更新时间:2023-10-24 06:24
如何从A股市场中,对每一支股票,按照季度维度,统计不同季度下的净利润数据。然后再和股票的日维度数据对应起来。写出具体的案例demo。
所谓季度维度的净利润数据,是指每个股票在单个季度下的净利润,类似于通达信右上角的季度维度净利润柱状图的数据【如下图】。不能是累计的季度净利润数据。
麻烦帮忙写出具体案例demo,谢谢~
更新时间:2023-10-09 08:23
用随机森林分类和stockRanker排序回测跑出来结果还可以,但是我没有进行标准化等处理,请问结果可信吗?是不是两个都要进行标准化、去极值等处理?
更新时间:2023-10-09 08:13
这一问题看起来非常简单,甚至略显傻瓜,资产定价的核心不就是分析影响资产预期收益的因素,而投资更是基于对收益的预期进行选择以获利。但真的仅仅如此吗?
让我们暂且回到大学一年级的微观经济学课堂。玫瑰花的价格在情人节的白天会非常贵,尤其是晚上六七点,但一旦过了晚上 9 点,价格就会暴跌,甚至低于进货成本。OK,我们当然可以说卖花的小男孩可以提前预测到玫瑰花价格的这一时间规律,从而针对性地制定进货量和销售价格策略,比如,在白天卖高价而在晚上 8 点后迅速降价力求在 9 点前卖完,以避免不必要的损失。但事实上,这一价格路径特征跟玫瑰花本身的特征没多大关系,也并非直接由时间决定,而是由时间背后的需求所决
更新时间:2023-10-09 07:34
请问通过instrument列查询出一共有多少只不同的股票的python代码是什么
这个表是运行可视化策略后通过某个查看某个模块的结果后得到的,想知道如果要查看有多少只股票的话应该用什么python代码
\
每个模块都有一个模块名,在notebook下方运行代码,如m3.data.read()可以把数据全读取出来,然后通过pandas的一些语句进行筛选查看就行了。
更新时间:2023-10-09 07:24
请问如何在回测模块中添加代码,实现每天开盘时计划买入的股票如果高开9%以上,就取消买入的功能?请平台的技术专家给个代码例子,谢谢
更新时间:2023-10-09 07:10
2015-06-12 15:00:00+00:00 [{'amount': -96900, 'dt': 2015-06-12 15:00:00+00:00, 'price': 32.619998931884766, 'order_id': 'a619b2d405a64bd7a2693505c9da7fa1', 'commission': 4109.141265449523, 'position_effect': None, 'offset_display': '', 'tran
更新时间:2023-10-09 06:43
https://bigquant.com/experimentshare/7f8b8876e5ae4b98aec2130aa2da259b
第一种选了因子自定义模块,报错如上。
[https://bigquant.com/experimentshare/40bcd9dbc30849229b7ee4b6de3136fd](https://bigquant.com/experimentshare/40bcd9dbc30849229b7ee4b6de3
更新时间:2023-10-09 06:36
我们在研究选股逻辑时,经常会有类似这种场景,先识别股票近期是否存在异动,然后调整几天后,股价达到异动那天的某个点位,进行买入动作,但目前平台无法支撑这种场景的取值,希望平台能够支撑下,具体案例如下:
#成交量变化因子
amount_zf=amount_0/amount_1
#是否异动p定义,成交量翻倍,涨幅超过5%
yidong=where((amount_zf>2)&(return_0>1.05),1,0)
#获取最近10天内的出现异动是哪一天 yidong_day=ts_argmax(yidong, 10)
#获取异动那天的开盘价,取值方式一,报错,无法完成取数:
更新时间:2023-10-09 06:26
更新时间:2023-10-09 03:42
在“输入特征列表”中输入以下三个特征
ta_rsi_14_0 ta_rsi(close_0, 14) RSI = sum(max(close_0-close_1,0), 14) / sum(abs(close_0-close_1), 14) * 100
随便在代码列表模块中指定了股票和时间,代码列表模块设置如下:
start_date='2022-2-1', end_date='2022-5-10', market='CN_STOCK_A', instrument_list='000001.SZA',
然后用“基础特征抽取”和“衍生特征抽取”两个模块进行特征抽取(均为模块默认
更新时间:2023-10-09 03:24
而且今天不给交易信号了
更新时间:2023-10-09 03:07
更新时间:2023-10-09 03:02
发现Trade (回测/模拟)模块支持的基准收益代码还是比较少的,主要是几个比较大的指数。
但是在做策略回测的时候其实有时候是想比较择时的有效性,真正想对比的可能是股票本身的走势,不知道是否可以自定义某只股票或者行业指数作为基准收益?
更新时间:2023-10-09 03:02
在进行训练集和预测集筛选时,显然筛掉了很多股票,最终导致因子覆盖率不足。
更新时间:2023-10-09 03:01
回测中,11-26号新出现的平安银行,直接就盈利了20w,持仓均价错了,导致回测结果错误
买入/卖出点均为twap_2,改为open调仓之后从曲线上看就没有突然的拉升了。
更新时间:2023-10-09 03:00
net_amount_CN_STOCK_A__mf_net_amount_main
主力净流入 = mf_net_amount_main_0 这两种方法输出的数据都是一样有空值,其它股票也有很多,请问除了什么状况?
更新时间:2023-10-09 02:37
更新时间:2023-10-09 02:36
回测如何设置一次全仓买入一只股票
更新时间:2023-10-09 02:35
- 下单[股票、期货],必须指定标的、下单数量、下单价格
想要每次以当日开盘价购入10手,文档里写必须指定下单价格。价格可以不输入,自动获取么?
\
更新时间:2023-10-09 02:28
我在运行BigQuant平台提供的例子中发现从平台提取的股票价格和真实的实盘价格并不相同。比如,我在跑“因子表达式”中提供的例子“实现时序最大值“时,发现000691.SZA的收盘价close_0和真实的实盘收盘价是不同的。如2019-10-08这天的实盘收盘价是3.79元,而例子从平台获取的close_0却是11.576945。其它日子的价格也不一致。
请问老师,这是怎么一回事?
BTW, 上面所提及的例子在”文档--因子--因子基本使用--因子表达式“中。我是100%拷贝例子的代码运行的,未做丝毫修改。另:其它的例子也有类似的情形。
请老师解答一下我的疑问。谢谢!
\
更新时间:2023-10-09 02:07
发现日行情数据提取错误,
1是通过使用查看结果的“导出csv”后的导出的csv,只有2023-08-01一天的数据,想导出全部数据要怎么样处理啊
2是导出的数据中,有macd数据不对,和通达信的对不上,通达信是0.X。不知道错误原因是什么,还有没有其他错误,你们能确保完全正确的数据源是那个?
谢谢
[https://bigquant.com/codeshare/882731c2-90fa-44d9-aab2-17b6fb7e8cfd]
更新时间:2023-10-09 02:07
在平台策略编写文件导航器中,有近20个模板策略,可供大家借鉴学习,本文进行简要介绍。
在编写策略界面下,我们可以找到模板策略文件夹,存放了一些常用的策略/功能实现模板。
进入模板策略文件夹,可以看到股票和期货两个文件夹,分别存放了股票策略模板和期货策略模板。
![](/wiki/api/attachments.redirect?id=7f852357-2290-
更新时间:2023-08-02 05:59
本篇报告中,我们将开创性的构建全新的多因子模型体系--短周期交易型多因子阿尔法选股体系。
通过交易型阿尔法策略的研究,我们发现在A股市场,与传统多因子模型所获取的股票价值阿尔法收益相比,交易型阿尔法收益的空间更大、收益稳定性也更强。
即便是最纯粹的价值投资者也不得不承认,交易行为在短期内对股票价格起着几乎是决定性的影响,而发掘这种交易型套利空间正是量化投资的优势所在,因此量化模型在这一领域内应有着广泛的运用空间。
在本篇报告所构建的交易体系中,我们总共构建、运用了将近200个短周期阿尔法因子,其中因子数据则均来自于个股日频率的价格与成交量数据。在此基础上,我们构建了
更新时间:2023-07-19 01:26
在市场上,对于资产、基金的分类一直是大家讨论的话题,根据业绩走势对于基金进行分类我们也曾有相关研究。研究资产的相关性一个重要的应用就是可以利用相似资产找到原资产中不可购买的一部分资产。本期琢璞系列我们推荐Chen, Chun-Hao, and Chih-Hung Yu(2017)的《A Series-based group stock portfolio optimization approach using the grouping genetic algorithm with symbolic aggregate approximations》,文献利用遗传算
更新时间:2023-07-14 03:51