AI 原生量化投研平台AI-native quantitative research platform

正在加载…Loading…

页面仍在加载，可以继续等待，或重新加载。The page is still loading. You can keep waiting or reload.

部分页面资源未能加载，请重新加载。Some page resources could not load. Please reload.

设备当前处于离线状态，恢复连接后可以继续等待或重新加载。Your device is offline. Once connected, you can keep waiting or reload.

定价

投研库

加载中...

AI 因子

cn_stock_factors_ai

提供了A 股日频的模型预测因子。每个交易日、每只股票对应一行,字段是 10 个不同机器学习和深度学习模型输出的预测得分。你可以直接用它做选股、排序、因子合成和模型对比，不用自己搭特征和训练流程。

在 Cowork 中查询

用 Cowork

表结构 12 个字段 字段 类型 描述 date TIMESTAMP_NS 时间 instrument VARCHAR 证券代码 vp_cnn DOUBLE 使用CNN算法加工的AI因子 vp_dnn DOUBLE 使用DNN算法加工的AI因子 vp_resnet DOUBLE 使用RESNET算法加工的AI因子 vp_lightgbm DOUBLE 使用LightGBM算法加工的AI因子 vp_lstm DOUBLE 使用LSTM算法加工的AI因子 vp_randomforest DOUBLE 使用RandomForest算法加工的AI因子 vp_rnn DOUBLE 使用RNN算法加工的AI因子 vp_stockranker DOUBLE 使用StockRanker算法加工的AI因子 vp_xgboost DOUBLE 使用XGBoost算法加工的AI因子 vp_gru DOUBLE 使用GRU算法加工的AI因子

数据简介A 股 AI 因子数据说明 数据简介 cn_stock_factors_ai 是 A 股日频 AI 因子表，以交易日期和证券代码为粒度，汇总多种机器学习及深度学习模型生成的量价因子。 各模型主要使用股票日行情及其衍生特征进行预测，包括开盘价、最高价、最低价、收盘价、成交额、换手率、收益率，以及均值、极值、标准差、时序排名、线性衰减和相关系数等量价特征。 数据表信息 项目说明数据表cn_stock_factors_ai数据频率日频数据粒度交易日期、证券代码主键date、instrument数据范围A 股股票，实际范围以数据平台查询结果为准数据起始时间{{data_start_date}}数据结束时间{{data_end_date}} 字段说明 字段名类型说明date日期因子对应的交易日期instrument字符串证券代码vp_cnn数值使用 CNN（卷积神经网络）模型生成的 AI 因子vp_dnn数值使用 DNN（深度神经网络）模型生成的 AI 因子vp_resnet数值使用 ResNet（残差网络）模型生成的 AI 因子vp_lightgbm数值使用 LightGBM 模型生成的 AI 因子vp_lstm数值使用 LSTM（长短期记忆网络）模型生成的 AI 因子vp_randomforest数值使用 Random Forest（随机森林）模型生成的 AI 因子vp_rnn数值使用 RNN（循环神经网络）模型生成的 AI 因子vp_stockranker数值使用 StockRanker 排序模型生成的 AI 因子vp_xgboost数值使用 XGBoost 模型生成的 AI 因子vp_gru数值使用 GRU（门控循环单元）模型生成的 AI 因子 使用说明 因子值是对应模型基于历史量价特征生成的预测结果，可用于选股、排序、因子组合和模型研究。 不同模型的输出分布和尺度可能不同，横向组合前建议进行缺失值检查、去极值、标准化或排序处理。 使用因子进行回测时，应正确对齐因子日期与未来收益日期，避免引入未来数据。 模型效果会随市场环境变化，建议结合覆盖率、IC、分组收益、换手率和稳定性等指标持续评估。 部分股票在上市初期、停牌期间或特征数据不足时可能没有因子值。 查询示例 sql复制SELECT date, instrument, vp_cnn, vp_lightgbm, vp_xgboostFROM cn_stock_factors_aiWHERE date >= '2024-01-01'ORDER BY date, instrument; 示例数据 以下展示指定更新日期范围内按 date、instrument 排序后的前 5 行和后 5 行数据。 {{sample_data}}

项目	说明
数据表	`cn_stock_factors_ai`
数据频率	日频
数据粒度	交易日期、证券代码
主键	`date`、`instrument`
数据范围	A 股股票，实际范围以数据平台查询结果为准
数据起始时间	`{{data_start_date}}`
数据结束时间	`{{data_end_date}}`

字段名	类型	说明
`date`	日期	因子对应的交易日期
`instrument`	字符串	证券代码
`vp_cnn`	数值	使用 CNN（卷积神经网络）模型生成的 AI 因子
`vp_dnn`	数值	使用 DNN（深度神经网络）模型生成的 AI 因子
`vp_resnet`	数值	使用 ResNet（残差网络）模型生成的 AI 因子
`vp_lightgbm`	数值	使用 LightGBM 模型生成的 AI 因子
`vp_lstm`	数值	使用 LSTM（长短期记忆网络）模型生成的 AI 因子
`vp_randomforest`	数值	使用 Random Forest（随机森林）模型生成的 AI 因子
`vp_rnn`	数值	使用 RNN（循环神经网络）模型生成的 AI 因子
`vp_stockranker`	数值	使用 StockRanker 排序模型生成的 AI 因子
`vp_xgboost`	数值	使用 XGBoost 模型生成的 AI 因子
`vp_gru`	数值	使用 GRU（门控循环单元）模型生成的 AI 因子

用 Cowork

查询代码

SELECT date, instrument, vp_cnn, vp_dnn, vp_resnet, vp_lightgbm, vp_lstm
FROM cn_stock_factors_ai
WHERE date >= '2026-10-06'
ORDER BY date
LIMIT 100

在 Cowork 中运行

信息

字段数: 12
分类: 量化因子 › AI算法因子
作者: bigquantfactorbuilder1

查询代码

SELECT date, instrument, vp_cnn, vp_dnn, vp_resnet, vp_lightgbm, vp_lstm
FROM cn_stock_factors_ai
WHERE date >= '2026-10-06'
ORDER BY date
LIMIT 100

在 Cowork 中运行

信息

字段数: 12
分类: 量化因子 › AI算法因子
作者: bigquantfactorbuilder1

加载中...

AI 因子

cn_stock_factors_ai

在 Cowork 中查询

用 Cowork

表结构 12 个字段 字段 类型 描述 date TIMESTAMP_NS 时间 instrument VARCHAR 证券代码 vp_cnn DOUBLE 使用CNN算法加工的AI因子 vp_dnn DOUBLE 使用DNN算法加工的AI因子 vp_resnet DOUBLE 使用RESNET算法加工的AI因子 vp_lightgbm DOUBLE 使用LightGBM算法加工的AI因子 vp_lstm DOUBLE 使用LSTM算法加工的AI因子 vp_randomforest DOUBLE 使用RandomForest算法加工的AI因子 vp_rnn DOUBLE 使用RNN算法加工的AI因子 vp_stockranker DOUBLE 使用StockRanker算法加工的AI因子 vp_xgboost DOUBLE 使用XGBoost算法加工的AI因子 vp_gru DOUBLE 使用GRU算法加工的AI因子

数据简介A 股 AI 因子数据说明 数据简介 cn_stock_factors_ai 是 A 股日频 AI 因子表，以交易日期和证券代码为粒度，汇总多种机器学习及深度学习模型生成的量价因子。 各模型主要使用股票日行情及其衍生特征进行预测，包括开盘价、最高价、最低价、收盘价、成交额、换手率、收益率，以及均值、极值、标准差、时序排名、线性衰减和相关系数等量价特征。 数据表信息 项目说明数据表cn_stock_factors_ai数据频率日频数据粒度交易日期、证券代码主键date、instrument数据范围A 股股票，实际范围以数据平台查询结果为准数据起始时间{{data_start_date}}数据结束时间{{data_end_date}} 字段说明 字段名类型说明date日期因子对应的交易日期instrument字符串证券代码vp_cnn数值使用 CNN（卷积神经网络）模型生成的 AI 因子vp_dnn数值使用 DNN（深度神经网络）模型生成的 AI 因子vp_resnet数值使用 ResNet（残差网络）模型生成的 AI 因子vp_lightgbm数值使用 LightGBM 模型生成的 AI 因子vp_lstm数值使用 LSTM（长短期记忆网络）模型生成的 AI 因子vp_randomforest数值使用 Random Forest（随机森林）模型生成的 AI 因子vp_rnn数值使用 RNN（循环神经网络）模型生成的 AI 因子vp_stockranker数值使用 StockRanker 排序模型生成的 AI 因子vp_xgboost数值使用 XGBoost 模型生成的 AI 因子vp_gru数值使用 GRU（门控循环单元）模型生成的 AI 因子 使用说明 因子值是对应模型基于历史量价特征生成的预测结果，可用于选股、排序、因子组合和模型研究。 不同模型的输出分布和尺度可能不同，横向组合前建议进行缺失值检查、去极值、标准化或排序处理。 使用因子进行回测时，应正确对齐因子日期与未来收益日期，避免引入未来数据。 模型效果会随市场环境变化，建议结合覆盖率、IC、分组收益、换手率和稳定性等指标持续评估。 部分股票在上市初期、停牌期间或特征数据不足时可能没有因子值。 查询示例 sql复制SELECT date, instrument, vp_cnn, vp_lightgbm, vp_xgboostFROM cn_stock_factors_aiWHERE date >= '2024-01-01'ORDER BY date, instrument; 示例数据 以下展示指定更新日期范围内按 date、instrument 排序后的前 5 行和后 5 行数据。 {{sample_data}}

项目	说明
数据表	`cn_stock_factors_ai`
数据频率	日频
数据粒度	交易日期、证券代码
主键	`date`、`instrument`
数据范围	A 股股票，实际范围以数据平台查询结果为准
数据起始时间	`{{data_start_date}}`
数据结束时间	`{{data_end_date}}`

字段名	类型	说明
`date`	日期	因子对应的交易日期
`instrument`	字符串	证券代码
`vp_cnn`	数值	使用 CNN（卷积神经网络）模型生成的 AI 因子
`vp_dnn`	数值	使用 DNN（深度神经网络）模型生成的 AI 因子
`vp_resnet`	数值	使用 ResNet（残差网络）模型生成的 AI 因子
`vp_lightgbm`	数值	使用 LightGBM 模型生成的 AI 因子
`vp_lstm`	数值	使用 LSTM（长短期记忆网络）模型生成的 AI 因子
`vp_randomforest`	数值	使用 Random Forest（随机森林）模型生成的 AI 因子
`vp_rnn`	数值	使用 RNN（循环神经网络）模型生成的 AI 因子
`vp_stockranker`	数值	使用 StockRanker 排序模型生成的 AI 因子
`vp_xgboost`	数值	使用 XGBoost 模型生成的 AI 因子
`vp_gru`	数值	使用 GRU（门控循环单元）模型生成的 AI 因子

用 Cowork

查询代码

SELECT date, instrument, vp_cnn, vp_dnn, vp_resnet, vp_lightgbm, vp_lstm
FROM cn_stock_factors_ai
WHERE date >= '2026-10-06'
ORDER BY date
LIMIT 100

在 Cowork 中运行

信息

字段数: 12
分类: 量化因子 › AI算法因子
作者: bigquantfactorbuilder1

查询代码

SELECT date, instrument, vp_cnn, vp_dnn, vp_resnet, vp_lightgbm, vp_lstm
FROM cn_stock_factors_ai
WHERE date >= '2026-10-06'
ORDER BY date
LIMIT 100

在 Cowork 中运行

信息

字段数: 12
分类: 量化因子 › AI算法因子
作者: bigquantfactorbuilder1