Z-score风险平价动态止损ETF策略 | 年化收益率: 18.18% | 累计收益率: 799.14% | 最大回撤低于: 21.98% | BigQuant AI量化策略
该策略基于Z-score方法对防御性ETF进行横截面选基，通过计算ETF的波动率倒数及成交额等因子，对候选ETF进行评分与排序；在持仓分配上采用风险平价权重，以降低组合整体波动风险；同时结合动态波动率止损机制，及时剔除异常波动的ETF，从而兼顾收益与风险，实现稳健的ETF组合投资管理。
Bigquant AI量化策略
基于动量评分的ETF轮动策略： | 年化收益率: 36.03% | 累计收益率: 2254.52% | 最大回撤低于: 48.34% | BigQuant AI量化策略
使用4只不同资产类别的ETF进行轮动 - 通过25日数据计算动量评分（年化收益率×风险调整因子） - 只选择动量评分在安全区间的ETF - 每日选择动量评分最高的1只ETF全仓持有 - 无符合条件ETF时空仓
指数择时策略轮动 | 年化收益率: 12.72% | 累计收益率: 107.18% | 最大回撤低于: -11.17% | BigQuant AI量化策略
现在我要针对指数择时信号来配置策略轮动，具体策略思想： 1. 低频macd金叉表示牛市到来，此时配置指数增强或者沪深300etf; 2. 低频macd死叉表示熊市到来，此时配置大类资产。 这里配置了两个策略做轮动: 1. 买入并持有沪深300etf; 2. 买入并持有黄金etf.
HANS123日内ETF tick策略 | 年化收益率: 52.57% | 累计收益率: 28.81% | 最大回撤低于: 9.54% | BigQuant AI量化策略
汉斯123策略是一个经典的日内突破交易策略，根据开盘后的一定时间内形成的高低点作为价格区间，突破价格区间的上轨买入，并在收盘前平仓以规避隔夜风险。
鹰式价差策略 (做多波动率版) | 年化收益率: 0.41% | 累计收益率: 0.16% | 最大回撤低于: 15.26% | BigQuant AI量化策略
鹰式价差策略：通过组合4个不同行权价的期权来构建反向铁鹰结构。做多波动率版本(反向铁鹰策略)适合预期市场波动率较高、价格会突破较宽范围的情况。\n\n策略构成：\n- 卖出K1看跌期权(最低行权价)\n- 买入K2看跌期权(中低行权价)\n- 买入K3看涨期权(中高行权价)\n- 卖出K4看涨期权(最高行权价)\n\n每隔5天调仓一次。
熊市看涨价差策略 (Bear Call Spread) | 年化收益率: -21.66% | 累计收益率: -8.97% | 最大回撤低于: 19.13% | BigQuant AI量化策略
熊市看涨价差策略：通过卖出较低行权价的看涨期权并买入较高行权价的看涨期权来构建看跌头寸。这是一种贷方价差策略，通过时间价值衰减获利，适合温和看跌的市场预期。\n\n策略构成：\n- 卖出1个较低行权价的看涨期权（平值或轻度价内）\n- 买入1个较高行权价的看涨期权（价外）\n\n每隔5天调仓一次。
牛市看涨价差策略 (Bull Call Spread) | 年化收益率: 26.26% | 累计收益率: 9.39% | 最大回撤低于: 7.31% | BigQuant AI量化策略
牛市看涨价差策略：通过买入较低行权价的看涨期权并卖出较高行权价的看涨期权来构建看涨头寸。这是一种借方价差策略，适合温和看涨的市场预期。\n\n策略构成：\n- 买入1个较低行权价的看涨期权（平值或轻度价内）\n- 卖出1个较高行权价的看涨期权（价外）\n\n每隔5天调仓一次。
卖出宽跨式期权策略 (卖出方向) | 年化收益率: 7.94% | 累计收益率: 19.26% | 最大回撤低于: 58.82% | BigQuant AI量化策略
卖出宽跨式策略：同时卖出相同到期日、不同行权价的看涨期权和看跌期权。看涨期权选择价外期权，看跌期权也选择价外期权，赚取时间价值，适合预期市场波动较小的情况。每隔5天调仓一次。
卖出跨式期权策略 (卖出方向) | 年化收益率: 1.2% | 累计收益率: 2.78% | 最大回撤低于: 63.39% | BigQuant AI量化策略
卖出跨式策略：同时卖出相同到期日、相同行权价的看涨期权和看跌期权。行权价选择最接近标的价格的50整价格（平值期权），收取权利金赚取时间价值，适合预期市场波动较小的震荡行情。每隔5天调仓一次。
裸卖看跌上证50ETF期权策略 | 年化收益率: 38.02% | 累计收益率: 19.15% | 最大回撤低于: 37.1% | BigQuant AI量化策略
每隔五天换仓,卖出虚值一档上证50ETF看跌期权
高频止损-多周期风险加权 Dual Momentum ETF 策略 | 年化收益率: 18.24% | 累计收益率: 800.86% | 最大回撤低于: 40.48% | BigQuant AI量化策略
根据直播要求--多周期风险加权 Dual Momentum ETF 策略 改动： 1. 止损逻辑：原来的每7次handle data 执行1次的止损逻辑改为 每次handle data都会执行1次止损 2. 固定止损阈值：由0.5% 改为 10%，高频止损但低频调仓需 提高止损阈值， 不然 会增加无效交易 3. 7次handle data 调一次仓，但交易日不是7次调一次--原因： 7 天到了，但筛选结果和现有持仓完全一样，就不会有交易 4. 总结：这个策略更适合低频止损，而非高频止损；回撤 ≠ 止损阈值，若需最小回撤，应优化 组合层面的止损阈值，而不是单票止损
裸卖看涨上证50ETF期权策略 | 年化收益率: -5.47% | 累计收益率: -3.01% | 最大回撤低于: 13.79% | BigQuant AI量化策略
每隔五天换仓,卖出虚值一档上证50ETF期权
裸卖看涨上证50ETF策略 | 年化收益率: -5.47% | 累计收益率: -3.01% | 最大回撤低于: 13.79% | BigQuant AI量化策略
每隔五天检查期权并打印结果，只卖出看涨期权，不买入标的ETF
多周期风险加权 Dual Momentum ETF 策略 | 年化收益率: 20.4% | 累计收益率: 1042.5% | 最大回撤低于: 28.96% | BigQuant AI量化策略
本策略基于Dual Momentum理念，通过多周期动量和风险调整，从白名单ETF中挑选上涨趋势明确、风险可控的标的进行投资。只买入价格高于长期均线的ETF，以确保长期上涨趋势。根据短中长期动量加权评分选择最佳ETF，对动量评分进行波动率调整，并设置止损机制。定期调仓，并均衡分配资金于优选ETF，旨在在控制回撤的同时实现稳健收益。
光伏ETF日内ATR突破tick策略 | 年化收益率: 39.79% | 累计收益率: 22.39% | 最大回撤低于: 5.32% | BigQuant AI量化策略
核心在于利用价格的波动性来进行交易，ATR通过计算一定周期内的TR的均值，来确定突破区间的上下轨。TR的计算公式为MAX(H-L, ABS(H-C_l), ABS(L-C_1))，其中H为当日最高价，L为当日最低价，C_1为昨日收盘价。用ATR确定突破区间的上下轨公式为：上轨=Open+k\ATR, 下轨=Open-k\ATR，其中Open为当日开盘价，k为固定系数。当价格突破上轨时选择做多。
单股分仓波段策略 | 年化收益率: 32.46% | 累计收益率: 62.46% | 最大回撤低于: 9% | BigQuant AI量化策略
该策略以单一股票为交易标的，结合 KDJ 指标构建交易逻辑。初始建仓时先以 80% 仓位买入，之后根据 KDJ 指标的 K 值信号调整仓位：当 K 值小于 20 时触发买入信号，在原有仓位基础上增加 20% 波段仓位；当 K 值大于 80 时触发卖出信号，将仓位回落至 80% 基础仓位。
低换手率选股策略 | 年化收益率: 19.25% | 累计收益率: 66.07% | 最大回撤低于: 11.96% | BigQuant AI量化策略
本策略基于A股市场，核心思想是通过选取20日换手率的标准差指标，筛选出低换手率波动且基本面健康的股票进行投资，从而捕捉相对稳定且具备潜力的标的。具体选股逻辑为：先剔除ST股及停牌股票，计算符合条件股票过去20个交易日换手率的标准差，并依据换手率标准差升序排序，选取波动最小的8只股票构建等权仓位组合。调仓周期为每4个交易日一次，调仓时将不在目标池的股票全部清仓，目标股票按等权重分配仓位。交易执行以上证指数作为基准，使用开盘价成交，基础交易成本为买入0.03%、卖出0.13%且最低5元。此策...
成长股等权日调仓 | 年化收益率: 30.85% | 累计收益率: 181.18% | 最大回撤低于: 37.29% | BigQuant AI量化策略
本策略基于中国股票市场，选取净利润同比增长率（TTM）超过20%的非停牌且非ST股票作为候选池，体现了以成长性为核心的选股理念。通过对候选股票按增长率进行排序，等权配置前3只股票，确保集中持仓以提升收益潜力。策略采用日频调仓机制，每个交易日开盘价执行买卖指令，动态调整持仓以紧跟成长变化。风险控制方面，剔除停牌及ST股票，限定持仓数量为3只分散风险，同时设置交易佣金模型控制成本。整体策略结构简洁明了，适合偏好高成长且能频繁调仓的投资者，期望通过持续捕捉高成长个股实现超额收益。适用...
ORB突破创业板ETF的tick策略 | 年化收益率: 66.77% | 累计收益率: 36.13% | 最大回撤低于: 5.1% | BigQuant AI量化策略
策略核心思想是以历史数据的振幅作为当日突破界限，当市场突破该界限后，便认为是真正的突破，跟随该趋势。ORB的计算公式为MIN(ABS(H-C),ABS(L-C))，其中H为昨日最高价，L为昨日最低价，C是昨日收盘价。用ORB计算上下轨的公式为：上轨=open+MEAN(ORB,N)\M, 下轨=open-MEAN(ORB,N)\K，其中N是计算平均ORB的时间范围，M和K为固定参数，当价格突破上轨时买入开仓，当价格突破下轨是卖出开仓，设置止盈止损点，并且每日平仓。
期货网格策略tick频率-固定网格数量-智能多空开仓 | 年化收益率: 11.59% | 累计收益率: 4.22% | 最大回撤低于: 15.88% | BigQuant AI量化策略
该策略是面向国内 “m” 类（如豆粕）期货、基于 Tick 级数据运行的量化策略，每日开盘前自动获取并订阅主力合约，且每日 14:52 后强制平仓规避隔夜风险；策略以 Tick 数据累积当日高低价、每 60 秒汇总为 1 根分钟线，10:00 后基于当日开盘价与前一交易日波幅（或 ±3%）确定网格边界，按固定 25 个网格数量计算步长生成网格价格线，同时通过 9/3/3 周期的分钟线 KDJ 指标计算 J 值及变化率；当实时价格接近网格线（距离＜步长 10%）且网格索引更新时，以 J 值变化率判断方向 —— 变化率＞0 则先平空、再开 10 手多仓（无多仓...
