https://bigquant.com/experimentshare/efea341cf2544a21b40611d1e7144bfb

\

{{use_style}}

导语

基于基础数据和因子库，bigexpr让我们可以无需代码，快速构建新的因子。

因子表达式引擎

bigexpr是我们开发的表达式计算引擎，通过编写简单的表达式，就可以对数据做任何运算，而无需编写代码。

bigexpr在平台上被广泛使用，[自动

{{use_style}}

Python库

https://bigquant.com/experimentshare/665da325d93a48c397f0fe70abdca825

\

使用场景

输入模型结果，输出对于回归的评估结果。具体评估标准包括R2，MSE，MAE等。

输入端

• 预测结果：包含预测结果和实际的y值。

  \

输入参数

• 可解释方差权重：是否输出可解释方差。
• 平均绝对误差：是否输出平均绝对误差。
• 均方误差权重：是否输出均

一般的大盘风控和个股风控在回测模块的主函数里面处理就可以了。因为回测的主函数可以理解是每日收盘后运行，所以可以获取到当天大盘信息和个股价格信息进行风控，再综合策略的逻辑进行下单。

下面介绍另外一种风控的方法，在盘前函数进行处理，此方法处理可以取消前一日的下单，并新增当日的下单。此方法处理稍微复杂，

本文简单介绍如何在策略研究平台自定义library，提升策略开发效果！

一共分为四步，欢迎大家使用该功能！

1.找到策略研究平台左侧界面的文件夹 userlib，并进入

（说明：userlib文件夹为系统文件夹，每个账户下都有，必须在该目录下自定义library）

![{w:

导语

本文从模型训练和模型预测两部分对StockRanker的结果做了详细介绍，希望大家可以对StockRanker有更深入的了解。

通过BigQuant AI策略详解，我们已经对StockRanker有了一个基本介绍。接下来我们在 模型训练和 模型预测 这两步详细介绍St

导语

在第一步中我们通过证券代码列表模块确定好训练集和预测集的股票范围以及数据起止时间，本文介绍如何获取和计算因子数据。

如下图所示，找因子的步骤大致需要两个小步骤：一是先确定符合自己需求的特征组合列表，二是进行特征的抽取计算。

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

准备数据函数

定义

prepare(context)

[回调函数] 准备数据函数，运行过程中只调用一次，在 initialize 前调用，准备回测中需要用到数据。

参数:

• context – 交易context

• .start_date (字符串): 开始时

导语

StockRanker算法是基于梯度树模型的排序算法,原理可以参考《 list wise learning to rank》，本文详细讲解StockRank

导语

期权作为一种非线性的金融衍生产品，在风险管理、投资组合构建方面有着重要作用，善用期权可以带来更好的风险收益情况。BigQuant平台上提供期权策略回测功能，本篇会通过两个常见的期权交易策略对此功能进行介绍。目前只支持金融期权的回测研究，未来会支持商品期权，期权回测功能我们也会逐步升级完

导语

完成了模型训练和股票预测，生成的股票排序，应该在何时买入卖出？行情突变，怎么止盈止损？交易费、成交率等怎么设置？这些都在“回测”模块中找到答案。

如下图所示，在AI策略开发中回测通常是策略构建的最后一步，通过Trade模块实现。回测是利用测试集数据的模型预测结果编写策略，并用

https://bigquant.com/experimentshare/a3b69879c8a64567825df6d006b45da2

\

导语

不熟悉BigQuant平台的回测机制，可能使刚接触BigQuant平台的小伙伴有些困惑，不知该如何编写策略。当使用某一回测平台时，如果不能对其回测处理机制了解清楚，我们很可能出现偷价漏价、未来函数等问题，这些问题对策略的影响是致命的。即使不出现这样的问题，很多时候，用户可能写的策略并没

导语

我们除了基于经验构建因子，还可以在BigQuant上：

a、查询因子库的基础因子；

b、利用表达式引擎函数编写因子表达式；

c、通过基础特征抽取模块从数据库中获取表达式计算所需的基础因子数据；

d、通过衍生特征抽取模块计算表达式的值因子构建方法；

本部分主要介绍如何利用表达式引

AI策略简介

最近几年人工智能（AI）技术得到飞速发展，其在各个领域的运用也不断取得重大成果。机器学习是实现人工智能的一种方式，被评为人工智能领域中最能够体现智能的一个分支，机器学习与人工智能、深度学习的关系可以参考下图： ![{w:100}](/community/uploads/

导语

本文目的是介绍如何使用bigexpr表达式对WorldQuant公开的101个alpha进行因子构建，并进行因子测试。

背景介绍

根据WorldQuant发表的论文[《101 Formulaic Alphas 》](https://arxiv.org/pdf/1601.009

背景

训练好的模型并不能一直有效，因此需要更新模型，然后使用参数表现最佳的模型进行预测。滚动训练和超参搜索是平台的两个重要模块，今天结束将其组合使用。

滚动训练

我们以下面示意图介绍滚动训练的机制：

![图1 滚动训练{w:100}{w:100}{w:100}{w:100}{w

导语

策略思想丰富多样，尤其是在买入和卖出方面，一千个投资者可能有一千个交易想法。因此，本文告诉大家怎样进行灵活地买入和卖出，以便于大家能够更高效地开发量化策略。

BigQuant平台提供了很多策略生成器的模板策略，其买入和卖出的思想是确定了的。由于每个人交易的想法可能千差万别，因此如果能

导语

在做策略时，如何实现：

1、持有股票必须大于n天后才能卖出。

2、买入的股票m天内不再买入。

策略实现

1、持仓信息中的last_sale_date表示股票买入时间，可以用当前时间和买入股票时间的差值计算出持有天数，如果小于n天则不卖出。

2、保存每一只卖出股票的时间，

导语

在使用StockRanker模型训练后会看到输出的结果中有一个NDCG的输出结果，但是内容为空，本文将介绍如何来画NDCG曲线。

![{w:100}](/wiki/api/attachments.redirect?id=e0262206-07ab-42f6-8b47-c0c46ec

有时候遇到回测和模拟信号不一致，其中一个原因是使用了自定义的全局变量，导致回测和模拟行为不一致。其中有两个关键因素：

1、回测时初始化函数只执行一次，而模拟每天都要跑一次初始化函数，相当于策略在模拟中每天都要重新跑。

2、所以要在模拟中持久化全局变量，需要用平台提供context.extensi

导语

大家在做AI策略时，很纠结训练集用几年，预测集用几年？ST如何过滤？大盘风控如何加？如何只取部分数据进行训练？本文解决了AI策略研发中最常见的一些疑问，形成了一个模板策略，大家只需要把精力放到挖掘有效的因子即可。

本策略也可以作为因子挖掘的模板，通过回测的各项指标即可发现回测的这组因

以计算过去20日最高价当天的成交量为例，介绍如何计算这种场景的需求。

1、在输入特征列表中求出过去20日最高价那天的偏移max_shift_date，然后通过自定义函数cal_high_amount求出最高价当天的成交量（注意，这里需要把自定义函数使用的基础特征amount_0作为参数传给自定义函