• 运行环境：AiStudio 3.0.0
• 策略描述：买卖信号是可以当作因子的，每天出买信号的股票因子值为1，每天出卖信号的股票因子值为0，使用处理后的因子值进行筛选排序策略
• 数据表名：cn_stock_bar1d
• 回测时长：2020-1-1 至 今天
• 初始资金：500000

• 策略描述：运行环境：AiStudio 3.0.0
• 策略描述：MACD 快线上传慢线买入，慢线上穿快线卖出
• 买入股票：'600519.SH'（贵州茅台）, '600941.SH'（中国移动）, '601398.SH'（工商银行）,  '601857.SH'（中国石油）, '000001.S

• 策略描述：运行环境：AiStudio 3.0.0
• 策略描述：MACD 快线上传慢线买入，慢线上穿快线卖出
• 买入股票：'600519.SH'（贵州茅台）
• 数据表名：cn_stock_bar1d
• 回测时长：2020-1-1 至 今天
• 初始资金：500000
• 买卖时间：开盘

• 策略描述：运行环境：AiStudio 3.0.0
• 策略描述：我们将过去20日收盘价（均值+2倍标准差）作为up_limit，（均值-2倍标准差）作为low_limit
• 买入股票：'600519.SH'（贵州茅台）, '600941.SH'（中国移动）, '601398.SH'（工商银行）

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将过去20日收盘价（均值+2倍标准差）作为up_limit，（均值-2倍标准差）作为low_limit
• 买入股票：'600519.SH'（贵州茅台）
• 买卖规则：收盘价大于up_limit买入，收盘价小于low_limit卖出

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将过去20日最高收盘价作为hist_high，过去10日最小收盘价作为hist_low
• 买入股票：'600519.SH'（贵州茅台）, '600941.SH'（中国移动）, '601398.SH'（工商银行）,  '601857.SH

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将过去20日最高收盘价作为hist_high，过去10日最小收盘价作为hist_low
• 买入股票：'600519.SH'（贵州茅台）
• 买卖规则：hist_high大于hist_low买入，hist_low大于hist_high卖出

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将5日平均开盘价作为短线，120日平均开盘价作为长线
• 买入股票：'600519.SH'（贵州茅台）, '600941.SH'（中国移动）, '601398.SH'（工商银行）,  '601857.SH'（中国石油）, '000001.

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将5日平均收盘价作为短线，40日平均收盘价作为长线
• 买入股票：600519.SH（贵州茅台）
• 买卖规则：短线上传长线买入，长线下穿短线卖出
• 数据表名：cn_stock_bar1d
• 回测时长：2020-1-1 至 今天

\

1. Pytorch介绍

1.1 Pytorch包介绍

Python中的Pytorch包，是使用最多的，用来构建神经网络模型的工具，它的特点包括：

• 可以灵活地搭建任何类型的神经网络模型
• 支持使用GPU运算
• 有一套通用的代码框架

Pytorch包在BigQuant平台是有

1. 前馈神经网络（DNN）

一般来说，深度学习和神经网络是同一个概念

1.1 感知机（Perceptron）

在之前的分享中，我们介绍过一个线性分类器，叫做感知机（Perceptron），并且介绍过它是神经网络的基本单元

感知机的运算公式是：

• 假设我们有F个特征，每个特征一

报告摘要

高频因子的优势：与低频因子相比，高频数据在量化选股中的优势主要体现在：因子拥挤度相对较低、因子多样性好、检验因子的独立样本多。

研究内容：本报告从四类不同的角度构建因子：日内价格相关因子、日内价量相关因子、盘前信息因子、特定时段采样因子。考察了 46 个因

多因子模型的理论基础

![](/wiki/api/attachments.redirect?id=5912caba-c31a-4155

因子分析简介

当前的股票、期货、债券、期权研究均以因子投资为主流趋势，且势头越发明显。本文所指因子分析是多因子策略、指数增强策略、多空中性策略的基石，其研究好坏直接关系和决定了策略的收益能力（信息比率），常被业内人士所称研究之重中之重，策略之核心所在。

![](/wiki/api/att

1. 无监督学习之聚类算法

1.1 聚类方法简介

聚类算法是一种无监督学习算法，它和监督学习任务下的分类算法是有明显对比的

• 监督学习的分类算法：数据属于哪一个类别是有标签定义的，模型有没有分类正确我们也是可以明显评判出来的
• 无监督学习的聚类算法：数据没有明确的标签表明类别，聚

1. 逻辑回归

1.1 分类问题的定义

分类问题的标签是离散型的变量，我们的目的是用特征，来预测标签归属于几个类别当中的某一种

• 如果是预测标签属于两个类别当中的哪一种，就叫二分类问题，比方说预测股票明天是涨，还是不涨，两个类别
• 如果是预测标签属于多个类别当中的哪一种，

1. 模型评估

1.1 偏差与方差

上次分享我们提到过，模型的好坏评价标准，是模型在测试集上的预测是否准确，好比一个学生在期末考试当中拿高分才是学的好

模型在测试集上的预测误差（Error），可以分为三种来源

• 偏差（Bias）：高偏差的模型表现为：

我们今天分享的四种模型，包括上次分享的逻辑回归，都是一些轻量级的分类模型，适用于数据量少，特征量少的分类任务

\

1. 支持向量机（SVM）

1.1 SVM的概念

支持向量机（Support Vector Machine）是在神经网络流行之前最强大的机器学习算法

SVM在二

nan1. 决策树模型

1.1 决策树模型的概念

决策树是机器学习中的一个典型的非参数模型，它使用规则，而不是参数，来定义模型

• 这种决策方式其实是和人类最直接的思考方式是类似的
• 例如，我们使用身高这一特征，去预测性别这一标签的时候，一个比较直觉的方式是，如果身高大于 175 就分

{{membership}}

[https://bigquant.com/codeshare/075d9454-cde6-4306-a113-84fcae5b3248](https://bigquant.com/codeshare/075d9454-cde6-4306-a113-84fcae5b3

{{membership}}

[https://bigquant.com/codeshare/013e4881-edcc-42b0-8944-60b97980eb5a](https://bigquant.com/codeshare/013e4881-edcc-42b0-8944-60b97980e