从亏损到规则：AI+EA实战线下课\n不聊心态，不聊修行，只聊工具和方法

\

课程三大模块（润色版）

第一部分：如何避免交易亏损——不是靠心态，是靠规则

大多数交易者亏钱，不是因为“心态不好”，而是因为没有一套可执行的规则。

这一节不讲鸡汤，只讲：

1. 策略概览

本策略基于KAN模型，在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年，测试集时段为未来一年，如2018年训练集采用2013-01-01至2017-12-29，测试集时段为2018-01-03至2018-12-31。数据使用当期全市场数据，聚焦于量价数据及其

1. 策略概览

本策略基于DNN（MLP）模型，在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年，测试集时段为未来一年，如2018年训练集采用2013-01-01至2017-12-31，测试集时段为2018-01-01至2018-12-31。数据使用当期全市场数据，聚焦于量

1. 策略概览

本策略基于lightgbm模型，在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年，测试集时段为未来一年，如2018年训练集采用2013-01-01至2017-12-29，测试集时段为2018-01-03至2018-12-31。数据使用当期全市场数据，聚焦于量

在行为金融学里有种心理叫处置效应（Disposition Effect）——人们倾向于过早卖出盈利的股票，过晚卖出亏损的股票。

资本利得突出量（Capital Gains Overhang，CGO） 就是把这个心理量化出来的因子。它试图回答一个问题：**当前市场上持有这只股票的投资

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/attachments

配对交易策略模拟运行报错，id:d84e824d-2744-402e-b0c2-f65672deb6fd

[https://bigquant.com/codesharev3/5be22814-d2a2-438e-baa9-ea2f177d5e14](https://bigquant.com/cod

本文将详细介绍一款基于LightGBM排序算法的多因子选股策略，该策略依托BigQuant平台实现，融合多维度因子特征，通过机器学习模型挖掘股票未来收益规律，结合系统化交易引擎完成回测与落地，适用于A股市场的中短期量化交易场景。策略兼顾因子有效性与交易实操性，下面从核心逻辑、模块拆解、代码解析、使用

研报因子：数据平台——量化因子——研报因子

方正证券：<https://mp.weixin.qq.com/s?__bi

策略概览

本策略通过筛选近两周内稳定上涨的股票，再通过换手率和振幅因子筛选出相对低波的股票。

策略广场链接：https://bigquant.com/square/ai/8c36995c-253e-ab50-9b33-88921adc6a92

开发思路

观察和假设

!

1. 摘要

本文基于 BigQuant 平台对 A 股市场 2015—2025 年 5,487 只股票（含 324 只已退市个股）的全量数据，系统检验价格动量因子（Price Momentum）与残差动量因子（Residual Momentum）的有效性，并从三个维度深化研究：

|

本文基于2024-2026年最新学术研究与行业实践，聚焦==行为金融学==对因子溢价来源的解释机制，是对上一篇报告（因子研究——基本面因子分析报告）的进一步补充

一、核心框架

因子溢价指承担某种特定风险所获得的超额回报

$$ 因子溢价 = 行为偏差导致的错误定价

研究区间：2015-01-01 ～ 2024-12-31（共 10 年，覆盖完整牛熊周期）

股票池：全 A 股（剔除 ST、停牌、上市不足 1 年、PE≤0 的股票）

研究因子：市盈率TTM、市净率、市销率TTM、ROE TTM、ROA TTM、毛利率TTM、净利润增长率

作为长期在 BigQuant 平台做外汇量化策略开发、回测与实盘落地的从业者，秒级实时行情数据是外汇量化策略的核心基础，不管是高频套利策略建模、实时行情监控，还是跨市场策略数据融合，都离不开精准、低延迟的外汇行情数据支撑。但传统数据获取方式不仅与 BigQuant 的 Python 开发生态适配性低

一、策略总览

从当期持有存续可转债的 A 股正股中，筛选出盈利能力达标（ROE > 5%）的股票，再按20日均换手率从低到高排序，结合行业分散约束，最终等权持有换手率最低的10只股票，每 15 个交易日调仓一次。

策略逻辑图

全市场 A 股

回测的目的是模拟真实交易环境，验证策略在历史数据上的表现是否具有统计意义，而不是通过优化历史数据找到"完美曲线"。一个好的回测应当：正确处理时间顺序（避免未来函数）、覆盖完整的市场环境（包含退市股票）、设置合理的成本假设、并通过样本外数据最终验证。

**本文将从四个维度帮助你构建可靠的回测

一、研究背景与问题提出

传统量化选股策略通常建立在人工构造因子和线性打分模型基础上，例如将价值、成长、质量、动量等因子进行加权求和，再依据得分进行选股。这类方法优点在于逻辑清晰、可解释性强，但也存在明显局限：一方面，不同因子与未来收益之间的关系未必是线性的；另一方面，不同因子之间可能存在复杂

一、配对交易的思想

配对交易（Pairing Trading）是指八十年代中期华尔街著名投行Morgan Stanley的数量交易员Nunzio Tartaglia成立的一个数量分析团队提出的一种市场中性投资策略

Ganapathy Vidyamurthy在《Pairs Tr

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

在量化投资中，越来越多的策略开始引入机器学习模型来做选股。机器学习的优势在于，它能够同时处理大量因子，自动学习复杂的非线性关系，从而提高对未来收益的预测能力。

但与此同时，也会带来一个非常关心的问题：

模型为什么会选这些股票？\n它到底依据了哪些因子？\n**某只股票入选，是因为

本文章是一篇关于经典技术指标解析与量化策略实操的文章\n在股市和量化交易中，MA（移动平均线）、EMA（指数均线）、MACD、RSI、KDJ、布林带 这六大指标是非常基础、常用的工具，但很多人只停留在“会看图”，而不了解它们的计算原理、信号逻辑以及实际应用场景

本文将带你系统梳理每

引言

前文《探析：量化交易策略回测绩效与实盘表现不一致》中“before_start_days （历史数据向前取的天数）”参数设置对于回测绩效与实盘（模拟交易）表现不一致的影响有所涉及，但例证数据不够详实，分析不够全面深入，本文以仍以策略文件：SR-中证2000策略-参数测试.ip

很多人听到“机器学习量化”，第一反应是：黑箱、难解释、只在回测里好看。\n这篇文章我们用尽量直观的方式解释：我们如何用 XGBoost做一套可解释、可落地的选股策略——从数据、因子、标签，到训练、打分、选股、调仓，走完完整闭环。

1. 我们先解决一个现实问题：股票“能不能交易”

任

{pro}

[https://bigquant.com/codesharev3/ed3ac869-61d7-4d97-9480-bf465bb592ec](https://bigquant.com/codesharev3/ed3ac869-61d7-4d97-9480-bf46

1. 什么是滑点

滑点（Slippage）指下单时的“预期成交价”和实际撮合成交价之间的差。\n在回测/仿真中加入滑点，是为了更真实地模拟交易摩擦（价差、冲击成本、撮合延迟等），避免回测结果过于理想。

2. BigTrader 支持哪些滑点设置方式

BigTrader 主要提供两种