https://bigquant.com/experimentshare/674ea5c045844e0fa032173cbc230f4e

\

交易规则

• 利用收盘价的短期（常用为12日）指数移动平均线与长期（常用为26日）指数移动平均线之间的聚合与分离状况，对买进、卖出时机作出研判的技术指标。
• 短期EMA： 短期（例如12日）的收盘价指数移动平均值
• 长期EMA： 长期（例如26日）的收盘价指数移动平均值
• DIF线：（

深度学习模型固化

之前有许多帖子是关于tensorflow的模型固化, 这一篇讲的是pytorch框架搭建的模型下的固化.

深度学习拟合动量因子策略

本文使用DNN模型模拟过去四日的动量因子, 输入特征是过去四日的最高价、最低价、开盘价、收盘价, 这些特征能够合成任意形式的动量, 这里

{{use_style}}

分类

自适应提升树-分类

adaboost自适应提升树算法，用于分类，此算法基于boosting，根据上次分类的准确率确定下次训练每个样本的权值，将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器融合，作为最后的决策分类器。

实盘开通流程

开通湘财证券账号

线上申请，当前仅支持湘财证券。如无，可扫描以下二维码开通（重庆营业部）。 注：通过此码开通享受优惠。 ![{w:100}{w:100}{w:100}](/wiki/api/attachments.redirec

导语

实盘交易作为投资环节中最后也是最重要一环，一直是广大投资者最核心的诉求。本着用AI赋能投资的初心，BigQuant与湘财证券联手推出实盘交易功能，助力用户完成从研究、回测、模拟到实盘的闭环，并有效降低冲击成本、消除操作失误、减少情绪干扰，从而大大增加实现策略理论收益的可能性。

本文内容已经过期，不再适合平台最新版本，3.0版本请参考以下链接：

[https://bigquant.com/wiki/doc/5lql5lu25z6l562w55wl77ya5rw36b6f562w55wl5y2v6ikh-5EGr1kNprG](https://bigquant.co

平台的交易引擎具备以下功能：

• 不同市场回测，比如股票、期货、指数、基金、期权等
• 不同时间频率回测，比如日线、分钟、tick等
• 自定义数据回测，给定行情数据进行回测，比如传入美股数据、比特币行情数据回测
• 精细回测，考虑了交易费、滑价、冲击成本、成交量限制
• 算法交易回测，支持不同撮

策略案例

[https://bigquant.com/experimentshare/54911fee4f45421ba84891cc4864e0b6](https://bigquant.com/experimentshare/54911fee4f45421ba84891cc4864e0

\

使用场景

抽取衍生特征因子（非预计算因子抽取），接基础特征抽取。

\

输入端

• 输出数据：数据，必选。
• 特征列表：特征列表，必选

输入参数

• 日期列名：默认为date，必填。
• 代码列名：默认为instrument，必填。
• 自定义表达式函数：自定义的函数可用

TradingCalendar

定义

class TradingCalendar

示例代码

session_distance(start_session_label, end_session_label):

获取两个交易日之间的差值交易日

参数:

策略背景

国际研究情况

Ng and Wing-Kam(2008) 对MACD和RSI两个指标的盈利性进行了实证检验，文中采用FT-30为研究对象，样本跨期为60年。检验结果发现，单纯的MACD和RSI交易策略都能够获得远高于买入并持有交易策略的收益。Shik TC(2007)以外

导语

如何开发一个好策略，最常见的问题是

有哪些常见的筛选因子方法，因子如何进行评估？

如何从研报中获取有用信息？

这就是因子构建的问题

BigQuant平台创建默认模板策略后，可以看到默认的因子，并且已经被组合在一起了。

**因子来源有很多

导语

对于不会写代码的交易者来说，能够零代码生成量化策略是一个非常大的需求

于是BigQuant最近开放了针对传统量化策略的向导式生成器，本文主要介绍向导式生成器的使用

\

向导式生成器基本框架

经典策略向导式生成器一共分为四个步骤

• 回测：在回测中主要设

导语

区别于传统策略开发，AI策略开发是利用AI模型的预测结果构建策略逻辑。根据不同类型的AI模型，策略构建的方式也有所不同。本文主要向大家介绍一下常用的AI策略构建方法。

在AI模型的构建教程中，我们已经介绍了机器学习在分类、回归和排序三类典型应用场景中的应用，并针对这三类问题介绍了常用

使用场景

需要数据时使用。

输入端

• 代码列表：代码列表，可选。
• 特征列表：特征列表，可选。

输入参数

• ID或别名：ID或别名，必填。
• 开始日期：数据的开始日期，必填。
• 结束日期：数据的结束时期，必填。

输出端

• 输出数据：数据源。

导语

本文主要介绍在AI可视化模板策略上的一些尝试，加入一些更为复杂的逻辑，最终提高策略开发能力达到进阶水平。

不知道大家是否有这样的疑惑，在按照平台给出的模板开发了策略以后，不知道从哪些角度提升策略效果，只知道增删一些因子不断调试。本文以一个实际的策略案例，希望大家能够掌握以下几点：

{{use_style}}

回测与交易

极速回测(高频)

快速回测引擎，支持高频数据快速回测。不支持模拟交易和实盘。

输入: - input_data：输入数据，包含 date, price（价格）, 和 position（仓位）

输出: - data: DataSourc

导语

相信大家已经很熟悉平台的表达式引擎功能了，在创建因子的过程中我们经常会遇到需要批量生成因子比如close_0,close_1,close_2...close_20，又或者因子本身有很多重复的项只是参数不同，例如生成一个规则循环因子close_0turn_0 + close_1tur

如何对X日内出现某指标金叉出现做出统计，如下样例给出20个交易日5 ema和10 ema的金叉数

[https://bigquant.com/experimentshare/6f3bd281d3d94a4a9979bf6a3816849e](https://bigquant.com/experim

导语

BigQuant平台的因子库上有许多因子，但是如果想计算一些个性化的自定义的因子，比如相对大盘的收益率等因子应该怎么构造呢？本文将通过几个示例进行展示。

自定义因子的方式很灵活，为大家介绍几种常用的自定义因子构建方式。

构建大盘收益率因子

第一步：通过DataSou