一个关于止损策略的疑问

以下是我的止损模块代码：
def m5_before_trading_start_bigquant_run(context, data):
    # 获取当前持有的所有股票
    holding_instruments = context.get_account_positions().keys()

    # 计算非调仓日当天是否需要卖出，记录至待卖出列表
    if not context.rebalance_period.is_signal_date(data.current_dt.date()):
        for ins

如何把次日开盘数据加入策略？比如竞价金额，竞价成交量。开盘涨幅。

新手想问一下在trade运行中，这个错误是什么意思，需要在什么地方改正

\

https://bigquant.com/wiki/doc/xinhao-fangfa-oxACTyy7MT我看到知识库里有个大神有这个再次分类提高选股策略的方法。但是，在测试集中把return_5_day=(shift(close_0, -5)-shift(open_0, -1))/shift(open_0, -1)给当作特征写进去了啊，这岂不就是用了未来函数么？还是说我理解错了

请问：

比如，我开发一个策略，回测两年时间，前一年的表现很好，后一年的表现很差，那么该如何优化让策略长期表现一致呢？

谢谢

在大宽看了不少策略，有一个关于具体使用当天还是前一天数据的问题

比如B站视频中的稳健深小策略

#==================== 数据准备

today = data.current_dt.strftime('%Y-%m-%d')

time = data.current_dt

# 根据权重计算排序得分

today_data['总市值_score'] = today_data['总市值'].rank(ascending=True)

today_data['流通市值_score'] = today_data['流通市值'].rank(ascending

如题。我的策略使用了这系列因子中若干关于订单大小的因子。

在今天因子任务运行的时间（17：37），这系列因子的值是空的

在我的前两个模拟交易运行时（18：30左右），仍然是空的

直到我的第三个模拟交易运行（18：49），才成功获取到了这一系列因子的值

（我的三个模拟交易任务每一个都依赖前一个，为了让运行时间错开）

我的模拟交易任务甚至勾上了全部标签。按理来说，应该在运行任务时，平台的因子已经全计算完了。

实际上这一现象我已经观察到很多次了，不过平常在因子任务的时候获取不到，在模拟交易运行的时候就获取到了，我感觉问题不大就没有反馈。今天格外的严重。这应该是个b

没有数据不能买入，为什么没有卖出

老版本的trade复制到big trade里 这句话一直报错，请问要怎么修改

ranker_prediction = context.ranker_prediction[(

    context.ranker_prediction.date == data.current_dt.strftime('%Y-%m-%d'))&(context.ranker_prediction.score>=0.4)\]

\

• \

  AttributeError: 'StrategyContext' object has no attribute 'ranke

我看了最近的交易记录，也没啥变化。

https://bigquant.com/codeshare/7d61d0a4-468a-4472-b189-c4cc73c80b28

能不能在它有效的时候用它，无效的时候不用，或者在它无效的时候倒过来，或者滚动训练

https://bigquant.com/codesharev2/8a7c55c5-b437-4d23-9f53-47d0f41fbd98

\

https://bigquant.com/codeshare/faa3653b-25fa-466e-97d5-acf59707a9ef

过滤条件太严格了 请问大佬们如何改进

假设有两个策略，分别为策略1和策略2，现需要将两个策略组合在一起

交易模型问题1：策略1和策略2均各持有10只股票，策略1模型下单金额占总金额的0.6，策略2模型下单金额占总金额的0.4，共20只票，请问怎么写？

交易模型问题2：策略1持有20支，模型2持有10支，共30只，策略1模型下单金额占总金额的0.6，策略2模型下单金额占总金额的0.4，请问怎么写？

请问如何让策略在固定月份（比如一月）空仓？

是在回测模块的初始化函数里加代码吗， 还是在仓位分配模块里加代码，应该怎么加呢？谢谢

https://bigquant.com/codesharev3/fd66537f-dd22-4b89-b0b2-b1a89f1ea800

\

强化学习（RL）是机器学习中最令人兴奋的领域之一，尤其是在交易领域应用时。RL之所以如此吸引人，是因为它允许你优化策略并增强决策方式，这是传统方法无法做到的。

它最大的优势之一是什么？

你不需要花费大量时间手动训练模型。相反，RL可以自行学习和做出交易决策（取决于收到的反馈），并根据市场的动态不断调整。这种效率和自主性是RL在金融领域越来越受欢迎的原因。

根据新闻，“全球强化学习市场在2022年的估值为28亿美元，预计到2032年将达到887亿美元，从2023年到2032年的复合年增长率为41.5%。”

关键的研究报告

以下是Paul推荐的关于金融领域强化学习的关键研究

原文标题：The Journal of Portfolio Management Multi-Asset Special Issue

2021 3.29

作者：Olivier Schmid 、Patrick Wirth

标题：Optimal Allocation to Time-Series and Cross-Sectional Momentum

中文编辑：量化投资与机器学公众号 QIML Insight 系列

\

核心观点

趋势（或动量）策略应该根据市场的状态，动态分配策略在时序动量与截面动量的权重。

基于时序动量与截面动量的组合策略主要依赖于各品种的趋势强度及品种间的

问题请教-策略执行一直不结束，容量占用特别大

我使用了50个因子来计算，使用的是stockranker策略，策略执行了一个小时，都不结束，容量占用了1024G，这个怎样解决下，下面有代码和照片。

https://bigquant.com/codesharev3/54e4d4c8-7e89-4985-b20b-84fca9ee12f3

![](/wiki/api/attachments.redirect?id=cbec6413-a08e

因子组合

• 为什么因子IC、IR好，SR表现变差？
• 为什么SR好的因子组合后SR变差？如何提升因子组合表现？

SMA计算

• 如何以同花顺、通达信的计算方式在bigquant计算SMA指标？

文寅斐老师专属邀请码：o9ipry

使用此邀请码开通plus会员立减100元，赠送10000宽币

添加小Q再领取300元优惠券，二者可叠加使用哦～

打开微信扫描下方二维码添加小Q👇👇

![](/wiki/api/attachments.redirect?id=151a5956-b72c-4b0b-ba0c-9a0d9ea9f8b4

https://bigquant.com/codesharev2/0b4b68b6-b64d-4fdd-ae59-949bd87d3803

\

问题

假设同样的label下，IC从0.04提高到0.06但是策略收益却没有明显提升，怎么看待这个现象，怎么处理能让Ic与收益强相关呢？

视频

[https://www.bilibili.com/video/BV1JV4y1J7cU?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134af8dd086](https://www.bilibili.com/video/BV1JV4y1J7cU?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134af8dd086

量化模型：

• 如何通过python做出量化估值模型？
• 学习线性代数和解析几何对建立模型的优势是什么？
• 如何在XGboost中实现华泰研报关于有序回归作为损失函数和评价函数？

策略优化：

• 为什么策略的预测结果通常不是第一只收益最高？
• 为什么StockRanker的训练次数不是越大越好？
• 概率在量化策略中的应用如何合理化实施？

策略实盘：

• 如何快速判断策略是否能用于实盘？即未来也能带来收益

量化学习：

• 如何入门量化交易？
• 量化交易难度怎么样？

\

双十一活动预热：

**徐啸寅

策略案例

https://bigquant.com/experimentshare/44df09d365584c4b9874df99f5f69c4f

\

问题

深度学习在期货高频上的应用

策略源码

8月19日Meetup问题模板：

https://bigquant.com/experimentshare/f58dbfb388454407b8a2b99eb14cf1ea

\

策略源码

{{membership}}

https://bigquant.com/codeshare/41bf4005-7f89-45a6-921e-51b1dcc771d9

\