1.引言

在学术研究中，Alpha是数学表达式、计算机源代码和配置参数的组合，可以与历史数据一起用于预测各种金融工具的未来走势。而在实践中，Alpha通常意味着进行交易的合理“预期回报”。两者并不一定相同。许多情况下，能够带来合理“预期回报”的Alpha并不容易构建，因此，对于Alpha的挖

在股市的波澜壮阔中，筹码集中度宛如一座神秘的灯塔，照亮着投资者前行的道路。它不仅是一个冰冷的数据指标，更是市场情绪与资金流向的细腻诠释者。当我们深入探索筹码集中度时，仿佛是在解读一本关于市场智慧与人性博弈的厚重书籍。每一个百分点的变化，都承载着无数投资者的希望与梦想，每一次波动的背后，都隐藏着市场脉

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

目的

BigQuant策略开发兴趣小组，第一期 （2024-05 ～ 2024-07）

• 为BigQuant量化学习者编写策略模版、Demo和复现常见策略
• 通过共同学习，提高兴趣小组成员策略编写能力

如何参与

• 对于策略开发者，扫描如下二维码，添加小Q微信，报名策略开发兴

Alpha191因子是国泰君安证券研究者，于2017年6月，在《数量化专题: 基于短周期价量特征的多因子选股体系》研报中提出的191个因子，具体的因子表达式如下

\

Alpha1:   (-1 * CORR(RANK(DELTA(LOG(VOLUME), 1)), RANK((

本文目的在于给出自定义损失函数示例代码, 便于读者魔改. 基于BigQuant平台, 探索了使用不同损失函数对DeepAlpha-DNN模型优化的效果. 本文的基准模型为MSE优化的DeepAlpha-DNN模型, 进一步使用MAE、Pseudo-Huber以及负IC损失函数和有序回归损失函数. 最

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如B

引言

在量化交易与数据科学领域，特征工程是一个至关重要的步骤，直接影响到模型的预测能力与效果。OpenFE 是一个开源的特征工程框架，旨在帮助研究人员和工程师快速生成高质量的特征。然而，原始版本的 OpenFE 算子虽然功能强大，但在某些应用场景下仍存在一定的局限性。为了更好地满足我们在量化研

策略绩效

其中，年化收益10.6%， 夏普比率0.83，最大回撤8.12% ，如果加上空仓时候的理财收益，收益率有望达到11%。

一、策略概述

1.1 背景介绍

行业轮动策略是一种量化交易策略，旨在通过在不同行业之间进行资金分配，捕捉市场趋势和行业表现的周期性变化。 从名字即可看出，经济周期导致任何市场状态下可能都会存在股市价格表现较好的行业，因此我们如果能布局这些行业并定期轮动调整，那会取得还不错的投资效果。

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU（新版开发环境下的模版目录）

\

导语

RNN、LSTM和GRU网络已在序列模型、语言模型、机器翻译等应用中取得不错的效果。循环结构

• 运行环境：AIStudio 3.0.0
• 机器学习：线性回归策略：预测收益
• 策略说明：本代码以教学目的为主，请自行调参

回测图：

![](/wiki/api/attachments.redirect?id=7d999db6-eec5-4e3a-b613-ff21ae9ce

策略逻辑：价格冲击偏差较小的股票表现较好，即前期容易下跌上涨困难的股票后期表现更佳,买入

\

策略源码：

请克隆策略，前往最新版本开发环境3.0中运行

{{membership}}

[https://bigquant.com/codeshare/38959187-211

引言

目前国内CTA策略和基金发展的如火如荼，截止2021年初，全球对冲基金行业管理的总资产为8263亿美元，其中CTA基金的总资产高达3015亿美元

截至最新数据，目前国内私募中有接近7000只产品正在使用CTA策略，其规模的扩张速度是令人震惊的。同时令人关注的即是他扩张速度的背后惊人的

https://bigquant.com/codeshare/3b5c66d6-ed5b-46a0-8dc6-3a48cc76a482

\

策略逻辑

Stockranker是专为选股量化而设计的机器学习算法，其选股思路是根据训练得到的模型，计算股票池中股票的当日评分，根据评分对股票池中的股票进行排序，排序靠前的股票就是当日选出的股票。

这种选股逻辑意味着不论股票的评分是多少，只要排序靠前就能被选中。实际上排序靠前股票的评分有不小

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/codesharev2/8af85ff4-2441-4037-ab96-b5fdb3a387c7

\

https://bigquant.com/codesharev2/116f7f1b-7574-409d-a690-9e17564f8ac5

\

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

\

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

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