代码报错-Conversion Error: Could not convert string 'Infinity' to INT64

您之前说了是数据里面有inf值，进行处理，替换成0或者nan再进行因子分析，具体怎样修改哪一行代码，我已经剔除了inf，还是不行，能给出具体的操作吗？

https://bigquant.com/codesharev3/3bd6dc8b-8b9e-4207-8d68-fa1d4ce0e162

\

数据定义

以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

构造这个因子需要用到的数据的表格形式如下:

首先我们求出截面净委买比例：

最后将分钟内的截面净委买比例求平均即可得到时间加权的净委买比例，所以这

本文以中证1000的股指期货(IM2503.CFE)与指数(000852.SH)价差为例, 我们来加工股指与期货的价差因子并进行实时可视化操作。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

数据定义

因子构造思路较为简单，我们需要用到期货l1快照数据以及指数快照数据，首先计算快照上的价差，最后将价差用last函数聚合成分钟频的数据。

因子加工代码

首先导入第三方库，并将数据推送至中间表：

import dai
import time
import plotly.graph_objects as go
from IPython

这个策略之前模拟正常，现在突然报错：no data left after dropnan

1、截图模拟交易报错的页面，配文：报错内容：Exception: no data left after dropnan

2、粘贴策略链接：https://bigquant.com/codesharev3/9be3987e-8535-4b59-860c-18ccd7b6f917

谢谢支持的老师。

1、bigtrade的模式和聚宽很大的一个区别就是，策略要用的数据你们是先全部提取好了作为直接输入到回测引擎，这样就可以减少回测引擎每回测一天跑一天数据的麻烦，且再次回测也会有缓存，加快回测效率。我想问的是，我在取数据的时候是取整个回测时间段的，模拟的时候取数是当前的，这两个取数代码的写法肯定不同，不像聚宽，永远取回测日当前时间数据就行，而且我策略要用到的因子数据是需要比较复杂的加工的，有sql，有python，那我提交模拟之后，模拟交易怎么能识别我计算因子的逻辑，然后计算当天的因子值

2.我write_bdb的表是永久有效的么？这个表的存储空间需要付费么？

1、如果我的因子在sql之外还需要用Python做一些处理，请问提交因子的时候factor_sql 该怎么写？

2、因子分析中是否每个股票每个交易日都要有因子值，我是否可以每个股票只有月末有一个因子，其他时间都是空的。

老师，请问模块抽取出来的数据是一个大表格，如何才能将下面图示中的M4表格另外下载出来？谢谢

老师，请问DAI查询出来的数据表太大，如何单独形成一个XLS表格，方便自己进行分析，谢谢

import dai

df = dai.query("""

SELECT

    date, instrument,

    IF(price_limit_status = 3,1,0) AS _zt,

    If(m_sum(_zt,10) = 1,1,0) AS _firstzt,

     open/m_lead(close,-1)-1 AS _jump,

     If(_jump > 0.04,1,0) AS _jumphigh,

     close/ope

代码如下

import dai

st = '' 

sql = f""" 
select
    date,
    instrument,
    sw2021_level2,
    sw2021_level2_name,
    r_ind,
    r_mkt,
    m_product(r_ind + 1,240)- 1 as r_ind_1y,
    m_product(r_mkt + 1,240)- 1 as r_mkt_1y,
    r_ind - r_mkt as r_std,
    (r_ind_1y - r_m

行情数据NaN空值处理的bug问题

 回测时发现仓位中有些早期时间段(大多2012年前)仓位很轻,按理持仓就为10支,可那些日子里只有1,2支. 后面发现,:\n     因为我代码中有:  m_max(close,100). 只要这100前有一个NAN值,这支股票就被无情的排除了.

 要是:m_max( close,100,  参数=’ 0’ ).这里加个参数,表示数据中有NAN时填充0计算.  也可以=”停牌前的价格”\n要是能有这选择参数就完美了.

\

一、股息率定义

股息率是指公司每年支付的股息与其股票当前市场价格的比率。它是一个重要的投资指标，帮助投资者评估股票的收入潜力，股息率越高，通常表示投资者可以从该股票中获得更多的被动收入。计算公式为：

本文更多介绍如何使用 ASOF JOIN 操作处理日频数据和非日频数据，因此，我们简化股息率的公式，假设分子分母都使用总股本，则上述公式可以简化如下：

![](/wiki/api/attachments.redirect?id=4

positions = context.get_account_positions()

for code, position in positions.items():

    print(code,position.last_sale_date, context.trading_calendar.session_distance(position.last_sale_date, data.current_dt))

\

策略流程

1. 筛选条件：净利润增长率长大于15%，连续3年净资产收益率大于15%，市盈率低于35。
2. 策略回测：开盘买入，收盘卖出，回测时间为2017-05-01至2017-06-15

策略实现

输入特征模块

• 将净利润增长率，净资产收益率，市盈率作为作为输入特征；

• 将净利润增长率长大于15%，连续3年净资产收益率大于15%，市盈率低于35设置为表达式过滤条件。

  \

数据抽取模块

• 抽取数据，并设置开始日期为2014-12-31 ，结束日期为2016-12-31。

\

BigTrader模块

• 在m5”BigTra

两个“输入特征（DAI SQL）”模块，分别从两个数据表提取数据，之后可以共同连接一个新的“输入特征（DAI SQL）”模块，做到数据连接的功能

我们来看一个具体的例子，在下面这个例子中：

• m1模块的作用是从cn_stock_prefactors表中提取出pe_ttm和total_market_cap两个字段，并且过滤掉ST股票
• m2模块的作用是从cn_stock_money_flow表中提取出main_flow和main_rate两个字段

![](/wiki/api/attachments.redirect?id=2d891157-85

1. 获取数据

首先获取训练集“Stanford V1.0”和使用Glove模型训练好的词向量矩阵。

我们使用shell命令获取以上文档，脚本如下：

DATASETS_DIR="utils/datasets"
mkdir -p $DATASETS_DIR

cd $DATASETS_DIR

# Get Stanford Sentiment Treebank
if hash wget 2>/dev/null; then
  wget http://nlp.stanford.edu/~socherr/stanfordSentimentTreebank.zip
else
  c

旧版声明

本文为旧版实现，仅供学习参考。

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

下列代码在读取数据时，使用最新dai.query接口即可。

数据读取

\

导语

本文继续讲解Pandas库在数据分析和处理上的一些应用。

[https://bigquant.com/codesharev2/5a39d584-7b74-4d00-832f-

新版数据导入部分使用dai库

导语

本节主要讲解Pandas库中 DataFrame 的数据查看与选择

Pandas 是基于 Numpy 构建的，让以 Numpy 为中心的应用变得更加简单。平台获取的数据主要是以 Pandas 中DataFrame 的形式。除此之外，Pandas 还包括 一维数组Series 以及三维的Panel。

Pandas中获取数据的方式

下面将进行详细介绍：

Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而

BigQuant的DAI数据平台提供了许多字段运算的表达式函数，完整的函数在这个文档（DAI SQL 函数列表），我们这篇文档总结了一些常见的表达式

1. DAI数据平台表达式函数的使用

1.1 输入特征模块中使用表达式函数

DAI数据平台封装的表达式函数，需要在可视化模式下的“输入特征（DAI SQL）”模块中的“表达式特征”一栏中填写，之后再连接数据抽取模块就可以把该表达式的计算抽取出来

例如，我们以5日平均收盘价`m_avg(close,

在使用“输入特征（DAI SQL）”提取数据的时候，可能会遇到缺失值的问题，缺失值的出现可能是因为原始数据表中有缺失值，也有可能是表达式计算的过程中产生了缺失值

对于缺失值，我们主要有两种处理方式，缺失值删除，或者缺失值填充

1. 缺失值删除

要想将缺失值剔除，只需要在“输入特征（DAI SQL）”模块中，将“表达式-移除空值”勾选即可

值得注意的是，使用这种方法，只要一行数据中有一个字段是空值，那么这一行就会被剔除

因此，当有多个特征被提取的时候，只要有一个特征由于运算逻辑错误导致整个字段都是空值的话，那么所有行都是包含空值的，这样的话数据提取

策略介绍

A股分两种：“漂亮50”和“要命3000” http://stock.qq.com/a/20170428/006821.htm 证券时报记者以三个指标筛选出A股的“漂亮50”，这三个指标分别是净利润增长率长大于15%，连续3年净资产收益率大于15%，市盈率低于35。

策略流程

1. 筛选条件：净利润增长率长大于15%，连续3年净资产收益率大于15%，市盈率低于35。
2. 策略回测：开盘买入，收盘卖出，回测时间为2017-05-01至2017-06-15

策略实现

输入特征模块

• 将净利润增长率，净资产收益率，市盈率作为作为输入特征

本系列文章列举了AIStudio3.0环境中可视化模式下的常用数据处理方式

小伙伴们可以在评论区发你们想了解的其他数据处理方式，我们会在本文持续更新

新版本暂无深度学习可视化模块

导语

在阅读了 深度学习的简要介绍后，本文将介绍深度学习DNN模型及其在量化投资领域中的应用。

深度学习在量化领域的应用

机器学习作为人工智能的核心，其传统算法在解决很多问题上都表现出了高效性。随着近些年数据处理技术上的进步和计算能力的提升，深度学习得以在很多问题上也大放光彩，成为近一段时间互联网、金融等领域的大热门。

在量化投资领域，机器学习尤其是由统计学延伸的各种算法一直以来都被尝试应用在选股、择时等策略的开发上，随着深度学习在其他领域上的突破，其在自动化交易甚至投资策略的自开发自

Numpy（Numerical Python）和Pandas两个库是Python编程语言中两个极其重要的库，尤其在数据科学、金融分析和量化投资领域。尽管它们在处理数据方面有所重叠，但各自设计的初衷和优势领域有所不同。

Numpy简介

• 核心功能：Numpy是一个开源的Python库，用于科学计算。它提供了一个高性能的多维数组对象和这些数组的操作工具。
• 设计初衷：为数学运算、尤

https://bigquant.com/experimentshare/1e185519774149e6803c36f1e6ecb1e6

\

\