各位同学，请问如何衡量因子表现的可信度，与其实验次数的关系。

例如我用A因子回测，交易了100次，盈亏比是2:1，在同样的股票池范围内，我用B因子回测，交易了1000次，盈亏比是1.5：1，那么应当认为A还是B因子表现更好？

从直觉上来看，肯定是实验次数越多，表现越趋近于概率，但是回测交易次数与因子表现的各个指标的关系，有没有相关统计方法，能够量化地综合性地度量。

如题，我最近跑了模拟交易，以下是一个例子，22年12月29日买入贵州百灵，买入价8.3，手续费5元，这没啥问题 然后到1月5日，程序自动卖出了，卖也有手续费的吧。。。。然后盈亏居然只是-6，这太令人匪夷所思了，那有没有可能回测的收益率都虚高啊。。。

运行了几天突然报错，日记提示

[2022-12-22 18:01:42.368814] ERROR moduleinvoker: module name: hyper_rolling_train, module version: v1, trackeback: pyarrow.lib.ArrowException: Unknown error: Unknow error in Bigma

\

输出：：：

\

而且今天不给交易信号了

类似范例策略里的

https://bigquant.com/experimentshare/caa75714113347f9a5633ad62b3f71d5

\

采用

data.current(context.symbol(‘000001.HIX’), 'price')获取沪指的实时行情。

在高频回测交易中没有问题，但是在模拟交易中获取到的值是None.

请问在模拟交易中怎样获取指数的实时行情。

回测一切正常，但是在模拟交易时一直提示下面的错误。请高人指点原因。不胜感激！

错误内容如下：

RpcTimeout Traceback (most recent call last) <ipython-input-1-f009ebd387c9> in <module> 506 ) 507 --> 508 m9 = M.hftrade.v2( 509 instruments=m1.data, 510 options_data=m5.data,

/var/app/enabled/biglearning/modul

而且给出的收益曲线也和以前完全不一样，这是怎么回事

概览

• 时间序列和平稳性研究
• 配对交易研究
• 数据货币期货配对交易研究

(持续更新中)

时间序列数据

时间序列数据是单一变量按时间的先后次序产生的数据，是投资研究中最常见的一类数据。

如下为数字货币合约ETHUSDT的分钟行情数据，这是一个典型的时间序列数据

import dai

df = dai.query("""
SELECT close FROM cc_binance_future_um_bar1m
WHERE date BETWEEN '2023-01-01' AND '2023-01-31' AND instrument = 'E

AIStudio是BigQuant平台以AI为核心的Cloud IDE，可以用于量化投资数据分析、因子挖掘、模型训练、回测和交易，以及更广泛的程序开发和AI模型开发训练等。

/wiki/static/upload/31/315c1087-6d07-491a-90ef-43e717997077.mp4

从这里开始

• 点击进入 AIStudio

关键概念

\

{{membership}}

https://bigquant.com/codeshare/4b05b2aa-5dbd-49b2-b88d-331a625ccc07

\

{{membership}}

https://bigquant.com/codeshare/1ed3fa07-c733-47fd-8fbc-4e441ed37672

\

1.引言

在学术研究中，Alpha是数学表达式、计算机源代码和配置参数的组合，可以与历史数据一起用于预测各种金融工具的未来走势。而在实践中，Alpha通常意味着进行交易的合理“预期回报”。两者并不一定相同。许多情况下，能够带来合理“预期回报”的Alpha并不容易构建，因此，对于Alpha的挖掘和公式化的研究始终是业界的一个重要课题。在这样的背景下，世坤（WorldQuant）于2015年发布了报告101 Formulaic Alphas。在这篇报告中，世坤提供了101个真实生活中的量化交易Alpha的明确公式（这些也可以看作是计算机代码）。虽然其中的一些模型较为复杂，但世坤设

研报：

{{membership}}

LLT低延迟趋势线择时交易模型研究

https://bigquant.com/codeshare/38ef8568-518b-4756-98f0-8dd8722d01e5

LLT低延迟趋势线择时交易

[https://bigquant.com/codeshare/942d320a-c17f-4061-9e56-d24e3a0ac472](https://bigquant.com/

摘要

传统移动平均线(MA)的缺点

移动平均线(MA)是技术分析中常用的一类趋势跟踪指标，其可以在 一定程度上刻画股票价格或指数的变动方向。MA 的计算天数越多，平滑 性越好，但时滞带来的延迟影响也越严重。因此，在使用 MA 指标进行趋 势跟踪时，容易出现“跟不紧”甚至“跟不上”的情况。平滑性和延迟性 在 MA 指标中成为了不可避免的矛盾，这就促使我们去寻找化解这一矛盾 的工具和方法。

低延迟趋势线(LLT)的构造

与 MA 类似的均线指标还有 EMA，其本质是在计算中对靠近计算日的 价格赋予更大的权重。EMA 指标的计算方式在信号处理理论中恰好对应着 一类一阶低

摘要

不论是在国内还是在海外，对于知情交易者的追踪向来是投资者关心的话题。在“琢璞”系列的第二篇中，我们详细介绍了用PIN方法来衡量市场中知情交易者存在的可能性（或者“指令流毒性”）。但是PIN方法存在的缺点也很明显，模型复杂，对算力和数据的要求高。2012年，原作者改进了对于知情交易者衡量的方式，提出了VPIN的衡量方法，该方法牺牲了一些准确性，但是却极大地提升了模型在实际应用中的可操作性。本期琢璞我们推荐David, E. , López de Prado Marcos M, & Maureen, O. 的《Flow toxicity and liquid

问题

模拟交易如何加载上传的数据

运行的代码：

code_hot_rank2 = pd.read_csv('code_hot_rank2.csv')

<FileNotFoundError: [Errno 2] No such file or directory: 'code_hot_rank2.csv'>

\

解答

https://bigquant.com/wiki/doc/shuju-KcZmfZ1ZVg

你好，需要把策略用到的数据放到userlib文件夹下面，然后再提交到模拟交易。看一下模型固化的例子，模型文件需要绝对路径，data = pd.read

回顾

交易性择时系列报告

系列之十三《基于条件随机场的周频择时策略》 2018-04-03 系列之十二《虚拟遗憾最小化应用于量化择时与交易》 2017-07-06 系列之十一《广发TD线：在趋势中把握波段》 2017-07-03 系列之十《广发TD幅度膨胀指标：在动量中寻找突破》 2017-04-20 系列之九《利用均线间距变化提前预判趋势》 2017-03-14 系列之八《指数高阶矩择时策略》 2015-05-20 系列之七《基于加权傅里叶变换的长期趋势预测》 2014-08-28 系列之六《探寻抛物线逼近下的创业板拐点》 2014-07-11 系列之五《从希尔伯特变换到波浪理论择

STOCHRSI 指标理解

• 这几天帮一个朋友解决一个关于指标的问题，这个指标就是 STOCHRSI 。在网上查了很多资料，中文的真是甚少。而且仅有的也不是讲的很清楚。对于我这样的 交易小白，简直是天书。 不过只要研究多少会有点收获的，下面分享下经验，需要用这个的朋友可以借鉴。

在网上找到了一些 关于这个指标的计算公式。

/*
LC := REF(CLOSE,1); //REF(C,1) 上一周期的收盘价
RSI:=SMA(MAX(CLOSE-LC,0),N,1)/SMA(ABS(CLOSE-LC),N,1) *100;
％K:     MA(RSI-LLV(RS

机器学习可以帮助我们进行预测和决策。可以用历史数据训练机器学习模型，来预测某个资产未来的收益率，或者是波动率（风险），然后基于模型预测来进行交易。

比如，在选股策略中，我们可以把股票的量价数据、财报数据、新闻数据等作为输入，让模型预测股票未来收益率，接下来做多预期收益率高的股票，做空预期收益率低的股票。

所以，用机器学习方法的优势，就是处理数据，从数据中获得规律的能力比传统方法要强大。

更多关于机器学习在量化投资中的应用，9月8日18:00，非凸科技的联合创始人&CTO李佐凡为同学们做深入讲解，欢迎准时参加哦@复旦

相关链接：<https://mp.weixin.qq.com/s/Ym