BigStudio 简介

新功能的认识是循序渐进的，该部分简单介绍BigStudio，让大家对其有初步印象。

BigQuant新上线的 BigStudio 可视化策略开发功能，能够帮助大家更快速更简单地开发机器学习、深度学习试验，快速实现试验迭代。

BigStudio 提供了所见即所得的策略开发环境，集合了众多模块，包括数据输入、输出、数据变换、模型训练、预测和量化交易等。你只需要拖动数据和模块，连连线，配置参数，就可以开发AI策略，从而将更多的创造力放在自己擅长的地方。因为提供的是可视化研究界面，因此通过BigStudio开发的AI策略被称为可视化AI策略。

![{w:1

BigQuant策略模板库旨在帮助用户快速开始并优化他们的量化投资策略。无论您是初学者还是经验丰富的投资者，我们的策略模板都能提供从简单到复杂的多种投资策略选择。这些模板涵盖了基础策略、中级策略和高级策略。

• 基础策略模板：适用于刚开始接触量化投资的用户，例如简单的移动平均线交易策略。
• 中级策略模板：适用于具有一定经验的用户，包括多因子模型和基于事件的交易策略。
• 高级策略模板：针对高级用户设计，使用复杂的机器学习算法和高频交易技术。

模版使用

• 克隆模版策略
• 进入 [AIStudio 3.0](https://bigquant.com/aistud

• 运行环境：AIStudio 3.0
• 策略说明：==本代码以教学目的为主，请自行调参==

\

策略源码：

{{membership}}

https://bigquant.com/codeshare/e7bb60a5-a6e1-4310-9e6a-e4b742fb0f13

\

• 运行环境：AIStudio 3.0

• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/358882de-f418-4ebe-b3c4-effc16ea1c9d](https://bigquant.com/codeshare/358882de-f418-4ebe-b3c4-

• 运行环境：AIStudio 3.0
• 策略说明：==本代码以教学目的为主，请自行调参==

\

策略源码：

{{membership}}

https://bigquant.com/codeshare/66c560a3-335b-407c-aa2f-7053322141f4

\

• 运行环境：AIStudio 3.0
• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/56e64ce1-43c8-4317-90d4-5df0a427a966](https://bigquant.com/codeshare/56e64ce1-43c8-4317-90d4-5df0

• 运行环境：AIStudio 3.0
• 策略说明：==本代码以教学目的为主，请自行调参==

\

策略源码：

{{membership}}

https://bigquant.com/codeshare/ccbddd56-eddd-4a7f-95e2-88e8a0432a3d

\

• 运行环境：AIStudio 3.0
• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/fd48a0d6-918f-4001-9a84-bcea18ae174b](https://bigquant.com/codeshare/fd48a0d6-918f-4001-9a84-bc

• 运行环境：AIStudio 3.0

• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/f753d0b8-a3b2-4781-a1a9-dbf6ffe3fe38](https://bigquant.com/codeshare/f753d0b8-a3b2-4781-a1a

• 运行环境：AIStudio 3.0

• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/ccd34b84-4b39-4c48-b082-3859335a6c20](https://bigquant.com/codeshare/ccd34b84-4b39-4c48-b082-

• 运行环境：AIStudio 3.0

• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/d6fc0818-ae1c-4408-a0af-4cd73ffddfd6](https://bigquant.com/codeshare/d6fc0818-ae1c-4408-a0af-4c

• 运行环境：AIStudio 3.0

• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/86ef92ba-f91f-46fa-a6d3-d7b2207e741b](https://bigquant.com/codeshare/86ef92ba-f91f-46fa-a6d3-d7

• 运行环境：AIStudio 3.0

• 机器学习：KNN算法

• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/4fbd0eb2-8eec-4d43-b9bb-5aa4596d847a](https://bigquant.com/codeshare/4fbd0eb2-8e

• 运行环境：AIStudio 3.0.0
• 机器学习：索套回归
• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/7e2cc9bf-0dea-4201-8b94-ad465750eec8](https://bigquant.com/codeshare/7e2cc9bf-0de

• 运行环境：AIStudio 3.0.0
• 机器学习：岭回归策略
• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/af49fa20-ce4a-4f8f-b88c-d413035fe309](https://bigquant.com/codeshare/af49fa20-ce4a

• 运行环境：AIStudio 3.0.0
• 线性回归：构建因子+单因子策略回测
• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/cd8638d7-21c0-4df4-8a29-e9f1cc227df0](https://bigquant.com/codeshare/cd8638

• 运行环境：AIStudio 3.0.0
• 机器学习：逻辑回归策略：预测上涨概率
• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/b2a658f9-e445-422b-95f9-b57a50e23562](https://bigquant.com/codeshare/b2a65

• 运行环境：AIStudio 3.0.0
• 机器学习：线性回归策略：预测上涨概率
• 策略说明：==本代码以教学目的为主，请自行调参==

回测图：

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/3c3165db-d37e-4c8a-90f6-8af10855fb18](https://bigquant.com/codeshare/3c3

1. 无监督学习之聚类算法

1.1 聚类方法简介

聚类算法是一种无监督学习算法，它和监督学习任务下的分类算法是有明显对比的

• 监督学习的分类算法：数据属于哪一个类别是有标签定义的，模型有没有分类正确我们也是可以明显评判出来的
• 无监督学习的聚类算法：数据没有明确的标签表明类别，聚类的正确与否、好与坏，都是很难评价的

聚类算法的目的，是将数据集中的数据，划分为不同的类别，但是这个类别没有标签去衡量

• 目的可能是为了人为地将数据按照特征归类，比方说数据集中的个体，我想按照身高和体重，分出胖和瘦的区别来
• 目的可能是为了探寻数据背后的隐藏标签，比方说数据集中的个体，我在采

1. 逻辑回归

1.1 分类问题的定义

分类问题的标签是离散型的变量，我们的目的是用特征，来预测标签归属于几个类别当中的某一种

• 如果是预测标签属于两个类别当中的哪一种，就叫二分类问题，比方说预测股票明天是涨，还是不涨，两个类别
• 如果是预测标签属于多个类别当中的哪一种，就叫多分类问题，比方说预测股票明天是涨，还是跌，还是不涨不跌，还是涨停，还是跌停，五个类别

本次分享我们主要讨论二分类问题

对于二分类问题，我们需要把定性的类别，转换为定量的数字，来让计算机理解类别的概念

• 一种做法是将一个分类定义为1，另一个分类定义为0，比方说预测股票明天是涨，还

1. 模型评估

1.1 偏差与方差

上次分享我们提到过，模型的好坏评价标准，是模型在测试集上的预测是否准确，好比一个学生在期末考试当中拿高分才是学的好

模型在测试集上的预测误差（Error），可以分为三种来源

• 偏差（Bias）：高偏差的模型表现为：

  对于一个预测样本，不仅预测不准，而且如果模型再训练一遍，还是同样地预测不准

  好比我们期待一个同学期末考90分，但是他只考了50分，如果再给他一次机会，重学一遍再参加考试，他还是考了50分，距离90分一直很远

• 方差（Variance）：高方差的模型表现为：

  对于一个预测样本，

我们今天分享的四种模型，包括上次分享的逻辑回归，都是一些轻量级的分类模型，适用于数据量少，特征量少的分类任务

\

1. 支持向量机（SVM）

1.1 SVM的概念

支持向量机（Support Vector Machine）是在神经网络流行之前最强大的机器学习算法

SVM在二分类问题上的逻辑原理是：

• 假设我们的样本中有两个类别，我们可以把样本画到图上
• 如果切一刀下去，怎样切可以尽可能地把两个类别尽可能地分开

比方说以下图像中

![](/wiki/api/attachments.redirect?id=620959a3-ac1c-4a55-ab93-cd1

nan1. 决策树模型

1.1 决策树模型的概念

决策树是机器学习中的一个典型的非参数模型，它使用规则，而不是参数，来定义模型

• 这种决策方式其实是和人类最直接的思考方式是类似的
• 例如，我们使用身高这一特征，去预测性别这一标签的时候，一个比较直觉的方式是，如果身高大于 175 就分类为男生，如果身高小于 175 就分类为女生

以下是一个典型的决策树模型：使用三个特征：X1，X2，X3；预测一个标签 Y

• 图中的圆圈和

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

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

\

222