数据、因子、策略：AI量化实验室近期工作逻辑【周日优惠放送】

聚焦战略，要解决”症结性难题“。之前AI量化，”症结性难题“是因子、因子挖掘，而后基于多因子的策略构建。

因子，指标找到优质的因子。

那么从用户的角度，价值是什么？少部分懂代码的人希望其中的逻辑，代码，原理。更大的用户群体，更关心：告诉我买什么，何时买。

当然这里存在悖论，但信息增值还是大有可为：基础维度整理变成基础因子，基础因子通过人工构造或机器挖掘，形成复合因子，因子组成成策略集合。

一、【数据】证券的多维基础数据大宽表

股票（价量，基本面），转债（价量，基本面，债券估值），指数（价量）

二、【因子】因子集

三、【策略】策略集

然后围绕这些的讨论与社群，思路交流等。

量化基础数据，其实是一个数据源的概念，当然我们没有引入复杂的hadoop之类的基础架构，甚至没有使用clickhouse，而是使用mongo（没有使用arctic）。

mongo是持久化层，同时也是ODS层，就是尽量贴近原始数据格式，只做一些数据字段的统一，比如统一叫symbol，date等（多个数据来源，有些叫code, symbol等）。

可转债一共954支，包含历史上退市的。

1270支场内基金（当前可以交易的）：

财务指标数据（PIT，季度频率）：

如此这般，我们股票相关的数据最多：basic是基础数据，比如名称：贵州茅台，何时上市，所属版块等；quotes是价量日频数据，pit是季度财务指标，daily是日频估值数据，比如pe/pb/市值等，最新日期的数据会计算后进入stock_basis_daily这是一个截面的大宽表，可以按维度进行选股。

quotes和daily表是需要每日收盘后更新的：

后续我们需要把这些历史数据导入csv，离线把csv合并成大宽表，而后使用duckdb的分析能力。（开放星球会员下载，每日更新）知识星球与开源项目：万物之中，希望至美

聚焦战略，要解决”症结性难题“。之前AI量化，”症结性难题“是因子、因子挖掘，而后基于多因子的策略构建。

因子，指标找到优质的因子。

那么从用户的角度，价值是什么？少部分懂代码的人希望其中的逻辑，代码，原理。更大的用户群体，更关心：告诉我买什么，何时买。

当然这里存在悖论，但信息增值还是大有可为：基础维度整理变成基础因子，基础因子通过人工构造或机器挖掘，形成复合因子，因子组成成策略集合。

一、【数据】证券的多维基础数据大宽表

股票（价量，基本面），转债（价量，基本面，债券估值），指数（价量）

二、【因子】因子集

三、【策略】策略集

然后围绕这些的讨论与社群，思路交流等。

量化基础数据，其实是一个数据源的概念，当然我们没有引入复杂的hadoop之类的基础架构，甚至没有使用clickhouse，而是使用mongo（没有使用arctic）。

mongo是持久化层，同时也是ODS层，就是尽量贴近原始数据格式，只做一些数据字段的统一，比如统一叫symbol，date等（多个数据来源，有些叫code, symbol等）。

可转债一共954支，包含历史上退市的。

1270支场内基金（当前可以交易的）：

财务指标数据（PIT，季度频率）：

如此这般，我们股票相关的数据最多：basic是基础数据，比如名称：贵州茅台，何时上市，所属版块等；quotes是价量日频数据，pit是季度财务指标，daily是日频估值数据，比如pe/pb/市值等，最新日期的数据会计算后进入stock_basis_daily这是一个截面的大宽表，可以按维度进行选股。

quotes和daily表是需要每日收盘后更新的：

后续我们需要把这些历史数据导入csv，离线把csv合并成大宽表，而后使用duckdb的分析能力。（开放星球会员下载，每日更新）知识星球与开源项目：万物之中，希望至美