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

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！

——当诺奖理论遇上菜场智慧，会擦出怎样的火花？

🔥 直播看点：\n1️⃣ 拆解马科维兹模型：如何用数学构建“最优投资组合”？\n2️⃣ 揭秘“菜场大妈”的朴素投资哲学：低买高卖、鸡蛋不放在一个篮子里……她们真的错了吗？\n3️⃣ 硬核碰撞：用真实数据回测，两种策略谁更赚钱？

直播回

工作地点：深圳

关键词

证券行业数字化转型、AI+投资、AI产品规划设计、私募投资生态圈

工作职责：

1. 承接公司战略，深刻理解证券行业发展规律，规划公司投资等核心业务线的AI示范应用场景；
2. 围绕“以客户为中心”理念，组织参与业务条线问题调研及研讨，开展投资等业务

引言：打破亏损怪圈的“降维打击”

在波谲云诡的二级市场中，大多数散户投资者往往陷入一个悲剧性的死循环：买入即套牢，割肉即起飞，在迷茫与焦虑中消耗着本金。这种困境的根源，不在于你不够努力，而在于你缺乏一套经过实战检验的“确定性”盈利模型。

真正的投资大师，其进阶之路并非依靠运气，而是对市场

单品种外汇单日Tick数据可达数十万条，而同周期1分钟K线仅1440条，悬殊的数据量差异，让不少外汇量化开发者在策略研发中陷入数据选择的困境。作为量化交易工程师，如何根据研发需求选对数据类型、高效对接外汇接口，直接影响策略研发的效率与落地效果。今天就从实操角度，拆解Tick数据与K线数据的核心区别，

在AI量化时代，模型的效果上限由数据质量决定。作为金融数据分析师，如何保障底层数据的纯度与时效？

特征工程与业务场景

无论是训练深度学习模型还是构建传统的交叉因子，实时且准确的市场数据是不可替代的燃料。在涉及港股市场的策略研发中，分析师需要批量提取标的物的不同周期特征（如1分钟、5分钟

引言：打破“慢速增长”的迷思

在资金融通的血腥战场上，许多小散户常年陷入一种病态的死循环：资金量小，却总想着靠“长线投资”实现阶级跨越。看着主力大口吃肉，自己只能捡点面包屑，资产曲线常年横盘。

小资金想要快速做大，靠的不是熬时间，而是极高的周转率与对主力动向的绝对敏锐。 想要打破

1. 关于风险的界定： 在量化投资的范畴内，我们具体要规避的“系统性风险”指的是什么？它与市场收益（Beta）之间是什么关系？
2. 关于策略的构建： 在构建量化策略时，如何通过资产配置（如风险平价）或因子暴露的调整，从源头上降低对系统性风险的依赖？
3. 关于对冲工具： 如

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

\

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，