量化交易就是”用数学和代码做交易”。价格、收益、风险、回撤……在数学里都可以被抽象成变量和公式。本质上，我们就是在处理一串随机数（收益序列），用统计和概率的工具去度量”好不好”“稳不稳”。

本文将系统介绍量化交易中常用的数学公式和指标，包括：[夏普比率](https://zhida.zhihu

1. 策略概览

本策略属于中频多因子选股：使用价值、成长、质量、动量、波动/交易特征、规模等共 18 个因子构建特征，在滚动训练窗口（240 交易日）内训练 ElasticNet 模型，预测未来 20 个交易日收益的横截面排名（rank），并在每个调仓日选取 Top 30 股

1、从“科技英雄”到“量化镰刀”的争议漩涡

最近，幻方量化的老板、DeepSeek 的创始人梁文锋，在舆论场上坐了一趟过山车。

几个月前，他是“全村的希望”，是以一己之力硬刚硅谷巨头的“科技英雄”；几个月后，伴随着 A 股市场的震荡，他被推上了审判席，被指责为“量化镰刀”，是割

# ====== 已写入（按你要求避免麻烦）======
DINGTALK_WEBHOOK = ""
DINGTALK_SECRET  = ""

在此填入webhook和加签，格式如下：\n ![](/wiki/api/attachments.redirect?id

一、初步了解BigQuant平台

\

1. 注册并登录BigQuant账号
2. 了解BigQuant基础界面：Quant Agent、AI Studio、知识库、AI策略广场等等
3. 数据覆盖：了解平台提供的数据种类、历史长度与可用频率。常用数据表举例：
   • 股票后

1. 策略概览

本策略是一套A股量化多因子选股方案：在沪深300与中证500成分范围内，先进行可交易性与基础质量过滤，再使用多个具备明确经济含义的因子构建特征，采用滚动训练的 Lasso 回归模型预测未来10个交易日收益，并据此排序选择Top股票构建组合，按固定节奏调仓。

1. 策略概览

本策略面向 A 股沪深300成分股，采用多因子选股 + 指数增强思路：每次调仓前都用过去一段训练窗口的历史数据，重新训练因子权重，目标是让组合信号的 ICIR（Information Coefficient Information Ratio）最大化，从而得到

1.市场观察和机会发现

许多投资者热衷追逐热门概念，像曾火爆的新能源汽车概念，行业利好时股价飙升，吸引大量资金买入。但市场多变，热度减退后股价急跌。以2021年1月4日起跟踪买涨幅最大的策略，每日调仓，初期有涨幅，随后收益震荡下行，到2024年9月收益低至-50%左右，最大回撤超55%。

前面我们已经学习过了机器学习的树模型和神经网络模型，这些都是量化选股的主流模型。但是在监督学习中，还有一种很主流的学习方式，即支持向量机，本文则是基于支持向量回归模型开发的选股策略。

一、支持向量机

支持向量机（SVM）是应用最广泛的机器学习方法之一。在20世纪90年代，传统神经网络

一、Transformer模型

Transformer最初发布是用于时序任务和NLP任务，在近年来也有不少Transformer在CV应用比较出色的研究，我们有理由相信Transformer也可以应用于量化投资领域。

Transformer是一种用于自然语言处理（NLP）和其他序列到

在日常投研里，SQL 擅长数据读写与过滤，但在复杂计算上可用算子有限；Python 则拥有 numpy/scipy/pandas 等丰富工具，但一旦离开 SQL 查询链路，就容易出现“先拉数据 → 再本地算 → 再落表/再 join”的低效流程。\n因此我们需要一种方式：**保留 SQL 的

一、以随机游走的眼光来看待趋势

传统的轮动趋势预测是去找到尽量精确的方法预测接下来一期的相对收益，本文我们尝试换一种角度，从随机性的概率角度来理解长期趋势的形成与切换。

一般理解的趋势延续是需要收益率的自相关性的，即过去好则未来好，这是动量的视角。但从随机游走的角度来说，趋势的产生

一、随机森林（Random Forest）

集成学习方法（Ensemble Learning）是一种机器学习技术，旨在通过组合多个基本模型（弱学习器或基学习器）的预测来提高整体性能和泛化能力。集成学习的核心思想是，通过结合多个模型的意见和决策，可以减少单个模型的误差，并在各种不同情况下

在投资领域，指数增强策略作为被动投资与主动投资的有机结合体，既延续了指数基金对基准的紧密跟踪，又通过主动管理寻求超额收益，成为市场中备受关注的投资方向。如今量化方法已经成为指数增强的主流选择，其中多因子模型应用广泛，但随着金融数据的爆发式增长和算法技术的迭代，深度学习凭借其强大的特征挖掘与非线性拟合

1. 策略概述

本策略属于多因子选股 + 动态因子权重框架。核心思想是：

• 同一时间，不同因子对未来收益的预测能力会变化；
• 用历史“因子-未来收益”的相关性（IC）衡量因子有效性；
• 用 IC 的稳定性（ICIR = IC均值 / IC标准差）决定因子权重；
• 将多个因子

1. 市场观察和机会发现

很多“纯小盘”或“纯价值”策略容易遇到两类问题：\n1）价值陷阱：估值便宜但基本面变差，股价继续下跌；\n2）行业偏置：长期收益其实来自行业押注（例如价值偏金融/周期），一旦行业风格切换，策略波动放大。

因此更实用的思路是：

用**质量因

一、深度学习

深度学习是机器学习的一个重要分支，其本质是通过层级化的神经网络结构自动学习数据的多层级表征，从而挖掘数据背后的复杂规律。与传统机器学习依赖人工特征工程不同，深度学习实现了端到端的特征学习，能够从原始数据中自主提取从低级到高级的抽象特征，这一特性使其在金融、

0. 策略名词解释

（1）StockRanker模型 (LightGBM Ranker模型)

StockRanker 在bigquant平台支持排序、回归、二分类、log loss四种算法。而在排序算法中: 使用 LightGBM 提供的排序模型（LightGBM Ranker

一、基金池

标普500

纳指ETF

300ETF

创业板

嘉实原油

豆粕ETF

黄金ETF

恒生科技

优点

1. 地域分散：覆盖中美市场（标普 500、纳指、300ETF、恒生科技），对冲单一国家风险。
2. 资产多元：股票（权益）+ 原油 / 黄金

在量化策略当中，策略逻辑当然是排在第一位的。但是，在一个策略已经表现较好时，对参数进行调整，往往能收获更多的超额收益。本文以模板策略中的可视化AI策略为例，进行参数寻优过程，看能为绩效结果提高带来什么效果。

一、策略核心逻辑回顾

模板中的可视化AI策略的核心逻辑如下：

1. 因

1. 核心指标介绍

1.1 阻力位和支撑位

阻力位是指在标的资产价格上涨时可能遇到的压力水平，是交易者认为卖方力量开始反超买方，使得价格==难以继续上涨或开始回调下跌的价位==。当价格接近阻力位时，投资者预期会有更多的卖家介入，增加供给，这可能导致价格下跌或至少暂停上涨。

支撑位是指

1.市场观察和机会发现

优质高股息策略以稳定收益和抗风险能力为核心，在量化交易中具备独特价值。其逻辑层面，在经济下行或波动时，高股息企业商业模式成熟、现金流稳定，能提供防御性；股息再投资可实现复利增长，放大收益；被低估的高股息股存在估值修复机会；同时满足养老金等长期资金的配置需求。市场

\

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

依赖与外部资源

• 第三方平台依赖: bigquant.chat、dai、bigtrader、pandas、requests
• 外部数据源: 新浪财经 7×24 快讯信息
• 项目巧妙利用bigtrader中tick回测的机制结合大模型在每个tick上进行新闻分析

项目定位

一个面向

我们之前已经介绍过几个风格轮动的策略了，本质上依据的就是股票市场长期存在的“强市炒成长、弱市求稳健”的轮动策略。

1.神经网络算法

1.1算法核心原理

神经网络是一种模仿人脑神经元连接结构的机器学习模型，擅长处理多维度、非线性的复杂数据关系。其核心优势在于通过多层