算法

• 该文档已在产品中被引用，请勿修改其链接地址

简单介绍

QuantChat是由BigQuant基于QuantLLM研发的下一代金融投资交互体验工具，依托于BigQuant平台大规模能力，内嵌于BigQuant平台以AI为核心的Cloud IDE——AIStudio，主要应用于量化投资领域。

QuantChat可以与用户进行自然语言交互，在多个领域都有广泛的应用。它可以用于回答常见问题、提供技术支持、解决用户的疑问，甚至可以进行智能对话和提供娱乐，但其不同于其他对话交互应用的功能在于提供有关量化投资方面的信息、建议和帮助。QuantChat基于强大的机器学习算法

机器学习给股票排序，如果我要获得买预测前5或者预测后5的的股票，该怎么写代码。 如上图，我用了图形化LightGBM模型，我怀疑我买错了方向，请教该怎么改平台默认的代码？

指标介绍

梅斯线（Mass）：

所需数据和参数：Mass(high,low,smoothlength,summationlength,malength )

指标伪码：

MASSVAR0:=EMA(HIGH-LOW,SMOOTHLENGTH);

MASSVAR1:=EMA(MASSVAR0,SMOOTHLENGTH);

MASSVAR2:=IF(MASSVAR1>0,MASSVAR0/MASSVAR1,0);

MASSVAL:SUM(MASSVAR2,SUMMATIONLENGTH);

指标含义

[/wiki/static/upload/b4/b4d2ac13-d4

问题

请问下bq平台用哪个包做因子挖掘？pip list不能运行，也看不到有哪个包，麻烦指下路，多谢！

解答

您指的因子挖掘具体使用的算法是什么呢？这边可以和您具体沟通下。像遗传算法做因子挖掘平台都是有集成的。

你想安装什么包呢？可以给我们反馈，后续可以支持。

问题

我有一个深度学习策略，我在主函数中添加了跟踪止损的逻辑没有什么用。因为某只股票达到止损条件会卖出，但是第二天机器学习策略根据算法又会将这只股票买入。所以止损策略不能发挥作用啊。请问各位高手有无办法解决？

https://bigquant.com/experimentshare/04764245c24d4486a039de3ec0292028

\

STOCHRSI 指标理解

• 这几天帮一个朋友解决一个关于指标的问题，这个指标就是 STOCHRSI 。在网上查了很多资料，中文的真是甚少。而且仅有的也不是讲的很清楚。对于我这样的 交易小白，简直是天书。 不过只要研究多少会有点收获的，下面分享下经验，需要用这个的朋友可以借鉴。

在网上找到了一些 关于这个指标的计算公式。

/*
LC := REF(CLOSE,1); //REF(C,1) 上一周期的收盘价
RSI:=SMA(MAX(CLOSE-LC,0),N,1)/SMA(ABS(CLOSE-LC),N,1) *100;
％K:     MA(RSI-LLV(RS

介绍

发布单位：J.P.Morgan

原标题：《大数据和人工智能战略—机器学习和另类数据投资方法》

发布时间：2017年5月

简介：本报告旨在为机器学习和大数据投资提供一个框架。这包括一个对另类数据类型的概述，以及分析它们的机器学习方法。

其中，另类数据包括个人数据(如社交媒体)、业务流程数据(如商业数据) 交易和机器生成的数据(例如卫星图像数据)。

同时报告我们解释和评估不同的机器学习方法，这些方

摘要

机器学习和人工智能在量化投资的应用有很长的历史

机器学习在九十年代初的热潮中已经被大量运用于量化投资中。尽管受限于当时的计算能力和算法，但是由于在算法交易和CTA等领域中机器学习提供了一些更好的解决方案，机器学习在这些领域的应用一直延续到今天

机器学习在量化投资中应用的九个思考

本报告是系列报告的第一篇，简略介绍了机器学习运用到二级市场投资过程中的一些常见问题。这些问题覆盖了策略研发常见错误，策略归因，策略失效判断，机器学习平台的建立，交易系统和机器学习平台的对接以及机器学习对冲基金的团队架构。后续系列报告将会详细围绕这些问题展开

**适当使用下的机器学习

介绍

欢迎来到BigQuant。BigQuant是一个基于Web的平台和社区。作为一个平台，它是一个开发和测试交易算法的平台。作为一个社区，它是一个结识其他策略开发者，并分享算法、工具、想法、策略和投资经验的社区。在访问和使用BigQuant，包括社区其他成员的策略和知识的同时，请遵守以下使用条款。

我们鼓励用户分享和参与，以及从其他用户的分享中学习。您可以决定保留您在BigQuant上编写的策略和算法，如果您选择将部分或所有算法保留为私有，我们将尊重该决定，但须遵守我们的隐私权政策和这些使用条款。

协议

这些使用条款构成了BigQuant公司（“BigQuant”，“我们

摘要

机器学习是人工智能的一个分支，也是人工智能的核心领域。机器学习的目的在于推理，推理的过程是学习，研究计算机如何模拟人类的学习行为。从1930年代至今，机器学习逐渐发展成为一门独立的学科，已有超过数百种算法被提出。《Do we need hundreds of classifiers to solve real world classification problems?》对17大类共179个分类器，在121个数据集上进行了测试。结果显示，随机森林和支持向量机（高斯核）效果最好，其次是神经网络和Boosting集成方法。

机器学习的一大发展趋势是大众化。早期的机器学习研究人员不仅

摘要

尝试构建以真假序列识别为起点基于量价的主动投资研究框架

真假序列识别是检验市场有效性的有力工具。主动投资的核心是市场能否预测，如果市场无法预测，满足有效市场理论，主动投资就没有存在的价值。随机序列满足有效市场理论，无法预测。暂且抛开宏观、财务等数据，仅就交易数据看，如果人工智能算法无法识别真实量价序列和随机序列，那么弱有效市场假说可能成立；如果人工智能可以识别真假，那么可以进一步采用网络可视化技术挖掘模式，或采用遗传规划等算法来暴力挖掘特征。随后通过检验有效模式/特征、过拟合检验、风险控制等步骤，控制整体风险，实现完整的以真假序列识别为起点基于量价的主动投资研究流程。

作为平台的铁杆用户，本文主要分享下使用StockRanker模型来实盘交易的一些经验。

在机器学习领域，预测的结果依赖于：数据、算法和特征，因此真正好的策略一定是特征选择和特征构建非常好。

平台的StockRanker模型策略生成器只是搭建了一个策略框架，输入不同的特征就可以看到不同的策略效果。去年的时候，我构造出了大约10个特征进行回测，从12年到16年底，平均年化收益达到了76%，因此就打算先用一部分小资金实盘，进一步验证特征的有效性。

因为政策原因，目前国内股票实盘交易接口并没有开放，因此量化平台都不会说自己平台上可以实盘交易，免得监管部门叫去喝茶。于是只有手动下单，好在股票持仓时

导语

回归、分类和排序是我们经常遇到的问题场景。本文主要介绍如何实现回归和分类两类问题的模型构建。

首先我们明确一下算法在机器学习中的地位。一般来说，机器学习有三个要素： 数据、算法和模型 。

• 数据 是场景的描述，包括输入和输出。
• 算法 是得到模型的过程，狭义上说，特指机器学习算法，如传统线性回归、树和支持向量机以及深度学习； 广义上说，从输入数据到最终确定模型输出的所有过程，即建模流程都可以看作算法，如分类、回归模型，搜索最优参数算法。

下面我们来举两个例子，看看回归和分类问题的应用场景有什么不同。

回归模型

![](/wik