• 声        明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 交易逻辑：每隔30个交易日，以开盘价买入当日0<PB<1.5且0<PE<15且有成交量较前一日放大1.5~2.5倍的股票；
• 每隔30个交易日，将不符合上述标准的持仓股票在第二天以收盘价卖出。
• 股票过滤：换手率小于20%，过滤ST，过滤北交所，过滤科创版，上市天数大于270天，市盈率小于50
• 排序规则：按照换手率从大到小
• 买卖时间：开盘买入，收盘卖出
• 初始资金：100万
• 持仓票数：5
• 持仓周期：1天

回测图：

![](/wiki/api/attachments.red

买入条件：

1. 今日开盘价大于昨日收盘价；
2. 5日收盘价均线大于10日收盘价均线的股票
3. 按PE升序排名取前十名,次日以开盘价买入；
4. 买入后，如果5日收盘价均线小于10日收盘价均线，则次日以开盘价卖出。
5. 股票过滤：过滤ST，过滤北交所，上市天数大于270天
6. 初始资金：100万
7. 持仓票数：10只

\

策略源码：

{{pro}}

[https://bigquant.com/codeshare/77a6ec54-de06-49b2-a46d-fdc750de5299](https://bigquant.com/codeshare/77a6

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

股票提取：在财报公告日当天，筛选出净利润同比增长小于1的，并按照净利润同比增长排序

股票过滤：剔除ST、退市、非主板、上市时间小于365天的

买卖时间：开盘买入，收盘卖出

初始资金：100万

持仓票数：3

持仓周期：30天

回测图：

\

策略源码：

{{pro}}

[http

由于财务公告通常在晚上发布，在财务报表公告的第二日开盘买入归属母公司股东的净利润同比增长率百分比大于30%的且降序排名靠前股票(总持仓量不超过50只);\n\n买入并持有40个交易日后，以第二日开盘价卖出；

\

策略源码：

{{pro}}

https://bigquant.com/codeshare/afed1970-8cc9-4e6f-95cb-8424092b3537

\

买入条件： 选择过去30个交易日内，超大单净流入占比均位于所有股票的前5%。 这些股票的涨跌幅位于同期所有股票的前5%。

卖出条件： 或股票涨跌幅跌至同期所有股票的后5%。

\

策略源码：

说明：克隆下方策略请前往最新开发环境3.0中运行

{{pro}}

https://bigquant.com/codeshare/2c867588-95a7-4e47-afeb-a377cbe13776

\

策略逻辑：价格冲击偏差较小的股票表现较好，即前期容易下跌上涨困难的股票后期表现更佳,买入

\

策略源码：

请克隆策略，前往最新版本开发环境3.0中运行

{{pro}}

https://bigquant.com/codeshare/38959187-2110-4d94-9853-de5ab21e357d

\

备注：本策略含有未开放的数据，故克隆之后无法运行。

{{membership}}

https://bigquant.com/codeshare/b6e80d6b-f5e0-4778-97cf-77fcadb7b488

\

问题

多因子选股如何筛选有效因子

回答

参考研报:

1. 多因子系列之一：华泰多因子模型体系初探-华泰证券-20160921
2. 多因子系列之二：华泰单因子测试之估值类因子-华泰证券-20160929

因子分析参考：

1. [因子分析](https://bigquant.com/wiki/doc/yinz

一、深度学习

深度学习是机器学习的一个重要分支，其本质是通过层级化的神经网络结构自动学习数据的多层级表征，从而挖掘数据背后的复杂规律。与传统机器学习依赖人工特征工程不同，深度学习实现了端到端的特征学习，能够从原始数据中自主提取从低级到高级的抽象特征，这一特性使其在金融、图像、自然语言处理等复杂数据场景中展现出显著优势。

二、深度神经网络（DNN）的基本原理

深度神经网络是一种模拟人脑神经网络结构和功能的计算模型。其基本单元是神经元，每个神经元接收来自其他神经元的输入，通过调整权重来改变输入对神经元的影响。神经网络通过多层的非线性隐藏层，可以实现对复

0. 策略名词解释

（1）StockRanker模型 (LightGBM Ranker模型)

StockRanker 在bigquant平台支持排序、回归、二分类、log loss四种算法。而在排序算法中: 使用 LightGBM 提供的排序模型（LightGBM Ranker）来实现排序任务。

github链接: https://github.com/microsoft/LightGBM

• 该模型通过将排序问题转化为多个 样本对之间的比较任务进行训练

$$ 每一对样本 (i, j) 中，如果 yi​>yj​，模型应学习让 \hat{y}_i >

不少普通投资者可能都有过这种体验：自己炒股时要么跟着热点追高踩雷，要么盯着行情反复横跳，忙活半天收益却不尽如人意 —— 所以常听到一种观念 “散户别炒股，炒股不如买基金”。这话其实也有一定道理：基金作为近年来最受欢迎的低风险资产，有专业的投研团队跑调研、算数据，能挖到不少普通散户接触不到的优质标的，持仓也更分散稳妥。

”跟着基金买，别墅靠大海。“跟着基金买真的能获得超额收益吗？基金收益能跑赢大盘吗？

巴菲特曾在2008年和美国某对冲基金有过一个10年赌约，赌主动型基金跑不赢标准500指数，最终他轻松取胜。有研究表明，基金确实在21年前都保持了一个不错的增长态势，但在21年后基金进入了寒冬。

hello，请教个问题，我这边有一个策略是通过人工选股，然后使用策略进行买卖。由于人工选股不定时更新，现在策略是将人工选的股票写死的，如果要更新股票池就需要编辑策略并且重启，重启之后运行时的过程数据会丢失。有没有什么方式可以解决这个问题，在不重启策略的基础上完成股票池的更新。

比如是不是可以定制一张数据表，人工把股票池更新到这个数据表中，然后策略执行的时候去这张表中获取数据。

\

我会从 “策略底层逻辑→风格判断原理→多因子选股逻辑→动态风控机制→风险提示与改进方向” 五个维度讲解这个策略

一、策略底层逻辑：为什么 “大小市值轮动” 能赚钱？

1.1 经济周期与企业盈利的 “差异化弹性”

大小市值企业的盈利对经济周期的敏感度完全不同：

• 大市值企业（如沪深 300 成分股）：多是行业龙头，业务布局稳定、现金流充足，比如金融、消费领域的巨头。经济收缩期，它们抗风险能力强（比如 2022 年熊市，茅台、工行的净利润仍保持正增长），是资金的 “避风港”；
• 小市值企业（如中证 1000 成分股）：多是细分领域成长股，业

一 策略原理

小市值效应

首先，中小盘股（通常指总市值 50 亿以下）有一个天然优势 ——成长弹性大。从 A 股 2010-2023 年的历史数据来看：

• 中证 1000（小盘股指数）年化收益 9.5%，最大单年涨幅 46.8%（2021 年）；
• 中证 500（中盘股指数）年化收益 8.2%，最大单年涨幅 26.4%（2021 年）；
• 沪深 300（大盘股指数）年化收益 6.1%，最大单年涨幅 27.2%（2017 年）。

为什么中小盘股弹性更高？因为中小盘企业大多处于 “成长期”—— 比如一家做细分领域设备的公司，可能从年营收 1 亿增长到 5 亿，业绩增

一 策略核心原理

1.1 价值投资核心理念

本策略深度植根于价值投资的经典理论体系，融合了本杰明・格雷厄姆的 "安全边际" 理念与现代多因子模型的量化方法：

• 市场非完全有效假说：认为市场价格会系统性偏离企业内在价值，这种偏离为理性投资者提供了获利机会
• 基本面决定论：企业股价的长期表现最终由其经营业绩和财务状况决定，而非短期市场情绪
• 风险与收益匹配原则：通过严格的筛选条件构建安全边际，在控制风险的前提下追求合理收益

\

1.2 多因子选股框架构建逻辑

策略采用 "五维选股框架"，从不同维度全方位评估股票质量，各维度既相互独立又相互印证

1.什么是量化投资

量化投资，简单说就是“用数学和算法代替人脑做买卖”。它把选股、择时、仓位、等所有环节都写成可计算、可回测的规则，然后让电脑按规则执行。核心要素可以拆成三块：

1. 研究什么\n• 因子：把股票好坏翻译成可量化的指标，如估值、动量、情绪、突发事件等。\n• 产生交易信号：因为现在宽帮可以自动交易，用这些因子生成“买/卖/持有”的指令。
2. 在哪用\n• 选股：在同一时间点比较所有股票，挑出未来预期收益最高的组合（横截面）。\n• 优选10只票：判断单个标的未来涨跌，决定进场时点（时间序列）。
3. 宽帮适合多快的交易频率\n• 中低频：持仓几天到几个月，赚的是趋

我用“策略社区模板+万老师final全动态模板”与BQ的AI智能体编写了“宽指轮动选股策略-250807”，这个策略是针对沪深300、中证500、中证1000成分股股票池的股票，用Stock Ranker模型选股，然后将三个策略封装为三个用户因子表，再将三个因子表构成一个用三大宽基指数进行择时再对应相应的股票池选股的组合策略，现在三个宽基指数策略均可以正常回测并已成功提交模拟（产生正常的交易信号）,该组合策略也可以正常回测，但组合策略提交模拟失败，请尽快解决提交模拟的问题。\n宽基指数轮动股票池选股策略

分享链接： https://bigquant.com/codesharev3/0d49a

选股策略

1.

https://bigquant.com/codesharev3/d8840d5f-3d22-4d3e-9868-6e4bd8c7c153

2.感悟心得：bigquant平台可以快速的修改回测日期和修改模块

1.什么是量化投资

量化投资是采用数学定量的方法进行投资，包括通过数据和因子进行选股和买卖。其内涵上包括因子研究、量化选股、量化交易、风险控制等。在分类会包括：在时序和截面上的量化，对应量化择时和量化选股；从因子类型上分量价多因子量化、基于事件的量化、基于指标的筛选量化。在频率上可以分为高频量化（日内交易）、中低频量化。

2.量化投资的优势和劣势

量化投资的优势：（1）通过因子分析可以找到更科学的选股依据；（2）通过量化择时、风险模型和多策略的组合可以控制和降低投资风险；（3）以量化信号为买卖基础，减少对人性的依赖，也减少由于人性弱点带来的主观投资错误；（4）对策略效果的跟踪

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）。

答：我自己主要做技术分析，一般是看MACD和布林线，再结合均线。 如果我的投资思路用量化的方式表达，那就是：

股票池：过滤（北交所，科创版，ST， 市值5亿以下和500亿以上）

选股：K线站上5日均线，MACD在水上， 价格在布林线的中轨上方（突破的时候入场）

持股：一般是5只左右

\n2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主要流程。

答：我觉得前提条件是有一个合理的预期，然后才是做策略。 具体的做法，我会基于自己对市场的

https://bigquant.com/codesharev3/534ccc2e-0cd1-4bb5-9e32-1364235eac4e

以上选股策略原理建立，选出当天有过跌停的股票，收盘价收在-7%以上的股票，市值在15亿到23亿之间，比如2025年3月5日选出的华阳新材，3.24的法尔胜，请问老师这种选不出来是什么原因，还请帮忙进行解答谢谢。\n

本文分享一个长期正收益的成长因子选股策略，以及分享如何在bigquant平台上利用M.tune工具进行不同参数的任务并发，统计并发运行结果，再寻找较优绩效的参数组合。

走势截图

\

策略思想

基于成长因子和规模因子开发量化选股策略，股票原始过滤条件如下：

策略实

\

1.市场观察和机会发现

1.1中高价蓝筹股的特点及风险

• 购买门槛较高：中高价蓝筹股通常是大型知名企业，其股价相对较高。这是因为这些公司具有较大的市值、稳定的业绩和较高的行业地位，市场对其有较高的认可度，所以其股票价格也处于较高水平。例如贵州茅台，其股价长期在千元以上，购买一手（100 股）就需要十几万元甚至更高，这对于资金量有限的投资者来说，进入门槛较高。
• 存在戴维斯双杀风险：戴维斯双杀是指当公司业绩下滑时，不仅每股收益（EPS）会下降，而且市场对其预期也会降低，导致市盈率（PE）也随之下降，两者的双重作用会使股价出现大幅下跌。以三安光电为例，2021

希望可以在画布中对使用的模块进行rename，这样之后自己回看策略时可以一目了然。

\