筹码集中度
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
由qxiao创建，最终由bqv93dy2更新于
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
由qxiao创建，最终由bqv93dy2更新于
本文档为2025训练营问题答疑
{{plus}}
问题1：在做万老师机器滚动训练的时候有一些确证的因子（市值、动量等近期显著表现因子）不管是在线性还是xgboost上学习都学不出结果，R方为负，拉长周期亦然，有点不知所措。
问题2：因子分析的各个参数IC,IR等关键指标的解读，
由small_q创建，最终由small_q更新于
用横截面“分位数因子”训练一个轻量 XGBoost 回归器，每 60 个交易日重训，毎 5 日调仓，按预测分数等权买入 Top10。\n同时在每次训练后记录 MSE/MAE/R²/IC 与特征重要性，回测结束把训练历史与绩效打包保存
由bqmu1wjw创建，最终由bqmu1wjw更新于
/【1】因子更重要？还是模型更重要？
答：结论是因子稍微重要一点。
可以把“因子”和“模型”想象成做菜时的“食材”和“厨艺”：
食材（因子）决定上限
厨艺（模型）决定能否发挥因子的正常性能。
二者缺一不可，但在不同阶段权重不同
• 早期探索：先找好食材（因子）> 追求高级厨艺（好的模型）
由bqtzejx8创建，最终由bqtzejx8更新于
单因子策略：尾盘前5分钟的趋势强度
\
{{membership}}
[https://bigquant.com/codeshare/e51545ca-a096-423c-a21c-6348c7911e87](https://bigquant.com/co
由small_q创建，最终由bqv93dy2更新于
由bqagh3rw创建，最终由bqagh3rw更新于
由bqagh3rw创建，最终由bqagh3rw更新于
{{plus}}
提问：怎么用gpu来加快计算？
回答：
提问：作业的时候，发现openai不能导入是什么原因？
回答：
提问：作为纯小白，能不能在这次训练营中得到一个或几个，收益稳定，回撤小，的现成策略。
回答：
**提问：希望老师
由small_q创建，最终由small_q更新于
由bqfua3ny创建，最终由bqfua3ny更新于
量化投资，简单说就是“用数学和算法代替人脑做买卖”。它把选股、择时、仓位、等所有环节都写成可计算、可回测的规则，然后让电脑按规则执行。核心要素可以拆成三块：
由bqtzejx8创建，最终由bqq1ew28更新于
{{plus}}
问题： 1-pct_rank_by(date,active_buy_volume_proportion_large) as score3,这行代码前面1-是把成交量从大到小的排序，去掉1- 就是从小到大排序对吗？【邵守田】
回答：
这是一个按日期进行横截面排序的算
由small_q创建，最终由yangduoduo05更新于
作业1：\n1）测试筛选策略不同时期的风格是否会有变化？
结论：有变化。
实验变量：策略采用一个小市值因子 c_pct_rank(total_market_cap)，对比的是市场风格-市值收益率。
结果发现：策略在2020年1月至2025年8月，整体与市值因子相关系数最大，其次是beta和流动
由bq8buwub创建，最终由bq8buwub更新于
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。
由small_q创建，最终由bqv93dy2更新于
由bq4y4j3i创建，最终由bq4y4j3i更新于
由bq4jnrx6创建，最终由bq4jnrx6更新于
按照模板写实在写不出来，改了一下模板，写了4个表来做计算
市场风格在一定时间范围之内确实还是有延续性的，如果风格相对明显的策略，是比较好适应这个市场的。我只加入了榜单上的2个小策略，对风格的涵盖不广，也比较难跑出来
问题：看日志发现用市场的最大风格逻辑还是有点问题的，风格比较容易变化，别的风
由yzc18811006016创建，最终由yzc18811006016更新于
由bqrlttmv创建，最终由bqrlttmv更新于
由bq9w5oqo创建，最终由bq9w5oqo更新于
由bq9w5oqo创建，最终由bq9w5oqo更新于
由jk8023599创建，最终由jk8023599更新于
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# 根据项目规范，定义策略参数
class PortfolioAnalysisCon由bqtzejx8创建，最终由bqtzejx8更新于
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# 根据项目规范，定义策略参数
class PortfolioAnalysisC由bqtzejx8创建，最终由bqtzejx8更新于
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# 根据项目规范，定义策略参数
class PortfolioAnalysisC由bqtzejx8创建，最终由bqtzejx8更新于
先感谢老韵同学，下面抄老韵同学的作业，改了3个模型进行训练，不知道为啥我这里xgboots的效果那么差，搞不清原因。感觉机器学习最重要的就是设置好因子和lable，目前没有头绪，没有对因子挖掘系统性的认知，现在就是瞎试。 之前lable没有用pct_rank_by，结果就很差，不知道如何运用pct_
由bq9dhg5r创建，最终由bq9dhg5r更新于
由bqz709ry创建，最终由bqz709ry更新于