若您提交的因子报错，需要知道原因，请根据下图将提交的ID进行复制，并粘贴本帖的评论区，我们会定期检查并告述您报错原因！

在波澜壮阔的牛市中，普通投资者常常陷入一种两难的境地：既害怕追高被套在山顶，又担心犹豫不决而错失整个主升浪，也就是所谓的“踏空”。当市场出现大幅回调时，恐慌情绪蔓延，许多人选择匆忙离场。然而，市场的每一次大幅波动，尤其是放量调整，绝非偶然。

这些看似危险的回调，其实是市场“主力资金”精心策划的行动

一、假设已初步了解BigQuant平台

\

1. 注册并登录BigQuant账号
2. 了解BigQuant基础界面：Quant Agent、AI Studio、知识库、AI策略广场等等
3. 数据覆盖：了解平台提供的数据种类、历史长度与可用频率。常用数据表举例： *

可转债（全称：可转换公司债券，英文：Convertible Bond）是一种兼具债券和股票期权特性的混合型金融工具。它本质上是发行人（通常是上市公司）向投资者发行的债券，但附带一个“特权”：持有人可以在约定条件下，将债券按固定价格转换为发行公司的股票。

\

高频因子投研工具包介绍：

1. 高频因子历史高速计算/存表
2. 高频因子每日批量更新
3. 高频因子入库
4. 高频因子分析
5. 不同类型高频因子快速计算

\

视频回放

[https://bigquant.com/bigapis/college/v1/files/c3b

如何通过捕捉高频交易中的卖空信号与空头回补行为，挖掘市场微观结构中的定价偏差。

在短期波动中获取与市场无关的超额收益（α）

\

视频回放

[https://bigquant.com/bigapis/college/v1/files/5881770d-7d15-4cc7-ba54-7a

新版“保温杯”策略构建

视频详解如何在新数据持续产生时，通过滚动窗口技术动态更新与优化模型，使模型能够适应数据分布的实时变化，有效应对时间序列预测、在线学习等场景。内容兼顾核心概念与实用技巧，助你掌握构建可持续进化智能系统的关键技术。

\

视频回放

[https://bigquant

在量化研究平台与金融科技团队的实际工作中，一个常被低估但长期影响研究效率的问题是：行情数据的获取方式是否足够“工程友好”。不少行业从业者在复盘策略表现时发现，模型逻辑本身并不复杂，真正拖慢研究与实盘节奏的，往往是底层数据接口的稳定性、一致性与可扩展性。

尤其在美股市场，交易时段长、标的多、波动密集

在量化策略研发体系中，行情数据的实时性、完整性与稳定性是策略从回测到实盘落地的核心基础。美股市场的交易时段特性、高波动特征，对数据获取链路的响应效率和可靠性提出了更高要求。本文聚焦量化场景下美股实时行情 API 的选型逻辑、接入实操及稳定性优化，从底层数据层出发，探讨如何通过高效的数据获取方式提升量

做外汇量化研究和高频交易实操这些年，我发现很多同行走的弯路都集中在数据环节 —— 是不是你也遇到过，研究模型的逻辑再严谨，回测结果再漂亮，到了实盘却频频失效？学术研究中想做汇率波动规律分析，却因数据源残缺、延迟导致结论缺乏说服力？其实核心问题往往出在外汇实时数据接口上，这也是我长期高频交易和金融研究

引言：为什么散户总是亏钱？

在股市中，许多散户投资者都面临一个共同的困境：频繁追涨杀跌、不停地更换股票，但最终账户依然亏损。问题究竟出在哪里？答案可能在于，大多数人没有掌握主动控制持仓成本的有效方法。

其实，机构交易员们普遍使用一种策略来持续优化成本，它可能是散户扭转局面的唯一“法宝”—

一场迟来的“正义”

对于在A股市场中拼搏的普通散户而言，面对拥有顶级硬件和速度优势的高频量化交易，时常会有一种无力感和不公平感。然而，一场颠覆性的游戏规则大改已经落地。监管机构祭出组合重拳，旨在给那些靠技术优势在市场中“横行”的量化机构带上紧箍咒，并将市场的天秤，向广大散户这一侧重

欢迎各位参加“蝶威杯2026年高频因子大赛”，预祝各位能取得佳绩！这是一篇入门贴，手把手教大家从0到1走完整个比赛流程。

本次比赛的目标是 聚焦3秒 snapshot 数据构建15分钟频率因子，禁止使用模型合成的方式构造因子。我们将流程尽可能简化，大家只需要关注编写因子代码的逻辑即可，其他

策略介绍

该策略是一个TALIB指标选股策略

买入条件是（1）今日开盘价大于昨日收盘价；（2）5日收盘价均线大于10日收盘价均线的股票

买入后，如果5日收盘价均线小于10日收盘价均线，则次日卖出。

策略流程

1. 股票过滤：剔除ST、停牌股、北交所
2. 筛选条件：上市天数大

https://bigquant.com/codesharev3/e5aef1c5-72be-47ea-ab9f-780959626ad1

\

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。

因子应用时应注意穿透真实风格

老韵前段时间分享了因子批量测试的工具，见《因子研究工具：批量因子测评，自适应多空方向》。当我们测试到一些数据特别好的因子时，是不是就迫不及待地

题图：本文内容于2026量化思享会 · 2026-01-24 · 上海场 首次分享

1、高频中的空头信息，有用吗？

在开发高频因子时，我

• 运行环境：AiStudio 3.0.0
• 策略描述：对于一个事件策略来说，哪一只股票在此策略下收益最高，我们是可以逐个试出来的，就买入
• 数据表名：cn_stock_bar1d
• 回测时长：2020-1-1 至 今天
• 初始资金：500000
• 买卖时间：开盘买入，收盘卖出

\

研报：https://mp.weixin.qq.com/s/h9S6UCvV0Ffa9taHI8qjrA

因子分析 计算了2021到近期的，多头预测能力并不算突出，魔改版本还在进行中…

--因子分析代码(图下面)

--因子计算代码（最下面）

![](/wiki/api/

本文档，我们会总结一些典型的高频因子，加工方式为“一只票，多天”

这种因子的加工时通常不需要截面运算，因此不需要获取其他股票的信息

提示：加工高频因子最好将资源开大，否则Kernel容易崩溃

\

1. 全天内不同时间段内的成交量占全天成交量之比

• 时间段01：09:30-

新做了暗流涌动因子 虽然这个因子效果并不突出，但是似乎加入到滚动训练有一点作用

新版保温杯 + LGBM改 运行很快 存取模型\n水滴是用万老师模板的\n暗流涌动因子是刚发在这儿[方正 暗流涌动 因子构建 基础](https://bigquant.com/wiki/doc/B4eg

引言：为什么高手的方法总是如此简单？

在瞬息万变的股市中，为什么我们散户总是激情满满地冲进加速上涨的股票，买在情绪的最高点，最终却往往亏损离场？我们不禁会问，那些真正叱咤风云的顶级操盘手，他们究竟藏着什么不为人知的交易秘诀？

答案或许会颠覆你的认知：真正的顶级高手，其买点往往“普通到不能

引言：解密交易中的“第六感”

在交易圈，人们常说顶级高手的盘感，比女人的第六感还要强。他们似乎总能在市场启动前，就提前预知主力资金的动向。这种能力对于短线交易者而言，至关重要。

但这种神秘的“盘感”真的是天赋或玄学吗？并非如此。它不是一种与生俱来的直觉，而是一项完全可以通过刻意练习快速掌握

1. 策略概览

本策略面向 A 股沪深300成分股，采用多因子选股 + 指数增强思路：每次调仓前都用过去一段训练窗口的历史数据，重新训练因子权重，目标是让组合信号的 ICIR（Information Coefficient Information Ratio）最大化，从而得到

潮汐因子策略汇总

基于方正金工研报《个股成交量的潮汐变化及"潮汐"因子构建》

一、核心思想

成交量的日内变化如同海洋潮汐:

• 成交量从低到高 → 涨潮
• 成交量从高到低 → 退潮
• 一次完整的低→高→低过程 → 一次潮汐

**

在实际的量化交易研发中，我们最重要的工作并不是写策略本身，而是如何快速获取、处理和验证数据。一个可靠的数据接口往往决定了策略能否顺畅落地。

过去我们用爬虫整理行情数据，跨市场、跨源的整合既费时间又容易出错。直到引入专业量化数据接口（例如 **[AllTick](https://alltic

笑宇老师在私享会线下课分享的新版机器学习滚动训练V2与旧版相比，重新组织了策略代码，结构更简洁清晰，让我这个退休程序员在AI的帮助下也读懂了各段代码的含义。在了解各种机器学习模型的过程中，了解到模型参数对模型的性能有极大的影响，于是根据AI的提示对模型参数做了简单的修改，使回测速度在4C16

简介：为何牛市里，多数人依旧亏钱？

A股市场从不缺少机会，甚至可以说“隔三差五就有翻倍股”，即便是指数下跌的熊市里也不乏结构性行情。但一个残酷的现实是：为什么在这样一个机会遍地的市场，绝大多数散户依然不赚钱？

或许答案就藏在这句市场老话里：

赚钱的人千篇一律，亏钱的人五花八门。

问题

做量化最怕的不是策略逻辑错了，而是你的逻辑是对的，但因为数据比别人慢半拍，导致进场就接盘。最近把一套网格策略移植到港股市场，实盘跑了一周，收益曲线惨不忍睹。复盘发现，核心问题出在行情源的滞后性上。

痛点直击： 港股市场的流动性分化很严重，蓝筹股和仙股的Tick密度天差地别。如果用免费的延时