股票策略

MeetUP直播答疑 时间：7月17日（周四）19:00 视频回放请访问宽客学院-双周答疑-77th Meetup

\

问题列表

1. CTA策略和多因子策略的区别主要在哪里？

答：CTA（Commodity Trading Advisor）策略一般用于期货投资中，通常基于趋势跟踪模型，通过分析历史价格数据捕捉市场的中长期趋势，如移动平均线、动量指标等技术指标。一般来说，CTA策略通常追随市场趋势，可能会导致频繁的买卖操作，适用于高频交易，风险控制比较重要。

多因子策略通过结合多个因子（如价值因子、动量因子、质量因子、规模因子等）来选择标

一、策略思想（仅为示例）

本策略是经典的高股息率选股模型的具体实现，该模型的思想如下：

1. 股票池过滤：剔除ST股、停牌股、北交所
2. 筛选条件：选取总市值从大到小排名前80%、市盈率从小到大前40%、市盈率大于0、市收率小于2.5
3. 排序条件：按照股息率从大到小排序
4. 策略回测：持股50只等权重、持仓1个月、月初调仓、回测时间为2016-06-01至2024-04-26

二、策略链接（仅为示例）

[https://bigquant.com/codesharev3/d1e79459-9037-4bed-9514-227cdf0b2a9f](http

策略介绍

双均线策略是一种简单而又广泛使用的技术分析工具，主要用于识别市场趋势的变化和生成交易信号。这种策略涉及两条移动平均线——一条短期（快速）和一条长期（慢速）——并通过观察这两条线的交叉点来决定买入或卖出的时机。

策略流程

1. 筛选条件：将5日平均收盘价作为短线，50日平均收盘价作为长线；短线上穿长线买入，长线下穿短线卖出
2. 策略回测：开盘买入，收盘卖出，回测时间为2017-11-24至2024-11-24

策略实现

输入特征模块

• 将5日均线作为短线，m_avg(close, 5) AS _mean_short；50日均线作为长线，`

BigQuant平台上可以快速开发股票传统策略和股票AI策略，今天我们就拿市值因子来练手，看看两个策略在2020-01-01到2024-05-28期间各自的收益风险情形。

市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传统的选股策略的股票组合大多在市值因子上有很大的风险暴露。希望了解多因子选股策略的小伙伴可以参考这篇报告：东方证券《因子选股系列研究之十》：Alpha因子库精简与优化-160812

一、传统小市值策略

本文所介绍的传

小白学习

小白如何学习？出现错误提示后，有没有好的解决方案，有没有专门对接的群？

机器学习/深度学习

1. 机器学习在量化中，怎样在过程中查看策略、理解机器学习的逻辑和修正？
2. 目前股票策略中使用最广泛的机器学习和深度学习的模型有哪些？
3. 机器学习或深度学习策略回撤过高，该结合什么风险控制或择时策略比较好？
4. 如果使用深度学习或机器学习自动挖掘因子？
5. 使用深度学习模型时，总觉得泛化性能很差。加上一些提升泛化能力的手段， 比如正则、dropout等，好像没什么用。请问有没有什么较好的方法？

\

策略调优

1. 如何判断策略失效以及失效后的处理

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

视频讲解

可看视频听老师的详细讲解

机器学习逻辑理解

问：机器学习在量化中，怎样在过程中查看策略、理解机器学习的逻辑和修正？

答：

1）可解释性

2）如何减少过拟合

3）机器学习/深度学习课程

常见的机器学习/深度学习模型

目前

策略简介

本策略是一个基本的StockRanker策略，使用的因子除了一些基本的量价指标、技术指标、财务指标之外，我们加入了涨跌停的因子，由于涨跌停price_limit_status这个字段的含义是等于1表示跌停、等于2表示非涨跌停、等于3表示涨停，因此我们将过去10日的涨跌停状态相加的话，值越大就表示涨停次数越多。

在StockRanker模型上，由于数据量的增加，我们适当的调整了模型参数：叶节点数量、每叶节点最小样本数、树的数量，以避免模型欠拟合。

模型训练时间为2015-2022年，回测时间为2023-2024年，策略持股5支，等权重，持仓5天

策略源码

[htt

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

在BigQuant平台上可以快速开发股票传统策略和股票AI策略，今天我们就拿市值因子来练手，看看两个策略在2015-01-01到2016-12-31这两年时间各自的收益风险情形。

市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传统的选股策略的股票组合大多在市值因子上有很大的

更新

本文为旧版实现，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/115-zbYekgD62q

https://bigquant.com/wiki/doc/120-I0dkvCNj9B

[https://bigquant.com/wiki/doc/102-ai-hXNHGsyWzS](https://bigquant.co

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

股票提取：股票提取：最近15天内，连续涨停数大于7，且已经断板，断板后3天内平均涨跌幅大于1%

股票过滤：过滤北交所，过滤科创版，过滤创业板、上市天数大于270天

股票排序：按照成交量从大到小排序

买卖时间：开盘买入，收盘卖出

初始资金：100万

持仓票数：5

持仓周期：30天

该策略在2021年后失效比较明显

{{membership}}

[https://bigquant.com/codeshare/dc856a84-f4d6-409a-8aa6-f7c

• 声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 声明：本策略需要在AIStudio 3.0环境下运行
• 股票提取：筛选出全市场股息率最高的前 25%的股票，并且只选择股价低于 10 元的票
• 股票过滤：过滤科创板、过滤北交所、过滤 ST、过滤停牌、过滤涨停、过滤跌停，上市天数大于270天
• 股票排序：按照流通市值，从小到大排序，选择流通市值最小的前 10 只票
• 买卖时间：开盘买入，收盘卖出
• 初始资金：100万
• 持仓票数：10
• 持仓周期：15天轮动调仓一次，依然排名前 10 的继续持有，掉出前 10 的卖出

回测图：

![](/wiki/

• 声        明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 股票提取：昨日涨跌幅在2%~8%，换手率在3%~8%
• 股票过滤：过滤ST，主要主板，上市天数大于270天，过滤停牌
• 股票排序：按照主力流入金额从大到小排序
• 买卖时间：开盘买入，收盘卖出，
• 初始资金：100万
• 持仓票数：5
• 持仓周期：1天

回测图：

\

策略源码：

{{membership}}

[ht

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

股票提取：提取昨天和前天均涨停（2连扳），股价在五天均线上方运行，市盈率5-30倍左右，近一个季度利润增速超10%

股票过滤：过滤ST，过滤北交所，过滤科创版，上市天数大于270天，股价小于30元

股票排序：按照成交量从大到小排序

买卖时间：开盘买入，收盘卖出，涨停不买卖

初始资金：100万

持仓票数：5

持仓周期：3天

[/wiki/static/upload/0e/0ee6f20b-a86f-4cbc-8fbb-7e45809d9ccc.mp4](/wiki/s

问题

lstm股票策略模板出现‘np_epoch'错误

问题截图

主要11月，高盛发布研究报告《2022市场展望：“不适”的上行空间；离岸市场重回超配-高盛中国市场策略》，并对中国做了主要数据预测，对宏观、盈利、价格、政策、政治、监管、估值7大周期进行论述，并对股票策略、投资标的和风险因素进行讨论。

主要内容

宏观周期

我们的经济研究团队预计2022年中国GDP增长4.8%,这是危机年份之外的历史最低增速，房地产市场构成显著阻力，但是增长动能将于2021年四季度开始改善。

盈利周期

由于利润率假设较为保守，我们的2022年盈利增长预期低于市场一致预期；房地产市场放缓的程度是我们盈利预测面临的主要风险因素；我们看好半导体

提到alpha与beta，大家第一反应是想到股票策略，因为股票策略的比较基准是具有公认范式的相关指数。

由于期货策略的模型框架和所运用到的策略逻辑具有较大差异，即赚钱逻辑不尽相同，大家很难形成统一的比较基准。比较流行的方式是选择三方财富网站统计的5亿CTA指数和融智CTA指数。也有一些机构在路演的时候会举例一些市场比较知名的管理人业绩作为比较基准，如：YS、HY、QX、JK等等。本质上都是想表达自己的产品要比这些所谓的基准产品表现要好，具有“超额收益”即“alpha”收益。在我看来，这些方式的比较是粗浅的，因为样本量的特殊性或者策略逻辑的差异性，这样比较未免有失偏颇。

在探讨CTA策略al