策略案例

https://bigquant.com/experimentshare/6ac00fc386f74acb886b8168d7809b98

\

策略案例

https://bigquant.com/experimentshare/9426627188af4f488644532c01328c14

\

策略案例

https://bigquant.com/experimentshare/421fbaa682a04d6bacf4d2f1f47b54c6

\

https://bigquant.com/experimentshare/ada6ffe2d3f94a6f9e0ccac744524604

\

问题

回测老内核重启然后就停了。 是免费的缘故么？

\

解答

得看下策略具体是在哪个模块停止内核的，如果回测模块没有做过多改动的话，在回测阶段重启内核的概率不大，得检查下是否是训练集和预测集数据过大导致训练模型时内核重启的原因。

问题

如何计算板块收益率构造模型训练标注和模型过滤

视频

[https://www.bilibili.com/video/BV1p8411t7LH/?vd_source=ecd29bbd04cbefdfa426167c55241973&t=0.3](https://www.bilibili.com/video/BV1p8411t7LH/?vd_source=ecd29bbd04cbefdfa426167c55241973&

真正的算法工程师是什么样的呢？ 有人说，算法工程师每天就是调调包，工资赚得还多； 有人说，模型一训练，剩下就是摸鱼时间了； 还有人说，整天就是调模型，都脱离业务了。

事实上，真不是这样。算法工程师的主要职责就是负责一个或大或小的算法模块，对效果，对整体指标，对整个算法模块的可靠性、稳定性负责。那么，日常工作一般都有哪些呢？

1.需求和目标的沟通 通常是和产品沟通，产品负责指挥整个产品的发展方向，一起定义目标和标准。这个过程往往会比较困难，主要因为两者的信息不对称，产品不懂技术，技术不懂产品，而要解决问题就要多沟通交流。

2.数据等资源的汇总和整理 算法研发是一个极度依赖数据的，对现象

策略案例

https://bigquant.com/experimentshare/c13d6baefe5d4c75bb87eea9364b0f75

\

摘要

公众号遴选了各大期刊前沿论文，按照理解和提炼的方式为读者呈现每篇论文最精华的部分。QIML希望大家能够读到可以成长的量化文章，愿与你共同进步！

本期遴选论文 标题：FactorVAE: A Probabilistic Dynamic Factor Model Based on Variational Autoencoder for Predicting Cross-sectional Stock Returns

摘要

机器学习问题和其流程

机器学习问题本质上在于找出使得经验风险泛函（样本误差）最小的建模流程，基本的流程可以分为特征工程、模型训练和模型融合。本篇就上述三个过程，给出相关算法的介绍，并补充了之前系列报告中未详细介绍的内

机器学习三大步骤

特征工程包含特征构建、特征提取和特征选择三个过程，以选择相对最优的特征空间。特征工程往往会采用无监督和有监督的机器学习算法。机器学习模型可以分为线性模型、树模型和深度学习模型。线性模型主要体现了数据中的线性关系，如输入与输出的线性关系，点集的线性可分；树模型可以很好的捕捉输入与输出的非线性关系，和线性模型相辅相成。一些改进的随

是否有可能预测黄金价格的走向？

是的，让我们使用机器学习回归技术来预测最重要的贵金属之一黄金的价格。

我们将创建一个机器学习线性回归模型，该模型从过去的黄金 ETF (GLD) 价格中获取信息，并返回第二天的黄金价格预测。

GLD是直接投资实物黄金的最大ETF。

\

导入库并读取黄金 ETF 数据

首先要做的是：导入实施此策略所需的所有必要库。

然后，我们读取过去 12 年的每日黄金 ETF 价格数据并将其存储在 Df 中。我们

问题

如何在全连接模块中自定义swish激活函数的代码

\

视频

https://www.bilibili.com/video/BV1DL4y1w7sb?share_source=copy_web

策略源码

[https://bigquant.com/experimentshare/9f1dae69e055429c9922b4f5d038361a](https://bigquant.com/experimentshare/9f1d

策略案例

https://bigquant.com/experimentshare/d25955bb6c2248ef8cd5e9d80d53d90f

\

作者：donkyxote

策略思想

基于17个短期因子，其中8个量价因子，9个均线因子。训练集使用2005-01-04至2020-06-01日，每个交易日买入模型当日预测结果排名靠前的1只A股股票，次日卖出。

StockRanker模型

原有模型是基于BQ提供的Stockranker机器学习算法：

![图 1：stockranker-2021年1月4日至2022年1月21日的模拟实盘结果{w:100}{w:100}](/wiki/api/attachments.redirect?id=bb5b3d09-3e20-4840-b5e0-2220d7f55

问题

深度学习在期货高频上的应用

策略源码

8月19日Meetup问题模板：

https://bigquant.com/experimentshare/f58dbfb388454407b8a2b99eb14cf1ea

\

https://bigquant.com/experimentshare/5f74d02dff0e45d595f7494edb417019

\

AI量化策略快速理解

https://bigquant.com/wiki/doc/celve-Uu3N6WbJNJ

本例使用GBDT算法进行模型训练和数据预测

1. 新建可视化AI模板策略
2. 在左侧模块导航栏“机器学习”中拖出“GBDT训练”和“GBDT预测”模块替换原有的 StockRanker 训练模块和 StockRanker 预测模块

本例设置“GBDT训练”中的参数：

损失函数类型：'reg:linear',

评价指标:'rmse',

模型:'gbtree'

[https://bigquant.com/experimentshare/08e84d706db74d5ba490658f1b92628b](https://bigquant.com/experimentshare/08e8

怎么用bigquant的架构来获取每天涨停的个股，不是用传统的代码打出来的那种，试过好多次！老是运行的结果错误！

test h1

test h2

test h3

test h1

\

策略案例

https://bigquant.com/experimentshare/1a614899a9484f9e8d7f9a58dac50385

\

/wiki/static/upload/7e/7e6629bc-ac8d-42ad-85a0-c74ecff7229b.pdf

\

2021世界人工智能大会于2021年7月8日至10日在上海世博中心和上海世博展览馆同时举行。会中幻方量化合伙人徐进探讨了如何使用量化模型和深度学习在股市中赚钱的路径。

徐进提到,与传统股票定价不同,量化通过输入获取的信息,包括行情数据、上市公司财务数据,还有另类数据,比如新闻舆情、产业链等,进行模型训练,利用深度学习对股票进行定价。

在徐进看来,在这个过程中,需要处理很多关键细节,细节是魔鬼!以时间序列预测模型为例,包括数据清洗、规划处理、防止过拟合、 避免未来函数等,大量的细节决定了量化能否赚钱,并不是简简单单就能成功的。“只要你对市场、数据充分了解之后,才能得出比较好的赚很多钱的结果。

利用深度学习技术预测股票价格

https://bigquant.com/experimentshare/e5f507b16e4f4461ac07da23c9693c02

\

在前面的叙述中已经知道了变量命名的作用，这种变量命名的另一个重要的作用就是使得我们可以随时获取相关变量并进行计算。

程序解释

那么首先还是从代码开始讲，这里的数据我们用鸢尾花的数据，可以自行下载，很小：

# by cangye@hotmail.com
import pandas as pd
import tensorflow as tf
import tensorflow.contrib.slim as slim
import numpy as np
#定义summary函数
def variable_summaries(var, name="layer"):