常见问题

SuperMind量化平台是同花顺旗下的人工智能投资平台,我们致力打造国内一流的专业在线量化交易平台,帮助广大投资者实现量化策略,开启AI时代,让量化实盘投资变得更简单!

在SuperMind,您可以享受到以下服务:

需要,这样才能发挥SuperMind的最大价值。如果不会编程又想使用的用户建议查看本FAQ的最后部分,进行一键复制到自己的策略库进行回测。

您在SuperMind量化平台中原创的策略是您宝贵的知识财富,100%属于您!我们尊重并坚决维护您在SuperMind量化平台中创建的策略知识产权!

支持实盘。

品种支持:

股票/基金:支持

可转债:支持(需要资金账户本身支持)

期货:需要额外购买。

期权:不支持。

我们不提供投资建议,平台所展示的策略、主题及个股推荐等不代表平台观点,我们只竭诚为您提供专业的在线量化交易平台,让您随时随地无所顾忌地编写策略、实现策略。

下载到任意版本后点击账户注册:

创建策略

方法一:参照策略示例,修改代码;

通过运行检验代码问题

策略代码编写完成后,您可以点击运行,快速地查找代码以及策略逻辑等存在的问题,进而达到优化策略的目的;

通过历史回测检验策略表现

您可以使用回测功能,通过策略收益、最大回撤、Alpha、Sharpe等风险指标初步评判策略表现,并再次进行优化。

使用仿真交易跟踪策略表现

如果您的策略已经进行过回测并且成功,您可以使用仿真交易来精准跟踪策略,从而为您的真实投资提供一定参考依据,降低风险。

如果您还有疑问,可以进入SuperMind社群咨询,我们的工作人员为及时为您解答。

核新同花顺是中国市场的精准金融数据服务供应商,为量化投资与各类金融业务系统提供准确、及时、完整的落地数据,数据更新会在每日9点之前完成。目前平台为您提供了以下数据,助您运筹帷幄,决胜千里。

我们的数据是支持落地到本地的。如果有兴趣可以联系我们:wangdi5@myhexin.com

SuperMind量化平台提供的数据目前暂不支持下载。

SuperMind是基于历史数据提供回测服务,而问财选股则基于当前数据提供数据检索服务,二者业务不同,为避免回测中涉及未来数据,SuperMind在数据解析和逻辑处理上与问财有所差异,以致选股结果不一致。

如果在打开研究环境页面时,提示404:NotFound,无法正常进入研究环境,则需要进行清缓存操作。

清缓存快捷键操作:Ctrl+Shift+delete,即可快速进入清除浏览数据界面。

Python是一种通用的脚本编程语言,从简单的脚本任务到复杂的、面向对象的应用程序都有大显身手的地方。Python是最受欢迎的程序设计语言之一,具有简单、易学、免费、开源、丰富的库等。

目前SuperMind量化平台提供Python3.5版本,您可以从以下几点开始学习Python语言:

Python的官方网站

阅读一些书

《Python基础教程》

是一本既适合初学者夯实基础,又能帮助Python程序员提升技能的书。

《集体智慧编程》

《统计学习方法》

这本书深入浅出地讲了和机器学习有关的一切数学基础知识,一整本的干货,没有废话,非常值得一读。

目前SuperMind量化平台提供Python3.5版本,支持的Python库如下:

数据分析

NumPy:

NumPy是基于Python的科学计算的基础包,可用来存储和处理大型矩阵,提供了矩阵、线性代数、傅里叶变换和随机生成函数等解决方案。

SciPy:

SciPy是基于NumPy的库,它提供了方便、快捷的N维数组操作。它包括统计、优化、整合、线性代数模块、傅里叶变换、信号和图像处理、常微分方程求解器等等。

Statsmodels:

Statismodels是一个Python包,提供一些互补scipy统计计算的功能,包括描述性统计和统计模型估计和推断,主要用户统计建模和计量经济学。

Pandas

Pandas是基于NumPy的一种工具,Pandas纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的工具。

其他

TAlib:

TAlib是一个处理金融数据和技术分析的开放代码库。

SuperMind量化平台目前支持的所有Python库清单:

networkx、Numpy、Pandas、Pillow、Py、Pytz、Requests、Scipy、Statsmodels、sympy、Tables、TAlib、xlrd、xlwt

若您需要我们增加Python的其他库,请在本页面的右下角的问题反馈给我们留言,或者进入SuperMind人工智能投资交流圈给我们留言,工作人员会在1个工作日内给您回复并帮助您解决。

历史回测就是用证券市场过去的财务数据、行情数据,对现有策略进行历史回测检验。通过回测考察策略在过去市场中的表现,从而发现策略的不足,进而达到优化策略的目的。

SuperMind目前支持沪深A股所有行情数据、公司财务数据、指数数据。

关于回测撮合成交的详细解释,您可以查看:函数API(订单处理)。

目前平台默认的基准收益是沪深300,可以通过set_benchmark自定义设置基准,您可以查看:函数API(设置函数)。

回测详情(完整回测)是运行得出结果的详细版本,在回测详情中您可以看到更多的数据指标,帮助您了解策略的历史表现。但运行可以帮助你快速的检查代码中可能存在的错误,且速度上比点击回测详情(完整回测)更快。

SuperMind目前支持的API,全部整理在函数API文档中,您可以点击函数API进行查看。

按日回测:handle_data每天9:30调用一次,handle_data的参数是当天的数据;

按分钟回测:handle_data每分钟调用一次,handle_data的参数是当前这一分钟的数据;

Alpha:表示投资中面临着非系统性风险。

Beta:表示投资中面临着系统性风险,反映了策略对大盘变化的敏感性。

Sharpe:表示表示每承受一单位总风险,会产生多少的超额报酬。

收益波动率(Volatility):用来测量资产的风险性。

信息比率(InformationRatio):衡量单位超额风险带来的超额收益。

最大回撤(MaxDrawdown):描述策略可能出现的最糟糕的情况。

索提诺比率(Sortino):是一种衡量投资组合相对表现的方法。

判断策略回测结果好坏的直观指标就是策略收益,收益越高,则表明通过历史数据检验,策略结果不错。但单从看收益率一个指标并不全面,有的策略收益很高,可是回撤很大,存在很大的风险。因而,我们建议您根据以下几个指标来评价回测结果:

在策略的回测历史列表中,我们为您提供了策略对比功能。您可以同时勾选5个回测进行对比,我们展列了各个回测的概况、累计收益、回撤以及源码,您也可以同时对比2个策略源码,但可以实现切换,对比不同策略的差异,希望可以助您更好地决策。

为了方便您管理策略,SuperMind提供了回测历史列表以及专门的策略管理页面,您可以在这两个页面方便地进行查看与管理。

SuperMind为每位量化交易爱好者提供了一个最接近真实市场环境的仿真交易平台,与各家交易所的真实市场行情对接,根据真实市场行情对价成交,每日结算,可以帮助您检验策略的有效性,从而降低您在真实投资中的风险。

仿真交易与历史回测主要有两点不同:

数据:历史回测是用过去的财务数据、行情数据对现有的策略进行历史回测检验;而仿真交易择时根据真实市场行情对价成交,每日结算。

目的:历史回测的目的不是为了证明策略有多么的优秀,而是为了发现尽可能多的缺陷,包括程序中的bug和交易逻辑的不合理之处等,进而达到优化策略的目的;而仿真交易的目的在于跟踪策略的表现,从而为您的真实投资提供参考依据,降低投资风险。

方法:模拟交易中的全局变量等信息需要使用pickle.dumps进行保存,无法保存lamda函数。所以绑定模拟交易的策略中,account、g等全局对象请勿使用lambda函数。

您可以进入交易页面,点击添加策略按钮,选择具体策略的某一回测开启模拟交易。

为了便于策略的管理与跟踪,目前每个模拟交易账户可以绑定1个策略。

模拟交易后中某一账户所绑定的策略(具体为该策略的某一回测)删除后,模拟交易结束,不能再次开启,您需要重新对具体策略的某一回测开启模拟交易。

目前绑定了模拟交易的策略暂不支持源码修改。

进入下方链接就可以看到同花顺ID:

一般判断策略的好坏,往往是收益越高越好。但收益往往与风险相对,收益高了,风险也会相应变高。所以不能仅以收益高低为基准,还需要综合考虑其他因素。

总而言之,评判一个策略的好坏不能单看一个指标,需要考虑多个因素综合评价,以上所列,仅供参考,如果您有更好的意见,欢迎您进入社区与我们一起探讨。

THE END
1.算法入门详解树的遍历: 二叉树的前序、中序和后序遍历就是递归算法的经典示例。 图的搜索: 图的深度优先搜索(DFS)和广度优先搜索(BFS)都可以使用递归算法实现。 动态规划: 在动态规划问题中,递归算法通常被用来定义子问题的状态转移方程。 分治算法: 分治算法将问题拆分为更小的子问题,通常通过递归算法来解决。 https://blog.csdn.net/weixin_44907888/article/details/132268886
2.算法笔记(三)算法学习技巧从开始学习算法已经有两三个多月的时间了,从简单到深入层次展开,层层优化,对算法的理解也在逐渐加深,不在那么片面,虽然现在还是片面一些,对它的了解也仅仅知道冰山一角,还有很多的内容需要我们去学习去挖掘。 思路 在学习前我们要尽可能快速阅读一遍要学习的书籍,这样不仅仅让我们知道了有哪些内容需要学习,同时也在https://www.code456.com/article/3598351.html
3.理解AI所需学习的15个基本数学理论1. 线性代数:矩阵运算、向量空间、特征值与特征向量等概念,这些都是机器学习算法的基础。 2. 概率论与统计学:理解随机变量、概率分布、期望值、方差等概念,这对于处理不确定性和进行预测至关重要。 3. 微积分:导数、积分等概念帮助我们理解函数的变化率以及求解极值问题,是优化算法的核心。 https://www.jianshu.com/p/496558c86b1e
4.高中数学单元教学设计(精选5篇)关注学生在数学语言的学习过程中,是否对用集合语言描述数学和现实生活中的问题充满兴趣;在学习过程中,能否体会集合语言准确、简洁的特征;是否能积极、主动地发展自己运用数学语言进行交流的能力。 2、正确评价学生的数学基础知识和基本技能 关注学生在本章(节)及今后学习中,让学生集中学习算法的初步知识,主要包括算法的https://www.ruiwen.com/jiaoxuesheji/8242675.html
5.学好机器学习需要哪些数学知识?腾讯云开发者社区除流形学习需要简单的微分几何概念之外,深层次的数学知识如实变函数,泛函分析等主要用在一些基础理论结果的证明上,即使不能看懂证明过程,也不影响我们使用具体的机器学习算法。概率图模型、流形学习中基于图的模型会用到图论的一些基本知识,如果学习过离散数学或者数据结构,这些概念很容易理解。 https://cloud.tencent.com/developer/article/1179238
6.科学网—[转载]强化学习在资源优化领域的应用2.2 强化学习算法基础 根据智能体在与环境交互过程中具体学习的内容,可以把无须对环境进行建模(即model-free)的强化学习算法分为两大类:直接学习动作执行策略的策略优化算法(如REINFORCE)和通过学习一个值函数进而做出动作执行决策的值优化算法(如Q-learning)。 https://blog.sciencenet.cn/blog-3472670-1312677.html
7.软件工程专业培养方案(2022)3.专业技术基础知识。程序设计、算法与数据结构、数据库原理与技术、操作系统、计算机组成原理、计算机网络原理与技术、、数字电路与逻辑设计等。 4.软件工程专业知识。软件工程概论、UML建模、Java EE编程、Java EE框架技术、软件项目管理与案例分析、软件测试技术等。 https://www.csust.edu.cn/jtxy/info/1302/20908.htm
8.Core基础知识学习路线开发实战编程技巧练习学习视频【C#/.NET/.NET Core学习、工作、面试指南】记录、收集和总结C#/.NET/.NET Core基础知识、学习路线、开发实战、编程技巧练习、学习视频、文章、书籍、项目框架、社区组织、开发必备工具、技术前沿周刊、常见面试题、面试须知、简历模板、人才招聘、以及自己在学习和工作中的一些微薄见解。希望能和大家一起学习,共https://github.com/YSGStudyHards/DotNetGuide
9.入门人工智能需要学习哪些基础知识?不要求到精通的程度,但最少你要了解,起码在后续的学习中碰到这个知识,就算你不熟,也知道可以去哪里找到这个知识学。 数学基础 数学对于人工智能的学习至关重要,我们需要理解和应用相关的模型算法,有了数学基础,可以帮助我们理解算法模型背后的数学原理,以及后续在训练模型或者评估模型时涉及的计算过程。 https://zhuanlan.zhihu.com/p/666172193
10.腾讯算法岗武功秘籍(上)2 腾讯面经涉及基础知识点 2.1 图像处理基础 2.1.1 讲解相关原理 ● Canny、Scharr、Sobel 边缘检测 ● HOG 特征 ● Hough 变换 ● 图像匹配算法了解哪些? ● SIFT 特征了解吗?是怎么生成的?SIFT特征是怎么进行匹配的?(OpenCV中常用的是暴力匹配函数,即对两组SIFT特征向量,将一组中的每个向量依次与另一组的所https://www.flyai.com/article/930