AI量化策略

AI量化策略,作为金融科技的前沿产物,是人工智能与大数据分析技术在投资领域的深度融合。该策略借助高级算法,从历史市场数据中发掘隐藏模式与趋势,进而生成优化的投资决策。通过机器学习技术的运用,AI量化策略能够实时学习和适应市场变化,提升交易决策的时效性和准确性。此外,其还能够有效排除人为情绪干扰,实现投资策略的纪律性和一致性。在未来金融市场中,AI量化策略有望成为提高投资回报、管理风险的重要工具,引领投资领域的技术革新。

PB市净率公式及如何使用(含Python)

市净率(Price-to-Book Ratio,简称 P/B Ratio)是衡量公司股票价格相对于其账面价值的一个指标。这个比率通常用于评估公司股票的价值,尤其是在资产重要的行业(如金融业)中。

BigQuant金融市场历史数据因子平台以及AI量化策略平台(PC端),可以验证PB市净率因子组成的AI量化策略有效性。

![](/wiki/api/attachments.redirect?id=9e1

更新时间:2024-11-02 13:05

AI量化策略,我该如何理解你?

人工智能(AI)技术得到了飞速发展,其在各个领域的运用也不断取得成果。机器学习被评为人工智能中最能体现人类智慧的技术,因此开发AI量化策略可以理解为将机器学习应用在量化投资领域。

理解机器学习算法

机器学习算法太多,本文讨论只针对适用于金融数据预测的常用有监督型机器学习(Supervised Machine Learning)算法:StockRanker。假设我们要去预测某个连续变量$ Y$未来的取值,并找到了影响变量$ Y$取值的$K$ 个变量,这些变量也称为特征变量(Feature Variable)。机器学习 即是要找到一个拟合函数$f(X_1,X_2,\ldots,X_K|

更新时间:2024-06-11 03:20

AI量化策略快速理解

导语

在上一篇文章中,大家对新建一个AI可视化模板策略有了初步的认识,但看到策略中众多的模块与看似复杂的连线心中不免存在疑惑,没关系,本篇文章中,我们就来为大家完整介绍一个AI量化策略的组成结构以及涉及的基本概念,希望可以帮助大家对AI量化策略建立一个全面初步的认识。


基本概念

概念介绍

在认识一个人工智能量化投资策略之前,我们首先来了解几个基本概念:人工智能量化投资机器学习,大家可以通过快速浏览下面这两篇文章,对前两个概念进行初步了解。

  • **[什么是人工智能?](https://bigquant.com/wiki/

更新时间:2024-06-11 02:24

2022-AI量化Meetup导览

\

更新时间:2024-06-07 10:55

【优秀开发者分享】三步管理AI量化策略

问题

如何对AI量化策略进行管理?

视频

https://www.bilibili.com/video/BV1zi4y197sj?share_source=copy_web

策略源码

如何对AI量化策略进行管理?三步走

更新时间:2024-06-07 10:55

结合欧奈尔的RPS指标开发策略

问题

如何结合欧奈尔的RPS指标,开发AI量化策略?



{w:100}{w:100}{w:100}


1988年,欧奈尔将他的投资理念写成了《笑傲股市How to Make Money in Stocks》。书中总结了选股模式CANSLIM模型,每一个字母都代表一种尚未发动大涨势的潜在优质股的特征。




![{w:100}{w:100}{w:100}](/wiki/api/attachments.redir

更新时间:2024-06-07 10:55

AI量化策略训练时间如何选择

问题

AI量化策略训练时间如何选择

视频

https://www.bilibili.com/video/BV1br4y1B7na/

策略源码

文档及源码:AI量化策略训练时间如何选择

更新时间:2024-06-07 10:55

高质量AI量化策略

【此文档为旧版策略】具体可参考新版文档:

https://bigquant.com/wiki/doc/103-ai-LpsqDhu8mG

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

更新时间:2024-06-07 10:55

最大回撤计算公式及分析

最大回撤(Maximum Drawdown,简称 MDD)是衡量投资组合或资产在选定时间段内从峰值跌至谷底的最大损失百分比。它是一个重要的风险指标,用于评估投资的下行风险。最大回撤越大,意味着资产或投资组合的潜在损失越大。BigQuant金融市场数据因子平台以及AI量化策略平台(PC端),可以验证各种AI量化策略的最大回撤实例效果。

![](/wiki/api/attachments.redirect?id

更新时间:2024-06-07 10:48

alpha阿尔法因子模型公式及使用技巧

阿尔法(Alpha)是衡量投资表现的金融指标,用于评估一项投资的表现是否超过了市场基准。在投资管理中,阿尔法代表了在考虑了市场波动性和投资风险后,投资相对于基准指数(如标准普尔500指数)的超额回报。BigQuant金融市场数据因子平台以及AI量化策略平台(PC端),可以验证alpha阿尔法因子组成的AI量化策略效果。

![](/wiki/api/attachments.redirect?id=94

更新时间:2024-06-07 10:48

夏普比率公式及使用技巧(含Python代码)

夏普比率(Sharpe Ratio)是衡量投资表现的一个指标,它通过比较投资的超额回报与其承担的风险来评估投资的性价比。由诺贝尔奖获得者威廉·夏普提出,是风险调整后的回报的一种度量。

通过BigQuant量化平台金融市场数据因子以及AI量化策略平台(PC端),可以验证夏普比率因子组成的AI量化策略有效性。

![](/wiki/api/attachments.redirect?id=8df056d7

更新时间:2024-06-07 10:48

ROE净资产收益率公式及如何使用(含Python)

净资产收益率(Return on Equity,简称 ROE)是一种衡量公司盈利能力的财务指标,用来评估公司管理层使用股东资本的效率。

ROE可以表示公司能够从每单位股东权益中创造多少利润。

BigQuant金融市场数据因子平台以及AI量化策略开发平台(PC端)可以验证ROE净资产收益率因子在AI量化策略中的表现。

![](/wiki/api/attachments.redirect?id=dd

更新时间:2024-06-07 10:48

Beta贝塔系数公式及使用技巧(含Python代码)

贝塔系数(Beta)是衡量一项投资相对于整体市场波动的指标。它是资本资产定价模型(CAPM)的关键组成部分,用于计算资产的预期回报和风险。贝塔系数反映了个别股票或投资组合相对于市场基准(如标准普尔500指数)的波动性。

BigQuant金融市场数据因子平台以及AI量化策略平台(PC端),可以验证Beta贝塔系数因子组成的AI量化策略。

![](/wiki/api/attachments.redirect?

更新时间:2024-06-07 10:48

如何结合欧奈尔的RPS指标,开发AI量化策略?

若想在AIStudio3.0.0种复现这个策略, 请空降:

https://bigquant.com/wiki/doc/rpsai-lgPnmWzLkq

问题

如何结合欧奈尔的RPS指标,开发AI量化策略?

讲解


{w:100}{w:100}{w:100}{w:100}{w:100}


1988年,欧奈尔将他的投资

更新时间:2024-05-17 01:13

探索:AI量化策略训练时间如何选择?

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

[

更新时间:2024-05-16 07:09

【历史文档】策略-AI量化策略开发进阶

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

更新时间:2024-05-15 09:58

【历史文档】策略-数据标注

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

更新时间:2024-05-15 09:50

【历史文档】策略-设置数据集

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

更新时间:2024-05-15 09:49

【历史文档】算子

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

更新时间:2024-05-15 07:26

平台回测机制

AI量化策略研究平台回测机制的概览图:

AI量化策略研究平台回测主体有两个使用频率很高的函数:initialize函数和handle_data函数,理解了这两个函数开发策略就再也不是什么难事了,结合上面K线图来理解这两个函数。 从图中可以看出,其实一共有26个事件,即26根K线,第一根K线既对应

更新时间:2024-05-15 02:10

AI量化策略的训练时间影响模型的结果

AI量化策略的训练时间影响模型的结果,导致在调试的过程中拿不准该如何思考和选择训练时间,我们从以下三个方面探讨训练时间该如何选择?

#训练时间对模型的影响

针对特定的一段回测时间作为验证集, 检验训练时间的变化是否让模型带来很大变化?

#策略设置

策略选择:新建的可视化AI模板策略

方式:手工滚动训练

时间对比:训练集长时间 (5-10年) VS 训练集 短时间 (1个月-3个月-6个月-1,2年)

其次,模型中因子的特征权重发生改变再然后是 ndcg的评价也发生了改变,但变化不明显。 普遍发现 无论怎么增加数据时间长短,NDCG的指标都没能超过0.6以上。说明大量的数据样本

更新时间:2023-10-09 07:08

根据探索:AI量化策略训练时间如何选择?策略模版回测报错如何解决

根据探索:《AI量化策略训练时间如何选择?》策略模版回测报错,请问如何解决?

https://bigquant.com/wiki/doc/celve-shijian-YNns2TC2iH

https://bigquant.com/experimentshare/27ef0ad9e896409bb53ddea1a3a43170

\

更新时间:2023-10-09 06:22

如何将多策略合在一起?

根据官网《如何对AI量化策略进行管理?三步走》(https://bigquant.com/wiki/doc/celve-FeqcyLgLeU),并参考

【模板案例】(https://bigquant.com/community/t/topic/194074)策略组合

在将两个策略合在一起时报错,请问如何解决?

\


NameError Traceback (most recent call last) <ipython-input-20-6aeba62465a8> in <module> 1 M3 = M.

更新时间:2023-10-09 06:09

AI量化策略中如何选择合适的因子

问题

AI量化策略中如何选择合适的因子

视频

https://www.bilibili.com/video/BV1J24y1f7mJ/?spm_id_from=333.999.0.0

PPT

{{membership}}

[/wiki/static/upload/42/4267409e-a9f4-42db-bb79-1321ba5e4c59.pdf](/wiki/static/upload/42/4267409e-a9f4

更新时间:2023-05-06 07:23

Python教程

简介

BigQuant平台是基于python语言,相对于其他语言,python上手快、易学习,并且普适性较强,一般人也能快速上手使用。BigQuant挑选了优质的Python教程给大家学习使用,更利于AI量化策略的构建和使用,再也不用担心python的困扰了!详细请戳下方视频观看学习python。

\

视频

[https://www.bilibili.com/video/BV1bV4y1W7PR/?vd_source=ecd29bbd04cbefdfa426167c55241973](https://www.bilibili.com/video/BV1bV4y1W7PR/?v

更新时间:2023-03-29 07:48

分页第1页第2页
{link}