绩效截图

我们先来看一个策略回测曲线，累计收益10.7%，总体是一个正收益系统的策略，需要注意，本次回测采用全部看多，有运气成分。

/ ![](/wiki/api/attachments.redirect?id=19e782d5-6d5d-4a8f-8824-0a257b2b790

小市值量价共振策略（带大盘择时）

一、策略核心逻辑

本策略聚焦小市值风格，通过「量价共振+基本面筛选+大盘择时」三层过滤，捕捉短期强势且估值合理的小市值标的，同时规避极端市场风险。

二、股票池筛选

• 范围：主板、创业板，排除科创板、北交所
• 过滤：剔除ST

策略核心思路：高抛低吸\n找股价处于有线级别相对较低的位置，采用打分排名的方式，进行买入，当股票上涨后打分就会变低，排名就会降下去，排名低于预设范围，则进行卖出换票，换的票又是打分较高的票（即换一支相对更低位的票，前一支票卖出利润到手），逻辑虽然简单，但很实用，无法在各种行情下都赚，一年内一般会有几

论坛帖子全文：

一句话说清楚

一个 Python 脚本 + 一个 JSON 数据文件，帮你自动查创业板新能源指数的估值、对比同类 ETF、生成周报。Gitee 开源，数据每周自动更新。

能做什么

日常量化研究查指数数据的常见场景：

• 想知道 399266 现在的

前言

感谢BQ-小Q送的礼物，礼物已经收到拉，一如既往的黑盒高科技风。高端大气上档次。

• 
  ![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/att

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，

代码链接： https://bigquant.com/codesharev3/cd489b9a-5140-4650-8fb3-891bdcd6b13d

密码可以找小q老师要

\

基金绩效分析教程：用 Python 对比子基金与中证1000

一、项目概述

该帖子用 Python 对两

导语

公司的基本面因素一直具备滞后性，令基本面的量化出现巨大困难。而从上市公司的基本面因素来看，一般只有每个季度的公布期才会有财务指标的更新，而这种财务指标的滞后性对股票表现是否有影响呢？如何去规避基本面滞后产生的风险呢？下面我们将重点介绍量化交易在公司基本面分析上的应用，即平时常说的 **

研报成文时间：2021年6月

金融市场的状态（Regime）通常会不定期的切换并保持一段时间，市场状态的

from bigmodule import M
import pandas as pd
from datetime import datetime, time

# ==========================================
# 1. 用户配置

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

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。

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）

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

我们花了两周时间，和所有的客户全部沟通了一遍，整理出来了量化行业2022年最新的岗位需求版图。包括量化研究员、C++、机器学习、市场、期权、交易员、数据开发、运维等……多个热门岗位，任君挑选，快来mark你中意的岗位！

核心投研开发岗

A: 量化研究员

量化研究员，不多说大家都熟悉

国金证券简介

国金证券股份有限公司，1990年12月成立，335亿元市值，超5000人公司员工人数，8家分公司、75家证券营业部、分布全国24个省市，经营范围包括证券经纪、证券自营、承销与保荐、资产管理投资咨询、财务顾问业务等。(数据日期:2024年4季度)

如有疑问，联系BigQuant

初学量化月余，复现第一个简单因子：聪明钱，看了一些文章应该是说聪明钱应该已经过时了，但还是简单复现一下，为了总结高频数据低频化因子的一些基础过程，也主要为跑通流程使用

\n结论(不一定对哈)

因子未失效，但需精准定位：仅在「中大市值+低换手」股票中仍然有效

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

作者:woshisilvio （全文共913字，阅读约需2分钟）

市场究竟有没有真正的alpha?

笔者一直疑惑的一点就是 我们的模型每天这样选股，赚钱的效应究竟是随机的，还是可控?

模型有没有真正的学到市场中的规律，挖掘到了alpha? 靠AI模型 来赚钱 究竟靠不靠谱？

对于

20 日上涨规律能否提升胜率？

在大量历史回测中可以看到，股票在突破并站稳短期均线（如 20 日线）后，未来一段时间出现延续上涨的概率确实高于随机水平。\n这类趋势增强现象在国内外市场都反复被验证，因此成为许多量化策略的基础“因子”。

不过——\n真正能长期稳定赚钱的，并不是

1. 先说结论

我只是跟 QuantAgent 聊了几句天、每次加一两个小条件，结果最后跑出来的回测年化收益率 60%+。 过程比点外卖还简单——点开对话框、打字、回车、等几秒钟。

2. Quant Agent 是啥？

可以把它想象成一个会写代码、会调数据、还懂交易策略的“量化机器人”。

这个策略是一个基于沪深300成分股的 月度涨幅排名选股策略，其目标是通过选取表现最好的股票来构建一个组合，并根据股票在当月表现的变化进行动态调整。以下是对这个策略的详细解读：

1. 涨幅统计和排名

时间范围：每月的前 3 个交易日（按交易日历计算，而非自然日）进行涨幅统计。也就是说，策略首先关