高频交易

摘要

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：RankIC为-0.072，RankICIR达到3.57，具备稳定有效的选股能力。多头组合的年化收益仍能达到24.69%，信息比率达到3.59；
2. 选股逻辑方面，我们引入“相对大单”的概念来辅助理解。对于分钟单笔成交金额而言，其分布越集中，整体右偏程度越高，股价未来表现越好。我们发现，心因子核心Alpha缘自

策略

https://bigquant.com/experimentshare/bf22b9c9879a486e95471d32a2208c9e

\

问题

如何做分钟周期的标注

解答

在Meetup10月15日有讲分钟数据标注的，你看一下：BigQuant AI量化专家Meetup（更新至12月03日） 4

https://bigquant.com/experimentshare/58f8eb3f17fe4114bcd49557ceb1902a

\

{{membership}}

https://bigquant.com/experimentshare/ba243c6cd508478bacc881069da6dfea

\

{{membership}}

https://bigquant.com/experimentshare/ff206779bb0f4851ac0fede5acb195e6

\

{{membership}}

https://bigquant.com/experimentshare/edc99d567ace42268817c4e5c34c4668

\

https://bigquant.com/experimentshare/d8fb2ec62bec4b57b09947850c349109

\

\

今天与大家探讨高频策略的回测框架。高频策略的研发，有两个显著的特点： 一是数据量大，与日频相比，分钟频率就是百倍的数据量， 到秒级别更达到上千倍的差异。 二是对交易细节敏感，回测系统要尽可能去模拟真实交易的情形，甚至要比真实交易更严格，这样研发出来的高频策略才有实盘的价值。所以高频策略要考虑的细节很多，决策时间点，成交价，手续费，流动性等。细节考虑的不到位，策略回测和实盘交易就会差异很大，降低策略研发的价值和效率。 如何在大数据量前提下，尽可能的将细节考虑到位，就是高频策略回测系统的挑战，也就是严谨和高效的权衡。

下面和大家一起构建一个秒级别的策略回测框架。 一般来说，回测框架会包含以下几个

高频交易经常被提起，却始终蒙着一层神秘面纱，仿佛那只是金字塔尖那一小撮人的玩物。今天我们就从期货高频数据下手，去揭开神秘面纱的一角，并尝试搭建神经网络模型对高频数据进行预测，抛砖引玉，希望能让对金融数据分析，量化交易，人工智能感兴趣的朋友有所收获。我们已经将本文的全部源数据+源代码+python环境打包好，做到开箱即用， 文末有获取方式，欢迎大家下载自己动手继续学习和研究。

先看我们最终的模型结果，在训练集和测试集上的表现：

下面开始探索数据。

交易时间

以本文要研究的螺纹钢（RB）为例， 与股票不同，期货不仅在工作日白天交易，很多品种还有夜盘， 每个交易日就是从夜盘开始计算的。

行

编写线段树代码

问题

如题，发现日级策略在代码列表中设置空值即可选定全A股，但分钟级策略这么做会报错：

context.subscribe(context.ins)

<TypeError: 'NoneType' object is not iterable>

策略案例

https://bigquant.com/experimentshare/44cc116a1dad4c37983b9be35da208ee

\

代码

代码：在高频回测模块的k线处理函数定义如下：
# 回测引擎：每日数据处理函数，每天执行一次
def bigquant_run(context, data):
    
    # 相隔几天（hold_days）进行一下换仓
    if context.trading_day_index % context.hold_days != 0:
        return 
    
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.ranker_prediction[
        context.ran

问题

我用的是hft模块，标的是可转债，如图，代码如下 请复现。
# 本代码由可视化策略环境自动生成 2022年7月19日 23:48
# 本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。


# Python 代码入口函数，input_1/2/3 对应三个输入端，data_1/2/3 对应三个输出端
def m2_run_bigquant_run(inp

问题

如何修改HFTrade高频交易模块里的成交率限制volume_limit

\

本集合里将分享平台开发者们对DeepAlpha系列的实践研究报告

\

The Story of Citadel

Citadel纪录片分享！House of Ken Griffin – The Story of Citadel！了解Ken Griffin是如何把Citadel打造成为300亿美元对冲基金！

https://www.bilibili.com/video/BV1ot4y1j74y

Citadel创始人访谈

Citadel城堡投资集团 肯·格里芬 在大卫·鲁宾斯坦访谈 The David Rubenstein Show - Citadel's

交易策略揭秘

Renaissance Technologies文艺复兴科技公司交易策略揭秘记录！该短片中详细介绍了文艺复兴科技公司多年来如何开发各种交易策略，从早期的均值回归到利用内核方法等等。

https://www.bilibili.com/video/BV1ae4y1f7Em

\

分享头部量化私募团队、策略、深度资料等

\

/wiki/static/upload/74/7464d5e3-c643-485a-bdef-793d0ba69cca.pdf

\

摘要

本文提出了一套宏观风险配置框架，并在大类资产和行业上进行实证分析

本文主要工作如下：1、构建了一套涵盖增长、生活端通胀、生产端通胀、利率、汇率五大风险的宏观因子体系，并进行了因子资产化处理，以满足高频、低时延、可交易的需求；2、提出了一套宏观风险配置框架，能够将投资者对于宏观环境的预测观点通过定量化的手段落地到投资实践中，使得投资组合既能适配特定宏观环境，又能达到较优的风险收益特征；3、测试宏观风险配置模型在大类资产和行业层面的表现。实证结果表明，本文提出的宏观风险配置模型能够为投资者提供定量化、动态化、及时性、普适性的宏观风险配置工具，并且大类资产上的表现要优于行业上

报告要点不同频率级别信息含量不同一般而言，频率越高数据信息含量越高，主要体现在两方面：切片数据细化带来量价波动的信息含量提升；逐步分解的盘面数据对于交易行为辨识度的提高。

区分积极买入与保守买入，构建买入情绪因子积极买入，投资者所下订单主动与盘口卖盘挂单成交；保守买入，投资者所下限价订单挂单等待后续卖单与之成交。根据积极买入与保守买入比建立买入情绪因子。

买入情绪因子呈现优异的选股能力BM因子的平均RankIC为0.0724,回测的2010年1月至2017年2月期间内，原始BM因子、反转中性化、反转市值中性化BM因子的年化超额中证500收益分别为14.53%，13.24%，9.3%

[

摘要

2022世界人工智能大会于2022年9月1日至3日在上海举办。世界人工智能大会自2018年以来，已成功举办四届。2022世界人工智能大会由国家发展和改革委员会、科学技术部、工业和信息化部、国家互联网信息办公室、中国科学院、中国工程院和上海市人民政府共同主办。

作为本届世界人工智能大会承办单位之一，数库科技于9月3日下午举办以“数无疆·智无界”主题分论坛，J.P. Morgan亚太地区量化策略负责人Robert Smith先生发表了题为*《Big Data and AI Strategies：AI for Investing》*的主题演讲，Robert Smith分别

\