如何在BigQuant跑出夏普5.67的策略-附赠其他策略

BigQuant简介

BigQuant AI 量化平台
引领投资未来
以AI赋能投资，为投资者提供企业级AI平台、量化投资大数据、AI投研工具、Quant成长体系和社区
在这里插入图片描述

AI量化策略

什么是量化投资？
什么是人工智能？
机器学习被评为人工智能中最能体现人类智慧的技术，开发AI量化策略我们可以理解为将机器学习应用在量化投资领域。我们通过下面一张图来直观理解一下什么是机器学习：人类对新问题做出有效决策依靠的是过去积累的许多经验，并对经验进行利用，而对机器来说，“经验”以“数据”方式存在，机器从过去众多“数据”中总结规律，生产出模型，并用模型对新数据进行预测，这个过程就可理解为“机器学习”。

在这里插入图片描述
我们先通过一个生活中的样例，来类比AI量化策略的工作流程，帮助大家快速理解AI量化策略：

AI量化策略快速理解

AI量化策略的构建过程也可以用流程图的方式表达如下：
在这里插入图片描述
认识了机器学习流程和AI量化策略流程，就能够理解BigQuant平台的BigStudio实验工作流。BigStudio实验工作流是AI量化策略在BigStudio上的可视化展示。一个典型的AI可视化量化策略流程图如下：

在这里插入图片描述

跑出夏普5.67的策略

该策略主要基于多因子选股策略，对多因子选股不熟悉的朋友请移步：
广发证券：机器学习多因子动态调仓策略 —— 多因子 Alpha 系列报告之（三十六）
量化交易——因子选股、多因子选股策略

该策略的可视化界面如下图：
在这里插入图片描述
策略特征重要性和回测结果如图

以下是策略订阅链接，实盘目前胜率84%，订阅价格325元/月，新人平台会有优惠，如需特殊优惠，请私聊我
满仓高频-所有因子-删除不重要

目前已有一人订阅，已持续实盘了1一个月左右
在这里插入图片描述
训练数据所选范围为：

输入特征列表中主要选择的因子有：

amount_10
avg_mf_net_amount_10
avg_turn_10
close_10
company_found_date_0
deal_number_10
fs_account_payable_0
fs_account_receivable_0
fs_bps_0
fs_cash_ratio_0
fs_common_equity_0
fs_current_assets_0
fs_current_liabilities_0
fs_eps_0
fs_eps_yoy_0
fs_eqy_belongto_parcomsh_0
fs_fixed_assets_0
fs_free_cash_flow_0
fs_general_expenses_0
fs_gross_profit_margin_0
fs_gross_revenues_0
fs_income_tax_0
fs_net_income_0
fs_net_profit_0
fs_net_profit_margin_0
fs_operating_profit_0
fs_operating_revenue_0
fs_paicl_up_capital_0
fs_roe_0
fs_total_liability_0
fs_total_operating_costs_0
fs_total_profit_0
high_10
industry_sw_level1_0
list_board_0
list_days_0
low_10
market_cap_0
market_cap_float_0
mf_net_amount_10
mf_net_amount_l_0
mf_net_amount_m_0
mf_net_amount_main_0
mf_net_amount_s_0
mf_net_amount_xl_0
mf_net_pct_l_0
mf_net_pct_m_0
mf_net_pct_main_0
mf_net_pct_s_0
mf_net_pct_xl_0
open_10
pb_lf_0
pe_lyr_0
rank_amount_10
rank_avg_amount_0/rank_avg_amount_10
rank_avg_amount_10
rank_avg_mf_net_amount_10
rank_avg_turn_10
rank_fs_bps_0
rank_fs_cash_ratio_0
rank_fs_eps_0
rank_fs_eps_yoy_0
rank_fs_roa_0
rank_fs_roe_0
rank_market_cap_0
rank_market_cap_float_0
rank_pb_lf_0
rank_pe_lyr_0
rank_return_0
rank_return_0/rank_return_10
rank_return_10
rank_swing_volatility_10_0
rank_turn_10
rank_volatility_10_0
return_10
return_20
sh_holder_avg_pct_0
sh_holder_avg_pct_3m_chng_0
sh_holder_num_0
st_status_0
ta_ema_10_0
ta_macd_macd_12_26_9_0
ta_rsi_14_0
ta_rsi_28_0
ta_sar_0
ta_wma_10_0
turn_10
volume_10

训练参数如下：
在这里插入图片描述
回测初始化函数如下：

# 回测引擎：初始化函数，只执行一次
def bigquant_run(context):# 加载预测数据context.ranker_prediction = context.options['data'].read_df()# 系统已经设置了默认的交易手续费和滑点，要修改手续费可使用如下函数context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))# 预测数据，通过options传入进来，使用 read_df 函数，加载到内存 (DataFrame)# 设置买入的股票数量，这里买入预测股票列表排名靠前的5只stock_count = 1# 每只的股票的权重，如下的权重分配会使得靠前的股票分配多一点的资金，[0.339160, 0.213986, 0.169580, ..]context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])# 设置每只股票占用的最大资金比例context.max_cash_per_instrument = 1context.options['hold_days'] = 1