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:
```json
{
"Thought": "为了构建流动性增强因子,首先需要获取基础数据,例如成交量(volume)和换手率(turn),这些指标能够反映股票的流动性水平。流动性增强因子可以通过分析成交量的时序平均水平来构建,这有助于识别股票在一段时间内的平均交易活跃程度。",
更新时间:2025-08-12 15:08
因子概述 ABN TURN(异常换手):衡量股票近期换手率相对于长期换手率的异常程度,计算方式为过去20个交易日平均换手率除以过去250个交易日平均换手率。
-1 * m_avg(turn, 20) / m_avg(turn, 252)
因子回测报告
更新时间:2025-08-11 07:46
更新时间:2025-08-08 05:08
https://bigquant.com/codesharev3/6bc835de-b022-4709-8ea8-1fbfbe51e2ba
\
更新时间:2025-08-05 15:47
更新时间:2025-04-15 07:19
如何更方便地提取平台已整理好的因子,我想获取比如某个申万一级行业的波动率指标,数据源返回了价格交易量换手率等信息,波动率需要自己写函数计算了。有没有更方便的方法,像普通标的一样在特征列表里面写想要的因子,再连连线就能搞定
https://www.bilibili.com/video/BV1Pr4y1g79W?share_source=copy_web
[https://bigquant.com/experim
更新时间:2025-04-15 07:19
更新时间:2025-03-15 03:20
请大家在本文档下新建文档,提交作业
作业:使用今年以来的数据,计算过去20日换手率均值和未来5日收益率的IC和IR
{{membership}}
https://bigquant.com/codesharev3/f8805846-d596-4537-b9ff-d21126655154
更新时间:2025-03-03 07:38
不然提取基础数据就得join几张表,效率太低了
更新时间:2025-02-16 03:33
%%sql
SELECT
log(total_market_cap) as f_market_cap,
m_avg(turn,20) as f_trun,
date,
instrument,
industry_level1_code,
c_neutralize(f_trun,industry_level1_code,f_market_cap) as NEW_TURN
FROM cn_stock_factors
JOIN cn_stock_industry_component
USING(date,i
更新时间:2025-02-16 02:35
想请问一下 平台,我看BBS上说是计算换手率,但是我看因子分析模块里面算出来的 ,那个因子拥挤度,都超过100了,感觉不像是 换手率(因为单个股票换手率一天最高才100%)。那请问因子分析模块 的 因子拥挤度到底是怎么去计算的呢?
更新时间:2025-02-16 02:14
neutralize(sum(turn_0,90), total_market_cap) as hsl, 报错。
更新时间:2025-02-15 11:16
今天了解一个基础的因子——股票换手率,又称“周转率”,是反映股票流通性强弱的一个重要指标,它是指在一定时间范围内 市场中 股票转手买卖 的频率,其计算公式为:
其中:
换手率越高,说明股票的交易越活跃,可以反应市场的情绪变化;换手率越低,说明股票的交易越冷清。
更新时间:2024-11-28 07:33
作业思路:地量出地价,寻求反转的机会。买入换手率最低的5只股票,持仓5天。
https://bigquant.com/codesharev3/146b942c-f869-4e93-b392-e18a29370c0c
\
更新时间:2024-07-05 06:40
换手率(Turnover)通常用于描述股票或其他证券在特定时间内的交易活跃程度。金融市场中,换手率可用于衡量股票的流动性,即股票在市场上买卖的频率和容易程度。
BigQuant的金融市场数据因子平台以及AI量化策略平台(PC端),验证换手率因子组成的AI量化交易策略。
:
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略:
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间:2024-05-16 02:47
单因子策略:120日换手率之和
回测图:
\
{{membership}}
https://bigquant.com/codeshare/54d502d3-8cd7-45f4-97a5-55b912da0ef3
\
更新时间:2024-04-25 07:28
回测图:
\
声明:本策略需要在AIStudio 3.0环境下运行(点击克隆之后-选择最新环境)
{{membership}}
[https://bigquant.com/codeshare/f4d50c8c-dc68-44e2-89ef-e91c72ad01f4](https://bigquant.com/codeshare/f4d50c8c-dc68-44e2-89ef-e91c72ad01
更新时间:2024-04-25 07:22
更新时间:2024-04-25 07:21
更新时间:2024-04-25 07:20
我们从行业层面的量价数据入手,根据量价因子的本质含义对其进行归类,将量价因子分为动量、交易波动、换手率、多空对比、量价背离、量幅同向六大类。
我们对这六大类中的量价因子进行单因子测试,包括因子分组测试和因子IC值分析,最终得到了11个较为有效、逻辑性强的月频行业因子。
我们根据11个量价因子构建量价行业轮动组合,每月末选取中信一级行业(剔除综合和综合金融)中复合因子值最高的五个行业,行业间等权加权。
2010年至2022年7月,量价行业轮动组合的累计收益为580.00%,相对于全部行业等权组合的累计超额为
更新时间:2023-06-01 14:28
(一) 主要内容
本篇报告首先对基础动量因子进行细致分析,发现基础动量存在较多不足并提出改进思路的二维矩阵,之后对每个改进维度的切入点、逻辑链条和改进方法进行详细阐述,最后测试了各个改进因子的提升效果。
(二 ) 基础动量刨析
(三 ) 改进动量的思路框架
更新时间:2023-06-01 14:28