https://bigquant.com/tutorial/ （宽客学院）
https://bigquant.com/community/t/topic/131694 （AI量化策略快速理解）
AI量化策略的目标(Label)：默认使用股票收益率作为目标。
第一步：确定数据(如股票池)，划分训练集、测试集
第二步：定目标：数据标注
第三步：找因子 （好的因子组合是策略成功的关键。）
第四步：数据连接+缺失数据处理
第五步：模型训练+股票预测 （机器学习模型采用StockRanker模型，是一个排序模型，预测的结果是每日的股票排名。）
第六步：回测（这个排名列表即预测结果最后传给回测模块按一定的规则进行买卖模拟交易，进行检测。）
https://bigquant.com/community/t/topic/132020 （第一步：设置训练集、测试集数据范围）
https://bigquant.com/community/t/topic/132124/10 （第二步：数据标注）
https://bigquant.com/community/t/topic/131405 （自定义标注）
将数据标注为多个离散值成为分类标注，将数据标注为连续性数据称为回归标注。
预测收益率要结合收益率，预测波动率要结合波动率。
不能分的太细，一般5类，高收益、较高收益、一般、较低收益、低收益。
数据标注和特征工程一样重要，共同决定了机器学习算法的预测能力。
https://bigquant.com/community/t/topic/132450 （第三步：找因子）
因子的构建在机器学习中也称为特征工程。
市场中能够持续稳定获取超额收益的因子也称为alpha因子，而无法产生持续稳定超额收益的因子一般也称为风险beta因子。
https://bigquant.com/community/t/topic/131620 （第四步：数据连接+缺失数据处理）
可进行更复杂的数据处理，如合并自己的数据，过滤停牌、过滤ST股票等。
https://bigquant.com/community/t/topic/131653 （第五步：模型训练+股票预测）
模型训练和模型预测是AI策略区别于传统量化策略的核心。
StockRanker为决策树。20个决策树，将所有决策树的打分结果汇总得到每只股票的得分和排序。
可观察每日各股票的得分、排序，即每日最值得买入的股票排序。
StockRanker 算法专为量化而生，核心思想是排序学习和梯度提升树。
接下来就可利用预测好的股票进行买入卖出，计算并评估对应的收益、风险。
https://bigquant.com/community/t/topic/131656 （第六步：回测）
何时买入卖出、止盈止损、交易费、成交率等。
AI策略的编写思路是利用AI模型的预测结果构建买卖交易逻辑，根据AI模型的类别不同，利用模型预测值构建的交易逻辑也不尽相同。
每天卖出持仓中预测排名靠后的股票并买入当日预测排名靠前的股票。
BigQuant交易引擎把每一个K线当做一个事件。
回测程序在第一根K线上会依次调用初始化函数、数据准备函数、盘前处理函数和主函数，从第二根K线起的每根K线会依次调用盘前处理函数和主函数。
买入点：在何时下单买入。open=开盘买入，close=收盘买入；可选值有: ‘open’，‘close’；默认值是’open’。
卖出点：在何时下单卖出。open=开盘卖出，close=收盘卖出；可选值有: ‘open’，‘close’；默认值是’close’
回测数据频率：股票、期货暂只支持日线、分钟级回测。可选值有: ‘daily’和’minute’；默认值是daily。
我们在构建策略后通常还需要对策略进行反复的评价、优化、测试才算完成策略开发。
https://bigquant.com/community/t/topic/131691 （第七步：查看、分析结果）
策略回测完成时，系统会输出包含各种指标的收益曲线图。包含 收益概况、交易详情、每日持仓和收益 、输出日志。
收益概况包括：收益率、年化收益率、 基准收益率、阿尔法、贝塔、夏普比率、胜率、盈亏比、收益波动率、信息比率、最大回撤。
https://bigquant.com/community/t/topic/131764 （第八步：模拟实盘）
https://bigquant.com/community/t/topic/1873 （收益分析）
包括风格因子收益分析和策略收益综合分析。
https://bigquant.com/community/t/topic/131431 （回测数据的深入分析）可选，使用empyrical自行计算
https://bigquant.com/community/t/topic/128089 （如何在策略中设置滑点）
使用zipline实现（from zipline.finance.slippage import SlippageModel）
如何通过重定义下单价格，通过修改下单价格实现滑点模型：
1、固定百分比滑点模型的实现
2、固定金额滑点模型的实现
https://bigquant.com/community/t/topic/131338 （BigQuant回测模块详解）
在策略回测中应用最为广泛的就是 事件驱动机制。
回测机制是 把每一个K线当做一个事件，按照时间发生先后顺序，即从左往右依次运行。
当产生订单时，只能在下一个K线上完成订单成交，这样就能避免未来函数的问题，同时也能更加逼近现实真实情况。
最为常见的就是设置订单价格是下一个K线的开盘价。
订单撮合顺序：先执行卖出操作，然后执行买入操作。
https://bigquant.com/community/t/topic/132822 （AI模板策略交易逻辑解读）
StockRanker算法AI模板策略的回测模块中策略的构建过程。
一、初始化函数 二、数据准备函数 三、盘前处理函数 四、主函数
https://bigquant.com/community/t/topic/131273 （BigQuant平台常用AI机器学习模型）
机器学习模型有分类模型、回归模型、排序模型和聚类模型四类。
排序模型包括 XGBoost排序、Stock_ranker排序。
https://bigquant.com/community/t/topic/251 （浅谈小市值策略）
传统量化选股策略；根据fama三因子模型，市值因子是一个长期有效的超额收益来源；
每月月初买入市值最小的30只股票并且成交额满足一定条件的股票，持有至下个月月初再调仓。
https://bigquant.com/community/t/topic/598 （财务指标量化策略）
1、每股现金流量/每股业绩
2、净资产收益率
3、销售毛利率
最终确定三个因子都能排在前500的股票篮子；
买入该股票篮子，等权重买入；
一个月换仓一次，买入新确定的股票篮子。
年化收益26.9%；如果配合择时模型，想必效果会更好。
https://bigquant.com/community/t/topic/249 （金叉死叉策略）
金叉死叉策略其实就是双均线策略。传统的择时策略。
双均线系统虽然简单，但只要严格执行，也能长期盈利。
https://bigquant.com/community/t/topic/131356 （策略止盈止损）
止盈止损属于卖股票的择时，在之前的择时中是没有的
（之前的择时包括择时买入和卖出，但在卖出的时候，只考虑股票的排序，而不考虑已经赚了多少、亏了多少）
以双均线策略为例，添加固定点数止盈条件。
（双均线在死叉卖出，但是如果已经赚了很多，是否不能提前卖出？已经亏了很多，是否不能提前卖出？这就是择时中加入止盈止损）
固定点数止盈、固定百分比止盈、固定点数止损、固定百分比止损、跟踪止损。
（如果股票上涨，那么初始止损不再适用，而是采取止损位置不断抬高的跟踪止损，能够防止利润的大幅回吐）
https://bigquant.com/community/t/topic/129831 （做空机制探讨）
https://bigquant.com/community/t/topic/157981 （基于DNN模型的智能选股策略）
提取了7个因子，构建了两层的DNN模型，因子的选择提取，模型的深度和具体的模型参数都还有很大的调整空间。
训练集：10-15年 测试集：16-19年 类型：回归问题 标注：未来5日收益(不做离散化)
选股依据：根据预测值降序排序买入 持股数：30 持仓天数：5 窗口大小为1
https://bigquant.com/community/t/topic/129667 （AI模型评价）
以随机森林模型为例介绍新增模型评价功能。混淆矩阵、正则化混淆矩阵、ROC曲线、精准率-召回率曲线
https://bigquant.com/community/t/topic/155217 （基于LSTM模型的智能选股策略）
A股所有股票；7个因子；计算5日个股收益率；窗口大小为5，使用过去5天的因子数据作为输入；
两个隐含层的LSTM；预测收益率；回归模型；2010到2016年训练；2016到2019年预测；
每日买入预测排名最靠前的30只股票，至少持有5日；同时淘汰排名靠后的股票；
预测排名越靠前，分配到的资金越多；最大资金不超过20%；初始5日平均分配资金。
https://bigquant.com/community/t/topic/154799?fr=home_page&right5 （基于一维CNN模型的智能选股策略）
https://bigquant.com/community/t/topic/9322 （LSTM大盘择时+Stockranker选股）
LSTM在m20_prepare_bigquant_run中，属于准备阶段；它是m20的一个参数，而m20就是回测模块。
LSTM相对Stockranker是可有可无的。m20_prepare_bigquant_run方法可以为空。
LSTM的模型输出是涨跌预测值(正数为持仓信号，负数为空仓信号)；将LSTM的预测结果作为一种择时信号。
https://blog.csdn.net/bigquant/article/details/86703825 （LSTM择时+StockRanker选股的可视化策略实现）
https://zhuanlan.zhihu.com/p/32433047 （基于StockRanker算法的机器学习量化策略）
