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

我们为广大量化爱好者整理了120套量化策略源码，==获取全部源码方式见页尾。==

• 本合集旨在提供量化思路和常见的策略模板，从而学习和魔改，==请勿直接实盘==。

• 本合集均使用3.0开发环境，克隆策略时候==选择去AIStudio最新版运行==。

  \

一、新手学习策略

• 指数研究：指数择时策略（点击查看）
• 机器学习：[反转策略（点击查看）](https://

BigQuant 开始使用

BigQuant 导航

快速创建一个量化策略

1. 登录 BigQuant，进入 编写策略

   

   \

（包含移动平均线公式及Python代码）

移动平均线（Moving Averages）是一种分析金融时间序列数据的基本工具，用于平滑价格数据以识别趋势。移动平均线主要有两种类型：简单移动平均线（SMA）和指数移动平均线（EMA）。

BigQuant也提供全面的金融市场历史数据因子平台以及AI量化策略编写平台（PC端），帮助大家快速验证不同指标因子组成的量化策略。

![](/wiki/api/att

波动率（Volatility）是金融市场中用于衡量资产价格随时间变化的程度。波动率越高，表示资产价格的变动幅度越大，风险也越高。在股票市场中，波动率通常以历史波动率（基于过去的价格变动）或隐含波动率（基于期权定价）来衡量。

BigQuant的金融市场历史数据因子平台以及AI量化策略编写平台（PC端），可以验证波动率指标因子组成的量化策略。

![](/wiki/api/attachments.redirect

有些国外的平台、社区、博客如果连接无法打开，那说明可能需要“科学”上网

量化交易平台

国内在线量化平台：

• BigQuant - 你的人工智能量化平台 - 可以无门槛地使用机器学习、人工智能开发量化策略，基于python，提供策略自动生成器
• 果仁网 - 回测量化平台
• 聚宽 - 量化回测平台
• Ricequant - ricequant量化交易平台

本篇报告详尽地介绍了基于人工智能的阿尔法策略框架，包括基于AI技术在策略研究上的阶段性的工作和成果，并提供完整代码，读者可克隆策略，复现效果和继续改进。 希望本文能帮助读者拓展研究思路，应用AI来做更好的量化策略研发，把人工智能的能力赋予更多的投资者 (Democratize AI to empower investors)。

\

摘要

本篇报告构建了一个完整的可复用的 人工智能阿尔法策略框架。

本篇报告用AI对基本面、财务、交易型等 282个因子 做了单因子策略研究和多个维度上的绩效分析，并 **发掘了在短、中、长周期上多个夏普比率超过1.5 、年化收益超过 30

导语

机器学习已经成为量化策略设计中的一大利器，了解各种机器学习算法的原理、特点、优劣，对于量化建模有着极大的帮助。因此，本系列【专题研究】介绍几种在资本市场中非常流行的机器学习算法及其在选股方面的相应应用，希望能对大家有所帮助。

随机森林是当前使用最广泛的机器学习集成算法之一。由于其简单灵活、不容易过拟合、准确率高的特性，随机森林在很多应用中都体现了较好的效果。

本文从单棵决策树讲起，逐步解释了随机森林的工作原理，然后将随机森林预测应用于二级市场，介绍了基于随机森林模型的智能选股策略。

什么是随机森林

随机森林是一种集成算法（Ensemble

作者：woshisilvio

导语

在以往的认知中我们认为一个量化策略的选股>择时>风控，但经过多次的实盘交易发现风控处理不当会导致我们牛市赚的少、熊市亏更多。因此提出一种次优解的风控思路：风控>择时>选股。根据人工择时的经验，设计执行的固定量化风控准则（交易纪律），可以决定我们收益的下限，以及回撤的上限。

在本次分享中，将从以下四个方面展开：

1.仓位管理的策略。同时，优化上期分享的超跌反弹策略。

2.常用来做优化的工具和方法

3.对抗过拟合的方法

4.彩蛋策略：资金流大单追涨策略。预告下一期meetup

仓位管理策略

一个完整的AI-量化模型由三部

【前言】 BigQuant平台提供较多的预计算因子、提供AI能力、可视化开发，使得量化开发的门槛降到了极低，对于没有编程经验者也可上手。

最快速让新手开发出自己的量化策略，是直接使用平台新建“可视化AI策略”，开发者直接在输入特征列表，输入影响股票涨跌因素的因子， 平台自动根据历史数据进行训练，即可完成策略的开发。

【目标】 完成开发只是第一步、最终的目的还是要完成优质策略的开发，本文对下面策略的创造过程进行分享，看是否对大家能提供些许帮助。

【创造过程】 1、**思路：**每个人根据自己的经验，都会有自己对影响股票涨跌的经验，转化成量化开发的方式，就是提

什么是BigTrader

BigTrader是宽邦科技推出的致力于为用户提供便捷、功能强大的量化策略编写、回测分析、仿真模拟和实盘交易的工具。在量化研究的过程中，量化研究员（宽客）需要在历史数据里回放模拟，验证策略效果，这就是BigTrader交易引擎的应用场景。

交易引擎有哪些优势

• 回测研究贴近真实 交易，最大程度保证回测的准确性
• 回测研究、模拟交易、实盘交易为同一套代码，无需做任务修改
• 交易引擎是一个有体系、结构化的工程框架，能大幅提升策略开发的效率

支持的品种

股票、基金、期货、可转债、指数，未来会支持期权、债券、两融

交易频率

量化策略的本质是使用历史数据进行数据分析，找出某种交易逻辑，胜率、盈亏比概率更高，从而根据该策略的交易计划进行交易，实现盈利的目的。

Bigquant平台很强大，封装了很多基础数据，也提供了灵活的数据分析及策略开发的方式，比较典型的有两种：

一、AI策略

二、自定义选股逻辑策略

AI策略的特点是：

构建你认为影响股价涨跌的因子，设定训练时间，通过训练时间段内的历史数据，区分出哪些股票涨的好，哪些股票涨的差，使用AI算法能力，自动去找这些因子与股票涨跌之间的关系，用这种关系训练出预测模型，后续根据预测模型去选股。

通常只需要你构建因子、定义数据过滤条件(即你想让AI训练哪

量化交易策略中可以添加组合优化器吗，然后按照选择的资产配置方法对每个策略分配资金？

背景：量化在于总结规律，并给予这些规律去做投资，量化策略需要不断更新迭代以应对新的挑战。

量化策略研发助理

公司：Zonff Partners（专注于风险投资、量化对冲和采矿与计算投资的基金。） 地点：北京朝阳区凤凰置地广场

薪资：8k-15k 可面谈

职责描述： 1.协助处理各维度市场数据，利用量化的方法分析和预测相关品种的未来变动； 2.协助完善策略研究平台； 3.协助完成量化交易平台及维护交易系统。 4.对二级市场投资交易有浓厚兴趣，具有良好的学习能力，工作认真仔细，责任心强。

招聘要求： 1.本科、硕士或者博士，数学、物理、统计、计算机、电子或其他相关理工科专业在校生或应届生； 2.熟悉python/c++ 编程语言，熟练运用PPT、Excel、word

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

\

作者简介

梁北冥（dkl297836）,特许金融分析师（CFA）讲师，BigQuant优秀AI量化开发者。10+年A股二级市场交易经验，4+年量化策略研究及实战经验，7+年财经证书培训，擅长金融定量分析、财务报表分析、权益类产品投资等课程，曾在BigQuant为期4个月的DeepAlpha-DNN的模拟比赛中保持TOP2的排名。

视频讲解

https://www.bilibili.com/video/BV1as4y1H7hf/

PPT

{{membership}}

\

前段时间和一些自媒体的朋友合作，感觉人啊，学坏很容易的，写这种夸大性的标题也不会脸红了。这周加入了一个量化论文阅读小组，每周交一篇论文读后感，这篇文章就是小组读后感的第一篇。

AQR是美国最大的量化对冲基金之一，公司的特点是学术氛围很浓厚，员工除了工作之余，很喜欢给学术期刊投稿。另外一个很重要的就是，目前在量化领域广泛应用的一个python开源工具包pandas，就出自于AQR的前员工Wes McKinney。因为我一个同事之前在AQR工作的时候和他关系很好，了解到了很多他在AQR时开始创业时的小故事，无论是Wes McKinney还是AQR，他们无私的价值观和对业界的贡献都是非常令人敬佩的

很多人会问国内的量化跟国外的量化有什么不同？一些人经常问的问题是“文艺复兴有什么模型？DE Shaw用什么模型？Two Sigma用什么模型？Citadel用什么模型？”之类的，似乎在他们眼中模型才是最重要的。

事实上，目前市面上最常见的统计模型和机器学习模型的提出者，都不是这些基金的人，比如大家熟知的Support Vector Machine, Gradient Boosting Machine, Hidden Markove Model, Neural Network, Adaboost, Random Forest等等，都是学术界的人提出的。而这些模型很多时候大同小异。

比如参加K

交易能不能赚钱，这个话题很大，可以说是世纪争论。如果能解决好这个问题，有生之年拿一个诺贝尔经济学奖，肯定是没问题的。

夏普（对，就是量化策略常用的夏普比率的那个夏普），在1991年，提出：

![](data:image/svg+xml;utf8,<svg%20xmlns='[http://www.w3.org/2000/svg' width='929' height='206](http://ww

本文来源于清华大学量化协会金融物理学术小组成果，由清华凝聚态物理phd夏同学撰写。

目前量协已经开设了多个学术小组，涉及金融物理学、统计套利、alpha策略、期货趋势追踪，波动率预测、期权研究、舆情NLP分析、增强学习、高频机器学习等多个方向。最近协会还致力于更多的校友机构合作，学术小组的成员将有机会参与这些机构指定的的研究项目并获得一定的报酬与提高，做的好的同学还将有实盘上线的机会。

欢迎对量化交易研究感兴趣的在校硕博及优秀本科生（数学、物理、统计、计算机、金融、电子等专业优先）私信我加入小组参与研究。

本文概要

本文从LX Wang的paper出发，由模糊集(Fuzz

Introduction

增强学习（Reinforcement Learning）和通常的机器学习不一样，并不是一个pure forecasting method（纯粹预测的方法），而是可以通过action和outcome的不断反馈进行学习，最后提供训练者一个合理的决策而不仅仅是预测。这种直接提供决策的学习方法更符合量化交易的需求，因为这就意味着增强学习可以直接告诉你是该long还是short，该持有多少仓位。由于具有这样的特性，很多人都着力于研究如何用增强学习构建自动化交易系统，进行交易获利等。关于增强学习在量化交易上可行性的更多的讨论可以见Quora上的一些问题和回答：

[Can

【本文为原创文章，发表于vnpy/知乎/新生大学】

最近参加了一个知乎收费讲座，讲CTA策略的创新，尤其提到了策略开发的技术路线，包括机器学习在策略开放中使用的一些情况，收获很大，总结出来方便自己未来查阅，也为大家提供一些思路。另外，本文只是我的总结， 建议感兴趣的还是听知乎博主的课。

**备注：**CTA时量化策略的一个大类，主要是通过预测趋势来赚钱，跟其相对应的大类还有统计套利策略和高频策略

**知乎博主介绍：**博主付超，是国内一家私募公司CTA策略部门的负责人，从事CTA策略开发6年。由于策略的私密性，无法讲解细节，只能提供方向。

传统CTA的特点

\