策略分享-蓝筹股小盘股混合策略
一、引言
在 A 股市场中，小盘股往往具备高成长潜力但波动较大，蓝筹股则以稳定分红和低波动为特征。如何平衡两类资产的风险与收益，是许多投资者关注的核心问题。本文分享一套量化策略 —— 通过混合小盘股与蓝筹股的股票池，结合组合优化动态调整权重，在控制不确定性风险的同时，捕捉不同市场环境下
由bq9e696k创建，最终由bqthkv1v更新于
在 A 股市场中，小盘股往往具备高成长潜力但波动较大，蓝筹股则以稳定分红和低波动为特征。如何平衡两类资产的风险与收益，是许多投资者关注的核心问题。本文分享一套量化策略 —— 通过混合小盘股与蓝筹股的股票池，结合组合优化动态调整权重，在控制不确定性风险的同时，捕捉不同市场环境下
由bq9e696k创建，最终由bqthkv1v更新于
由bq4y4j3i创建，最终由bq4y4j3i更新于
由bq4jnrx6创建，最终由bq4jnrx6更新于
按照模板写实在写不出来，改了一下模板，写了4个表来做计算
市场风格在一定时间范围之内确实还是有延续性的，如果风格相对明显的策略，是比较好适应这个市场的。我只加入了榜单上的2个小策略，对风格的涵盖不广，也比较难跑出来
问题：看日志发现用市场的最大风格逻辑还是有点问题的，风格比较容易变化，别的风
由yzc18811006016创建，最终由yzc18811006016更新于
由bqrlttmv创建，最终由bqrlttmv更新于
由bq9w5oqo创建，最终由bq9w5oqo更新于
由bq9w5oqo创建，最终由bq9w5oqo更新于
在我们找到一堆因子后，下一步就是把这些因子打好标，丢入模型，让模型去寻找因子和标签的映射规律。
标签就是你要解决的问题，标签应该是和因子强相关的。随意的打标会增加模型预测的难度，而过于傻瓜的打标会限制因子的发挥。
普遍做法是用n个周期后的收益率作为标
由small_q创建，最终由bqv93dy2更新于
由jk8023599创建，最终由jk8023599更新于
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# 根据项目规范，定义策略参数
class PortfolioAnalysisCon由bqtzejx8创建，最终由bqtzejx8更新于
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# 根据项目规范，定义策略参数
class PortfolioAnalysisC由bqtzejx8创建，最终由bqtzejx8更新于
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# 根据项目规范，定义策略参数
class PortfolioAnalysisC由bqtzejx8创建，最终由bqtzejx8更新于
先感谢老韵同学，下面抄老韵同学的作业，改了3个模型进行训练，不知道为啥我这里xgboots的效果那么差，搞不清原因。感觉机器学习最重要的就是设置好因子和lable，目前没有头绪，没有对因子挖掘系统性的认知，现在就是瞎试。 之前lable没有用pct_rank_by，结果就很差，不知道如何运用pct_
由bq9dhg5r创建，最终由bq9dhg5r更新于
由bqz709ry创建，最终由bqz709ry更新于
\
在不同模型下，特征重要性有所不同
| sotckranker | xgboost |
|---|---|
| ![](/wiki/api/attachments.redirect?id=d5b76aed-3ac8-49e0-8333-a21838a9f2d7 |
由bqf6mces创建，最终由bqf6mces更新于
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
由bqnst8by创建，最终由bqnst8by更新于
例如取自选股中红宝丽20250322日09:24:57时刻的竞价价格和未匹配量
由bqpgwxqd创建，最终由bqv93dy2更新于
由bqmu1wjw创建，最终由bqmu1wjw更新于
由yzc18811006016创建，最终由yzc18811006016更新于
影响策略效果的因子有很多，每个人所选择的因子也各有不同，选取因子后，如何分析数据，找出有效选股逻辑模型就成为重点。该数据分析工作是策略逻辑编写中最耗时的部分，本文介绍，如何简化数据分析的工作：数据标准化处理
举例说明：
当天收益因子：5000支票，可能会有1000+个不同的值，如：1
由bqpguj9o创建，最终由bqpguj9o更新于
代码：
由bqbppxmo创建，最终由bqbppxmo更新于
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 = 由bqz709ry创建，最终由bqz709ry更新于
BigTrader 是 BigQuant 推出的专业级量化交易引擎，采用 C++ 核心实现，并提供 Python API 接口和回调函数。它为量化投资者提供了一个全面的交易解决方案，无论您是初学者还是专业投资者，都能轻松上手使用。
由qxiao创建，最终由bqadm更新于
由bqmu1wjw创建，最终由bqmu1wjw更新于
今日作业：
\
答：
量化分几步
1 数据分析与挖掘：
由godspeedgld创建，最终由godspeedgld更新于