from bigmodule import M

# <aistudiograph>

# @param(id="m5", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m5_initialize_bigquant_run(con

我们在券商一线做投顾、带量化交易团队这么多年，踩过最痛的坑，莫过于策略回测时收益亮眼，一到实盘就 “水土不服”—— 尤其是做股票、期货高频量化或日内 T+0 交易时，哪怕几十毫秒的行情延迟，都能让原本盈利的策略瞬间变脸。这些年我们复盘过无数案例，发现比起复杂的策略逻辑，**行情数据的稳定性、接口响应

老师你好，我这里选择

roic_lf_yoy_consec_min_3y>0.15,但结果出来的股票没有这个达到要求。

这是系统没算对还是什么原因呢？

下面是策略：

https://bigquant.com/codesharev3/414b6cba-186a-41dc-a04a-e6bfad

Q1：常用的有效因子有哪些？如何找到有效的因子？

Q2：请问如何评价一个策略的回测结果？进一步策略优化有哪些思路？

目前只会乱改参数，基本上自己加的因子或者选择条件往往都让模板效果变差或很小提升，因为这个分析应该要结合震荡市场或者牛市结构、结合alpha、beta、sharpe、回撤

在投资领域，指数增强策略作为被动投资与主动投资的有机结合体，既延续了指数基金对基准的紧密跟踪，又通过主动管理寻求超额收益，成为市场中备受关注的投资方向。如今量化方法已经成为指数增强的主流选择，其中多因子模型应用广泛，但随着金融数据的爆发式增长和算法技术的迭代，深度学习凭借其强大的特征挖掘与非线性拟合

在外汇量化策略开发与落地过程中，多数开发者会面临一个共性挑战：回测阶段经严谨验证的优质策略（收益曲线平滑、逻辑无缺陷、风险指标优异），切入实盘后常出现性能滑坡，具体表现为收益波动率激增、交易信号延迟、短线策略入场点位偏差等问题。初期开发者多聚焦于策略模型本身的优化，通过迭代参数、调整因子等方式尝试修

请问下为什么print的内容 日志中没有体现呀

[https://bigquant.com/codesharev3/826d8e13-d735-43ab-afae-8d2c8f1b2485](https://bigquant.com/codesharev3/826d8e13-d735-43ab-

略微出手就是一个做空无敌，稍作修改就感觉比一些研报的多空收益要好。但是可笑的是我完全是用的日频数据。感觉研报都在水工作内容。

以下两张图都不包含涨停或者跌停板。

![](/wiki/api/attachments.redirect?id=84c912c5-0b4d-4373-9654-3

从满怀希望到代码报错，新手量化交易的“第一道门槛”

你是否也曾有过这样的经历：对量化交易充满热情，构思了一个绝妙的策略，却因为不会编程而寸步难行？或许你尝试过求助于通用的AI工具（比如ChatGPT），让它为你生成策略代码。你满怀期待地将代码复制到专业的量化平台上，结果迎来的却是一

1、请用自己的话解释什么是量化投资

利用数学模型进行投资决策，其核心将投资思想转化为可量化的指标来识别投资机会、执行交易并管理风险

2、请你列出你认为的量化投资的优势和劣势。

优势 ：避免主观情绪干扰，严格按模型执行。快速处理海量信息，捕捉人脑难以发现的复杂机会，精准交易避免手忙脚

引言

面对复杂的图表、海量的新闻和各种技术指标，你是否常常感到迷茫，不知道该相信什么？在追求高深莫测的“绝技”时，我们可能忽略了一个事实：在投资世界里，最有效的策略，往往不是最复杂的，而是那些最简单、最“笨”的。

本文将分享一位拥有11年实战经验的交易者，从无数次博弈中提炼出的8条核心铁

策略简介

本策略面向信用账户（融资融券），在单只A股标的上进行分钟级趋势跟随交易。核心信号为双均线交叉：使用10分钟短均线与40分钟长均线，当短均线上穿长均线（金叉）时触发融资买入做多；当短均线下穿长均线（死叉）时触发融券卖出做空。为贴近可交易性，信号产生后不在同一分钟成交，而是延迟到下一分钟

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）.。

连续3日收盘价高于5日均线，且当前价格比过去20日最低点高出不超过10%

当日成交量需超过过去10日平均成交量的1.2倍。

15%止盈；高点回撤超过8%止损。

2、在

导语

大家好，今天详细介绍下私享会成员如何使用SDK。

\

SDK安装包

下载包

[bigquant-0.1.0.post104+g82d82af-py3-none-any.whl 63063](/wiki/api/attachments.redirect?id=3e39d777

• BigQuant 比赛
  • 2026年SAIF手搓因子大赛

\

近来，针对量化交易的“讨伐”之声不绝于耳，许多散户投资者都有一种普遍的感受：量化交易是不是一种专门“割韭菜”的工具？

事实真的如此吗？本文将超越喧嚣的头条新闻，深入分析量化交易背后几个最令人惊讶且最容易被误解的真相，帮助你了解它到底是什么。

1.它曾碾压巴菲特30年

要理解量化交易在投资

引言: The Rise of the Machines

量化交易已不再是投资圈的遥远概念，它正迅速成为市场的主导力量，越来越多地占据市场龙头席位。尽管与欧美市场相比，量化交易在国内的普及率还有差距，但它无疑是未来的大势所趋。对于普通的散户投资者而言，这既是必须正视的挑战，更是亟待把握的机

简介

近年来，A股市场上一个现象愈发普遍：某些股票的价格会在盘中某个瞬间，走出一条近乎垂直的直线，暴力拉升，甚至在短时间内触及涨停。许多股民将此现象归因于“量化交易”的兴起，但其背后的具体运作机制却鲜有人知。

这种走势是如何形成的？真的是简单的“大单买入”吗？本文将基于一位量化基金经理的

https://bigquant.com/codesharev3/2d553705-f74f-45fe-8c4b-03328a462473

\

想做中证800指增策略，系统卡着不能进行下去了，心烦意乱，有没有大神救一救~~~~

1、多次出现score，系统无法识别该用哪个score

**思路是从中证800股票池，通过约10各因子得分加总AS score,按照score排名，降序取前200只，再在这200只按照score降

AI因子挖掘项目培训

大模型驱动的量化投资策略开发

主讲人: 徐啸寅

\

视频1：

[https://bigquant.com/bigapis/college/v1/files/b63b7904-189a-4199-9fe5-f73625c31ccd](https://bi

1. 策略概述

本策略属于多因子选股 + 动态因子权重框架。核心思想是：

• 同一时间，不同因子对未来收益的预测能力会变化；
• 用历史“因子-未来收益”的相关性（IC）衡量因子有效性；
• 用 IC 的稳定性（ICIR = IC均值 / IC标准差）决定因子权重；
• 将多个因子

在 AI 量化圈子里，有一个大家心照不宣的秘密：如果你问一个 Quant 他哪怕一天的时间花在哪，他大概率会告诉你他在“洗数据”。

设计一个 LSTM 或者 Transformer 模型来预测股价走势，听起来很高大上。但当你真正动手时，你会发现最崩溃的不是调参，而是数据的缺失和异常。尤其是

量化交易的神秘光环，往往始于其复杂的算法，终于其简单的赚钱本质。看似深不可测的“黑箱”，实则遵循着几条清晰的“第一性原理”。

本文旨在揭开这层神秘面纱。我们将深入探讨九种主流的量化策略，剖析它们各自最核心的盈利来源，清晰地告诉你，每一种策略究竟赚的是哪一种“钱”。

九大量化策略的核心原理

引言：一句被误读的投资箴言

“别人贪婪我恐惧，别人恐惧我贪婪”——这句投资箴言几乎是每个进入股市的人都听过的金科玉律。它倡导一种与大众情绪逆向而行的独立思考精神。然而，一个可能反直觉的事实是，在大多数日常股票交易场景中，盲目遵循这一“逆向思维”，不仅可能毫无效果，甚至会让你面临巨大的风险。

Original

Remove indicators

expr="""

--open

""",

ex

from bigmodule import M

# <aistudiograph>

# @param(id="m5", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m5_initialize_bigquant_run(context):

Alpha191因子是国泰君安证券研究者，于2017年6月，在《数量化专题: 基于短周期价量特征的多因子选股体系》研报中提出的191个因子，具体的因子表达式如下

\

Alpha1:   (-1 * CORR(RANK(DELTA(LOG(VOLUME), 1)), RANK((

引言：一句古老的股市谚语正在误导你

你是否也曾陷入这样的困境：手中持有的股票连续大涨，形势一片大好，但突然在某一天，成交量急剧放大，形成一根“天量”K线。此时，你的内心是否充满了恐惧与纠结？是该获利了结，还是继续持有？

“天量见天价”，这句股市谚语几乎是所有投资者的第一反应。它在很多情况

引言：十字路口的A股市场

近期，A股市场成功冲上4000点整数关口，迅速成为所有投资者关注的焦点。市场情绪也随之来到一个十字路口，分歧日益加剧。当前最核心的矛盾在于：4000点究竟是本轮反弹行情的“天花板”，还是一个全新牛市阶段的坚实“起点”？

在众说纷纭之际，一位分析师提出了一个与主流

• BigQuant 比赛
  • 群英荟萃因子大赛

\

平台的vscode好像无法设置断点进行调试。

1. 市场观察和机会发现

很多“纯小盘”或“纯价值”策略容易遇到两类问题：\n1）价值陷阱：估值便宜但基本面变差，股价继续下跌；\n2）行业偏置：长期收益其实来自行业押注（例如价值偏金融/周期），一旦行业风格切换，策略波动放大。

因此更实用的思路是：

用**质量因

基于LangChain + LangGraph的多智能体辩论系统

[https://bigquant.com/bigapis/college/v1/files/f068f43a-926c-4ce2-88f1-2b2c936ffbd3](https://bigquant.com/biga

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

{{pro}}

[https://bigquant.com/codesharev3/f2067f57-5788-4bae-b0f2-acd3f613c0ff](https://bigquant.com/codesharev3/f2067f57-5788-4bae-b0f2-

在外汇量化研究与交易落地过程中，数据质量引发的策略失效是高频痛点。某量化团队的实战案例具有典型性：其耗时 6 个月构建的趋势跟踪策略，回测阶段夏普比率稳定在 1.8，风控指标完全达标，但实盘上线首月即出现超预期亏损。经全链路排查确认，问题根源在于所使用的 API 存在数据链路割裂 —— 历史回测数据

引言：当今市场的无形之手

你是否曾感到困惑，为何数千只股票会毫无征兆地集体上涨或下跌？你是否曾觉得，市场的波动背后似乎有一只无形的手在精准地操控着节奏？

这种行为并非随机，在很大程度上，它是由“量化交易”的内在逻辑所驱动的。这些高速运行的算法模型，已经成为影响市场最深刻的力量。

本文旨

AI智群协同，量化交易新纪元——LangChain × LangGraph 驱动的高效决策引擎

告别传统单一模型策略，迎接多智能体协同作战的交易时代！我们基于 LangChain + LangGraph 架构，打造下一代AI智能体交易系统，通过分工、协作与博弈，实现全流程量化决策升

https://bigquant.com/codesharev3/79b17590-c17d-4522-b900-a833a1882768

\

\

回測

夏普值（Sharpe Ratio）

夏普值= (R_p - R_f ) / sigma_p

回測: 2020-

from bigmodule import M

# <aistudiograph>

# @param(id="m5", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m5_initialize_bigquant_run(context):

https://bigquant.com/codesharev3/4ccbc6f2-6d07-4d3f-98a6-96d70fb04948

\

引言：摆脱亏损循环，实现交易生涯的真正转折

你是否也陷入了A股市场中频繁操作、持续亏损的怪圈？今天，我们将探讨一个真正高级的话题，它可能成为你交易生涯的转折点。这个秘密无关复杂的指标或内幕消息，而在于两个字——“开窍”。

不开窍，你只能被市场无情地玩弄；一旦开窍，你才能真正洞悉A股的核心

对于想要进军量化交易的新手来说，股指期货是绕不开的重要标的，而借助金融数据 API 获取实时行情、构建自动化交易系统，更是提升交易效率的核心手段。本文将从基础概念入手，一步步带大家掌握股指期货 API 的使用逻辑，理清关键知识点，完成从数据获取到系统搭建的入门闭环。本文将分享如何使用 iTick A

在“私享会”内部，我们正式推出全新协作型组织——投研团！这是一个围绕具体策略方向组建的兴趣聚合、目标导向型研究小组，旨在帮助每位成员从“单打独斗”走向“团队攻坚”。

什么是投研团？

• 核心定位：以策略为单位的小型协作研究团队
• 组织形式：每个投

https://bigquant.com/codesharev3/0e10a879-cebc-459d-ae3b-bd88dfba3992

\

method=1，2, 3

怎么弄的不对呢？

\

import dai
df = dai.query("""
    SELE

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）.。

找尋符合條件的股票，P/S, P/E, Profitability YoY, market cap, etc 等條件篩選，並進行擇時投資。

2、在看完从0-1开发量化策略

1、请用自己的话解释什么是量化投资

分析金融市场的信号，透過數學模型演算最佳投資報酬+自动化下單。

2、请你列出你认为的量化投资的优势和劣势。

優勢：減少人為情緒擾動，高效處理更多資訊，邏輯回測

劣勢：許多因素並非可以簡單量化，管理、產品。速度也可能帶來風險。模型不一定適合每一個行情。

DataSource

DataSource是bigmodule原生支持的一种泛用数据类型，在底层实现了许多优化机制，以确保数据准确、安全、便捷地传输和使用是。

\

导入DataSource

DataSource相关的方法和属性，定义在库 dai 中，通过以下代

当“量化”成为众矢之的

近期，A股市场对量化交易的口诛笔伐不绝于耳，负面情绪弥漫。当市场波动与个人亏损叠加，量化交易似乎成了那个最容易被归咎的“罪魁祸首”。然而，在群情激愤之下，我们是否也该冷静思考：通过强制干预的方式“管死”量化，真的是解决问题的最佳方案吗？还是说，我们可能忽略了

• BigQuant 比赛
  • BQ Alpha

\

操作系统：Mac OS

浏览器：chrome

操作：

在编写策略板块中，新建一个模板策略，不做任何修改，直接运行，就报错了。

按道理平台是服务器端部署的，所有的库都是平台部署的，为什么还有这种无法解析的问题呢？

求助。提前感谢。

![](/wiki/api/attachments.re

理解 BigQuant SDK 的设计哲学，是构建高性能、可扩展量化交易系统的基础。

1. 本地代理架构 (Local Proxy Architecture)

BigQuant SDK 的本质是一个智能代理。它打破了“本地软件”与“云端服务”的界限：

• 逻辑本地化：您的策

散户心中挥之不去的问题

每一个身处A股市场的普通投资者（即“散户”）心中，或许都有一个共同的疑问：为什么就算行情曾经站上了4000点，自己到头来却总是亏多赚少？这个问题困扰着数以亿计的人，成了一种普遍而深刻的挫败感。近来，像刘纪鹏教授这样的专家学者也在公开场合痛心疾首地指出了市场的

1. 研报的链接：<https://mp.weixin.qq.com/s?__biz=Mzg2MDMyMjU0Ng==&mid=2247501017&idx=1&sn=8c9b124efdcb40f2a81cea5e886827d6&chksm=ce2aab44f95d22527831050de8

（含相对强弱指数公式、使用技巧、Python代码、回测平台）

相对强弱指数（Relative Strength Index，RSI）是一种动量指标，用于分析股票的价格走势，以确定过度买入或过度卖出的条件。它是通过比较最近期间内的平均收益和平均损失来计算的。

[BigQuant](http

最近读到中金量化多因子系列中提到一些高频因子，比如50分钟K线最高与最低价相关系数平方的均值、成交量最高50根K线成交量收益率动量等等，那么根据分钟行情数据构建出来的话，应该是计算出多行的数据，那么对于我们量化爱好者来说，做因子测试的话是利用这些日内多行的数据吗？还是需要做降频处理到每日只取一行数据

《别再追微盘股了！“轮动宝”策略回撤更低、收益更稳》\n——打造实战价值策略\n\n🔥 亮点抢先看：\n1️⃣ 哪些标的是长期正收益\n2️⃣ 如何确定有效因子\n3️⃣ 如何进行组合优化\n4️⃣ 如何提升策略稳定性

\

一、视频回放与课件

[20251106151335-轮动宝

策略介绍

该策略是一个质量投资策略，即基于公司质量指标选择股票

在这里，我们将质量因子（score）定义为盈利能力（Profitability） + 成长性（Growth） + 安全性（Safety）

• 盈利能力指标由资产毛利率GPOA，ROE，ROA，资产流动资金比CFOA，毛利率G

导语

BigQuant平台不仅支持传统机器学习模型，同时还对深度学习模型模块进行了封装，方便用户直接使用策略生成器开发策略，降低策略开发难度。本文对BigQuant平台上策略生成器已经支持的深度学习模块进行简单介绍。

深度学习模型通过功能层进行积木式拼接，典型的模型构架如下：

国信金工的日线级别的动量因子（https://mp.weixin.qq.com/s/VlvvFzm0SeoFg_9wkkjshQ），看研报效果不错。另外，研报启发最大的一个点，就是如何将个股和行业收益结合起来生成因子。

在平台实现时，需要 用到sum_greatest_k算子，但由于不清楚如何

BigQuant SDK 是一款为专业量化研究员打造的本地开发工具。它让您在保留本地 IDE 开发自由度的同时，无缝调用 BigQuant 云端的海量数据与分布式算力。

快速安装

BigQuant SDK 支持 Windows、Linux 和 macOS。我们建议在 [Python 3.1

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

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将过去20日最高收盘价作为hist_high，过去10日最小收盘价作为hist_low
• 买入股票：'600519.SH'（贵州茅台）, '600941.SH'（中国移动）, '601398.SH'（工商银行）,  '601857.SH

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将过去20日最高收盘价作为hist_high，过去10日最小收盘价作为hist_low
• 买入股票：'600519.SH'（贵州茅台）
• 买卖规则：hist_high大于hist_low买入，hist_low大于hist_high卖出

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将5日平均开盘价作为短线，120日平均开盘价作为长线
• 买入股票：'600519.SH'（贵州茅台）, '600941.SH'（中国移动）, '601398.SH'（工商银行）,  '601857.SH'（中国石油）, '000001.

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将5日平均收盘价作为短线，40日平均收盘价作为长线
• 买入股票：600519.SH（贵州茅台）
• 买卖规则：短线上传长线买入，长线下穿短线卖出
• 数据表名：cn_stock_bar1d
• 回测时长：2020-1-1 至 今天

打破耗时复盘的迷思

对于许多交易者而言，“复盘”似乎是一个同义词，等同于耗费数小时的艰苦工作。然而，一个反直觉的事实是，市场上一些顶尖的交易员每天用于复盘的时间可能只有短短十几分钟，却依然能精准把握市场脉搏。他们是如何做到的？答案不在于投入更长的时间，而在于拥有一套高效的分析框架。本

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）.。

选取沪深300指数成分股，当5日均线和10日均线金叉且macd为正时买入，反之卖出。

2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主流程。

1.

1、请用自己的话解释什么是量化投资

将投资策略转换成编程语言，让计算机自动交易代替手动交易。

2、请你列出你认为的量化投资的优势和劣势。

优势：排除了情绪干扰；机器学习等算法能挖掘出人未挖掘到的因子

劣势：容易加剧追涨杀跌；算法是黑箱子，不知道其中原理

https://bigquant.com/codesharev3/0dd9987e-5feb-4a3a-8593-d2d24c68ce08

\

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将流通市值、换手率、收盘价做截面排序，并乘以系数，组成因子total_score
• 股票条件：过滤ST，过滤已停牌，上市天数大于365天，只要主板（过滤科创板和北交所），市盈率大于0，流通市值<=25亿
• 排序条件：按照日期、tota

因为很多量化在线平台目前还不支持期货交易，且KD指标对大盘和热门大盘股有着较高的准确性，此策略选取'605588.SH'为标的股票，000300.SH为参考标准。\n策略逻辑：\n当kt>80,dt>80, jt>100时，卖出\n当kt<20,dt<20, jt<0 时，买入

\

**

因为很多量化在线平台目前还不支持期货交易，且KD指标对大盘和热门大盘股有着较高的准确性，此策略随机选取'603896.SH'为标的股票，000300.SH为参考标准。\n策略逻辑：\n当kt-1>80,dt-2>80, jt>100时，股价创50日新高，KDJ指标未创新高,卖出\n当kt-1<20,

股票提取：当快线（短期移动平均线）上穿慢线（长期移动平均线）时，形成金叉信号，表明买入机会；当快线下穿慢线时，形成死叉信号，表明卖出机会

股票过滤：过滤ST，过滤北交所，上市天数大于270天

排序规则：按照成交量从大到小

买卖时间：开盘买入，收盘卖出

初始资金：100万

持仓票数：10

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将流通市值、收盘价、每股收益率做截面排序，并乘以系数，组成因子total_score
• 股票条件：过滤ST，过滤已停牌，上市天数大于365天，过滤北交所，市盈率大于0小于25，资产负债率<0.3，主营业务比率>0.8，营业利润/利润总额

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将流通市值和每股收益率做截面排序，组成因子total_rank
• 股票条件：过滤ST，过滤已停牌，上市天数大于365天，只要主板（过滤科创版和北交所），市盈率大于0
• 排序条件：按照日期、total_rank（从小到大）排序
• 数据

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

股票提取：股票提取：最近15天内，连续涨停数大于7，且已经断板，断板后3天内平均涨跌幅大于1%

股票过滤：过滤北交所，过滤科创版，过滤创业板、上市天数大于270天

股票排序：按照成

• 声        明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 股票提取：昨日涨跌幅在2%~8%，换手率在3%~8%
• 股票过滤：过滤ST，主要主板，上市天数大于270天，过滤停牌
• 股票排序：按照主力流入金额从大到小排序
• 买卖时间：开盘买入，收盘卖出，
• 初始资金：

• 声        明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 交易逻辑：每隔30个交易日，以开盘价买入当日0<PB<1.5且0<PE<15且有成交量较前一日放大1.5~2.5倍的股票；
• 每隔30个交易日，将不符合上述标准的持仓股票在第二天以收盘价卖出。
• 股票过滤：换手率

买入条件：

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
3. 按PE升序排名取前十名,次日以开盘价买入；
4. 买入后，如果5日收盘价均线小于10日收盘价均线，则次日以开盘价卖出。
5. 股票过滤：过滤ST，过滤北交所，上市天数大于270天
6. 初始资金：

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

股票提取：在财报公告日当天，筛选出净利润同比增长小于1的，并按照净利润同比增长排序

股票过滤：剔除ST、退市、非主板、上市时间小于365天的

买卖时间：开盘买入，收盘卖出

初始资

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

股票提取：提取昨天和前天均涨停（2连扳），股价在五天均线上方运行，市盈率5-30倍左右，近一个季度利润增速超10%

股票过滤：过滤ST，过滤北交所，过滤科创版，上市天数大于270天，

由于财务公告通常在晚上发布，在财务报表公告的第二日开盘买入归属母公司股东的净利润同比增长率百分比大于30%的且降序排名靠前股票(总持仓量不超过50只);\n\n买入并持有40个交易日后，以第二日开盘价卖出；

\

策略源码：

{{pro}}

[https://bigqu

/wiki/static/upload/15/155c3445-595b-4419-98f2-fb8ba6636edf.mp4

回测图：

更新

本文为代码实现，仅供学习参考，可视化策略见：

https://bigquant.com/wiki/doc/122-xU6xPIfoPp

[/wiki/static/upload/d2/d2d6827c-71b2-425b-81ce-b957dcc55763.mp4](/wik

• 运行环境：AiStudio 3.0.0
• 策略描述：我们选择一定条件下小市值的股票，来研究策略的历史表现
• 股票条件：过滤ST，过滤已停牌，上市天数大于365天，只要主板（过滤科创版和北交所）
• 排序条件：按照日期、流通市值（从小到大）排序
• 数据表名：cn_stock_factors_

• 运行环境：AiStudio 3.0.0
• 策略描述：我们将总市值、流通市值、收盘价做截面排序，并乘以系数，组成因子total_score
• 股票条件：过滤ST，过滤已停牌，上市天数大于365天，只要主板（过滤科创板和北交所），市盈率大于0，流通市值<=25亿
• 排序条件：按照日期、tota

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

股票提取：每日判断ST摘帽的股票，买入后持有3天

买卖时间：开盘买入，收盘卖出

初始资金：100万

持仓票数：所有满足ST摘帽条件的股票

持仓周期：3天

\

**策

买入条件： 选择过去30个交易日内，超大单净流入占比均位于所有股票的前5%。 这些股票的涨跌幅位于同期所有股票的前5%。

卖出条件： 或股票涨跌幅跌至同期所有股票的后5%。

\

策略源码：

说明：克隆下方策略请前往最新开发环境3.0中运行

{{pro}}

[https:/

很多量化研究，失败并不是因为策略“想错了”，而是因为一些被默认接受的前提，其实并不成立。

回测框架往往给人一种安全感：数据已经准备好，撮合规则也写好了，回测结果能直接画成一条漂亮的收益曲线。可一旦把视角从“策略逻辑”挪到“这些结果是如何被算出来的”，就会发现，回测里藏着不少未经确认的假设。

这些

• 买入条件：选择过去120个交易日涨幅位于前30%的股票作为动量股。同时，选择过去30个交易日内表现最差的前10%股票作为反转股。股票必须在过去5个交易日内有超大单净流入。按照流通市值降序排列
• 卖出条件：持有期超过30个交易日或涨幅达到20%。
• 股票过滤：过滤ST，过滤北交所
• 最大持仓

策略逻辑：价格冲击偏差较小的股票表现较好，即前期容易下跌上涨困难的股票后期表现更佳,买入

\

策略源码：

请克隆策略，前往最新版本开发环境3.0中运行

{{pro}}

[https://bigquant.com/codeshare/38959187-2110-4d94-98