今日作业:
\
答:
量化分几步
1 数据分析与挖掘:
2 交易策略建立以及回测:
更新时间:2025-08-14 13:49
数据获取思路:
1 用with , 将sql 分成三步 data_base,data_normalized ,以及features ,label 定义
2 data_base 获取初始字段,data_normalized 标准化, 以及pck_rank_by,获取横截面因子,m_leg 避免未来函数
模型fit
1 取 50天 训练数据,10 天测试数据
2 用线性回顾计算(xgboost 计算时间太长。。)
2 打印 r2
[https://bigquant.com/codesharev3/bc775119-ade8-4d25-ad2b-78ea8beee677]
更新时间:2025-08-14 13:49
一、作业结论:
1、作业任务:通过将dai 函数喂给模型,让模型按照里面的算式构建因子,会形成越来越复杂的因子
2、作业结果:通过很普通的话术,一步步训练“模型”形成的因子,一步步走向构建复杂因子的方向,一步步从极大负收益可以调试到接近正收益。
二、作业过程:
1、先是按照老师的方法,在genimi上输入“喂养的“信息,然后开始训练,整个过程比较顺利。
2、然后计划将方法在本地的VScode中实验,用了Gemini 模型,过程和1差不多;但是有个问题是,每次输出信息的时间需要很久。
三、作业总结:
1、作业训练得出了4个因子,都是越来越复杂的,后面可以继续再尝试(开始输入的信息,
更新时间:2025-08-14 06:01
折腾了几天,终于把3个模型的训练和比较都弄完了,走了很多弯路,训练模型也耗费了大量的时间,虽然作业完成得慢一些,但是在做的过程中得到了很大的提高,主要有以下几点心得:
1、对整个AIStudio工作环境更加了解,各个功能也都再熟悉了一遍,操作更顺手了
2、在完成作业过程中遇到过很多不明白的问题,通过站内查询和询问AI,基本都得到了解决,特别是AI,帮助特别大,对于一个写了10年程序,但也有15年没碰过程序的过气程序员来说,再次写代码还是有些困难的,但有了AI,比我之前到处百度和谷歌强太多了,效率高太多了
3、对BigTrader和DAI的了解更深了,很多不知道的类、方法、函数,都通过这几
更新时间:2025-08-12 07:17
直接取了小市值作为因子,训练了因子与未来10天收益率的关系。代码水平和时间有限,仅到能运行的程度,后续还需要很多时间继续优化。
https://bigquant.com/codesharev3/dcd2ef10-85d6-46fa-ba73-1ada53f6f300
\
更新时间:2025-08-11 12:58
一、作业结论:
本次作业采用了线性回归和xgboost两种模型:
年收益分别是:线性回归30%、xgboost 52%。
二、作业过程:
1、搭建模型的框架
(1)框架的模型是按照“滚动训练策略”搭建起来的
(感受:原本自己在结合AI 搭建的,后来因为处理各种各样的错误花了很多时间,所以就直接借用了)
(2)策略搭建后直接测试线性回归,然后替换框架内的模型测试xgboost模型
(感受:搭建框架后相对简单多了,就是替换对应模型的代码,更多的是需要等待模型的训练)
2、加入因子进行训练
(1)用的都是“滚动训练策略”,有些经过微改
(
更新时间:2025-08-11 12:00
按照本次作业要求,我根据笑宇老师的讲解及给的模版,借住AI编程,分了几个步骤,完成作业如下:
1、先根据之前老师的讲解,选择小市值因子、换手率因子等有效因子,构建策略因子组合,时间关系选了4个,后续可以用老师讲解的因子分析表替换可能的有效因子\n2、基于笑宇老师给的模版,运用AI完成线性回归策略,几经周折,跑通策略;\n3、将策略打包成模块,将可用的3个模型作为参数,构建多因子多模型策略,跑通;\n4、将策略输出用图表展示出来。前后整了3天,修改了10几个版本才成型,累得够呛,但最终跑通还是欣慰的\n\n学习心得:\n1、因子重要还是模型重要?\n我的理解是二者都很重要,但因子相对更重要。从
更新时间:2025-08-11 08:58
更新时间:2025-05-08 10:27
本文为旧版实现,仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
https://bigquant.com/experimentshare/c13d6baefe5d4c75bb87eea9364b0f75
\
更新时间:2025-04-15 07:19
[https://www.bilibili.com/video/BV1p8411t7LH/?vd_source=ecd29bbd04cbefdfa426167c55241973&t=0.3](https://www.bilibili.com/video/BV1p8411t7LH/?vd_source=ecd29bbd04cbefdfa426167c55241973&
更新时间:2025-04-15 07:19
如何在全连接模块中自定义swish激活函数的代码
\
https://www.bilibili.com/video/BV1DL4y1w7sb?share_source=copy_web
[https://bigquant.com/experimentshare/9f1dae69e055429c9922b4f5d038361a](https://bigquant.com/experimentshare/9f1d
更新时间:2025-04-15 07:19
更新时间:2025-04-15 07:19
深度学习在期货高频上的应用
8月19日Meetup问题模板:
https://bigquant.com/experimentshare/f58dbfb388454407b8a2b99eb14cf1ea
\
更新时间:2025-04-15 07:19
如题,目前平台可用的模型较少,仅有随机森林一种,如果不想使用平台的机器学习模板,打算自己实现一个类似时间序列的模型,包含模型训练、模型评估等,目前有文档参考如何操作吗
更新时间:2025-02-24 08:38
\
更新时间:2025-02-16 02:18
/* 使用DAI SQL为量化模型预测生成标签数据。标签反映了未来5日的收益率,并且被离散化为20个桶,每个桶代表一个收益率范围。这样,我们就可以训练模型来预测未来的收益率范围,而不仅仅是具体的收益率值。
更新时间:2025-02-16 01:51
自己通过import xgboost可以实现自定义目标函数,但是和平台的xgboost模块相比,自己的import xgboost比平台的xgboost模块慢了很多,时间花费几乎是30倍差距。
那么,如何基于平台的xgboost,实现自定义目标函数的定义呢?
\
更新时间:2025-02-16 01:08
验证集通过这个端口传入,构造方法和训练集一样。只需要设定开始和结束的日期。
步长可以通过
![{w:100}{w:100}](/wiki/api/attachments.redirect?id=276f2f17-0d2e
更新时间:2025-02-16 01:06
三种构建大盘风控指标的方法关于LSTM+CNN的模型进行大盘风控的策略代码未找到,能否提供一下,谢谢。
https://bigquant.com/wiki/doc/dapan-zhibiao-fangfa-MoB3kNcAMG
更新时间:2025-02-15 15:09
更新时间:2025-02-15 15:04
更新时间:2025-02-15 14:24
麻烦工程师兄弟看一下
更新时间:2025-02-15 14:06
/* 使用DAI SQL为量化模型预测生成标签数据。标签反映了未来5日的收益率,并且被离散化为20个桶,每个桶代表一个收益率范围。这样,我们就可以训练模型来预测未来的收益率范围,而不仅仅是具体的收益率值。
更新时间:2025-02-15 12:01
更新时间:2025-02-15 10:58
1,训练和回测用同样的时间段,得到的结果依然很差?
2,在训练模式中,用回归选项就报错?
\
更新时间:2025-02-14 10:43