数据定义

以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

构造这个因子需要用到的数据的表格形式如下:

首先我们求出截面净委买比例：

最后将分钟内的截面净委买比例求平均即可得到时间加权的净委买比例，所以这

本文以中证1000的股指期货(IM2503.CFE)与指数(000852.SH)价差为例, 我们来加工股指与期货的价差因子并进行实时可视化操作。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

数据定义

因子构造思路较为简单，我们需要用到期货l1快照数据以及指数快照数据，首先计算快照上的价差，最后将价差用last函数聚合成分钟频的数据。

因子加工代码

首先导入第三方库，并将数据推送至中间表：

import dai
import time
import plotly.graph_objects as go
from IPython

导语

平台已经整理好新旧因子对比，可以在基础特征抽取里面直接抽取。

A股

量价因子

这个策略之前模拟正常，现在突然报错：no data left after dropnan

1、截图模拟交易报错的页面，配文：报错内容：Exception: no data left after dropnan

2、粘贴策略链接：https://bigquant.com/codesharev3/9be3987e-8535-4b59-860c-18ccd7b6f917

谢谢支持的老师。

1、bigtrade的模式和聚宽很大的一个区别就是，策略要用的数据你们是先全部提取好了作为直接输入到回测引擎，这样就可以减少回测引擎每回测一天跑一天数据的麻烦，且再次回测也会有缓存，加快回测效率。我想问的是，我在取数据的时候是取整个回测时间段的，模拟的时候取数是当前的，这两个取数代码的写法肯定不同，不像聚宽，永远取回测日当前时间数据就行，而且我策略要用到的因子数据是需要比较复杂的加工的，有sql，有python，那我提交模拟之后，模拟交易怎么能识别我计算因子的逻辑，然后计算当天的因子值

2.我write_bdb的表是永久有效的么？这个表的存储空间需要付费么？

1、如果我的因子在sql之外还需要用Python做一些处理，请问提交因子的时候factor_sql 该怎么写？

2、因子分析中是否每个股票每个交易日都要有因子值，我是否可以每个股票只有月末有一个因子，其他时间都是空的。

老师，请问模块抽取出来的数据是一个大表格，如何才能将下面图示中的M4表格另外下载出来？谢谢

老师，请问DAI查询出来的数据表太大，如何单独形成一个XLS表格，方便自己进行分析，谢谢

import dai

df = dai.query("""

SELECT

    date, instrument,

    IF(price_limit_status = 3,1,0) AS _zt,

    If(m_sum(_zt,10) = 1,1,0) AS _firstzt,

     open/m_lead(close,-1)-1 AS _jump,

     If(_jump > 0.04,1,0) AS _jumphigh,

     close/ope

代码如下

import dai

st = '' 

sql = f""" 
select
    date,
    instrument,
    sw2021_level2,
    sw2021_level2_name,
    r_ind,
    r_mkt,
    m_product(r_ind + 1,240)- 1 as r_ind_1y,
    m_product(r_mkt + 1,240)- 1 as r_mkt_1y,
    r_ind - r_mkt as r_std,
    (r_ind_1y - r_m

行情数据NaN空值处理的bug问题

 回测时发现仓位中有些早期时间段(大多2012年前)仓位很轻,按理持仓就为10支,可那些日子里只有1,2支. 后面发现,:\n     因为我代码中有:  m_max(close,100). 只要这100前有一个NAN值,这支股票就被无情的排除了.

 要是:m_max( close,100,  参数=’ 0’ ).这里加个参数,表示数据中有NAN时填充0计算.  也可以=”停牌前的价格”\n要是能有这选择参数就完美了.

\

一、股息率定义

股息率是指公司每年支付的股息与其股票当前市场价格的比率。它是一个重要的投资指标，帮助投资者评估股票的收入潜力，股息率越高，通常表示投资者可以从该股票中获得更多的被动收入。计算公式为：

本文更多介绍如何使用 ASOF JOIN 操作处理日频数据和非日频数据，因此，我们简化股息率的公式，假设分子分母都使用总股本，则上述公式可以简化如下：

![](/wiki/api/attachments.redirect?id=4

https://bigquant.com/codesharev3/0fcad747-50d5-47b1-81ea-c6d9127ccae5

为何在加入了2个特征表达式，什么值都去不到。谢谢各位

positions = context.get_account_positions()

for code, position in positions.items():

    print(code,position.last_sale_date, context.trading_calendar.session_distance(position.last_sale_date, data.current_dt))

\

策略流程

1. 筛选条件：净利润增长率长大于15%，连续3年净资产收益率大于15%，市盈率低于35。
2. 策略回测：开盘买入，收盘卖出，回测时间为2017-05-01至2017-06-15

策略实现

输入特征模块

• 将净利润增长率，净资产收益率，市盈率作为作为输入特征；

• 将净利润增长率长大于15%，连续3年净资产收益率大于15%，市盈率低于35设置为表达式过滤条件。

  \

数据抽取模块

• 抽取数据，并设置开始日期为2014-12-31 ，结束日期为2016-12-31。

\

BigTrader模块

• 在m5”BigTra

两个“输入特征（DAI SQL）”模块，分别从两个数据表提取数据，之后可以共同连接一个新的“输入特征（DAI SQL）”模块，做到数据连接的功能

我们来看一个具体的例子，在下面这个例子中：

• m1模块的作用是从cn_stock_prefactors表中提取出pe_ttm和total_market_cap两个字段，并且过滤掉ST股票
• m2模块的作用是从cn_stock_money_flow表中提取出main_flow和main_rate两个字段

![](/wiki/api/attachments.redirect?id=2d891157-85

介绍

• 本地上传csv文件并读取
• 和其他数据联合使用

实现

dai处理文件

• 生成一个csv文件作为测试，包括日期、股票代码、当日涨跌幅。
• 使用dai直接操作csv，如果是本地csv文件则直接拖拽至资源管理器。

输入特征联合使用

• 将操作后的csv输入：mafactor.csv中的factor_001因子。
• 表达式特征中输入cn_stock_prefactors中的股息率排名作为sc

1. 获取数据

首先获取训练集“Stanford V1.0”和使用Glove模型训练好的词向量矩阵。

我们使用shell命令获取以上文档，脚本如下：

DATASETS_DIR="utils/datasets"
mkdir -p $DATASETS_DIR

cd $DATASETS_DIR

# Get Stanford Sentiment Treebank
if hash wget 2>/dev/null; then
  wget http://nlp.stanford.edu/~socherr/stanfordSentimentTreebank.zip
else
  c

旧版声明

本文为旧版实现，仅供学习参考。

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

下列代码在读取数据时，使用最新dai.query接口即可。

数据读取

\

导语

本文继续讲解Pandas库在数据分析和处理上的一些应用。

[https://bigquant.com/codesharev2/5a39d584-7b74-4d00-832f-

新版数据导入部分使用dai库

导语

本节主要讲解Pandas库中 DataFrame 的数据查看与选择

Pandas 是基于 Numpy 构建的，让以 Numpy 为中心的应用变得更加简单。平台获取的数据主要是以 Pandas 中DataFrame 的形式。除此之外，Pandas 还包括 一维数组Series 以及三维的Panel。

Pandas中获取数据的方式

下面将进行详细介绍：

Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而

拉取数据显示报错，没有per_close字段

问题

如何利用滚动回测进行策略开发和因子挖掘？

视频

[https://www.bilibili.com/video/BV1Gr4y177FR?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134af8dd086](https://www.bilibili.com/video/BV1Gr4y177FR?share_source=copy_web&vd_source=2

因子构建步骤：

1. 理论推导：根据投资哲学和市场观察来定义因子。例如，价值、动量、质量等。
2. 数据获取：获取原始数据
3. 数据处理：对因子数据进行清洗、填充缺失值、处理极值等。
4. 因子计算：根据公式计算因子值
5. 单因子分析：进行分层回测、IC分析、回归分析
6. 加权合成：使用多个因子，需要决定每个因子的权重，将多个因子按照权重合成一个综合因子。
7. 因子回测：使用历史数据测试因子的有效性。
8. 因子优化：根据回测结果对因子进行优化，比如：组合优化。

\

因子定义

金融学理论：

• 投资理论
• 行为金融学

基本面因子 —— QMJ因子

QMJ因

问题

transformer等深度学习中序列窗口滚动模块具体的功能是什么，为什么要把数据做这个处理，能否用numpy的源码写一个函数？

视频

https://www.bilibili.com/video/BV1i44y1q7As?p=4&share_source=copy_web

策略源码

2021年7月8日Meetup策略模板：

[https://bigquant.com/experimentshare/6235b7c

看视频

https://www.bilibili.com/video/BV1jh411u7zj/?vd_source=ecd29bbd04cbefdfa426167c55241973

策略源码

[https://bigquant.com/experimentshare/d4804cb7b37b40e191de5b196897c33b](https://bigquant.com/experiment

问题

如何通过爬虫获取开盘啦app上面的数据？

视频

https://www.bilibili.com/video/BV13R4y1C7KQ/

\

策略源码

https://bigquant.com/experimentshare/cb90e8e440bc47b9bbc9cb897e452af8

\