渐成为量化交易的主要探索方向，深度学习对非线性关系良好的拟合能力让其在量化交易中面临着广阔的应用前景。但与常规的回归预测任务不同的是，股价预测问题有其独特性，存在时间序列、噪声高、过拟合等问题。当前对于深度学习在股票交易中的研究主要侧重在因子挖掘、图神经网络与知识图谱、新闻与社交媒体等非结构化数据的利用、以及时序模型改进四个方面。我们会在文章中依次探讨近5年顶会上对这四个方向的研究。

本文主要介绍MSRA在KDD 2019上发表的两篇文章，这两篇文章主要关注深度学习在

量化交易利用数学和统计学方法来分析市场并执行交易的过程，是现代金融的一个重要组成部分。量化模型的目的是通过算法自动识别并利用市场中的规律和机会，用以获取更多收益。

量化交易模型的一般由以下几个部分组成：

1 数据处理模型: 量化交易的基石是数据。这包括了从历史价格、成交量到公司财报、宏观经济指标等各类数据。对这些数据的收集、清洗和处理是构建有效模型的首要步骤。**[BigQuant策略编写平台](ht

简单来讲，量化投资就是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。

量化交易 是指借助现代统计学和数学的方法，利用[计算机技术来进行交易的证券投资方式。量化交易从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可以持续的、稳定且高于平均收益的超额回报。

量化投资模型只是一种工具、一种方法、一种手段，能实现成熟而有效的投资理念，需要不断根据投资理念的变化、市场状况的变化而进行修正、改善和优化，换而言之，有效的模型建立在适应市场环境的有效

NN:=BARSLAST(DATE<>REF(DATE,1))+1;

HH:=REF(HHV(HIGH,NN),NN);

LL:=REF(LLV(LOW,NN),NN);

CC:=VALUEWHEN(DATE<>REF(DATE,1),REF(CLOSE,1));

OO:=VALUEWHEN(DATE<>REF(DATE,1),O);

HHJ:=IF(NN=1,OO,REF(HHV(H,NN),1));

LLJ:=IF(NN=1,OO,REF(LLV(L,NN),1));

RFILTER:=(HH-LL)>28/100*(OO/100);

数据定义

以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

构造这个因子需要用到的数据的表格形式如下:

首先我们求出截面净委买比例：

最后将分钟内的截面净委买比例求平均即可得到时间加权的净委买比例，所以这

在量化交易中，通过手段实时获取交易信号是基本功，本文将利用dai.stream_factor和其他第三方库配合给你的qq邮件发送策略信号。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

策略描述

隔夜跳开回一个重要的因子**（我们不做夜盘）**, 若当日高开, 则当日高开高走的可能性较大; 反之若低开, 则当日低开低走可能性较大, 基于这一观点, 我们来开发一个隔夜跳开的策略, 由于跳开形态的存

请高手帮忙因子构建

还请哪位高手指点一下，这个公式怎么写成因子构建公式，比如下面这种形式：

SUM((CLOSE=DELAY(CLOSE,1)?0:CLOSE-(CLOSE>DELAY(CLOSE,1)?MIN(LOW,DELAY(CLOSE,1)):MAX(HIGH,D

ELAY(CLOSE,1)))),6)

一、策略概述

1.1 背景介绍

行业轮动策略是一种量化交易策略，旨在通过在不同行业之间进行资金分配，捕捉市场趋势和行业表现的周期性变化。 从名字即可看出，经济周期导致任何市场状态下可能都会存在股市价格表现较好的行业，因此我们如果能布局这些行业并定期轮动调整，那会取得还不错的投资效果。与单纯持有某个行业或个股相比，行业轮动策略通过分散投资风险，提高了组合的抗风险能力，并且能够在不同的市场环境中寻找最佳的投资机会。

1.2 研究目的

本策略是曾经在社区里的一个策略复现而来，策略链接为：<https://bigquant.com/wiki/doc/v10-uKB4qr0I

选股条件

动量指标选股

仓位设置

等权重

调仓规则

1-5个交易日

风险管理

无

回测设置

• 初始资金：500000

• 起始时间：2023-06-01

• 结束时间：2024-08-20

• 交易成本：买入万3，卖出千分之1.3，不足5元按5元收取

• 撮合价格：开盘价

  \

  回测与分析

  绩效指标

  总收益：16%

  年化收益：13%

  夏普比率：0.87

  最大回撤：6%

  
  结果分析

  整个策略表现不错，年化收益远超银行理财产品，其中最大回撤为5%，主要是行业

策略全称

基于银行股的年化57.29%均线择股策略

策略绩效图

作者

黄帅

发布日期

2024-08-22

风险提示

• 本文只是基于公开的研报、书籍做策略复现，纯技术和工具使用交流，不代表投资建议

• 本文涉及的文字、图片、链接、代码，仅作为量化交易这门技术的学习交流，不代表投资建议

• 投资有风险，入市需谨慎

  \

策略概述

理论依据

今年以来，

策略全称

基于股息率因子的择股策略

策略绩效图

作者

大田

发布日期

2024-08-26

风险提示

• 本文只是基于公开的研报、书籍做策略复现，纯技术和工具使用交流，不代表投资建议
• 本文涉及的文字、图片、链接、代码，仅作为量化交易这门技术的学习交流，不代表投资建议
• 投资有风险，入市需谨慎

\

策略概述

风格因子

A股当前也有一些不错的风格et

什么是均线？

金融市场上每个人都有一套自己的分析方法，无论你是一个技术派、基本面派、消息派还是量化投资派，对于“均线”这个名词一定不会陌生。虽说这个概念诞生于市场技术分析领域，但由于它的通俗易用，均线一直受到投资者和市场分析人士的青睐。

均线的全称是移动平均线（MA）。移动平均线是个什么概念？即通过等权或指数加权的方式，计算一段时期内的平均价格，是将某一段时间的收盘价之和除以该周期。 比如，日线MA5的意思就是说，5天内的收盘价除以5。

![{w:100}](/wiki/api/attachments.redirect?id=be71ecb6-a01a-4a99-9a9e-