\

不同模型下的特征权重

在不同模型下，特征重要性有所不同

市销率和股息收益率加入过滤条件，并把股息收益率加放权重，情况改善很多

感悟：随着市场上机构比重的增加，对基本面也有了很多的要求。

[https://bigquant.com/codesharev3/946edaf7-9ac0-4bb9-8386-b970a5755f8b](https://b

https://bigquant.com/codesharev3/91319f57-c25a-4c06-8b2b-6f01d14ffc03

熟悉因子分析

https://bigquant.com/codesharev3/5256593d-e0fb-4f30-a04b-0890b9f5b54e

\

1. 用AI生成3个策略: 小市值策略，破净股策略，超跌反弹策略；
2. 3个策略回测后，将raw_perf里的returns和position存到数据库
3. 计算每个策略与factor_return表的相关性
4. 每个调仓日选取相关性最高的策略，用该策略的持仓作为风格轮动的持仓

代码：

分别用stockranker和xgboost做了滚动训练，stockranker的结果相对正常，xgboost非常离谱，不太清楚原因

一、stockranker

每年训练一次，每次用一年的数据滚动训练

from bigmodule import M

result = 

https://bigquant.com/codesharev3/96c50c11-0129-4859-a961-a614be5a016e

结果

今日作业：

\

1、请用自己的话解释什么是量化投资

答：

量化分几步

1 数据分析与挖掘：

• 分析挖掘价格信息 与 其他信息（ 比如 交易信息，基本面信息， 宏观信息等） 之间单维或者多维的关系。
• 关系可能是线性的，非线性的，时间序列的，横截面的等。

https://bigquant.com/codesharev3/9710d5b9-d38f-46e7-ad58-6ce7dae53d5e

\

数据获取思路：

1 用with , 将sql 分成三步 data_base，data_normalized ，以及features ,label 定义

2 data_base 获取初始字段，data_normalized 标准化， 以及pck_rank_by，获取横截面因子，m_leg 避

实现了 ：

xgboost 和 stockrank 的策略。以及 超参测试

相同因子的情况下， stockrank 要比 xgboost 更好些。

实现 ：\nxgboost 的策略\n\n因子设计

c_pct_rank(dividend_yield_ratio)

https://bigquant.com/codesharev3/6dcc2fbc-e575-4cbd-b38f-f4727caf601f

\

风格轮动

5月20日，采用小市值策略，5月27日轮动为流动性因子策略

一、作业结论：

1、作业任务：通过将dai 函数喂给模型，让模型按照里面的算式构建因子，会形成越来越复杂的因子

2、作业结果：通过很普通的话术，一步步训练“模型”形成的因子，一步步走向构建复杂因子的方向，一步步从极大负收益可以调试到接近正收益。

二、作业过程：

1、先是按照老师的方法，在ge

手工通过大模型挖掘因子

一、改为deepseek API

二、因子挖掘

user = """
日期为2022-01-01到2024-01-01
我想做一个能够反应量价关系和个股财务情况相关的因子
"""

{
    "Thought": "为了

感谢万老师，这堂课收获非浅。无论是滚动训练框架，还是scikit-learn等知识的扩展，都对我的量化学习直到了非常大的启迪作用。

坦率讲，对平台和代码都还是半生不熟的情况下，这个作业的过程，就是一个非常高效的学习过程。

1、先试着补全一个线性模型。

首先拟定了五个常见因子，简化起见都是用

基于随机森林模板，选了37个因子根据随机森林重要性排序。

保留前面9个最重要的因子，结果如下

![](/w

一、尝试用不同的大模型实现因子的挖掘：

目的测试国内的主流大模型，看哪个大模型的能力更适合挖掘因子

提示词：

user = """
日期为2022-01-01到2024-01-01
我想做一个流动性增强因子
"""

qwen_plus：

以下是机器学习的作业，分别测试了XGBoost模型和线性回归模型，代码如下：

[https://bigquant.com/codesharev3/9f8b0f0d-a863-4f0c-ab89-2508ca68d72b](https://bigquant.com/codesharev3/9

已挖掘的因子如下:

[

'因子 c_zscore((volume / turn)) 的 IC 为 0.015, 因子累计收益为 0.194, 年化收益为 0.097, 夏普比例为 0.551, 年化波动率为 0.206, 最大回撤为 -0.223',

'因子 c_zscore((c_z

折腾了几天，终于把3个模型的训练和比较都弄完了，走了很多弯路，训练模型也耗费了大量的时间，虽然作业完成得慢一些，但是在做的过程中得到了很大的提高，主要有以下几点心得：

1、对整个AIStudio工作环境更加了解，各个功能也都再熟悉了一遍，操作更顺手了

2、在完成作业过程中遇到过很多不明白的问题，

1、请回顾你过去的交易经验，选择一个你曾经使用过的交易方法，尝试用量化的方式重新表达出来（用文字描述，无需代码实现）.。

1.SMA 及EMA 的黄金叉
2.短线向上破长线购入
3.移动止蚀，设为当前X滚移标准差的n倍
4.若当前止蚀高于记录的最高止蚀,设最高止蚀为当前止蚀.
5.跌破止蚀

1、请用自己的话解释什么是量化投资。

使用数据化、数据科学,统计, 投研结果，使用系统化数据收集及回测，及使用程序交易方法投资。

\

2、请你列出你认为的量化投资的优势和劣势。

优势:

1.系统化,

2.理性，

3.evident-based,

4.可分散风险

缺点:

多轮因子评估后，因子计算方式复杂，模型容易出现幻觉，将数据表信息，补充到上下文中。

将模型修改为kimi：

• api_key="sk-",

• base_url="https://api.moonshot.cn/v1"

• model="kimi-k2-0711-preview",

  \