20200610-华安证券-高频视角下成交额蕴藏的Alpha：市场微观结构剖析之七\n该篇研报介绍了一系列的高频因子，主要思想是探寻日内特定的一些时间段的成交量，占全天总成交量的占比，之后将这些因子在时序上进行求平均、方差、偏度、峰度等操作

研报地址：

/wiki/static/upload/05/0559d196-babd-4007-a12c-be1b55adf0e6.pdf

\

策略源码：

{{members

\

分享一些量化交易相关的常识信息。

五因子模型公式及应用

五因子模型是哪五个因子

**[多因子选股模型及优缺点](https://bigquant.com/wiki/doc/5asa5zug5a2q6ycj6ikh5qih5z6l5zcn6kn6ke

核心观点

短期涨跌的预测相比长期更容易，但覆盖交易成本后再获利的难度更大。所以在高频交易场景，机器学习更适合有限状态下的订单执行。而对于长期的预测，机器学习的训练目标可以不是评估在给定状态下的每股总利润或买入行为的回报，而是监控在该状态下买入与在所有可能状态下买入的相对盈利能力。

Michael Kearns在2010年的关于讨论机器学习在高频交易应用的论文中，提出了很多机器学习应用与高频交易的限制，很多思考放到现在都值得我们去学习。机器学习在高频交易中主要有两个方向，一是订单的执行优化，二是高频涨跌方向的预测。这两者本质的区别是执行优化是在一个确定性的空间寻找最优解，即交易

{{membership}}

https://bigquant.com/codeshare/ccb0fdad-c4da-424e-ace1-dd57ace94cec

\

量化交易利用数学和统计学方法来分析市场并执行交易的过程，是现代金融的一个重要组成部分。量化模型的目的是通过算法自动识别并利用市场中的规律和机会，用以获取更多收益。

量化交易模型的一般由以下几个部分组成：

1 数据处理模型: 量化交易的基石是数据。这包括了从历史价格、成交量到公司财报、宏观经济指标等各类数据。对这些数据的收集、清洗和处理是构建有效模型的首要步骤。**[BigQuant策略编写平台](http

本文14323字，阅读约28分钟

导语：本文旨在用精炼的语言阐述实操层面的机器学习量化应用方法，包括给出实践中一些常见、实际问题的处理方案，并结合了量化应用实例。读完后大家可以在本平台进行实践检验。

文章概览：

1.人工智能量化投资概述

2.人工智能技术简介

3.机器学习在量化投资中应用的具体方法解析

AI相对于传统量化投资的优势 传统的量化投资策略是通过建立各种数学模型，在各种金融数据中试图找出市场的规律并加以利用，力所能及的模式或许可以接近某一个局部的最优，而真正的全局“最优解”或许在我们的经验认知之外。如同不需要借助人类经验的Alpha Zero，不仅

\

https://bigquant.com/experimentshare/d50ee96c36f84af6ad990409294db4cb

\

• your performance may suffer as PyTables will pickle object types that it cannot
• map directly to c-types [inferred_type->mixed,key->block3_values] [items->Index(['instrument', 'name', 'suspend_type', 'suspend_reason', 'suspended'], dtype='object')]
• pytables.to_hdf(
• [2023-11-09 19:42:22

作者：

邵守田 东北大学金融工程硕士BigQuant首席策略官

傅浩晅 伊利诺伊大学香槟分校统计与经济双学位BigQuant算法团队成员

本报告模型构建工具：https://bigquant.com/

联络咨询：bigq100【微信号】

核心观点

据中信证券推算，截至2021年2季度

如何把次日开盘数据加入策略？比如竞价金额，竞价成交量。开盘涨幅。

见 链接：

https://bigquant.com/experimentshare/e939e9c9a1ef43ec8f267205b530219b

\

输出：：：

\

求一个范例，谢谢

最好更细粒度的， 比如分钟级别。

好像没找到。 求例子。

https://bigquant.com/codeshare/108f8f5f-14e7-4a73-ba80-d9daa1f4f87d

\

本期提问者：bq22fw19、bq61ym2n、1855680***、bqhz06vb

因子挖掘

如何利用市场信息？

利用市场信息进行量化投资主要涉及以下步骤：

1. 数据收集：首先，需要收集和整理市场数据，包括股票价格、交易量、基本面数据、新闻、宏观经济数据等。这些信息可以从各种数据供应商或公开数据源获取。
2. 数据预处理：对收集到的数据进行清洗和预处理，处理缺失值、异常值、重复值等，保证数据的准确性和完整性。
3. 特征工程：根据投资策略和模型需求，进行特征工程，提取有价值的特征和信号。
4. 模型构建：选择合适的模型（如回归模型、机器学习模型、深度学习模型

https://bigquant.com/codeshare/4515d40b-c2f4-4439-a2c9-92931adb0c6d

\

视频讲解

查看视频

策略源码

https://bigquant.com/codeshare/621dce87-bd66-43b2-b08d-ad986eeb3135

\

导语

1989年发表的论文《The Fundamental Law of Active Management》及其随后的相关论文揭示了寻求主动投资的$\alpha$收益的数量化关系，这为主动组合投资管理带来一套令人信服的分析框架，这个数量化关系很好揭示了数量化技术(量化投资)可以如何或者应该如何切入投资管理领域。

和被动组合管理(passive porfolio management)相比,主动组合管理(active porfolio management)更显投资水平的能力，或者说运气。被动投资力求完全复制相应的基准成分股及其权重，所以每当某指数做成分股的调整时，新入选的

\

• BigQuant使用案例
• 最佳使用方式

\

思考了很久从哪里讲量化交易，决定还是从人生中的第一本量化书籍开始，本专栏的目的也是把记录自己的读书过程，把书越读越薄！第一次读这本书的时候，已经是5年前了，作为量化实验室的新丁，被要求阅读的就是这本书，并且实现书中的交易策略，了解到了很多很多基础的概念，书中的代码多数已经不能用，所用的语言也是matlab，这次写系列读书笔记，我将使用PYTHON语言（现在用的比较多），这里并不是说matlab过时了，我到现在依旧认为在矩阵处理及可视化上matlab仍然具有绝对优势。周围很多策略开发者仍然在使用matlab!

Quantitative Trading是E.P CHAN的第一本书，在外网有响