背景：3/27万老师提供了很好的宏观量化时钟工具，经过对宏观数据进行一系列复杂的计算，得出供策略使用的择时信息。

想在策略中放这么一大堆代码感觉有点复杂，不如把数据放进一个表，需要时读出来用就行。于是就做了这个宏观量化时钟表的自动更新脚本。

• 在万老师做的“宏观量化双时钟·日频版”基础上，增加

---

**东吴宏观量化双时钟模型 × 小市值策略增强对比研究**

**研报来源：东吴证券金融工程 高子剑、刘静恒，2024年2月**

---

**一、研报核心原理**

本研究复现了东吴证券金融工程团队提出的宏观量化双时钟体系，核心思路来源于 Black

本文记录了一套多因子动态赋权策略的完整研发过程，包括因子筛选、方法论设计、踩坑实录，以及一个意外发现。回测区间 2019-2026，基准沪深 300。

先看结论

做投研，先给结论，再讲过程。\n

我回测了四组策略，区间 2019 年初到 2026 年 4 月，基准沪深 3

在投资市场里，大多数人的亏损并非源于“不懂”，而是源于“想太多”。频繁的主观预测、复杂的技术指标、情绪化的追涨杀跌，往往让账户在震荡中不断磨损。

真正能穿越牛熊的，往往不是最复杂的模型，而是最简单、最机械、最能坚持的规则。

今天介绍的这套

ETF择时动态交易策略
`

万老师的宏观保温杯的约束函数是：

def apply_weight_constraints(weights):
    w = dict(weights)

    if w.get('债券', 0) > BOND_CAP:
        w['债券'] = BOND_CAP

针对市场牛熊交替痛点，“保温杯优化”策略以宏观择时为核心，结合宏观指标识别经济周期拐点，搭配多类资产动态调整配置，拆解实操方法与实战案例，助力搭建抗跌型资产组合，实现稳健穿越牛熊。

\

一、视频回放

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

🎯聚焦cowork协同投研模式，拆解量化投研全流程协同逻辑。

🎯结合实操案例分享因子魔改、代码编写、研报复现、等技巧，助力提升投研效率、降低试错成本。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/files/b4fecb

聚焦delta动态对冲期权策略，拆解delta核心内涵与对冲全流程，帮助剥离方向性风险，提升期权交易稳定性。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/files/c907b4aa-cf8e-405b-b81c-642cae

分享大模型在自动交易中的实战应用，结合实际案例展示数字交易员这一角色，降低量化自动交易门槛，实现自然语言指令到交易执行的闭环。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/files/8fab2d5e-12c2-486a-9421

✅ 微盘股为什么跌？要不要割肉？

✅ 红利策略凭什么逆势上涨？

✅ “哑铃配置”是什么？一头弹性，一头稳健

✅ 实盘怎么落地？选股+再平衡细节

全程干货，不讲空话，带你在风格轮动中找到稳健超额。

直播回放链接：

[https://bigquant.com/bigapis/college/

我们在之前发布过一版比较基础的红利因子选股策略，链接在此：红利因子选股策略。近期该策略表现优异，对微盘股风格的策略有较好的补充。我们也优化了一下该策略，形成了V2版本，新版本夏普比率为1.14（原版本夏普为1.0

一、策略概述

这是一个打板的分钟回测策略，如果要实盘的话肯定需要自动化。回测绩效结果如下：

从24年9月到25年3月，取得了年化82.43%的年化收益，最大回撤可控，-20.74%。策略的特点就是胜率较高，符合打板策略的特色。

![](/wiki/api/attachment

性能优化代码

# 设置 OMP 线程数为 CPU 核数，避免多线程过度竞争，注意：必须在 import xgboost 之前设置。
# 未设置时，xgboost 会使用 c++ 层 libgomp.so 库获取物理机的核数，即 64，远超容器分配的核数，典型值是 2 或 

https://bigquant.com/codesharev3/7aaba4da-6fc9-4a6f-961d-b5d68611fdc8

参考资料：

功能

把 AI Studio 中的文件打包压缩保存到本地电脑，提前准备好后悔药，定期备份重要文件可以缓解未来误操作造成的损失。

[https://bigquant.com/codesharev3/07d298ef-d59b-4899-b1aa-ba544c4873a1](https://

在低波动的市场环境下，择时是拉开收益差距的关键，但也是难度最高的技术活。

🤔如何构建一套有效的择时系统？\n🤔如何通过Cowork让多因子择时策略跑得更稳？

本期直播，我们从0到1演示如何利用Cowork实现高效量化择时。\n构建一套高效、可落地的量化择时体系，告别主观情绪，让策略自主“避坑

[https://bigquant.com/bigapis/college/v1/files/b89ed27f-5053-4fa0-bce9-0de821783129](https://bigquant.com/bigapis/college/v1/files/b89ed27f-5053-4fa0-

![](/wiki/api/attachments.redirect?id=4c913689-3af4-47af-aec0-f8a2bd830

使用万和文件单交易，追踪历史日志持仓情况以及交易情况，本工具只适用于使用万和文件单系统交易的日志分析，下载html到机器打开页面。

1、选择万和文件单系统日志目录。这个日志在文件单系统的service_logs文件夹下，选择这个文件夹。

![](/wiki/api/attachment

ETF是场内基金，近年来越来越受到交易员的青睐，主要是因为其是一篮子股票的基金，所以大众理解其风险可控。本策略是基于金融理论体系进行仓位优化和强势ETF基金的挑选。从2021年初回测到2025年10月，年化收益为27.15%，最大回撤接近-11%，夏普比率1.41，总体波动和回撤是低于股票策略的。

利用量化模型，监控全市场“概念热度-资金流向-上涨强度”三维数据，专门狙击“热点龙头”！

直播回放：

[https://bigquant.com/bigapis/college/v1/files/e44152ea-5b0d-44bb-becd-3e3f10500a86](h

一、策略概述

这是一个打板的分钟回测策略，如果要实盘的话肯定需要自动化。回测绩效结果如下：

从24年9月到25年3月，取得了年化82.43%的年化收益，最大回撤可控，-20.74%。策略的特点就是胜率较高，符合打板策略的特色。

![](/wiki/api/attachment

这个策略是基于 A 股市场的短线量化交易策略，核心逻辑是筛选符合特定条件的强势股（连续涨停且属于强势概念，两个条件缺一不可），并在次日特定条件下买入，设置止盈规则卖出。

下面我们从策略各环节详细拆解：

1.回测结果

![](/wiki/api/attachments

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，

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