交易信号

没有数据不能买入，为什么没有卖出

来源：SSRN 作者：Sophie Emerson, Ruairi Kennedy, Luke O’Shea, and John O’Brien

机器学习是人工智能的一个子领域，它使用统计技术为计算机模型提供从数据集学习的能力，允许模型在没有显示编程的情况下执行特定任务。近年来，机器学习技术激增，人们对其在金融领域的应用也越来越感兴趣。在投资管理中，已被应用于新闻的情绪分析、趋势分析、投资组合优化、风险建模等。那么，机器学习在量化投资中有哪些潜在应用呢？

1.常见的机器学习算法

机器学习算法主要有三种：监督学习、无监督学习和强化学习。监督学习是在已知输入和输出的情况下训练出一个模型，将

在知识库**实盘常见问题里有答复：X-BigQuant/AIQuant量化实盘平台** 现只支持日线级别策略实盘。每个交易日19:00-23:00间会运行并产生次日交易信号。但可以调整所有或单个交易信号委托时间，即支持交易任意时段下单。请请问如何做到的？谢谢！

新建实盘后为什么看不到信号

答： X-BigQuant/AIQuant量化实盘平台 会在每个交易日23:00-次日8:00间统一运行实盘产生次日交易信号，请耐心等待。

策略信号什么时间推送

答： X-BigQuant/AIQuant量化实盘平台 在每个交易日23:00-次日8:00间产生次日交易信号，请耐心等待并登录 X-BigQuant/AIQuant量化实盘平台 查看。

为什么实盘信号和订阅/开发策略的信号不一致

答：

原因一：实盘信号是根据您的最新资产运行策略，生成对应的交易信号。订阅的策略由开发者自定义的初始资产运行策略。两者资产不

{{membership}}

https://bigquant.com/codeshare/ccb0fdad-c4da-424e-ace1-dd57ace94cec

\

本文14323字，阅读约28分钟

导语：本文旨在用精炼的语言阐述实操层面的机器学习量化应用方法，包括给出实践中一些常见、实际问题的处理方案，并结合了量化应用实例。读完后大家可以在本平台进行实践检验。

文章概览：

1.人工智能量化投资概述

2.人工智能技术简介

3.机器学习在量化投资中应用的具体方法解析

AI相对于传统量化投资的优势 传统的量化投资策略是通过建立各种数学模型，在各种金融数据中试图找出市场的规律并加以利用，力所能及的模式或许可以接近某一个局部的最优，而真正的全局“最优解”或许在我们的经验认知之外。如同不需要借助人类经验的Alpha Zero，不仅

问题

如何在可视化模块上用bigtrader?

视频

8月19日Meetup模板：以双均线为例

https://www.bilibili.com/video/BV1S44y1y7dc?p=4

策略源码

[https://bigquant.com/experimentshare/b2f44f26626a4d798d2dfecdb8e75d64](https://bigquant.com/experimentshare/b2f44f26626a4d798d2dfecd

{{membership}}

https://bigquant.com/codeshare/176e62e4-b61d-45f0-a960-3dbb48b50aba

\

回测模块中盘前处理是可以调用到当日数据的。这个写在回测模块中可以调用当日open判断当日下午交易，这样做并不会产生未来函数。可是实际模拟交易中信号是前一天下午收盘后产生，请问这是程序是否会调用盘前处理功能。

看到好多策略的择时是根据大盘的5日下跌来的，有时候想参考其他的，比如上证是否站上5日线，是否大盘均线交叉等等，由于摸索起来有点困难，希望有大神指导一下，怎么在回测时增加上面的处理，感谢！！！

https://bigquant.com/codeshare/f5671f58-aa7c-45ef-8436-83b6415fd99c

\

本期提问者：bq22fw19、bq61ym2n、1855680***、bqhz06vb

因子挖掘

如何利用市场信息？

利用市场信息进行量化投资主要涉及以下步骤：

1. 数据收集：首先，需要收集和整理市场数据，包括股票价格、交易量、基本面数据、新闻、宏观经济数据等。这些信息可以从各种数据供应商或公开数据源获取。
2. 数据预处理：对收集到的数据进行清洗和预处理，处理缺失值、异常值、重复值等，保证数据的准确性和完整性。
3. 特征工程：根据投资策略和模型需求，进行特征工程，提取有价值的特征和信号。
4. 模型构建：选择合适的模型（如回归模型、机器学习模型、深度学习模型

{{membership}}

https://bigquant.com/codeshare/1ed3fa07-c733-47fd-8fbc-4e441ed37672

\

https://bigquant.com/codeshare/4515d40b-c2f4-4439-a2c9-92931adb0c6d

\

2021年3月25日Meetup策略：

策略案例

https://bigquant.com/experimentshare/d40006da2bc242cb9dcfb484abe151d1

\

首发于我的博客 The North。

GitHub 里老早之前就 Star 了 felixglow/Stock 这个项目，原作者 felixglow。昨天晚上又想起这个来，于是今儿早上就拿出来看——我对其中相当多的部分都不熟悉，有些还是第一次了解。在这里将我的理解记录下来，其中的错谬之处，还望各位大神指正。

实现效果

![](/community/uploads/defau

\

我就故意分开写，要不怎么让你们点来点去增加关注呢，我的目的很单纯就是吸粉的，大家踊跃点，昨天我要上春晚（一），呃，我要吸点粉（一）过万的关注，我很欣慰，毕竟50的赞四舍五入一下就是一万多，我写起来也觉得胸前的红领巾更鲜艳了啊。

这里先明确一点，在前篇中用几个简单的市场数据说明了我认为市场有交易机会的原因，有知友觉得周期太长，毕竟这是一个科普专栏且以吸粉为目的，我没有把很多专业数据引出来，但是信我，到这个层面能得出的结论已经是一致的，至于其他多说也是论证而已，写的太专业又没人看了，我又白写了不是？另外我引用投资者数据是想说明---你的交易对手不太专业。哦，还要提一句，本作尽量不用计量经济学或者

围棋人类第一高手柯洁在与AlphaGo的第二局对阵中再次惜败。有报道称此次的AlphaGo已经比当初跟李世石下的版本进化了几代，想当于给上一版本”让3子“的水平，鉴于柯洁第一局仅输1/4子，可见柯洁的水平应该能完胜上一代的AlphaGo。

AlphaGo主要采取了两种模型——深度学习和增强学习。深度学习（Deep Learning）本质上是一种监督学习（Supervised Learning），或回归分析（Regression Analysis）。它从传统的神经网络发展而来，但最近几年在计算方法上有了突破，加上硬件上的发展，使得它可以拟合更复杂的数据，因此在计算机视觉、图像识别上发展

算法交易顾名思义就是采用某些算法让计算机自动进行交易决策、下单以及订单资金管理等一系列操作。算法交易系统和一个基于事件的回测系统组成非常相似，这一点在搭建回测系统系列文章中有所提及。一般来讲，算法交易系统由数据模块、模型模块、执行模块以及算法监测模块这几大部分组成。

• 数据模块

数据模块包含结构化和非结构化两部分的数据。结构化的数据一般包含品种的交易数据以及公司的金融数据；非结构化数据则包括新闻、社交网站等文本数据，这些数据需要一些专门的文本分析挖掘工具来进行处理。

• 模型模块

应用于算法交易的模型主要有这样几类。一类是数学统计类模型，这类模型通常采用概率论的方法去度量风险因子、用

指标介绍

布林带指标（Bollinger）

所需数据和参数：Bollinger(close,mDay,nDay,nstd )

指标伪码：

UPP:MA(CLOSE,MDAY)+NSTDSTD(CLOSE,MDAY);

DOWNP:MA(CLOSE,NDAY)-NSTD(CLOSE,NDAY);

指标含义

/wiki/static/upload/87/87b94d12-f312-4049-9d32-de3f318b2f30.pdf

指标介绍

动量指标（Momentum Index）：简称Mtm

所需数据和参数：Mtm(close,nDay)

指标伪码：MTM:CLOSE-REF(CLOSE,nDay);

指标含义

/wiki/static/upload/55/55bef468-2d7d-46a5-b721-a522518ae0c0.pdf

\

指标介绍

乖离率指标（Bias）：

所需数据和参数：Bias(close,nDay,threshold )

指标伪码：

MAVAL:=MA(CLOSE,nDay);

BIAS:=100*(CLOSE-MAVAL)/MAVAL;

指标含义

/wiki/static/upload/21/210c8875-0828-4472-a65c-1ee21ec1bfec.pdf

\

摘要

历史背景

长时间来，学界及业界开发了包括日内估计、GARCH、连续时间模型等近200-300种描述及预测波动率的模型。从交易信号到算法策略，这些模型为许多量化组合提供了极为重要的参考。

预测波动率的重要性

波动率模型为建立交易信号、算法策略、量化组合的分配都提供了重要参考。

波动率预测的难点

对于金融市场上不同类的资产，仅仅一类模型将很难给出一个有效的预测。我们需要对不同的资产标的针对性地使用不同种类的波动率模型来得到可靠的结果。

人工选择合适的模型是一个非常复杂且低效的方法。通过监督性学习算法，我们可以自动化这一过程。同时，通过对一些指标的监