回测结果

交易是每天的排名第一，日频，怎么看回测和模拟交易的预测结果是是否一样

发现一个问题，程序下载导入到合作的平台，超参搜索模块不能正常使用，给出的回测结果是错误的，和不使用超参搜索模块直接测的结果不一样了。

我的收益率是270%，使用超参搜索后是73%了。

\

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。

是否有一个模块，可以查看模型回测结果在不同风格上的暴露程度，比如规模、盈利、动量等风格

https://bigquant.com/aistudio/studios/a29733f8-0f37-11ed-93bb-da75731aa77c/?folder=/home/aiuser/work

在aistudio种，用平台的提供xgboost方法回测，参数改了无数次，回测结果的走势图一模一样，没有变化，xgboost的缓存参数也是关闭的，m_cached=False。

![虽然改变了不同的xgboost参数，但是回测结果一直是如图所示，一个小数点都不变{w:100}](/wiki/api/attachments.redirect?id=1295616f-94b0-4

【旧版说明】此文档为旧版，相关新版文档可参考：🌟102-第一个AI策略

https://bigquant.com/experimentshare/1c44e0bf56db424d8f2a5e617759a300

\

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

【此文档为旧版】 相关新版文档参考：

https://bigquant.com/wiki/doc/ai-rq8QOC2fDb

策略案例

https://bigquant.com/experimentshare/16571b942a8a4a92a4914c15f65d0883

\

7月30日Meetup 策略模板：

策略案例

https://bigquant.com/experimentshare/062a0182231e49f7996b0543e7acad48

\

【旧版使用说明】此文档为旧版本，相关文档可参考：

https://bigquant.com/wiki/doc/126-KkS3pYVIAH

20210624 Meetup 策略案例

https://bigquant.com/experimentshare/f235e9ce26dc42b9ae9fb57ca6574bf1

\

回测结果是基于历史数据对某一投资策略进行模拟交易后得到的结果。进行回测的目的是为了评估一个投资策略的盈利能力、风险水平以及其他相关指标。

回测结果中通常包括不同时间段的投资收益率、最大回撤、胜率等指标。这些结果可以帮助投资者了解该策略的优势和不足，从而进行调整和优化。

基本概念

回测结果通常包含多个方面的信息，主要包括：

1. 总收益率：在策略回测期间，总收益率作为盈利或亏损的总体百

旧版声明

本文为旧版实现，仅供学习参考。

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

以双均线策略为例，采用新的DataSource接口实现基金数据的读取及策略回测

[https://bigquant.com/experimentshare/ac13b3c580cd4f06ad2cce26dd718ecc](https://bigquant.com/experimentshare/ac13b3c580cd4f06ad2cce2

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，相关策略请参考以下链接：

https://bigquant.com/wiki/doc/124-exuI9VGX1a

https://bigquant.com/wiki/doc/5z66yer5ym5z2h57q562w55wl-F6yoWKprOq

本策略主要分享如何以指定

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

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

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

导语

如果我们手上有一份交割单是否可以对其进行模拟回测并分析呢？本文就为大家介绍一下交割单分析功能。

交割单分析功能

以下是交割单回测功能的一个demo，所用数据是通过平台上新建-可视化AI策略中的回测结果得来。

• m4 python自定义模块的作用是将我们手中的数据文件进行一些表头和内容的格式以及文字的转换
• m3 回测模块是将手中的交割单数据进行模拟回测
• m1 最近N日绩效评估模块是将我们得到的交割单回测详细数据进行N日的绩效评估

通过和生成交割单的策略回测的结果进行比对，结果是一致的。大家可以根据此种方式，将自己的交割单上传到平台上进行交割单的回测以及绩效评

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：在财报公告日当天，筛选出净利润同比增长小于1的，并按照净利润同比增长排序

股票过滤：剔除ST、退市、非主板、上市时间小于365天的

买卖时间：开盘买入，收盘卖出

初始资金：100万

持仓票数：3

持仓周期：30天

回测图：

\

策略源码：

{{membership}}

由于财务公告通常在晚上发布，在财务报表公告的第二日开盘买入归属母公司股东的净利润同比增长率百分比大于30%的且降序排名靠前股票(总持仓量不超过50只);\n\n买入并持有40个交易日后，以第二日开盘价卖出；

\

策略源码：

{{membership}}

https://bigquant.com/codeshare/afed1970-8cc9-4e6f-95cb-8424092b3537

\

摘要

行业轮动是一个热门议题。本报告将从正式财报、业绩预告和业绩快报中，选取一些业绩指标来构建行业景气度，以实现对行业景气状态的定量判定，从而开展微观层面的行业轮动策略研究。

通过正式财务报告中一些业绩数据来构建单项景气度指标。从回测结果来看，整体上正式财务报告的业绩指标的行业选择能力较好，选定指标都能获得高于基准的收益。其中单季度归母净利润同比增长率的增速指标的回测年化收益率相对较高，超过行业基准3%以上，而且其回测结果相对基准胜率超过60%。

对所构建的行业复合景气度指标进行测试。可以看出，复合景气度策略相比单个指标景气度策略有了较好的表现。多头组合的年化收益率为12.95%（

摘要

前言

本篇报告为东吴金工“技术分析拥抱选股因子”系列研究第二篇，延续了“将技术分析的方法应用于构建选股因子”的研究理念，从经典的蜡烛图上下影线入手，逐步探索了上下影线中蕴藏的选股信号。

蜡烛上下影线选股因子

根据蜡烛图上、下影线的定义，构造选股因子。回测结果显示，基于蜡烛图上影线构建的因子具有不错的选股能力，而蜡烛图下影线因子的选股能力较差。其中，蜡烛图上影线的标准差因子“蜡烛上_std”效果最好，在全样本内年化ICIR为-1.78，5分组多空对冲的信息比率为1.64，月度胜率为68.38%。

威廉指标对蜡烛图的修正

除了蜡烛图上下影线，威廉指标

摘要

近年来，随着投资者对于技术因子挖掘的深入，能够给模型提供额外选股能力的技术因子也越来越少。考虑到现有的技术因子多基于成交数据计算得到，本文考虑使用盘口委托挂单数据构建因子，挖掘成交之外的信息。

开盘后30分钟平均净委买变化率因子具有较强的月度选股能力。回测结果表明，股票开盘后30分钟的平均净委买变化率越高，股票未来的相对收益表现越好。若将开盘后30分钟的平均净委买变化率看作是投资者对于前一天收盘后股票信息的集中反馈，那么该因子与股票未来收益之间的正相关性则表明，投资者对于信息的集中反馈越正面，体现出的买入意愿越强，股票未来的超额收益表现越好。

净委买变化率波动率因子具有较强的

摘要

本研究由浅入深实证了估值因子在行业配置中的应用：

1. 传统估值指标适用场景各异，直接用于截面比较存在口径不一致的问题，从回测结果来看也都跑输等权基准，难以直接应用。
2. 从业绩指标的稳定性，行业指数的择时收益以及行业成分股内的选股收益三个维度出发，分别筛选每个行业上最适用的估值指标，然后进行时序标准化和截面比较，结果显示策略的表现有所提升，但超额收益仍然较低。
3. 将估值因子与动量因子、财务质量因子复合，显著提升了单因子的表现，其中，基于行业指数择时收益构建的估值因子，与营收增速因子复合后年化超额收益率达到7.35%。 传统估值因子在行业配置中表现较差，难以超越等权基准经

摘要

本研究由浅入深实证了估值因子在行业配置中的应用本研究由浅入深实证了估值因子在行业配置中的应用：

1. 传统估值指标适用场景各异，直接用于截面比较存在口径不一致的问题，从回测结果来看也都跑输等权基准，难以直接应用。
2. 从业绩指标的稳定性，行业指数的择时收益以及行业成分股内的选股收益三个维度出发，分别筛选每个行业上最适用的估值指标，然后进行时序标准化和截面比较，结果显示策略的表现有所提升，但超额收益仍然较低。
3. 将估值因子与动量因子、财务质量因子复合，显著提升了单因子的表现，其中，基于行业指数择时收益构建的估值因子，与营收增速因子复合后年化超额收益率达到7.35%。

传统