运行不了：

https://bigquant.com/experimentshare/b70938db6a534ecfb6ade2556e401ef4

\

问题

问题描述

ZScoreNorm标准化后输出全为空值？

问题策略

https://bigquant.com/experimentshare/e91b4eed4f534753a3692800f33a4737

\

问题

https://bigquant.com/wiki/doc/biaodashi-yinqing-ri-yinzi-shili-NM5QLkwpfd

解答

目前level2的数据没有向普通用户开放

问题

如何做分钟周期的标注

解答

在Meetup10月15日有讲分钟数据标注的，你看一下：BigQuant AI量化专家Meetup（更新至12月03日） 4

https://bigquant.com/experimentshare/58f8eb3f17fe4114bcd49557ceb1902a

\

问题

当前国内量化投研与量化投资对数据的服务要求不断提高，因为越来越多量化机构正在比拼与追逐更高的pure alpha。

不同于传统投资交易，量化投资主要是将股市波动历史规律转化成数据，并依赖统计和编程完成数据分析和制定相应投资策略，且在执行前需先通过各类模拟测试验证其投资策略的有效性与业绩表现能否达到预期。因此，众多量化机构的一项重要工作，就是与各类金融数据打交道。

解答

目前数据方面有以下痛点：

1. 非结构化数据，比如文本信息、图像信息等数据的实用。
2. 提升数据质量。
3. 目前可用于投资的金融数据种类和类别越来越多，如何高效地管理相关数据。
4. 提高数据提取

{{membership}}

https://bigquant.com/experimentshare/ba243c6cd508478bacc881069da6dfea

\

{{membership}}

https://bigquant.com/experimentshare/78b2cb544e1b4f108ed767acf490c133

\

{{membership}}

https://bigquant.com/experimentshare/54316bdc161f4dd888f55dbabc0545c6

\

{{membership}}

https://bigquant.com/experimentshare/1ac7989b1e63421ba3850e5394e6c36a

\

BigQuant AI Platform deep learning models（BigQuant AI量化平台深度学习模型库）。

介绍

bigmodels是什么？

bigmodels是BigQuant AI量化平台的深度学习模型库，集成了AI量化研究过程中常用的深度学习模型。

为什么需要bigmodels？

我们用PyTorch封装了AI量化研究中常用的深度学习模型，包含DNN、1DCNN、LSTM和Transformer等，并持续更新。

平台用户可以用简单的方式调用经过大量实践检验的AI能力，赋能AI量化投资。

import toch
impo

摘要

人工智能系列之65：解析GPT对量化投资的影响，顾短也兼长。相比ChatGPT和GPT-4在全社会范围引发的热议，量化投资领域对于GPT的态度显得相对冷静。ChatGPT和GPT-4展现出的强大语言生成能力和部分推理能力不可谓不惊艳，但和量化投资主流方法论——低信噪比场景下的预测模型有鲜明区别。这种因立场不同带来的感知差异，就如股指期货松绑无法令非量化从业者感到兴奋一样。我们认为在短期现实层面，量化投资行业可能难以直接受益于GPT模型。但长期来看，如同人脑各区域分工明确但相互联系，现有量化投资预测模型可与各类大模型耦合扩展功能；算法升级和规模扩大后，量化模型可能涌现出预期外的能力

前言

我们常用量化投资的方式预测未来可以交易的个股，从而获取最大收益。但能不能反其道而行之，通过量化的形式诊断个股：判断是否可以买入？仓位如何设置最合理？

对于资深投资者来说，可以根据历史交易经验，结合该股的特性及大盘环境，判断在这类情况下股票的胜率及收益如何，以此作为买入决策。

但有个更简单、快速的方法，可以借助量化快速找出股票在大盘环境下历史的收益率和胜率情况，作为买入决策。

本次分享将介绍如何用量化的方式诊断个股，并依据量化分析结果作为买入决策和制定交易计划。

正文

[/wiki/static/upload/9d/9d17fabf-6f78-4e80-8da0-5

随着规模的飙升，行业竞争趋于激烈，甚至不断内卷。一方面，科技的进步赋予了量化投资更多的选择，不少量化私募在科技上投入重金,“卷”算力；另一方面，投研人才和策略团队是量化的核心，不少量化私募斥重金,“卷”人才，将一批海内外的顶级学霸招自麾下。

某私募表示现在市场竞争的激烈，因此对人才需求也比较大，包括与互联网相关以及市场相关的人才。还有一些是量化专有的人才，量化专有的人才我们更多是面向海外进行招聘，吸收海外顶尖对冲基金的顶级量化人才，当然这种人才的成本也是非常贵的，所以说整个量化行业现在运营成本成本很高。

量化行业是一个智力密集型的行业，所以顶尖人才能够发挥的价值明显的超过一般人才的水

随着交易数据量越来越大，金融领域的各种应用已经验证了使用人工智能可以更好地进行投资或业务决策，也越来越多人相信人工智能技术在金融领域的应用前景。人工智能提供了一种适用于从个人数据到业务流程的高效数据分析工具。 与此同时，越来越多金融机构开始使用机器学习方法，以期在市场竞争中赢得优势。量化投资机构逐渐抛弃传统的分析方法，转而使用机器学习算法预测市场走势和选择投资组合。 与传统投资方式相比，量化投资方式具有更高效率及准确性。量化投资是一种基于计算机系统而生成的投资策略选择方法，可以对数学模型进行监理，在实现交易理念活动过程中构建更为完善规范的量化投资评价体系。在对模型进行监理的基础上，再对历史数据

\

• 点击新建对话，创建一个新对话

• 点击输入框，开始与QuantChat交流

• 您可以直接输入以下对话

![{w:100}](/wiki/api/attachments.redirect?id=df515aaf-cef1-460

• • 点击新建对话，创建一个新对话

  
  
  

  
  
  • 点击输入框，开始与QuantChat交流

  
  

  
  • 您可以直接输入以下对话

  
  ![{w:100}](/wiki/api/attachments

\

%%BigQuant_ChatGPT

ChatGPT的横空出世作为对金融科技运用最广泛的量化私募，AI的爆发，对其影响就更为直接。

某量化私募表示，量化投资行业本质上仍旧是技术研发类行业，拥抱人工智能，吸收最新技术是量化投资行业生存的根本。不管是以各类Copilot为代表的辅助型生产力工具，还是使用“接近文本层面的AGI水准”的大语言模型（LLM）处理文本类型的另类数据，再到狭义上利用深度学习技术为代表的机器学习进行市场定价等等，人工智能在量化投资领域的场景化应用是全方位的。

人工智能的蓬勃发展，极大地提高了量化投资的效率，它的生产力升级对于量化投资的发展大有裨益，让研究的过程更加如鱼得水。但综合来看，量化投资是一个综合性系统

\

此为0527Meetup直播策略讲解，视频详见2021-AI量化Meetup导览

https://bigquant.com/experimentshare/533131de25e5482b8e79ff331fb891d2

\

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

我目前主要的主要成果，做了一个基于行情数据的深度学习模型--准确来说是一个打分函数，用于评估股票。 https://www.joinquant.com/view/community/detail/db6e30a324426431b7169d774c8f7dec 基于上述模型我在大宽做了一个模拟位 https://bigquant.com/live/shared/strategy?id=108035

此外我还有一个，宏观模型，用于分析利差水平 <https://www.joinquant.com/view/community/detail/7a0bcd6891a4a2dc6416914

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过传统机器学习算法对相同的量价因子进行实验，方便与深度学习模型进行对比。

二、随机森林算法介绍

随机森林属于集成学习的一种，通过集成学习的Bagging思想将多棵树集成的一种算法：它的基本单