用户教程

“用户教程” 按场景划分，涵盖了几乎所有 BigQuant SDK 的功能。每个小节都介绍了一个使用场景（例如“编写一个简单的量化策略”），并讨论了 BigQuant SDK 如何解决问题，其中包含许多示例。

如果您是刚接触 BigQuant SDK，请从 [BigQuant SD

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

目录

1. 顶层模块 (bigquant)

围绕ETF择时动态交易，分享高流动性ETF池筛选、多维度动量筛选及市场自适应调整方法。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/files/c43a601f-26eb-4d04-9adc-982f387a9849](https

针对市场牛熊交替痛点，“保温杯优化”策略以宏观择时为核心，结合宏观指标识别经济周期拐点，搭配多类资产动态调整配置，拆解实操方法与实战案例，助力搭建抗跌型资产组合，实现稳健穿越牛熊。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/

🎯聚焦cowork协同投研模式，拆解量化投研全流程协同逻辑。

🎯结合实操案例分享因子魔改、代码编写、研报复现、等技巧，助力提升投研效率、降低试错成本。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/files/b4fecb

聚焦delta动态对冲期权策略，拆解delta核心内涵与对冲全流程，帮助剥离方向性风险，提升期权交易稳定性。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/files/c907b4aa-cf8e-405b-b81c-642cae

分享大模型在自动交易中的实战应用，结合实际案例展示数字交易员这一角色，降低量化自动交易门槛，实现自然语言指令到交易执行的闭环。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/files/8fab2d5e-12c2-486a-9421

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

介绍

通过本地 VSCode 连接到BigQuant AIStudio，在本地 VSCode 里开发、调试、运行等。

注意：本地 VSCode 没有 AIStudio 可视化开发等功能。我们仍然推荐使用 AIStudio。

此功能 年度旗舰版 专有。

插件下

安装python包

使用pip命令进行安装

本平台已默认配置python3.11环境可以直接使用“pip”命令进行安装，需要打开终端输入pip安装包命令

按ctrl + ` 打开终端

或随机选择一个文件右键点击“在集成终端中打开”

pip常用命

2026年一季度，全球存储芯片行业交出了一份几乎无法用语言形容的成绩单。

SK海力士单季净利润40.35万亿韩元，同比暴增398%，营业利润率高达72%。三星电子营业利润57.2万亿韩元，同比激增755%。A股佰维存储一季度营收68.14亿元，同比增长341.53%

提问：夏普比率是衡量策略好坏的重要指标，它的计算公式是什么？数值越高代表什么？什么是“过拟合”？为什么在回测中表现完美的策略，实盘往往会亏损？

提问：在计算因子值之前，为什么要对原始数据进行“去极值”处理？意义是啥，常见的去极值方法有哪些

提问：在构建因子时，怎么避免未来函数

提问

湘财证券开通账户

==没有湘财证券账号的，请扫下方二维码开户==

湘财证券实盘权限开通

1. **湘财

    df = df.sort_values(by = ['composite_score'],ascending = [False]).groupby('date').head(context.stock_num)

    df['weight'] =1/context.

作为跨境美股专业交易者，你有没有过这样的困扰：想通过API获取实时行情数据，支撑自己的交易策略落地，可接口却频频掉链子——要么连接超时无法访问，要么数据延迟严重，甚至偶尔出现请求成功却无法获取有效数据的情况？ 对于咱们依赖数据流开展交易的人来说，API接口的稳定程度直接影响交易决策的及时性，毕竟交易

• 运行环境：AiStudio 3.0.0
• 策略描述：对于一个事件策略来说，哪一只股票在此策略下收益最高，我们是可以逐个试出来的，就买入
• 数据表名：cn_stock_bar1d
• 回测时长：2020-1-1 至 今天
• 初始资金：500000
• 买卖时间：开盘买入，收盘卖出

\

• [2026-04-18 17:34:33] INFO: cn_stock_basic_selector.v8 开始运行 ..
• [2026-04-18 17:34:34] INFO: cn_stock_basic_selector.v8 命中缓存
• [2026-04-18 17:3

\

\

这是我用AI写的策略，策略有交易，但是无法输出平台的图表，能自己生成图表，求助！

[https://bigquant.com/codesharev3/e700cafc-96fc-4eab-addb-69d1ce5666a3](https://bigquant.com/codesharev3/e70

求助，这是我用AI写的代码，但是没有交易发生，这不符合实际情况，让AI检查很多遍没有用\n

[https://bigquant.com/codesharev3/1da09466-243f-4fd2-ac31-48affccf0f04](https://bigquant.com/codesharev

{{pro}}

[https://bigquant.com/codesharev3/9fa5a4e7-533e-4a10-8907-fa7a1ad27d82](https://bigquant.com/codesharev3/9fa5a4e7-533e-4a10-8907-fa7a1ad27d82

提问：基于XGBoost滚动训练的策略，在相同数据、相同策略的情况下，回测结果也会不同，有时收益率相差很大。这是XGBoost算法本身的特性决定的吗？在这种随机性下，怎么评估策略的优劣性？实盘时能接受这种随机性吗？还是说需要增加某些机制，抑制这种随机性。

提问：请问同时使用的几个策