ETF海龟策略轮动 | 年化收益率: 19.48% | 累计收益率: 524.36% | 最大回撤低于: 30.24% | BigQuant AI量化策略
策略核心逻辑： - 标的：黄金ETF、豆粕ETF、纳指100ETF、创业50等4只ETF - 开仓：突破20日最高价时买入 - 止损：价格低于成本价5%、跌破20日最低价、或从20日高点回撤8% - 资金管理：每只ETF最大投入65,000元 - 风险控制：总资金回撤超过10%时清仓休息20天
Bigquant AI量化策略
宏观状态自适应ETF策略 | 年化收益率: 11.73% | 累计收益率: 213.03% | 最大回撤低于: 19.41% | BigQuant AI量化策略
暂定版--该策略通过判断经济增长、滞涨和衰退三种宏观状态，动态调整股票、债券、黄金和大宗商品 ETF 的权重，实现风险平衡与收益优化的宏观因子轮动
低换手率精选持仓策略 | 年化收益率: 18.03% | 累计收益率: 61.21% | 最大回撤低于: 13.69% | BigQuant AI量化策略
本策略基于中国A股市场，核心思想是通过选取换手率波动率最低的股票构建持仓组合，旨在捕捉低波动换手率股票的稳定表现。首先，策略筛选处于“正常”交易状态且非停牌的股票作为备选池；随后计算近20个交易日的换手率标准差（turnover_std），并以此指标升序排序，选择换手率波动最小的8只股票作为持仓标的。组合总仓位为100%，每只股票等权分配。策略采用每4个交易日调仓一次的频率，调仓时卖出不在目标组合中的股票，买入或调整目标股票至指定仓位。风险控制方面，设置了最低交易成本和标准化的手续费模型，...
沪深300价值动量策略 | 年化收益率: 45.21% | 累计收益率: 26.91% | 最大回撤低于: 4.92% | BigQuant AI量化策略
本策略选取沪深300成分股，剔除停牌及风险警示标的，基于价值低估（PE、PB、PS负向标准分数）、盈利能力（ROE、净利润同比正向标准分数）及低股价评分综合构建得分体系，同时计算短期技术指标RSI(6)辅助择时。每5个交易日调仓一次，选取得分最高的前5只股票等权配置，整体仓位控制在100%。每日进行风控监测：持仓跌幅超过5%即止损清仓，持仓盈利超过5%且RSI超过80时择机止盈。交易采用开盘价执行，手续费按订单计收，初始资本50万元，基准为沪深300指数。该策略融合基本面价值与技术动量，兼顾选股质量和风险控制，...
深度神经网络ETF选基策略 | 年化收益率: 21.12% | 累计收益率: 36.28% | 最大回撤低于: 21.79% | BigQuant AI量化策略
通过深度学习构建模型，得到预测因子，然后通过该因子大小构建投资组合并进行每日etf基金的轮动
市值成长精选策略 | 年化收益率: 15.53% | 累计收益率: 51.56% | 最大回撤低于: 39% | BigQuant AI量化策略
本策略基于A股市场，选取非科创板且正常交易状态的主板和创业板股票，结合成长和估值因子构建选股体系。选股逻辑通过筛选市值大于5亿元、净利润和营业收入同比增长均超过30%、市盈率介于0至50倍、且市净率小于5的优质股票，排除停牌和新股，确保流动性和基本面稳定。随后按照总市值由小到大排序，优先配置小市值成长股，持仓数量固定为10只，采用等权重分配仓位。交易频率为每5个交易日调仓一次，使用日频数据在开盘价执行买卖操作。策略设定了合理的交易手续费，支持动态调整仓位以严格跟踪目标组合。适用...
跨资产回撤优化ETF策略 | 年化收益率: 15.34% | 累计收益率: 554.83% | 最大回撤低于: 16.29% | BigQuant AI量化策略
本策略以多资产 ETF 为标的，通过动量、波动率、回撤及流动性等因子综合打分，结合跨品类相关性控制，筛选出具备相对优势的 ETF 标的。策略采用风险平价与回撤约束进行组合优化，并辅以个基止损与组合止损机制，力求在不同市场环境中实现收益的稳健增长与风险的有效控制。
价值选股策略 | 年化收益率: 15.19% | 累计收益率: 97.4% | 最大回撤低于: 21.6% | BigQuant AI量化策略
这是一个基于资产价值的多因子选股策略
牛市高盈利小市值策略 | 年化收益率: 145.86% | 累计收益率: 75.78% | 最大回撤低于: 13.72% | BigQuant AI量化策略
该策略思路是在 A 股中筛选满足一定财务健康度（如盈利和营收增长）和市场特征（如市值、上市时间等）条件的股票，选取总市值较小的 10 只，每 5 个交易日调仓一次，通过等权重持有来获取收益。
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。
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
