特征工程

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

如何把我的因子中创建的因子，引入输入特征列表模块中

假设我们采用新的模版代替原来输入特征列表的部分？直接用“输入特征（DAI SQL）”代替，貌似报错了。或者有相关用新模版建立线性-回归算法策略的文档吗，这样就可以用自己的数据进行策略分析了。

![](/wiki/api/attac

问题

逻辑上，以每一天回顾历史，比较是否是新低日，然后return一个bool变量。以这样的变量得到新的特征列，然后用自定义模块输入到模型中

\

\

https://bigquant.com/experimentshare/75aff243f241447da1d1994ed9d29c44

如何实现分类任务啊，怎么在原有策略上修改

缺少pred_lable，怎么样能把这个加上？？

https://bigquant.com/experimentshare/33b77199cc314cdba3fde44c917e60b3

\

三种构建大盘风控指标的方法关于LSTM+CNN的模型进行大盘风控的策略代码未找到，能否提供一下，谢谢。

https://bigquant.com/wiki/doc/dapan-zhibiao-fangfa-MoB3kNcAMG

比如 PE>0这种变量

消息在股票交易中有很大的影响力，如果没有对消息的处理会导致策略经常中雷，怎么办呢？

需要在特征里表述，之前5日涨停次数我是这么写的：

ztnum=where(price_limit_status_0==3,1,0)+where(price_limit_status_1==3,1,0)+where(price_limit_status_2==3,1,0)+where(price_limit_status_3==3,1,0)+where(price_limit_status_4==3,1,0)

对于周期较长的，这种写法就不太合适了。

\

\

问题

问题描述

ZScoreNorm标准化后输出全为空值？

问题策略

https://bigquant.com/experimentshare/e91b4eed4f534753a3692800f33a4737

\

问题

回归问题的标签设置

\

问题

例如我要在特征中加入一个因子：统计30日内收益小于5%的天数，该怎么写

解答

问题

请问这个错误是什么原因

解答

筛选过后的classes_prob_0没有数据，则索引[0]找不到相关的数据

模型板块包含了AI算法模型，多因子模型等一些研究内容。

策略案例

https://bigquant.com/experimentshare/44cc116a1dad4c37983b9be35da208ee

\

问题

想实现如下功能： 特征A：判断5日均线>10日均线，记1，否则计-1 特征B：sum(‘A’,10) 记录10天内5日大于10日的天数

如果a用where(ta_sma_5_0>=ta_sma_10_0,1,-1) ,则B无法sum; sum(int(‘A’),10), invalid function: int 转换也不让用

请问该如何实现这个特征呢？

摘要

文献来源：Leippold, M., Wang, Q. & Zhou, W. (2021). Machine-Learning in the Chinese Stock Market. Journal of Financial Economics.

推荐原因：随着机器学习在金融和经济领域的应用迅速兴起，越来越多的学者利用机器学习工具研究股票的截面和时间序列预测。而中国股票市场历史较短，制度依然处于不断完善的阶段，有着自身的特殊性。本文根据中国市场的特征构建了一个全面的股票收益预测因子集，并利用几大流行的机器学习算法进行实证分析。经过CSPA条件预测能力检验，作者发现神经

摘要

机器学习问题和其流程

机器学习问题本质上在于找出使得经验风险泛函（样本误差）最小的建模流程，基本的流程可以分为特征工程、模型训练和模型融合。本篇就上述三个过程，给出相关算法的介绍，并补充了之前系列报告中未详细介绍的内

机器学习三大步骤

特征工程包含特征构建、特征提取和特征选择三个过程，以选择相对最优的特征空间。特征工程往往会采用无监督和有监督的机器学习算法。机器学习模型可以分为线性模型、树模型和深度学习模型。线性模型主要体现了数据中的线性关系，如输入与输出的线性关系，点集的线性可分；树模型可以很好的捕捉输入与输出的非线性关系，和线性模型相辅相成。一些改进的随

摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

https://bigquant.com/experimentshare/648ff204e53d44059c2d726e9219cfa3

\