简介

BigTrader 是 BigQuant 推出的专业级量化交易引擎，主要用于策略在历史数据中回测撮合。BigTrader采用 C++ 核心实现，并提供 Python API 接口和回调函数。它为量化投资者提供了一个全面的交易解决方案，无论您是初学者还是专业投资者，都能轻松上手使用。

在量化投资的产业链中，Alpha 挖掘往往被视为皇冠上的明珠，但资深从业者都知道，数据管道（Data Pipeline）才是那顶皇冠的底座。特别是涉及到港股这种国际化市场，数据的时效性和规范性直接决定了模型的上线存活率。

构建一个健壮的行情管道，核心难点在于处理“脏数据”和“异构数据”。

一、背景说明

在量化研究和机器学习建模过程中，模型训练往往成本较高，如果每次使用都重新训练，不仅效率低，还会带来结果不一致的问题。

因此，模型持久化（Model Persistence） 是一个非常重要的工程实践，核心目标是：

• 一次训练，多次复用
• 回测、实盘、推理

策略介绍

本策略基于 BigQuant 平台的 StockRanker 排序学习算法，通过机器学习方法预测股票在未来一段时间内的相对表现，并对股票进行横截面排序，从而构建可交易的股票组合。

StockRanker 是 BigQuant 自研的一种 **Learning to Rank

建议每个数据表都提供一定时间范围的读取权限，不然普通会员没有表的读取权限，无法参加

BigQuant Financial Quantitative Toolbox - 金融量化工具箱 Python SDK

1 简介

BigQuant SDK 是一个强大且灵活的 Python 软件包，为金融从业者提供全面的金融量化工具和策略开发框架。

• SDK 版本: 0

如果你在做多市场量化研究，尤其是同时覆盖港股和美股，大概率会在行情接入这一层卡过壳。\n策略逻辑本身并不复杂，但一旦数据源混乱，回测结果和实盘表现就很难对齐。

你可能也经历过类似场景：\n为了同时获取港股和美股行情，对接了多个 API，字段命名不同、时间戳规则不一致，数据还时不时延迟或缺失。表面看

在量化策略研发过程中，不少开发者会遇到一个典型瓶颈：同一套撮合逻辑与信号生成算法，基于分钟K线回测时表现稳定、业绩达标，可切换至Tick数据验证或实盘对接时，却出现成交顺序错乱、信号触发时点偏移、中间市场状态偏离预期等问题，导致回测与实盘结果偏差显著。 多数开发者会优先排查代码逻辑漏洞，但核心原因往

引言：告别迷茫，交易的本质是流程

你是否也曾在股市的海洋中感到迷茫？每天被海量的信息淹没，追涨杀跌，最终却发现账户数字不增反减。我们总想找到那个能够精准预测市场的“水晶球”，但现实往往是，越是试图预测，就越容易陷入情绪化的交易陷阱。

但如果成功的交易并非源于神秘的预测，而是一套可以被严格执

https://bigquant.com/codesharev2/cff38b96-bc86-42ef-8eec-24c93591eff0

\

• BigQuant 比赛
  • BQ Alpha

\

🌟 感谢大家一直以来对 BigQuant 的支持！我们希望能和大家在量化投资的道路上不断前行，同时致力于提供更好、更便捷的工具。

💡 如果您在使用 BigQuant 时遇到尚未实现或体验不佳的功能，欢迎随时提出您的建议。我们将认真考虑并努力落实，如果您的建议被采纳并实现，我们将给予相应的奖励，

介绍

• 构建和管理自己的数据与因子
• 分享到策略社区并保护核心逻辑
• 支持数据付费订阅
• 支持他人克隆策略，每日获取信号

技术方案

![](/wiki/api/attachments.redirect?id=be72745b-dff3-4d11-918a-0dec5f5

你知道为什么九成的人在市场里混一两年就被淘汰吗？别再归咎于技术不行，或是行情太难了。

问题的根源不在市场，在你身上——在你那三个致命的“懒”上。这种懒惰并非身体上的懈怠，而是思维和行为上的惯性，它让你始终无法像专业人士一样对待交易，从而在市场中反复犯错，直至出局。

**懒于记录：凭感觉交

引言：大道至简

在风云变幻的股票市场中，无数股民孜孜不倦地寻求着投资的“圣杯”——他们渴望找到百战百胜的“三大铁律”，或是洞悉未来的“四大真相”。人们总以为，市场的终极奥秘一定隐藏在某个复杂的指标、深奥的理论或是神秘的内幕消息之中。

然而，大道至简。真正的投资智慧，往往并非藏于繁复的公式

公布的回测代码为啥不提供模版呢

# 查询代码 cn_stock_factors_base

import dai

sql = """
SELECT instrument, date, suspended
FROM cn_stock_factors_base
WHERE instrument LIKE

在 BigQuant 做 AI 策略久了，大家都有个共识：模型调优到一定阶段，改参数（Hyperparameter Tuning）的收益微乎其微。真正的瓶颈，通常卡在特征工程上。

很多朋友问我：“为什么用了 LSTM 或者 Transformer，预测结果还是在收敛和过拟合之间反复横跳？”

124-行业轮动的基本面选股策略

原来的输出结果如下：

一、策略目标

本策略在可交易的A股范围内，构建“盈利成长强 + 规模相对较小”的选股逻辑：\n以净利润同比增速作为成长信号，同时对总市值进行相对惩罚，形成综合得分，从而挑选出“成长更强且不那么拥挤”的股票组合，并通过按交易日调仓（每日调仓）保持组合始终处于最新的优选

请从下述因子列表中选择心仪的因子替换到模版代码中的 select_factors 列表中

\

因子列表

![](/wiki/api/

在量化研究中，行情数据往往被视为“基础设施”。 只要能顺利拿到 K 线数据，策略回测、因子构建和模型训练似乎就可以正常推进。

但随着研究深入，尤其是在尝试更细粒度的信号或更短周期的策略时，数据本身会逐渐成为影响结果的重要变量，而不仅是输入条件。

本文结合实际系统实践，讨论在什么场景下有必要引入

引言:

你是否经历过这样的场景：满怀信心地在10元价位买入一只股票，期待它一飞冲天，结果却眼睁睁看着它一路下跌到8元，甚至7元。那一刻，恐慌开始蔓延。

对于大多数散户来说，第一反应几乎是本能的：赶紧加钱补仓，把成本摊低！但这种操作往往让你越陷越深。正如一位资深操盘手警告的：

下跌的趋势

保温杯策略回顾

保温杯策略是一种基于机器学习的风格因子动态配置方法，其设计思路源于对A股市场风格轮动特性的深刻洞察。该策略将Barra风险模型中的核心风格因子包括规模(Size)、价值(Value)、动量(Momentum)、波动率(Volatility)、质量(Quality)及成长(Gr