https://bigquant.com/experimentshare/1f261d83b2664aac83f2a3e9f9db4e86
把特征列表里面行的注释都删除掉,如下
[https://bigquant.com/experimentshare/8765045828e841d5bcb98f8010499537](https://bigquant.com/experimentshare/8765045828e84
更新时间:2023-06-01 02:13
更新时间:2023-05-23 02:30
可以在Initial函数中通过context的set_commission设置
def initialize(context):
"""初始化"""
print("initialize")
# 股票设置费率的示例
context.set_commission(equities_commission=PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5.0))
# 期货设置费率的示例
comm_dict = {
更新时间:2023-05-11 03:12
• 点击新建对话,创建一个新对话
• 点击输入框,开始与QuantChat交流
• 您可以直接输入以下对话

更新时间:2022-11-20 03:34
更新时间:2022-11-20 03:34
5月27日策略计划卖出000909数源科技,该股收盘价为跌停价,但收盘后在跌停价上还有2.3万手的买单未成交,盘后回测结果显示该股未能卖出,原因为尾盘跌停不能卖出
虽然跌停不卖出的逻辑整体上正确,但000909这种情况应该是能卖出才对。涨停不买入,跌停不卖出的设置好像是回测模块默认的,用户无法修改,不知该如何处理。
日频回测没有单独开放处理逻辑。所以这种情况可以将买入卖出点设置为响应的vwap和
更新时间:2022-11-09 01:23
需要在当前的持仓中可以通过股票代码来获得当前的持有天数,有哪个方法可以获取到吗
\
你好,你可以通过 position = context.get_position(instr) pos_date = position.last_sale_date print("持仓时间",pos_date)
“请问这个天数是交易日还是自然日?“
具体实现代
更新时间:2022-11-09 01:23
对系统不熟悉,问个小白的问题吧。
看起来context和data这两个对象是回测中非常重要的全局对象,要写策略的话应该是必须要对这两个对象非常熟悉才行,所以我想看看这两个对象里都有哪些内容,比如看FAQ里了解到data下有current_dt这个属性,但是自己写了一小段代码,发现根本没法用。谁指点一下?
\
是的。context \data这些变量都只能在回测引擎中使用,即,你要调用M.tra
更新时间:2022-11-09 01:23
回测运行没有错误,但是绑定模拟交易就一直提示运行失败
if context.extension['datecont'] == 0: KeyError: 'datecont'
ERROR moduleinvoker: module name: forward_test, module version: v5, trackeback: KeyError: 'datecont'
就是之前提问奇偶交易变量的那个note

in
209 )
210
–> 211 m19 = M.trade.v4(
212 instruments=m9.data,
213 options_data=m21.predictions,
in m19_handle_data_bigquant_run(context, data)
25 context.ranker_prediction.date == data.current_dt.strftime(’%Y-%m-%d’)]
26 print (ranker_pre
更新时间:2022-11-09 01:23
在前期发布的行业轮动专题报告中,我们对于有效的行业轮动因子进行了总结,部分基本面因子存在较好的行业轮动能力。然而,对于技术类行业轮动因子,我们并未得到较好的结果。 本文从高频数据的角度出发,借鉴因子选股报告中的高频因子构建行业高频因子,并对于相关因子的行业轮动能力进行了回测。本文主要分为四部分,第一部分介绍了相关因子的逻辑以及计算方法,第二部分对于各高频因子的月度行业轮动能力进行了回测分析,第三部分变换了模型参数,对于相关因子的行业轮动能力进行了敏感性测试,第四部分展示了2017年以来相关因子所选出的多头行业。
可参考高频数据类选股因子构建高频数据类行业轮动因子。考虑到使用日间
更新时间:2022-10-09 08:42
首先,该篇文章研究 20 年来投资信号的历史特点,此类信号指标广泛来自新闻和社交媒体,这可以区分每个数据类型的独特性;此外,该文评估社交媒体和新闻的投资相关性随时间的变化;最后,该文进行市场时机策略的回测,该策略基于社交媒体情感和基于新闻情感的信号对超额收益进行预测。
基于社交媒体和新闻历史数据,基于社交媒体的情感大多已经被基于新闻的情感所捕捉。尽管在研究期间社交媒体激增,但嵌入式情绪的投资重要性似乎并没有随着时间的推移而提高:社交媒体聊天的嘈杂本质并没有随着数据源的增加而消失。总的来说,
更新时间:2022-10-08 07:01