本文将要带大家使用dai加工实时的基金分钟频数据, 进一步使用plotly对实时数据进行可视化操作, 加工因子需要各位对SQL语句有一定的了解，各位请参考dai的使用文档. 以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

概述

这个系列我们主要使用基金快照数据来加工一些分钟高频因子，需要用到的表和对应字段如下。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

cn_fund_level2_snapshot

本文将要带大家使用dai加工实时的股票分钟频因子——成交量加权净委买比例。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

数据定义

这里我们给出一些公式来了解该指标的算法，在给出公式之前，我们来看一下我们使用的数据表格结构：

| 时间 | 买一量 | 卖一量 |

数据定义

以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

构造这个因子需要用到的数据的表格形式如下:

本文将使用dai利用快照数据加工分钟频因子并进行可视化处理，需要用到十档委买单数量，所以我们需要使用的表格为cn_stock_level2_snapshot。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

数据定义

这里我们需要花一些篇幅来介绍一下我们是如何将快照数

这一节我们来编写成交价加权净委买比例的分钟因子。该因子涉及到快照数据cn_stock_level2_snapshot表格，但目前流数据表暂未开放，后期我们会为大家提供流数据获取服务。

数据定义

与成交量加权净委买比例的因子加工方法是类似的，为了大家能够详细的理解该

这一章节介绍和中间价相关的一系列分钟频因子的加工，需要用到快照数据cn_stock_level2_snapshot, 以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

时间加权成交价比中间价

数据定义

我们来看看需要加工该因子的字段:

| 时间 | 委卖

概述

这个系列我们将会用到股票快照数据和逐笔数据来加工一些分钟高频因子，需要用到的表和对应字段如下。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

cn_stock_level2_snapshot

该表记录了股票l2的快照数据, 字段如下:

| 字段名 |

本文以中证1000的股指期货(IM2503.CFE)与指数(000852.SH)价差为例, 我们来加工股指与期货的价差因子并进行实时可视化操作。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

数据定义

因子构造思路较为简单，我们需要用到期货l1快照数据以及指数快照数

在量化交易中，通过手段实时获取交易信号是基本功，本文将利用dai.stream_factor和其他第三方库配合给你的qq邮件发送策略信号。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

![](/wiki/api/attachments.redirect?id=f7

这一次我们选用螺纹钢的相关期货合约来加工一个近月与远月合约的价差因子。我们选用的标的为rb2503.SHF, rb2501.SHF。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

因子代码

这里只需取出价格数据即可，所以我们直接对代码进行讲解。

概述

这个系列我们将会用到期货快照数据和分钟数据来加工一些分钟高频因子，需要用到的表和对应字段如下。

cn_future_level1_snapshot

引言

现在在Aistudio中能够使用dai来加工实时因子了, 本系列文档旨在降低dai在实际业务中加工日内高频因子的开发难度。

阅读本系列后您将掌握:

• 基于实时快照、逐笔、分钟数据合成任意日内高频因子;
• 能够基于加工的因子实现动态可视化;
• 通过dai获取实时交易信号并发送至邮

:在此之前，我们加工过委买委卖增额、增量系列因子，该系列因子只是基于一档委买委卖量和金额做的因子，所以我

这一章我们来构造一系列的增额因子：委买增额(买一变化金额)、委卖增额(卖一变化金额)、委买增量(买一变化量)、委卖增量(卖一变化量)。

数据定义

委卖增额

• 对每个快照计算变化金额, 计算方式如下:

1.如果相邻快照卖一价相同，当前快照卖一价 * （当前快照卖一价数量 - 上

这一期我们介绍四个因子：盘口买入数量、盘口买入金额、盘口卖出数量、盘口卖出金额。

数据定义

我们以盘口买入数量为例，它的计算步骤如下：

1. 对每个快照, 将所有盘口委买10档数量求和;
2. 一分钟区间内, 对所有快照的委买量取平均(数量加总/快照数)。

那么金额是同样的道理，在第一

这一章我们来加工针对买一价、卖一价的高开低收的分钟因子。

数据定义

我们都知道真正的高开低收是如何加工出来的:

• 开盘价: 每分钟的第一个成交价格;
• 最高价: 每分钟内最高成交价格;
• 最低价: 每分钟内最低成交价格;
• 收盘价: 每分钟的最后一个成交价格.

那么只需要将成交价

这一章我们来加工股票的盘口价差系列因子：时序加权的盘口价差、成交量加权的盘口价差、成交价加权的盘口价差。通过pandas能够将三者同时加工出来, 当然和dai.query的方式相比，前者的代码要稍复杂些但好处是能够同时观测到三个因子值。

数据定义

我们使用到的数据的表格形式如下

| 日期

正如标题所示，这个系列主要介绍订单斜率系列因子。需要用到数据流的表格名为cn_stock_level2_snapshot,需要开通数据流的请联系小Q。

时间加权订单斜率

数据定义

我们使用的数据格式如下:

| 日期 | 买一价 | 卖一价 | 买一量 | 卖一量 | 成交量 |

\

本文将介绍

1.如何封装量化策略框架

2.提供多个预先封装好的量化策略框架

\

什么是策略框架？

说到量化，自然少不了策略。可能会有很多人认为A股中有很多不同的量化策略，实际上恰恰相反。就A股而言，可用的量化策略非常少。目前A股主流的量化策略只有2种，分别为筛选策略和多因

一、策略概述

1.1 背景介绍

行业轮动策略是一种量化交易策略，旨在通过在不同行业之间进行资金分配，捕捉市场趋势和行业表现的周期性变化。 从名字即可看出，经济周期导致任何市场状态下可能都会存在股市价格表现较好的行业，因此我们如果能布局这些行业并定期轮动调整，那会取得还不错的投资效果。

策略概述

背景介绍

天蝎座0.6是社区用户woshisilvio开发的一个策略，还做过视频讲解。

策略源码和视频讲解请参照：https://bigquant.com/wiki/doc/06bqno2-VgHM3NV3md

研究目的

本文介绍如何在A