MeetUP直播答疑 时间：8月24日（周四）19:00 回放视频请访问宽客学院-双周答疑-79thMeetup

\

问题列表

**问题1：我主要使用价格K线形态来进行买入卖出依据，但是仅使用数学公式来描述形态（三角形，W，茶杯，头肩顶等）感觉比较局限，和难抓住我用眼睛能看到的内容（同样也表示这个东西比较主观）。能否我进行人工挑选，例如将我看到的：3月10日到5月7日XX股票是一个头肩底，将不同的形态打上不同的标签，找出成百上千个这样的形态作为训练集喂给AI，然后反过来让AI识别出过去历史上所有这些形态然后进行回测，不知这种做法是否可行，以及在代码模型

/wiki/static/upload/42/4257dad3-86b1-496f-b5f9-91582397487a.pdf

\

/wiki/static/upload/8e/8edeb759-a57a-47f0-8b31-6999338afcde.pdf

\

问题

有没有深度学习排序选股的模板可供使用。

视频

https://www.bilibili.com/video/BV1hg411X71b?share_source=copy_web

策略源码

https://bigquant.com/wiki/doc/zhouqi-yinzi-xilie-AXKpErKDII#h-reference

以TabNet在量化选股中的应用为例

[https://bigquant.com/exp

问题

tabnet如何使用调参？

视频

https://www.bilibili.com/video/BV1ZQ4y1m75U?share_source=copy_web

策略源码

TabNet在量化选股中的应用

旧版声明

本文为旧版实现，仅供学习参考。

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

基于Tabnet模型的量化选股方案。抽取了98个量价因子，2010到2018年为数据训练TabNet模型，并将模型的预测结果应用在2018到2021年9月的数据上进行了回测。

TabNet核心参数：

input_dim: 输入的特征数 n_steps: 决策的步数，通常为{3 ~ 10} n_d: 预测阶段的特征数，通常

python版

{{membership}}

https://bigquant.com/codeshare/3ca8301b-8f1d-40ee-885e-3c79f50de068

DAI版

[https://bigquant.com/codeshare/7720fa73-2034-40ea-a94f-f59a56dd53a0](https://bigquant.com/codeshare/7720fa73-2034-40ea-a94

视频讲解

https://www.bilibili.com/video/BV1ZG41187mJ?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134af8dd086

知识库链接

专利因子在量化选股中的运用

策略源

MACD（Moving Average Convergence Divergence）是一种常用的技术分析工具，用于识别股票或其他资产的价格动量和趋势转变。

它由三个部分组成：MACD线、信号线（或平均线），以及柱状图。

![](/wiki/api/attachments.redirect?id=a437c1f3-8491-46f7-a4b9-3a37bd79c

阿隆指标由两条线组成：阿隆上行（Aroon Up）和阿隆下行（Aroon Down），同时还包括阿隆振荡器AROONOSC，旨在识别股票或其他资产的趋势变化以及趋势的强度。

阿隆上行（Aroon Up）测量自最近一次高点以来经过的时间百分比，阿隆下行（Aroon Down）测量自最近一次低点以来经过的时间百分比。这两条线通常在0到100之间变动。指标的关键在于这两

量化选股是一种基于数学和统计方法的股票投资策略，它使用复杂的数学模型和算法来分析和选择股票。这种方法强调数据驱动和系统化的决策过程，与传统基于主观判断和基本面分析的选股方法相对。通过BigQuant的量化策略开发中心（PC端）可以自主开发量化策略挑选个人投资偏好的策略。

概念

量化选股的核心是利用历史数据和统计分析来预测股票未来的表

基本概念

量化选股模型是在量化投资领域中广泛使用的工具，旨在系统地识别和选择具有超额收益潜力的股票。这些模型通常基于历史数据和统计分析，结合了各种财务指标、市场数据、经济指标和其他相关信息。

\

常见6大选股模型

以下是一些主要和常用的量化选股模型：

1. 基于因子的模型

   1. 多因子模型：结合多个因子（如价值、成长、动量、质量、规模等）来评估股票。

\

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

新版模版策略：

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

新

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

新版模版策略：

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

新版数据平

旧版声明

本文为旧版实现，仅供学习参考。

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

近年来，随着市场对专利的关注度逐渐上升，基于专利数据的指数与基金产品逐渐增多。使用了专利数据的相关指数包括专利领先、创业专利、深创100 、央企创新驱动指数000861等，相关基金总规模超 100 亿元。本文将基于平台的专利数据库进行深入研究。

Bigquant平台共计收录了486个专利因子。专利数据可分为发明专利、实用新型专利、外观

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

新版模版策略：

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

新版数据平

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

新版模版策略：

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

新版数据平

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

新版模版策略：

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

新版数据平

旧版声明

本文为旧版实现，仅供学习参考。

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

预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

[ht

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

新版模版策略：

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

新版数据平

量化不仅是用于选股，还有针对货币，期货，期权，基金都可以做出不同程度的量化，本文讨论其中选股注意的事项。有需要写量化代码编写的可私信或者评论区留言！

本文将继续对量化选股做一个小白的科普，介绍几种初步的量化选股模型，如有错误之处请于评论指出。

我们一般将基金的投资策略分为股票策略、宏观策略、期货策略、复合策略等，其中每个大类下又可细分为多个子策略。但是所有的大类策略基本都存在量化子策略，如果按投资的方法来分，投资策略又可以笼统地分为主观策略与量化策略。

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 个因子周频选股的表现。

其中，日内价格相关的因子是由日内收益率的高阶统计量和日内价格形态衍生的因子；日内价量相关因子包括成交量分布以及用价量关系构建的因子；盘前信息因子主要是从开盘集合竞价信息中提炼的因子；特定时段采样因子主要是指根据一定规则筛选出重要时段，在该时段采样提取的因子，主要包括尾盘数据构建

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BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过借鉴传统机器学习算法——XGBoost——对相同的量价因子进行实验，方便与深度学习模型进行对比实践。

二、算法介绍

XGBoost 是在 Gradient Boosting（梯度提升）框架

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BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过传统机器学习算法对相同的量价因子进行实验，方便与深度学习模型进行对比。

二、随机森林算法介绍

随机森林属于集成学习的一种，通过集成学习的Bagging思想将多棵树集成的一种算法：它的基本单

作者：陈奥(chenao1106)

导语

前期分享过⼀个策略可以由多个选股规则组成，如何新增优质的选股规则就成为策略的重点。本次分享从以下6个步骤完成优质选股规则从⽆到有的开发全过程讲解：

找灵感->构思逻辑->逻辑实现初次回测->调优->去拟合回测->判定是否优质，最终将优质选股规则加⼊到组合策略中。

本次分享⼀共介绍2个选股规则开发的案例：1个成功案例、1个失败案例。

选股规则

1.指数不⾼开情况下，个股股价处于低位，当天⾼开并阳线收盘，博低位开始反弹

![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}