投资策略

\

导语

本文介绍如何对一个回测结果进行深入分析。

新建一个可视化AI策略

我们先构建一个可视化AI策略，如下所示。

回测结果

回测结果一般指策略运行完毕之后输出的能够综合反映策略效果的综合图表，如下所示：

可以看出，回测结果包括收益概括、交易详情、每日持仓、

20230529-招商证券-量化研究2023年中期投资策略：“持续异常交易量”选股因子PATV\n该篇研报将5分钟平均交易量与30分钟平均交易量的比值作为因子，并求出该因子的截面排名，之后将截面排名的平均、标准差、峰度，三个指标组合为非正常交易量因子

研报地址：https://www.doc88.com/p-51473299993125.html

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/e0898830-1298-4429-b222-1fee3d3884af](https://b

https://bigquant.com/codeshare/5cc967b1-9dd1-45ef-a021-3194dd0c1e4f

\

接口

• bigchart.Chart 定义建议 Chart文档

对于HeatMap（热力图）的 _type=”heatmap” 和 series_options：

bigcharts.Chart(
    ... 其他参数
    # 【设置图表类型】图表类型，具体参考各类型图表
    type_ = "heatmap",
    
    # 热力图中y传入的数据轴必须是两项，第一项表示的是y轴坐标轴的刻度数据第二项表示的

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将总市值、流通市值、收盘价做截面排序，并乘以系数，组成因子total_score
• 股票条件：过滤ST，过滤已停牌，上市天数大于365天，只要主板（过滤科创板和北交所），市盈率大于0，流通市值<=25亿
• 排序条件：按照日期、total_score（从小到大）排序
• 数据表名：cn_stock_factors
• 回测时长：2020-1-1 至 今天
• 持仓天数：1天
• 持仓票数：10只
• 资金分配：等权分配
• 初始资金：500000
• 买卖时间：开盘买入，开盘卖出

回测图：

![](/wiki

• 运行环境：AiStudio 3.0.0
• 策略描述：我们选择一定条件下小市值的股票，来研究策略的历史表现
• 股票条件：过滤ST，过滤已停牌，上市天数大于365天，只要主板（过滤科创版和北交所）
• 排序条件：按照日期、流通市值（从小到大）排序
• 数据表名：cn_stock_factors_base
• 回测时长：2020-1-1 至 今天
• 持仓天数：1天
• 持仓票数：10只
• 资金分配：等权分配
• 初始资金：500000
• 买卖时间：开盘买入，开盘卖出

回测图：

![](/wiki/api/attachments.redirect?id=c443177a

涨停股票数量多的一定是热门的。想要获得超额收益，就要向涨停股多的地方靠近。当你也认同这个观点，就来订阅学习吧。

视频从市值，板块，行业维度介绍了统计涨停数量与使用经验，从5日行业涨停统计介绍了如何查找热门行业，还有15日平均涨停数量如何查看市场强度。

感兴趣的小伙伴现在订阅或者续费Plus会员的可以用 邀请码 有惊喜噢！

邀请码：sdw58y

我在这里将一步步教你如何从各维度查看涨停板的股票，

https://bigquant.com/college/courses/course-v1:plus+strategy19+2024_01_13/courseware/29f66bcbf5f

{{membership}}

https://bigquant.com/codeshare/075d9454-cde6-4306-a113-84fcae5b3248

\

这几年跟着别的老师学习价值投资，抱着实现自动交易的目的，误打误撞接触了量化这个领域，

发现这个领域的人的都是高人，自己按照价值投资的思路，每年能拿到百分之十左右的利润就很不错了，但量化领域里面的大神都在研究每年60-70%的收益，甚至一个月翻倍…

跟武侠小说里面的藏经阁一样，扫地僧随便丢一本秘籍给你你就能横扫江湖一大半的人了…

从别的平台看到机器学习很厉害，一直没招到入门的方法，编程也不懂，就一直找地方学习，最后来到了big quant，里面资料很多，天天拿到策略改个日期看看回测，学习效果不理想

伟人说过，实践出真知，

想在这里做个计划，一步步去实现自己的想法看看能做到什么程度，

首先解释一下标题： CNN：卷积神经网络（Convolutional Neural Network）, 在图像处理方面有出色表现，不是被川普怒怼的那个新闻网站； 股票涨跌：大家都懂的，呵呵； 股票图片：既然使用CNN，那么如果输入数据是股票某个周期的K线图片就太好了。当然，本文中使用的图片并不是在看盘软件上一张一张截下来的，而是利用OHLC数据“画”出来的； 尝试：这个词委婉一点说就是“一个很好的想法^_^"，比较直白的说法是“没啥效果T_T”。

进入正题： 首先是画出图片。本文目前是仿照柱线图画的。 ![{w:100}](/wi

https://bigquant.com/codeshare/0ffb5755-3b0a-4e5f-95d8-4d37e9d5fac0

https://bigquant.com/codeshare/77aeff8a-3028-44b5-93ec-68867a08466d

\

https://bigquant.com/codeshare/95ccec07-798d-4e66-a488-e239a0a58d79

\

https://bigquant.com/codeshare/f5671f58-aa7c-45ef-8436-83b6415fd99c

\

https://bigquant.com/codeshare/d9fc6c92-ad4a-47ea-872b-72f95c28dce4

\

https://bigquant.com/codeshare/95ccec07-798d-4e66-a488-e239a0a58d79

\

{{membership}}

SAR抛物线模型研究

https://bigquant.com/codeshare/25fee71f-dcef-4fe4-a8a1-75bf511d9466

SAR抛物线模型回测

[ https://bigquant.com/codeshare/79b84aec-5eeb-4218-8c38-67e06f477216]( https://bigquant.com/codeshare/79b84ae

这个

sss

擂台赛背景

12月7日，BigQuant发布年度重磅报告（https://bigquant.com/wiki/doc/niandu-zhongbang-bao-DeepAlphaCNN-juanji-shenjingwangluo-qXe3iEgfRI），发布了Deep Alpha-CNN模型，该模型采用7层一维卷积神经网络，并引入残差，降低模型复杂度，防止梯度爆炸/消失，达到更好收敛。

研究结论要点：

1、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、研究发现当kernel size、batch size、feature map等参数越小，模型表现

• BigQuant使用案例
• 最佳使用方式

\

{{membership}}

https://bigquant.com/codeshare/55f9bca0-7139-4c13-8e61-5277d1aa2a95

\

1. weibo.com/ttarticle/p/show?id=2309404915397563646401 weibo.com/ttarticle/p/show?id=2309404915397702058547 [weibo.com/ttarticle/p/show?id=2309404915397844664430](http

{{membership}}

https://bigquant.com/codeshare/38085c4a-2332-4ceb-ba0e-eed448c3c6e5

\