高频交易

https://bigquant.com/experimentshare/d50ee96c36f84af6ad990409294db4cb

\

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

\

策略案例

https://bigquant.com/experimentshare/723e10568f294571924b89f3953ce20b

\

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

策略案例

AIStudio3.0.0分钟数据获取请转移至:

https://bigquant.com/wiki/doc/5yig6zkf5pww5o2u6i635yw-6fK4a8ZOZx

[https://bigquant.com/experimentshare/893162aea1dc4c4f953f670293646709](https://bigquant.com/experimentshare/893162aea1dc4c4f953f6

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

新版请移至, 新的链接

https://bigquant.com/codesharev2/dd736102-e54b-4d0b-b549-16bd7703a7ac

\

更新

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/stockranker-qFD1Xg1Wz3

代码策略

[https://bigquant.com/experimentshare/23b8dad5c75e4e399bb937d498dccb8f](https://bigquant.com/experimentshare/23b8dad5c75e4e399bb937d498dcc

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

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

https://bigquant.com/experimentshare/665da325d93a48c397f0fe70abdca825

\

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

20200610-华安证券-高频视角下成交额蕴藏的Alpha：市场微观结构剖析之七\n该篇研报介绍了一系列的高频因子，主要思想是探寻日内特定的一些时间段的成交量，占全天总成交量的占比，之后将这些因子在时序上进行求平均、方差、偏度、峰度等操作

研报地址：

/wiki/static/upload/05/0559d196-babd-4007-a12c-be1b55adf0e6.pdf

\

策略源码：

{{members

https://bigquant.com/codeshare/4515d40b-c2f4-4439-a2c9-92931adb0c6d

\

• BigQuant使用案例
• 最佳使用方式

\

摘要

传统多因子选股

在国内A股市场，传统的多因子量化选股模型得到了广泛的应用，在实际表现中，传统的多因子模型在过去几年中也表现出较为稳定的超额收益率。但随着传统多因子模型应用越来越广泛，历史长期有效的因子逐渐失效，对新因子的挖掘提出了迫切的需求。

新因子挖掘

传统的因子指标挖掘主要集中于财务报表、个股中低频率的价量等相关的数据维度，而这部分数据维度的增量价值的挖掘已逐渐饱和，需从其他新的数据维度中挖掘新的因子指标，本篇报告从个股日内高频数据出发尝试挖掘出新的因子指标

基于高频数据因子的策略构建

基于个股日内高频数据，构建了已实现波动（Realized

摘要

在本报告中，我们将继续探讨逐笔成交数据的Alpha潜力，报告内容包含两部分：第1部分，从分钟单笔成交金额的分布特征、时序特征、反转效应三个维度出发，提炼有效的价量因子；第2部分，测试因子在主要宽基指数和行业赛道上的选股效果。

从分钟单笔成交金额中提炼选股因子

分钟单笔成交金额的分布包含更加细化的选股信息，从单笔成交金额的分组统计结果来看，其信息分布并不是均匀的，我们基于这一现象捕捉Alpha，构造了一系列统计指标因子，如分位数、标准差、偏度和峰度。以分位数因子为例：

（1）因子表现：Rank IC为-0.072，Rank ICIR达到3.57，具备稳定有效的选股能力

摘要

本篇报告是日内高频选股因子的续篇，主要基于日内分钟频度上的成交额来构造因子。

研究发现，个股之间分钟成交额在时序上的不对等分布特征与传统换手率因子有着独特的关系，在此基础上，我们构造了240分钟的成交额占比因子来细致分析，发现独立于传统因子的增量Alpha信息主要集中在尾盘，因此构建尾盘成交额占比因子。此外，本篇报告也补充分析了分钟成交额的高阶矩因子，自相关性系数因子等，发现这些因子的大部分效果都被传统的换手因子所解释。总结来说，构造的尾盘20分钟成交额占比因子𝐴𝑃𝐿20，月度因子以指数加权移动平均法合成。

对常见因子中性后，𝐴𝑃𝐿20因子的IC均值为-5.43%

报告摘要

高频交易

历史上发生过多次由于技术的突破导致大多数投资者处于不利地位。21世纪以来，计算和通信方面的重大技术进步使得高频交易策略成为可能，美国和欧洲相关立法的变化，使得高频交易有利可图。

现实中的高频策略是多种多样的，但是高频交易策略之间不能混为一谈；由于高频交易中机会的识别、风险控制、执行和其他投资管理活动必须自动化，因此可以说不是所有的算法都发生在高频交易，但所有的高频交易都需要算法。

低频交易者和高频交易者有很大的区别，围绕交易所匹配引擎的问题就是一个很好的例子。低频交易者的代表经济学家和金融专业人士经常将市场竞价过程视为既定事实，而高频交易者认为

导读

• 近一年以来，许多公募中证500指数增强型基金的超额收益表现十分优异，其中部分表现优异的基金呈现出高换手的特征，这与采用高频因子的私募指数增强型基金的表现十分相似。许多基金业绩也证明，采用高换手取得高收益是可接受的，受此启发，我们认为高频因子是探寻基金业绩增长的一条可行路径。
• 高频因子一般基于level2数据构造，显著的特点是IC半衰期小于低频因子，因此需要更频繁的换手以捕捉高频信息，获得不同于低频因子的高额收益。我们认为高频因子构造的思路在于寻求独立同分布变量中不变的统计特征，基于数据所含信息角度，我们提出了4种高频因子分类方法，希望在未来通过面向统计

摘要

由于国内股票市场T+1交易制度的限制，投资者目前最为关心的仍然是以日为单位的短线、中长线投资机会，对日内交易机会关注甚少。不过随着ETF、股指期货等创新产品的推出，融资融券信用交易模式的实行，投资者已经可以直接或变相的实现T+0交易，攫取证券市场日内交易的丰厚利润。我们在本报告中详细探讨了日内高频交易的原理、使用的策略、开发过程中需要考量的重要因素以及国内执行时可能遇到的障碍，并将后续推出高频交易的系列研究成果，以供投资者参考

原理

有效市场理论认为在任何一个有效市场中，投资者都不可能通过对历史价格、成交量等市场数据的分析获取超额收益。但事实上由于人的非理性行为和市场