{{pro}}

直播回放：https://bigquant.com/college/c265f4b5-5620-42f9-9a5a-2fc481cde5d9

注：下方策略不可直接提交模拟交易，若要提交模拟交易，请按照视频讲解操作。

[https://bigquant.com/cod

直播回放：https://bigquant.com/college/c2965a59-c433-4148-9034-5854e9825d87

{{pro}}

[https://bigquant.com/codesharev3/0ab8678f-a776-41a2-b2f4-10631d9

PermissionException: Permission Error: 请在查询表 cn_stock_status 时使用 filters 参数指定分区范围（一般为 date 或 instrument ）：dai.query(sql, filters={"date": ["2020-01-0

复现【方正金工】研报中的“适度冒险”因子的构建与因子分析

1、中间因子做了计算存表，只对最终合成的“适度冒险因子”进行了因子分析。

2、在因子计算脚本中加入断点续传功能，避免程序中断重新计算因子。

3、因子复现时间范围是2013-03-01到2022-02-28，然后更新了2022-03-01

在金融市场股票API中，投资者们始终在探寻一种既精准又高效的交易策略。缠论，作为一种独特而强大的技术分析理论，自问世以来便吸引了无数投资者的目光。如今，随着科技的飞速发展，将缠论与先进的实时报价数据及历史数据相结合，为投资者带来了前所未有的交易体验。本文将深入探讨如何利用 iTick 的实时报价数据

BigTrader是宽邦科技推出的致力于为用户提供便捷、功能强大的交易引擎。

在量化研究的过程中，量化研究员（宽客）需要在历史数据里回放模拟，验证策略效果，这就是BigTrader交易引擎的应用场景。

首先，构建简单但能运行的策略

BigQuant平台回测主要使用bigtrader中in

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。

用可视化模块做单因子策略回测，显示策略收益率为0，但基准收益率曲线有的，特诊抽取数据也有的。

介绍

BigQuant SDK 提供 Python API 接口，帮助开发量化投资策略和使用 BigQuant：

• 📊 数据查询：海量金融数据的 SQL 查询接口
• 📈 模拟交易：策略回测与模拟交易管理
• 💰 账户管理：交易账户的持仓、订单、资金查询
• 🔬 回测引擎：高性能

功能

把 AI Studio 中的文件打包压缩保存到本地电脑，提前准备好后悔药，定期备份重要文件可以缓解未来误操作造成的损失。

[https://bigquant.com/codesharev3/9319c7da-d50e-482d-878e-5aef87adc3e5](https://

前言

AI量化策略的独特之处在于存在一个AI人工智能模型，模型可以很简单比如是线性回归或决策树模型，模型也可以很复杂，比如是Transformer、CHATGPT等。在BigQuant上使用较多的是一个称为StockRanker的模型，该模型在量化金融数据上进行调优，能取得比xgboost

当用户有多个策略需要进行模拟时，都需要将每个策略提交模拟，然后在“我的交易”页面查看。但这样相当浪费服务器资源。

这里提供一个可代替的方案。

1. 将策略回测数据保存下来。假设我们的回测引擎赋值给m5，那么我们可以读取回测数据 m5.read_raw_perf()，然后将数据以xlsx 或 c

一场突如其来的“公平革命”

对于A股市场的普通投资者来说，面对技术装备精良、速度快如闪电的量化交易，常常有一种无力感，就好比“骑自行车追高铁”，无论如何努力，似乎总慢人一步。

然而，一场震撼性的变革正在发生。监管为何突然重拳出击？核心原因只有一个：量化交易已经太强势了。数据显示，

以alpha101为例，能出一期因子合成的分享会吗？

注：当前仅支持万和证券BigTrader量化交易终端，为保证实盘和模拟交易曲线一致，实盘是集合竞价下单，因此本代码也是集合竞价下单。

文末提供的脚本只支持单一策略的自动化实盘，如果要运行多个实盘策略，请将脚本复制几份，下单时间略微错开。

功能描述

本功能实现了从云端（bigqua

最近在研究高频因子，就免不了要对形形色色的因子进行剖析、测评。但是一个一个去进行测试的话，难免会有些太耗时间。

于是就改了改笑宇老师的因子测评框架，做了一个因子批量查询测评的程序，能批量测试因子并将测试结果存表（包括整体效果和年度多头效果）。

配置相关：

以下配置信息按需要配置修改：

1

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、因子大家都应该熟悉，链接在这里：<https://mp.weixin.qq.com/s?__biz=Mzg2MDMyMjU0Ng==&mid=2247512606&idx=1&sn=86fdd460b06be99cdacfaf7e22632c58&chksm=ce2add83f95d54954a

https://bigquant.com/codesharev3/23c3fa92-a01b-4bf1-8041-3733b4a086c4

参考

https://bigquant.com/codesharev3/3311bc37-ef5a-40bb-b427-f62e23d2ff2b

\

https://bigquant.com/codesharev3/8d7b4269-308e-46f9-9222-bd3c8ba7b0f9

参考资料：

https://bigquant.com/codesharev3/4fa7f395-3835-4de0-992d-bf48393f6593

参考资料：

https://bigquant.com/codesharev3/b0b18b89-b92c-4215-95f7-4584ecd2bb0b

\

近期，A股市场走出了一轮振奋人心的“信心牛”行情，让众多投资者看到了希望。然而，我多年的市场观察告诉我，A股走到今天这一步实属不易，当前的乐观情绪背后仍潜藏着深层隐忧。要真正实现投资者期待已久的“长牛慢牛”，仍有两个长期存在的根本性障碍需要扫清：一是饱受争议的“量化交易”，二是屡禁不止的“过度融资”

由于没有逐笔数据，只能采用分钟数据来近似计算。有个地方需要注意，原文中提到是13/16分位效果最好，但是由于是原文是基于逐笔数据的，我们没有逐笔数据，用分钟数据近似的时候实际测试是1 / 2分位效果好。

[https://bigquant.com/codesharev3/3eba5f4a-36e0