导语

• Hilbert变换是一种有效的数据周期分析工具，将原始信号延迟90°相位，从而方便的提取出当前信号在周期变换中所处的相位，进而对趋势进行判断。
• 对于股票数据的走势有一种假设，走势可以分解为：长期趋势+中短期周期性波动+噪声数据。在去除长期趋势的情况下，可以利用Hilbert变换

https://bigquant.com/codesharev2/dc26ab83-a69b-4f4d-adad-a877e8851b28

\

https://bigquant.com/codesharev2/42c80795-96ba-461e-8a80-e7f69b749e5b

\

介绍

本策略旨在将1.0版本中训练好的StockRanker模型参数直接传入到3.0环境下进行调用。

主要包括以下步骤：

• 进入1.0环境下训练模型，将训练好的模型导出
• 进入3.0环境下读出导入数据

具体实现

导出训练数据

打开1.0环境中的“新手学习模板”，运

策略简介

A股表现整体呈现震荡趋势，熊市周期长，且经常出现虽然指数跌幅较低，但市场上的个股跌幅较大。于是提出猜想：是否能找到比较抗跌的策略，在市场表现一般的时候策略回测较小。

策略的特点：在大盘下跌时，策略相对大盘比较抗跌，策略回撤相对小。

构建步骤

确定策略目标市场

导语

本文标题为自定义标注，其实就是想告诉大家如何灵活地对数据进行标注，从而得到预测能力更强的机器学习算法。

认识分类和回归

谈标注一词之前，我们先简单了解机器学习算法中的分类和回归。

分类问题是监督学习的一个核心问题。在监督学习中，当输出变量Y取有限个离散值时，预测问题便成为分

策略介绍

A股分两种：“漂亮50”和“要命3000” http://stock.qq.com/a/20170428/006821.htm 证券时报记者以三个指标筛选出A股的“漂亮50”，这三个指标分别是净利润增长率长大于15%，连续3年净资产收益率大于15%，市盈率低于35。

这是旧版的例子, 只能在2.0.0的Aistudio中运行

策略案例

[https://bigquant.com/experimentshare/54fe864132a7447894540d70cd2e36e5](https://bigquant.com/experimentshare/

导语

公司的基本面因素一直具备滞后性，令基本面的量化出现巨大困难。而从上市公司的基本面因素来看，一般只有每个季度的公布期才会有财务指标的更新，而这种财务指标的滞后性对股票表现是否有影响呢？如何去规避基本面滞后产生的风险呢？下面我们将重点介绍量化交易在公司基本面分析上的应用，即平时常说的 **

https://bigquant.com/codesharev2/ddc8110e-c1fe-4822-a382-66e03270936a

\

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](https://bigquant.com

1. 新建策略模板
2. 查看回测/模拟模块属性栏中的“初始化函数”框体内的代码，将其中的：

每只的股票的权重，如下的权重分配会使得靠前的股票分配多一点的资金，[0.339160, 0.213986, 0.169580, ..] context.stock_weights = T.norm(

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](https://bigquant.com

价值选股策略的交易规则

每隔30个交易日，以开盘价买入当日0<PB<1.5且0<PE<15且有成交量的股票； 每隔30个交易日，将不符合上述标准的持仓股票在第二天以收盘价卖出。

策略构建步骤

1. 确定股票池和回测时间

   通过证券代码列表输入要回测的单只/多只股票，以及回测

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](https://bigquant.com

https://bigquant.com/codesharev2/49b30f30-c460-4051-8ef1-22b45cce723e

\

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](https://bigquant.com

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

\

更新

本文为旧版实现，仅供学习参考。

[https://bigquant.com/wiki/doc/demos-ecdRvuM1TU](https://bigquant.com/wiki/doc/d

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

旧版声明

本文为旧版实现，仅供学习参考。

[https://bigquant.com/wiki/doc/demos-ecdRvuM1TU](https://bigquant.com/wiki/doc/dem

1、同时期对比结果显示：7层的卷积神经网络表现好于2层，能够学习到更多的市场特征。 2、相比Deep Alpha-DNN基准模型，CNN在业绩表现上略弱于DNN，但差异极小。CNN模型稳定性表现不强，调整参数后效果差异极大，结果很难复现，这可能源于此模型设计时比DNN模型深4层。 3、本模型设置了6

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

旧版声明

本文为旧版实现，仅供学习参考。

[https://bigquant.com/wiki/doc/demos-ecdRvuM1TU](https://bigquant.com/wiki/doc/dem

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

旧版声明

本文为旧版实现，仅供学习参考。

[https://bigquant.com/wiki/doc/demos-ecdRvuM1TU](https://bigquant.com/wiki/doc/dem

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](https://bigquant.com

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

\

背景知识

真实波动幅度均值（ATR）是

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](https://bigquant.com