AI量化策略

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

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

【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

\

\

问题

如何结合欧奈尔的RPS指标,开发AI量化策略?

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

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

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

\

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.

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量化平台的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

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 、 量化投资和机器学习，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/

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的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

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|

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的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

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的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?

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的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

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的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

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

1988年，欧奈尔将他的投资

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

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

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

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

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

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

AI只是工具，想要驾驭AI还得自身有点功底，不然反而会被工具所害，甚至从信仰AI变为抵制AI。本文简单介绍开发AI量化选股策略中所遇到的各种坑，希望大家有所收获，少走弯路。

本文主要从思想和实操两个层面分享下我在开发AI量化选股策略中所遇到的各种坑，也希望各位小伙伴能够进行补充。

策略思想逻辑层面

1. 训练集和测试集不能有所重合 机器学习的基本思路就是在训练集上发现pattern，训练出模型，然后对样本外的预测集数据进行预测。这好比老师平时布置的作业就是训练集，学生们通过平时的作业学习到知识，然后期末老师通过期末试卷来检验学生的学习掌握情况，如果期末试卷和平时作业

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\