股票策略

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：股票提取：最近15天内，连续涨停数大于7，且已经断板，断板后3天内平均涨跌幅大于1%

股票过滤：过滤北交所，过滤科创版，过滤创业板、上市天数大于270天

股票排序：按照成交量从大到小排序

买卖时间：开盘买入，收盘卖出

初始资金：100万

持仓票数：5

持仓周期：30天

该策略在2021年后失效比较明显

{{membership}}

[https://bigquant.com/codeshare/dc856a84-f4d6-409a-8aa6-f7c

• 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：筛选出全市场股息率最高的前 25%的股票，并且只选择股价低于 10 元的票
• 股票过滤：过滤科创板、过滤北交所、过滤 ST、过滤停牌、过滤涨停、过滤跌停，上市天数大于270天
• 股票排序：按照流通市值，从小到大排序，选择流通市值最小的前 10 只票
• 买卖时间：开盘买入，收盘卖出
• 初始资金：100万
• 持仓票数：10
• 持仓周期：15天轮动调仓一次，依然排名前 10 的继续持有，掉出前 10 的卖出

回测图：

![](/wiki/

• 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
• 股票提取：昨日涨跌幅在2%~8%，换手率在3%~8%
• 股票过滤：过滤ST，主要主板，上市天数大于270天，过滤停牌
• 股票排序：按照主力流入金额从大到小排序
• 买卖时间：开盘买入，收盘卖出，
• 初始资金：100万
• 持仓票数：5
• 持仓周期：1天

回测图：

\

策略源码：

{{membership}}

[ht

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：提取昨天和前天均涨停（2连扳），股价在五天均线上方运行，市盈率5-30倍左右，近一个季度利润增速超10%

股票过滤：过滤ST，过滤北交所，过滤科创版，上市天数大于270天，股价小于30元

股票排序：按照成交量从大到小排序

买卖时间：开盘买入，收盘卖出，涨停不买卖

初始资金：100万

持仓票数：5

持仓周期：3天

[/wiki/static/upload/0e/0ee6f20b-a86f-4cbc-8fbb-7e45809d9ccc.mp4](/wiki/s

小白学习

小白如何学习？出现错误提示后，有没有好的解决方案，有没有专门对接的群？

机器学习/深度学习

1. 机器学习在量化中，怎样在过程中查看策略、理解机器学习的逻辑和修正？
2. 目前股票策略中使用最广泛的机器学习和深度学习的模型有哪些？
3. 机器学习或深度学习策略回撤过高，该结合什么风险控制或择时策略比较好？
4. 如果使用深度学习或机器学习自动挖掘因子？
5. 使用深度学习模型时，总觉得泛化性能很差。加上一些提升泛化能力的手段， 比如正则、dropout等，好像没什么用。请问有没有什么较好的方法？

\

策略调优

1. 如何判断策略失效以及失效后的处理

视频讲解

可看视频听老师的详细讲解

机器学习逻辑理解

问：机器学习在量化中，怎样在过程中查看策略、理解机器学习的逻辑和修正？

答：

1）可解释性

2）如何减少过拟合

3）机器学习/深度学习课程

常见的机器学习/深度学习模型

目前

问题

lstm股票策略模板出现‘np_epoch'错误

问题截图

在BigQuant平台上可以快速开发股票传统策略和股票AI策略，今天我们就拿市值因子来练手，看看两个策略在2015-01-01到2016-12-31这两年时间各自的收益风险情形。

市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传统的选股策略的股票组合大多在市值因子上有很大的风险暴露。希望了解多因子选股策略的小伙伴可以参考这篇报告：东方证券《因子选股系列研究之十》：Alpha因子库精简与优化-160812

本文所介绍的传统小市值策略思想和操

主要11月，高盛发布研究报告《2022市场展望：“不适”的上行空间；离岸市场重回超配-高盛中国市场策略》，并对中国做了主要数据预测，对宏观、盈利、价格、政策、政治、监管、估值7大周期进行论述，并对股票策略、投资标的和风险因素进行讨论。

主要内容

宏观周期

我们的经济研究团队预计2022年中国GDP增长4.8%,这是危机年份之外的历史最低增速，房地产市场构成显著阻力，但是增长动能将于2021年四季度开始改善。

盈利周期

由于利润率假设较为保守，我们的2022年盈利增长预期低于市场一致预期；房地产市场放缓的程度是我们盈利预测面临的主要风险因素；我们看好半导体

问题

如何构建高频的订单流与成交量分布因子，如何分析和使用这些因子，如何与机器学习或深度学习进行融合，在股票或期货策略中获得更好的收益?

视频

https://www.bilibili.com/video/BV1E34y1W7NB?share_source=copy_web

策略源码

[https://bigquant.com/experimentshare/3a7358c79b2f424a9b73763fdd8525bc](ht

50强私募中，0~5亿规模私募共计40家，占比达到80%。其次是10~20亿规模私募，共计4家上榜，分别是日斗投资、梅山保税港区盛麒资产、信璞私募基金、前海泽源私募证券基金。

5~10亿、20~50亿各有3家和2家私募入围，分别是前海钰锦投资、祎童源资产、在赢资产，和量利投资、君之健投资。国内首家百亿外资私募——桥水(中国)投资，是本期唯一上榜的百亿级私募。

据统计，50强私募一季度的平均收益率为13.26%，大幅跑赢MSCI中国A股指数等市场指数的同期涨跌幅。

地区分布方面，深圳超越上海，成为上榜数量最多的城市，上榜数量多达18家，上海地区16家私募上榜，北京地区上榜6家。

之前做衍生品定价有很详细的书单，偏向于随机分析、数值计算、C++等，现在机器学习、统计、量化交易更为流行，下面推荐几本这方面的书籍吧。

首先说说量化股票。

《Active Equity Management》, July 18, 2014, by Xinfeng Zhou, Sameer Jain

这本书的作者Xinfeng Zhou毕业于麻省理工，之前在SAC、高盛等公司都工作过，目前是股票多空组合的投资经理。这本书详细介绍了实务中量化股票的选股信号、投资组合优化、风险管理、算法交易等内容，与很多偏向理论和模型的书不同，这本书从实践角度出发，通俗易懂。另外也给出了很多参考文献，

导语：本周选择J.P. Morgan关于使用机器学习进行股票策略开发的最新文章进行深入分析。文章概要描述如何使用机器学习算法，结合盈利能力分析和新闻情绪分析评估出股票的“公允价值”，然后买入（卖出）被低估（高估）价值的股票。这是J.P. Morgan继推出研究报告"Big Data and AI Strategies"后，推出的一篇有关机器学习进行价值投资的深度研究报告，非常值得一读。BigQuant拥有海量的数据和主流开源AI框架，赋能每一位爱好机器学习/深度学习和量化交易的人。

导语

在BigQuant平台上可以快速开发股票传统策略和股票AI策略，今天我们就拿市值因子来练手，看看两个策略在2015-01-01到2016-12-31这两年时间各自的收益风险情形。

市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传统的选股策略的股票组合大多在市值因子上有很大的风险暴露。希望了解多因子选股策略的小伙伴可以参考这篇报告：东方证券《因子选股系列研究之十》：Alpha因子库精简与优化-160812。

本文所介绍的传统小

提到alpha与beta，大家第一反应是想到股票策略，因为股票策略的比较基准是具有公认范式的相关指数。

由于期货策略的模型框架和所运用到的策略逻辑具有较大差异，即赚钱逻辑不尽相同，大家很难形成统一的比较基准。比较流行的方式是选择三方财富网站统计的5亿CTA指数和融智CTA指数。也有一些机构在路演的时候会举例一些市场比较知名的管理人业绩作为比较基准，如：YS、HY、QX、JK等等。本质上都是想表达自己的产品要比这些所谓的基准产品表现要好，具有“超额收益”即“alpha”收益。在我看来，这些方式的比较是粗浅的，因为样本量的特殊性或者策略逻辑的差异性，这样比较未免有失偏颇。

在探讨CTA策略al