==直播20:00开始==

Q1：常用的有效因子有哪些？如何找到有效的因子？

常用的因子有 市值、换手率、动量、质量、估值、成长、盈利等因子。

![](/wiki/api/attachments.redirect?id=48efb719-d116-40a7-b37a-4e0

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

BigQuant SDK 是一款为专业量化研究员打造的本地开发工具。它让您在保留本地 IDE 开发自由度的同时，无缝调用 BigQuant 云端的海量数据与分布式算力。

快速安装

BigQuant SDK 支持 Windows、Linux 和 macOS。我们建议在 [Python 3.1

当SQL遇见Python：解锁量化数据处理新姿势！\n——udf注册使用方法\n❓ 复杂因子计算，SQL写到手软？\n❓ 另类数据清洗，代码臃肿难维护？\n

[https://bigquant.com/bigapis/college/v1/files/d646bcac-7958-441d-ae

什么是DAI

DAI (Data for AI) 是BigQuant研发的高性能分布式数据平台

• 使用简单：通过统一接口访问BigQuant各类数据
• 数据丰富：提供PB级金融数据、另类投资数据和因子数据 ([数据字典](https://bigquant.com/data/ho

在 BigQuant 平台开发美股 + 外汇跨市场量化策略时，你大概率见过这样的行业数据：近 70% 的跨市场策略在 BigQuant 从回测到实盘落地阶段，收益偏差超过 30%—— 而这其中，80% 的问题都指向行情数据的延迟与一致性漏洞。

一、BigQuant 开发跨市场策略的核心需

在BigQuant等量化平台的策略开发实践中，高频交易开发者普遍面临一个核心痛点：回测阶段表现优异的策略（如年化收益达标、最大回撤可控、夏普比率优异），落地实盘后往往出现收益不及预期、成交偏差过大等问题。我们团队在长期的高频策略开发与实盘验证中，也曾多次遭遇类似困境——某款耗时两个月优化的短线高频策

https://bigquant.com/codesharev3/706aeafe-262d-401c-a44b-2383b05925d1

\

引言：告别指标的海洋

对于许多投资者来说，打开交易软件就像是瞬间被淹没在一片指标的海洋里：KDJ、MACD、RSI……成百上千个复杂的指标和曲线，让人眼花缭乱，不知所措。我们总以为掌握的工具越多，胜算就越大，但结果往往是陷入了“分析瘫痪”。如果告诉你，其实看懂大趋势，只需要一个指标，甚至一

日内卖跨期权策略（Intraday Short Straddle）

1. 回测结果

2. 策略简介

以“日内卖跨+强制清仓

对许多普通投资者而言，“量化交易”这个词总会勾勒出一幅神秘的高科技图景：一个由数学博士和顶尖机构主导的精英领域，常常因其复杂性而被敬而远之，甚至被“妖魔化”。但对于一个愿意学习、愿意思考的投资者来说，这种印象是否准确？本文将为你拆解围绕量化交易的三个最大误解，并揭示技术——尤其是人工智能——正如何让

引言：抓住市场脉搏的秘密

你是否也曾在股市中感到困惑：价格涨了这么多，还能追吗？股价跌了这么久，到底何时是底？我们总想精准地抓住趋势的转折点，却常常在犹豫和猜测中错失良机。在所有技术指标中，价格可以被操纵，消息可以被伪造，唯有成交量，是真金白银堆出来的，无法作假。它直接暴露了市场主力的真实

引言：熟悉的“过山车”行情

上午刚买入一只股票，眼看它一路上涨，心情无比激动，仿佛抓住了市场的脉搏。然而，到了下午，股价却毫无征兆地掉头向下，猛烈暴跌。你想要卖出止损，却发现无能为力——因为A股的“T+1”交易规则，今天买入的股票，只能等到明天才能卖出。你唯一能做的，就是眼睁睁地看着账户由

文件目录

阿佩尔均线操盘术 活跃投资者的超级工具 ([美]杰拉尔德·阿佩尔(Gerald Appel)著) (Z-Library).pdf

波浪原理(艾略特).pdf

缠中说禅：教你炒股票108课 高清 原著合集 图文全版.pdf

缠中说禅：教你炒股票配图版上.pdf

缠中说禅

引言：告别指标的海洋

如果你曾打开过任何一款交易软件，一定会被屏幕上琳琅满目的技术指标所淹没。KDJ、MACD、RSI……这些复杂的曲线和数值，常常让初学者感到困惑，甚至让有经验的交易者也陷入“指标失灵”的迷茫。我们总以为，要看懂市场，就需要掌握更高级、更复杂的工具。

但事实果真如此吗？

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

from bigmodule import M

# <aistudiograph>

# @module(comment="1. 输入特征：计算双均线及120日趋势过滤信号")

m1 = M.input_features_dai.v30(

mode="表达式",

\

from bigmodule import M

# <aistudiograph>

# @param(id="m5", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m5_initialize_bigquant_run(context

from bigmodule import M

# <aistudiograph>

# @param(id="m5", name="initialize")
# 交易引擎：初始化函数，只执行一次
def m5_initialize_bigquant_run(con

我们在券商一线做投顾、带量化交易团队这么多年，踩过最痛的坑，莫过于策略回测时收益亮眼，一到实盘就 “水土不服”—— 尤其是做股票、期货高频量化或日内 T+0 交易时，哪怕几十毫秒的行情延迟，都能让原本盈利的策略瞬间变脸。这些年我们复盘过无数案例，发现比起复杂的策略逻辑，**行情数据的稳定性、接口响应

老师你好，我这里选择

roic_lf_yoy_consec_min_3y>0.15,但结果出来的股票没有这个达到要求。

这是系统没算对还是什么原因呢？

下面是策略：

https://bigquant.com/codesharev3/414b6cba-186a-41dc-a04a-e6bfad

请问下为什么print的内容 日志中没有体现呀

[https://bigquant.com/codesharev3/826d8e13-d735-43ab-afae-8d2c8f1b2485](https://bigquant.com/codesharev3/826d8e13-d735-43ab-

略微出手就是一个做空无敌，稍作修改就感觉比一些研报的多空收益要好。但是可笑的是我完全是用的日频数据。感觉研报都在水工作内容。

以下两张图都不包含涨停或者跌停板。

![](/wiki/api/attachments.redirect?id=84c912c5-0b4d-4373-9654-3