如下图，目前平台的回测可视化做的非常好， 但是暂不提供简单的获取策略收益概况的API。举例来说，请BigQuant考虑实现以下接口

def get_performance_metrics(metrics: str, start_date: str|datetime, end_date:str|da

1. 可以增加未匹配的金额吗？2. 这个数据需要早盘更新，不能是下午17点

%%sql
select
    date,
    instrument,
    open_auction_order_volume	as	竞价总委托量,
    open_auctio

数据还是不够多，我需要更多的数据。行业日线数据(cn_stock_industry_bar1d)这个是三级行业的，正好缺一个二级行业的日频数据。虽然能自己合成，但是不想自己合成哈哈

https://bigquant.com/experimentshare/745ad4d5f61349bebf1b971f28901337

\

本文件提供 BigQuant Python API 的使用说明，包括用户管理、策略运行、策略查询等功能。

安装包

首先需要手动下载并安装如下的 wheel 包

[bigquant-0.1.0.post99+gd128200-py3-none-any.whl 62650](/wiki/ap

本文档为2025训练营问题答疑

{{plus}}

问题1：在做万老师机器滚动训练的时候有一些确证的因子（市值、动量等近期显著表现因子）不管是在线性还是xgboost上学习都学不出结果，R方为负，拉长周期亦然，有点不知所措。

问题2：因子分析的各个参数IC,IR等关键指标的解读，

0. 策略名词解释：

（1）风险平价（Risk Parity）

风险平价是一种资产配置方法，其核心思想是根据各标的的风险水平来分配权重，而不是简单按照资金比例分配。

• 基本原则：波动率高的标的在组合中的权重较低，波动率低的标的权重较高，从而实现整体组合的风险均衡。

\

存档_1：学习老韵作业\n1️⃣ 这段代码在做什么

用横截面“分位数因子”训练一个轻量 XGBoost 回归器，每 60 个交易日重训，毎 5 日调仓，按预测分数等权买入 Top10。\n同时在每次训练后记录 MSE/MAE/R²/IC 与特征重要性，回测结束把训练历史与绩效打包保存

这个策略的核心是通过动量效应和资产轮动实现收益,同时加入了风险控制机制降低波动,我将从基础投资原理开始为大家拆解我在设计该策略时的逻辑.

一 基础投资原理:策略设计逻辑

1.动量效应

定义:资产的价格趋势具有持续性 —— 过去一段时间表现好的资产，未来一段时间往往继续表现好；过去表现

/【1】因子更重要？还是模型更重要？

答：结论是因子稍微重要一点。

可以把“因子”和“模型”想象成做菜时的“食材”和“厨艺”：

食材（因子）决定上限

厨艺（模型）决定能否发挥因子的正常性能。

二者缺一不可，但在不同阶段权重不同

• 早期探索：先找好食材（因子）> 追求高级厨艺（好的模型）

在金融科技高速发展的 2025 年，随着量化交易、智能投顾等应用场景的爆发式增长，A 股实时行情数据 API 的选择成为开发者与金融机构的核心竞争力。面对市场上参差不齐的解决方案，iTick凭借其免费、实时、易用、易对接、品类丰富的独特优势，成为 2025 年 A 股实时行情数据 A

{{pro}}

[https://bigquant.com/codesharev3/ea5fd712-0f5c-4cbc-a535-731af4289368](https://bigquant.com/codesharev3/ea5fd712-0f5c-4cbc-a535-731a

自动化交易是一种利用自动化系统执行交易订单的方法，速度更快。凭借你在交易领域的专业知识，你可以将交易方法自动化，而不是手动执行交易。在这篇博客中，你将了解有关自动化交易方法的一切，并开始学习如何入门。

内容大纲

• 什么是自动化交易？
• 自动化交易的历史
• 自动化交易的工作原理
• 自

0. 策略名词解释：

（1）Dual Momentum（双重动量）

• 动量（Momentum, MOM）：衡量过去一段时间价格涨幅的指标，用于判断趋势强弱。

![](/wiki/api/attachments.redirect?id=294ccdd2-08ab-4

简介

BigTrader 是 BigQuant 推出的专业级量化交易引擎，主要用于策略在历史数据中回测撮合。BigTrader采用 C++ 核心实现，并提供 Python API 接口和回调函数。它为量化投资者提供了一个全面的交易解决方案，无论您是初学者还是专业投资者，都能轻松上手使用。

单因子策略：尾盘前5分钟的趋势强度

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/e51545ca-a096-423c-a21c-6348c7911e87](https://bigquant.com/co

代码如下：请问我该如何修改才能不报错：

--------------------------------------------------------------------------- XGBoostError Traceback (most recent call last) Cell

策略会简介

AI量化策略会是在AI量化投资训练营基础上的进阶版，结合AI量化投资训练营效果最佳。您将在AI量化策略会上学习到多种类型的实用性AI量化策略开发，从因子构建、策略模型调优到策略实盘等完整的策略实盘实践路径。还可以给我们投稿最想要听的内容，提前安排在下一期的AI量化策略会分享中。

这是关于股票主动投资组合管理的第一篇教程。在开始介绍正式内容之前，我先简要简要说一下《Alpha系列》的初衷。

近年来，随着国内大数据和人工智能的迅速崛起，量化交易领域也有了长足的发展。 从原来的指标驱动型程序化交易，演化到现在的以机器学习、人工智能为代表的新型量化交易。同时，量化交易的门槛与过去

本文介绍平台的因子使用教程利用布林带因子为例子

因子分析原理：

因子分析是基于降维的思想，在尽可能不损失或者少损失原始数据信息的情况下，将错综复杂的众多变量聚合成少数几个独立的公共因子，这几个公共因子可以反映原来众多变量的主要信息，在减少变量个数的同时，又反映了变量之间的内在联系。

买一委托笔数和同花顺数据存在差异。图是早盘的委托笔数，尾盘15:00:00同样不相同。

![](/wiki/api/attachmen

ModuleNotFoundError: No module named 'arch'

BigQuant平台没有arch可以用么

更新

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

\

问题

是否能够用分钟（或秒级）量价数据

0. 策略名词解释：

（1） Sharpe Ratio（夏普比率）

定义：夏普比率是衡量投资回报与风险的比值，反映单位风险所获得的超额收益。\n公式为：

![](/wiki/api/attachments.redirect?id=b90426d0-635d-4b2b-b48a-59c87

实盘整体流程

1.开通BigQuant合作券商账户（指定二维码开通享手续费优惠），并申请实盘、绑定实盘资金账号。

2.设置对应实盘资金账号的实盘策略，创建计划交易信号（实盘申请通过后：用户的实盘策略可选择用户的所有模拟交易策略）。

3.创建实盘访问凭证，获取对应访问凭证的密

https://bigquant.com/codesharev3/d01d44b5-318a-4a4c-9171-9ebb5bfa3bad

\

https://bigquant.com/codesharev3/d01d44b5-318a-4a4c-9171-9ebb5bfa3bad

\

https://bigquant.com/codesharev2/49b30f30-c460-4051-8ef1-22b45cce723e

\

{{plus}}

提问：怎么用gpu来加快计算？

回答：

提问：作业的时候，发现openai不能导入是什么原因？

回答：

提问：作为纯小白，能不能在这次训练营中得到一个或几个，收益稳定，回撤小，的现成策略。

回答：

**提问：希望老师

https://bigquant.com/codesharev3/1cd886df-694f-45a3-ad0a-5563bf242551

\

大家在做单股投资时，是不是总纠结两个问题：一是怕满仓站岗，二是怕踏空行情？今天分享一套「单股分仓波段策略」，用 KDJ 指标定信号，分仓仓位控风险，亲测回测数据可参考，新手也能快速上手～

一、策略核心逻辑：简单 2 步，解决 “买多少、什么时候动”

这套策略只盯 1 只标的（案例用

一、研报解读

**集合竞价阶段是反映投资者行为信息的重要时点。**我国股票的日内交易分为集合竞价阶段和连续竞价阶段，累计交易时长4 小时。开盘和收盘是一天中股市交易的最重要的阶段，开盘集合竞价阶段是隔夜信息释放的第一时点，而收盘集合竞价阶段则是日内交易信息反映的最后时点。集合竞价阶段

1.什么是量化投资

量化投资，简单说就是“用数学和算法代替人脑做买卖”。它把选股、择时、仓位、等所有环节都写成可计算、可回测的规则，然后让电脑按规则执行。核心要素可以拆成三块：

1. 研究什么\n• 因子：把股票好坏翻译成可量化的指标，如估值、动量、情绪、突发事件等。\n• 产生交易信号

{{plus}}

问题： 1-pct_rank_by(date,active_buy_volume_proportion_large) as score3,这行代码前面1-是把成交量从大到小的排序，去掉1- 就是从小到大排序对吗？【邵守田】

回答：

这是一个按日期进行横截面排序的算

作业1：\n1）测试筛选策略不同时期的风格是否会有变化？

结论：有变化。

实验变量：策略采用一个小市值因子 c_pct_rank(total_market_cap)，对比的是市场风格-市值收益率。

结果发现：策略在2020年1月至2025年8月，整体与市值因子相关系数最大，其次是beta和流动

\

添加m5模块之前是可以正常选取可转债的，但是添加这个特征模块之后就选不出来了

[https://bigquant.com/codesharev3/acf0848c-173f-4ad4-ab2e-cd27b66a3c9f](https://bigquant.com/codesharev3/acf08

除了回测模块可以使用TWAP和VWAP外，平台数据库有直接获取TWAP和VWAP的方法吗？（老版本的bar1d_wap_CN_STOCK_A_adj表好像没有了）

一个简单的策略回测完全没问题，提交后结果始终有问题，改的怀疑人生也不能解决，早上意外发现可能是回测环境语模拟环境的数据表指标导致问题。

这是此前，哪怕邵老师看了也没问题后跑的结果，第一天有信号后面就一直空仓了

接天梯后一天有信号一天没有信号

开始怀疑回测模型，后面跑了万老师的小市值

一、策略概述

1.1 背景介绍

行业轮动策略是一种量化交易策略，旨在通过在不同行业之间进行资金分配，捕捉市场趋势和行业表现的周期性变化。 从名字即可看出，经济周期导致任何市场状态下可能都会存在股市价格表现较好的行业，因此我们如果能布局这些行业并定期轮动调整，那会取得还不错的投资效果。

一 小市值效应

小市值效应:

1981年,学者banz发现:美股最小市值组比最大市值组年化收益高5.3%,且无法用CAPM解释,这就是小市值效应,也被Fama-French 三因子模型纳入核心(SMB因子);

在A股中,小市值效应更强:

2005-2025 年，中证 1000（

在BigQuant上，您可以对接期货公司进行期货实时交易，当前实盘仅支持日内（实时）交易策略！大致流程如下：

1.在BigQuant上构建实时期货策略。

2.开通申万宏源期货账号。

3.在BigQuant上绑定期货账号。

4.添加实盘策略并设置条件后开始交易。

这里，默认您

一、引言

在 A 股市场中，小盘股往往具备高成长潜力但波动较大，蓝筹股则以稳定分红和低波动为特征。如何平衡两类资产的风险与收益，是许多投资者关注的核心问题。本文分享一套量化策略 —— 通过混合小盘股与蓝筹股的股票池，结合组合优化动态调整权重，在控制不确定性风险的同时，捕捉不同市场环境下

https://bigquant.com/codesharev3/70c58c5d-bb2d-4de5-9bdc-cf018916df56

\

https://bigquant.com/codesharev3/7dc12224-35f8-4e1c-a1e6-68b73e55498a

\

按照模板写实在写不出来，改了一下模板，写了4个表来做计算

市场风格在一定时间范围之内确实还是有延续性的，如果风格相对明显的策略，是比较好适应这个市场的。我只加入了榜单上的2个小策略，对风格的涵盖不广，也比较难跑出来

问题：看日志发现用市场的最大风格逻辑还是有点问题的，风格比较容易变化，别的风

https://bigquant.com/codesharev3/2d5030e7-145f-42d3-a121-8a3eb5fb3635

\

https://bigquant.com/codesharev3/b1a75249-e580-4d02-a761-3d0bffa94a24

\

https://bigquant.com/codesharev3/fb52cf89-03c9-4d17-a722-629f2a14973b

\

在我们找到一堆因子后，下一步就是把这些因子打好标，丢入模型，让模型去寻找因子和标签的映射规律。

标签就是你要解决的问题，标签应该是和因子强相关的。随意的打标会增加模型预测的难度，而过于傻瓜的打标会限制因子的发挥。

普遍做法：n个周期后的收益率作为标签

普遍做法是用n个周期后的收益率作为标

https://bigquant.com/codesharev3/fbaee335-a5cd-46d9-beb3-3ad8741baa67

\

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# 根据项目规范，定义策略参数
class PortfolioAnalysisCon

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# 根据项目规范，定义策略参数
class PortfolioAnalysisC

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# 根据项目规范，定义策略参数
class PortfolioAnalysisC

先感谢老韵同学，下面抄老韵同学的作业，改了3个模型进行训练，不知道为啥我这里xgboots的效果那么差，搞不清原因。感觉机器学习最重要的就是设置好因子和lable，目前没有头绪，没有对因子挖掘系统性的认知，现在就是瞎试。 之前lable没有用pct_rank_by，结果就很差，不知道如何运用pct_

https://bigquant.com/codesharev3/0b31571e-4809-4034-8605-b73b3234f64a

**策略设计

\

不同模型下的特征权重

在不同模型下，特征重要性有所不同

市销率和股息收益率加入过滤条件，并把股息收益率加放权重，情况改善很多

感悟：随着市场上机构比重的增加，对基本面也有了很多的要求。

[https://bigquant.com/codesharev3/946edaf7-9ac0-4bb9-8386-b970a5755f8b](https://b

例如取自选股中红宝丽20250322日09:24:57时刻的竞价价格和未匹配量

https://bigquant.com/codesharev3/91319f57-c25a-4c06-8b2b-6f01d14ffc03

熟悉因子分析

https://bigquant.com/codesharev3/5256593d-e0fb-4f30-a04b-0890b9f5b54e

\

影响策略效果的因子有很多，每个人所选择的因子也各有不同，选取因子后，如何分析数据，找出有效选股逻辑模型就成为重点。该数据分析工作是策略逻辑编写中最耗时的部分，本文介绍，如何简化数据分析的工作：数据标准化处理

举例说明：

当天收益因子：5000支票，可能会有1000+个不同的值，如：1

1. 用AI生成3个策略: 小市值策略，破净股策略，超跌反弹策略；
2. 3个策略回测后，将raw_perf里的returns和position存到数据库
3. 计算每个策略与factor_return表的相关性
4. 每个调仓日选取相关性最高的策略，用该策略的持仓作为风格轮动的持仓

代码：

分别用stockranker和xgboost做了滚动训练，stockranker的结果相对正常，xgboost非常离谱，不太清楚原因

一、stockranker

每年训练一次，每次用一年的数据滚动训练

from bigmodule import M

result = 

https://bigquant.com/codesharev3/96c50c11-0129-4859-a961-a614be5a016e

结果

今日作业：

\

1、请用自己的话解释什么是量化投资

答：

量化分几步

1 数据分析与挖掘：

• 分析挖掘价格信息 与 其他信息（ 比如 交易信息，基本面信息， 宏观信息等） 之间单维或者多维的关系。
• 关系可能是线性的，非线性的，时间序列的，横截面的等。

https://bigquant.com/codesharev3/9710d5b9-d38f-46e7-ad58-6ce7dae53d5e

\

数据获取思路：

1 用with , 将sql 分成三步 data_base，data_normalized ，以及features ,label 定义

2 data_base 获取初始字段，data_normalized 标准化， 以及pck_rank_by，获取横截面因子，m_leg 避

实现了 ：

xgboost 和 stockrank 的策略。以及 超参测试

相同因子的情况下， stockrank 要比 xgboost 更好些。

实现 ：\nxgboost 的策略\n\n因子设计

c_pct_rank(dividend_yield_ratio)

https://bigquant.com/codesharev3/6dcc2fbc-e575-4cbd-b38f-f4727caf601f

\

风格轮动

5月20日，采用小市值策略，5月27日轮动为流动性因子策略

我用“策略社区模板+万老师final全动态模板”与BQ的AI智能体编写了“宽指轮动选股策略-250807”，这个策略是针对沪深300、中证500、中证1000成分股股票池的股票，用Stock Ranker模型选股，然后将三个策略封装为三个用户因子表，再将三个因子表构成一个用三大宽基指数进行择时再对应

一、作业结论：

1、作业任务：通过将dai 函数喂给模型，让模型按照里面的算式构建因子，会形成越来越复杂的因子

2、作业结果：通过很普通的话术，一步步训练“模型”形成的因子，一步步走向构建复杂因子的方向，一步步从极大负收益可以调试到接近正收益。

二、作业过程：

1、先是按照老师的方法，在ge

手工通过大模型挖掘因子

一、改为deepseek API

二、因子挖掘

user = """
日期为2022-01-01到2024-01-01
我想做一个能够反应量价关系和个股财务情况相关的因子
"""

{
    "Thought": "为了

感谢万老师，这堂课收获非浅。无论是滚动训练框架，还是scikit-learn等知识的扩展，都对我的量化学习直到了非常大的启迪作用。

坦率讲，对平台和代码都还是半生不熟的情况下，这个作业的过程，就是一个非常高效的学习过程。

1、先试着补全一个线性模型。

首先拟定了五个常见因子，简化起见都是用

基于随机森林模板，选了37个因子根据随机森林重要性排序。

保留前面9个最重要的因子，结果如下

![](/w

1.安装SDK（内测中）

联系工作人员申请成功后，将安装文件放到任意一个路径，输入pip install <路径>完成安装

2.bq命令的使用

如需测试，请在终端中测试，将下方指令替换成正确的信息(如自己的账号密码、正确的策略id)然后Enter

2.1 用户登录:

1. 先说结论

我只是跟 QuantAgent 聊了几句天、每次加一两个小条件，结果最后跑出来的回测年化收益率 60%+。 过程比点外卖还简单——点开对话框、打字、回车、等几秒钟。

2. Quant Agent 是啥？

可以把它想象成一个会写代码、会调数据、还懂交易策略的“量化机器人”。

一、尝试用不同的大模型实现因子的挖掘：

目的测试国内的主流大模型，看哪个大模型的能力更适合挖掘因子

提示词：

user = """
日期为2022-01-01到2024-01-01
我想做一个流动性增强因子
"""

qwen_plus：

以下是机器学习的作业，分别测试了XGBoost模型和线性回归模型，代码如下：

[https://bigquant.com/codesharev3/9f8b0f0d-a863-4f0c-ab89-2508ca68d72b](https://bigquant.com/codesharev3/9

0.策略名词解释

（1）LightGBM模型

LightGBM（Light Gradient Boosting Machine）是微软开源的一种基于梯度提升框架的高效实现。它主要用于机器学习中的监督学习任务，如分类、回归和排序等问题。本策略中使用的是回归。

githu

已挖掘的因子如下:

[

'因子 c_zscore((volume / turn)) 的 IC 为 0.015, 因子累计收益为 0.194, 年化收益为 0.097, 夏普比例为 0.551, 年化波动率为 0.206, 最大回撤为 -0.223',

'因子 c_zscore((c_z

折腾了几天，终于把3个模型的训练和比较都弄完了，走了很多弯路，训练模型也耗费了大量的时间，虽然作业完成得慢一些，但是在做的过程中得到了很大的提高，主要有以下几点心得：

1、对整个AIStudio工作环境更加了解，各个功能也都再熟悉了一遍，操作更顺手了

2、在完成作业过程中遇到过很多不明白的问题，

注：当前仅支持万和证券BigTrader量化交易终端

功能描述

本功能实现了从云端（bigquant.com）策略信号生成到终端自动获取并下单的完整闭环。用户在BigQuant云端平台运行量化策略后，系统会自动生成交易信号，用户在本地终端通过Python程序自动获取这些信号，最终将

1、请回顾你过去的交易经验，选择一个你曾经使用过的交易方法，尝试用量化的方式重新表达出来（用文字描述，无需代码实现）.。

1.SMA 及EMA 的黄金叉
2.短线向上破长线购入
3.移动止蚀，设为当前X滚移标准差的n倍
4.若当前止蚀高于记录的最高止蚀,设最高止蚀为当前止蚀.
5.跌破止蚀

一 什么是一致性风险度量

风险度量:是金融领域中量化资产或组合潜在损失的工具,核心是用数值描述未来可能发生的损失大小或概率,帮助投资者判断风险高低

普通风险度量是指未经过严格公里约束,仅从直观或经验出发设计的风险指标,常见的有:波动率(标准差),风险价值(VaR)

1、请用自己的话解释什么是量化投资。

使用数据化、数据科学,统计, 投研结果，使用系统化数据收集及回测，及使用程序交易方法投资。

\

2、请你列出你认为的量化投资的优势和劣势。

优势:

1.系统化,

2.理性，

3.evident-based,

4.可分散风险

缺点:

BigQuant进行期货实时交易

\

1. Simnow官网创建注册获取交易交易账号；

(1) https://www.simnow.com.cn 登陆Simnow官网，点击右侧的注册账号

(2) 填入关键信息，手机号、密码等注册账号（==请务必记住自己的密码，后续绑定

多轮因子评估后，因子计算方式复杂，模型容易出现幻觉，将数据表信息，补充到上下文中。

将模型修改为kimi：

• api_key="sk-",

• base_url="https://api.moonshot.cn/v1"

• model="kimi-k2-0711-preview",

  \

0. 策略名词解释

（1）CatBoost模型

CatBoost 是由 Yandex（俄罗斯的一家互联网公司） 开发的一个 基于梯度提升（Gradient Boosting） 的机器学习库，主要用于 分类、回归、排序任务，以处理结构化数据为主。它的名字来自 “*

用了稳定性测试后的因子；

三个因子的权重，也是用稳定性工具对3个参数进行网格搜索的最优解1：8：1；

将仓位分配模块删了，相关信息写到了交易引擎的前处理部分；

时间跨度从22年初至今，3年周期的表现比较一般、但真实；

增加了大盘风控和个股止盈止损。

[https://bigquant.

总结

因子更重要还是模型更重要？

因子和模型同样重要，模型相同的情况，不同因子在回测中，差异巨大。相同因子在不同的模型下进行回测，表现也各不相同。

一个好的策略，是因子和模型共同组合得到的。

本次作业的三个模型对比：

• Random Forest：鲁棒、易调、抗过拟合，但“

我们在做什么？

这是一项关于项目团队中人与 AI 协作的学术研究，关注在真实工作中人机如何互补、哪些做法更有效。仅用于学术统计分析。

谁可以参与？

金融/金融科技从业者（银行、投资、保险、支付、合规/风控/市场基础设施等）；

或近 12 个月参与过人与 AI 协作项目的从业者（非金融领域也欢

https://bigquant.com/codesharev3/56dcbce6-f9c4-4dfe-9a34-c0510cf56323

\