很多人听到“机器学习量化”，第一反应是：黑箱、难解释、只在回测里好看。\n这篇文章我们用尽量直观的方式解释：我们如何用 XGBoost做一套可解释、可落地的选股策略——从数据、因子、标签，到训练、打分、选股、调仓，走完完整闭环。

1. 我们先解决一个现实问题：股票“能不能交易”

任

{pro}

[https://bigquant.com/codesharev3/ed3ac869-61d7-4d97-9480-bf465bb592ec](https://bigquant.com/codesharev3/ed3ac869-61d7-4d97-9480-bf46

开篇引言\n上周的深度探讨引发了很多同行对“自然语言生成代码”效率的讨论。今天，我不谈理论，直接展示一个完整案例：如何将一段清晰的策略文本，变成在QMT中真实运行的、带有回测结果的趋势跟踪策略。整个过程，就像为你的想法配备了一位精通QMT API的即时翻译。

第一步：策略构思——用

高频因子(cn_stock_factors_hf) 这个表待优化是什么意思？表里面那部分可用？那部分不能用？

你以为的“安全感”正在掏空你的账户

在股市的修罗场里，大多数散户都在扮演“拾荒者”的角色：股价涨高了觉得心慌，非要等它跌下来、变“便宜”了才敢战战兢兢地入场。这种对“廉价”的病态执着，被美其名曰为“低吸”（DC）。

但残酷的真相是：你的安全感，往往是亏损的温床。 职业游资之所以能

作为有想法但写代码费劲的交易者，我的策略验证循环曾被卡在“实现”环节。

直到我用上一个工具：将交易逻辑用自然语言描述，它直接生成可运行的QMT策略代码。

输入：“交易茅台，10日线上穿60日线全仓买，下穿全仓卖，用前复权数据。”

生成：约五分钟后，获得一个完整的 代码。

import dai的时候，调试报了下面这个错误

• Traceback (most recent call last):
• File "_pydevd_bundle/pydevd_cython.pyx", line 1343, in _pydevd_bundle.pydevd_cython.P

我是Alex。

当策略在历史回测中表现完美，很多人会迫不及待地想把它推向实盘。但真实市场专治各种“回测完美主义”。在按下启动键前，我总会对策略进行六项压力测试，这是策略从“实验室样品”变为“工业产品”的关键质检环节。

测试一：数据健壮性检验

目标： 看策略是否只能活在“清洁数据”

我们可能是对“AI+量化”这个话题最熟悉的一群人。我们熟练地调用各种预训练模型，用海量数据喂养它们，满怀期待地等着那个“神奇因子”或“圣杯预测”的出现。但不知道你们有没有和我一样的困惑时刻：

*我们是不是把AI想得太“聪明”了？或者说，我们是不是在用错误的方式，期待它解决一个本质上不同的问题？

在做量化研究，最兴奋也最让人警惕的时刻，可能就是看到一个新因子在样本内展现出近乎完美的预测力——IC高，回测曲线平滑上扬。那一刻，感觉仿佛触摸到了市场的某种脉搏。

但不知道大家有没有同感，这种兴奋之后，随之而来的常常是一种更深的困惑。随着我们拥有的数据维度越来越多（另类数据、舆情数据、产业链数据）

最近能看到一个挺明显的趋势：大家讨论的焦点，正从“如何挖掘一个更强的因子”，逐渐扩展到“如何让AI帮我生成/优化整个策略”。这背后是一个根本性的效率诱惑——如果描述一个想法，就能直接获得可回测、甚至可实盘的代码，那策略研发的迭代速度将发生质变。

这确实正在发生。无论是通过自然语言生成基础策略框架，

跑出一个回测年化80%的策略后，我却更慌了。

\

今天想和大家聊聊我这段时间最大的一个跟头，也是我认为新手最需要警惕的一个坑：过拟合。

说出来不怕大家笑话，最近我弄了一个“像样”的策略流程大概是这样：

1. 选了一堆听起来有道理的基本面和技术面因子（PE、PB、ROE、动

做量化这些年，有个体会越来越深：策略决定你的收益曲线可以画多高，但风控决定这条线能画多久。

刚开始的时候，我和很多人一样，风控等于“设个止损位”。直到经历过几次刻骨铭心的回撤，才明白真正的风控是一套嵌入血液的系统思维，它发生在你写第一行代码之前，并持续到策略生命周期的最后一刻。

今天不谈

各位大佬好，我之前都是通过图形界面来写代码的。现在就是想实现一个简单的功能，比方说每天遍历一下全市场，然后满足条件的股票我买入后持有3个交易日后再卖出。这个功能需要怎么怎么实现？能否提供一个简单能运行的demo程序，我在此基础上学习。

还有就是有没有专门讲如何通过代码来写策略的教程或方法，我有一定

ask_volume1 1档委卖量

beyond_1_ask_volume 第1档卖出量第1档卖出量

请问这两个字段的区别是什么

https://bigquant.com/codesharev3/2665a0fa-d0e3-4a3d-b70c-fa1c880eda58

\

NameError Traceback (most recent call last)

Cell In[1], line 79

 76 print('\\n🚀 开始训练阶段...')

 78 # 2.1 定义

期货，只买一只豆粕，跑 历史数据，第二天开仓 就读取不到 持仓数量了，第一天就是正常的，是什么原因呢？

下面算日志截图，5月20开仓成功可以读到持有数量3，尾盘平了后，5月21开仓成功，就 读不到持有数量了，如图：

![](/wiki/api/attachments.redirect?id=

        设置了固定时间平仓，有部分日期没正确执行
        if t >= context.force_close_time and t<= context.force_close_time_2:
            #context.order_targe

你知道世界上最愚蠢的止损方法是什么吗？我在机构深耕整整十年，深度交流过的投资者即便没有一万，也有一千以上。我发现绝大多数人最终惨淡离场，根源不在于“没设止损”，而在于止损得“太聪明”、太爱耍小聪明。

今天，我会撕开交易中最隐秘的伤口，为你深度复盘“最愚蠢”与“最聪明”两种止损模式的本质差异。如果你

一、引言

在量化投资实践中，策略回测绩效与实盘表现呈现明显偏差已成为股票量化交易的核心痛点，也是每一个量化交易者（机构）的重要关切。中国A股市场政策驱动、散户主导、交易机制复杂等特征，使得这一问题尤为突出。本文基于A股市场特性，针对回测-实盘不一致的现象，参考蒙特卡洛回测与参数平原方法，

1. 什么是滑点

滑点（Slippage）指下单时的“预期成交价”和实际撮合成交价之间的差。\n在回测/仿真中加入滑点，是为了更真实地模拟交易摩擦（价差、冲击成本、撮合延迟等），避免回测结果过于理想。

2. BigTrader 支持哪些滑点设置方式

BigTrader 主要提供两种

在 BigQuant 平台开发外汇量化策略时，很多开发者会先聚焦于因子构建、回测逻辑，却容易忽略一个核心前提 ——数据源的选择直接决定策略的回测有效性与实盘表现。行业从业者在搭建外汇高频策略、订单流分析系统时，最先思考的从来不是 “哪款 API 功能最多”，而是 “我的策略逻辑，到底需要捕捉

债市小市值策略

1. 回测结果

2. 策略简介

以“低价格、低溢价率、低余额”为核心筛选可转债标的，通过15只均等分散持仓

1.市场观察和机会发现

许多投资者热衷追逐热门概念，像曾火爆的新能源汽车概念，行业利好时股价飙升，吸引大量资金买入。但市场多变，热度减退后股价急跌。以2021年1月4日起跟踪买涨幅最大的策略，每日调仓，初期有涨幅，随后收益震荡下行，到2024年9月收益低至-50%左右，最大回撤超55%。

信达证券简介

信达证券（证券代码“601059”）总部位于北京市，公司实控人为中央汇金，具备证券经纪；证券投资咨询；与证券交易、证券投资活动有关的财务顾问；证券承销与保荐；证券自营；证券资产管理；融资融券；代销金融产品；证券投资基金销售；证券公司为期货公司提供中间介绍业务资格。公司在

在外界眼中，他是一个传奇：凭借自有资金，在极短的时间内将规模做到了50多亿。但在深耕投资心理学的专栏作家看来，他更像是一位极致的“人性猎手”。在长达三个小时的复盘中，他并未提及任何高深的算法或绝密的指标，反而反复强调四个极其朴素、却又极其反直觉的原则。

正如他所言：“在这个市场，100个人里或许只

引言：从股市“玄学”到数据实证

在A股市场的波诡云谲中，投资者往往迷失在繁杂的K线与指标丛林里。你是否也曾屏息凝神，在屏幕前反复确认那个传说中预示着财富的“金叉”，或是令人不寒而栗的“死叉”？这些被投资书籍和行情软件神化的均线形态，仿佛被赋予了某种预知未来的魔力。

作为一名量化研究员，我

在人工智能与机器学习深度赋能金融领域的今天，学术机构和大型基金公司面临的最严峻挑战，往往前置于算法模型本身。行业内流传着一句话：“Garbage in, garbage out（垃圾进，垃圾出）”。对于深度挖掘市场规律的研究者而言，最大的痛点在于市面上充斥着大量存在噪音、缺失甚至错误对齐的原始行情数

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