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。

功能描述

本功能实现了从云端（bigquant.com）策略信号生成到终端自动获取并下单的完整闭环。用户在BigQuant云端平台运行量化策略后，系

一 策略原理

小市值效应

首先，中小盘股（通常指总市值 50 亿以下）有一个天然优势 ——成长弹性大。从 A 股 2010-2023 年的历史数据来看：

• 中证 1000（小盘股指数）年化收益 9.5%，最大单年涨幅 46.8%（2021 年）；
• 中证 500（中盘股指

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

<https://bi

代码是这样的，回测没问题，跑的很好，但一提交到模拟盘上就报错，选的是实时交易任务。

from bigmodule import M

# <aistudiograph>

# @param(id="m8", name="initialize")
# 交易引擎：初始

本文介绍量化因子三种常见的处理方式，分别为：

• 标准化处理
• 极值处理
• 中性化处理

这三种数据处理方式，都是截面处理，即当天全市场5000之票做预处理，不涉及时序数据。

标准化处理

把当天的因子值按均值为0，标准差为1进行标准化处理

c_normalize(mkt) as

两个“输入特征（DAI SQL）”模块，分别从两个数据表提取数据，之后可以共同连接一个新的“输入特征（DAI SQL）”模块，做到数据连接的功能

我们来看一个具体的例子，在下面这个例子中：

• m1模块的作用是从cn_stock_prefactors表中提取出pe_ttm

BigQuant的DAI数据平台提供了许多字段运算的表达式函数，完整的函数在这个文档（DAI SQL 函数列表），我们这篇文档总结了一些常见的表达式

1. DAI数据平台表达式函数

一、引言

在量化投资中，组合优化的鲁棒性直接影响策略的实战表现。近期我们对基于 Wasserstein 距离的分布式鲁棒优化（DRO）策略进行了迭代，看似细微的调整背后，其实藏着对组合稳定性和资产适配性的深度考量。下面就来详细说说第二个版本（代码 2）到底改了什么、为什么改以及如何实现的。

我们可以使用现有模块M.factor_analyse.v7来评估我们的因子:

[https://bigquant.com/codesharev3/4f48d5bc-d51b-4eec-82de-5faefb86a89c](https://bigquant.com/codesharev3/4f

DAI数据抽取

DAI是BigQuant研发的高性能分布式数据平台，其详细介绍可参考 数据平台/DAI 。

import dai    # 导入第三方库

# 开始日期和结束日期
st

导语

平台已经整理好新旧因子对比，可以在基础特征抽取里面直接抽取。

A股

量价因子

lightgbm模型报错，但是stockranker可以，不知道什么问题

#https://bigquant.com/codesharev3/9cd9a4a0-4050-40f2-b3a7-8b7652ebff63

from bigmodule import M
# 

from collections import deque
import pandas as pd
import math

def initialize(context):
    # 策略参数
    g.security = "513310.SS"  # 替换为您的标的

特殊行业市场宽度带来的异象:

当银行、有色金属、煤炭、钢铁四大板块中任意一个进入 “市场宽度 TOP1” 时，A 股行情在 1-2 周内出现显著调整的概率高达 65% 以上

一 市场宽度核心内涵

市场宽度是衡量板块内股票整体强势程度的量化指标，一般采用 “20 日均线突破率” 作为核心计算

当前默认的Python3.11虚拟环境下的alphalens会出现ndexError: invalid index to scalar variable.，该错误是alphalens的原始团队quantopian不再维护故不再适应新的python开发环境造成的。建议更新到reloaded版本。\n<

本文件提供 BigQuant Python API 的使用说明，包括用户管理、策略运行、策略查询等功能。

安装包

首先需要手动下载并安装如下的 wheel 包

👉：<https://bigquant.com/cdnuploads/wheel/bigquant-0.1.0.post102

82nd Meetup 直播答疑， 11月21日 19:00 B站直播解答

问题1:在已有策略中筛选：只要20日内出现过涨停的股，请问怎样能最简单用最少的代码来构建？

回答：预计算因子表中,price_limit_status字段表示收盘时刻的涨停状态；往前取20日, 进行滚动

获取数据

获取数据平台的数据到本地：

from bigquant.api import strategy, user, run, dai

# 用户登录(所有业务都需要进行登录)
user.login(username='xxxxxxx', password='xxxxx

0. 策略名词解释：

定义：回撤是指投资组合或资产从峰值到谷底的最大亏损幅度，用来衡量投资风险。

（1）单期回撤（时点回撤）

在时间 𝑡 ，资产 𝑖 的回撤定义为：

![](/wiki/api/attachments.redirect?id=67ec38e9-30d0-43f2-9

• BigQuant 比赛
  • **[2025年进益杯因子大赛](https://bigquant.com/square/competition/5c3f7783-4158-4196-97ab-171b2721

• BigQuant 比赛
  • [BigQuant练习赛](https://bigquant.com/square/competitio

\

• 提示 1： 在处理大规模数据时，Python 的 for 循环是最高效的选择吗？
• 提示 2： 代码中获取的数据格式是 pandas DataFrame，这是一个为高性能计算而生的工具库。不妨探索一下它自带的计算函数。
• 提示 3： 能否在数据查询 `da

{{pro}}

[https://bigquant.com/codesharev3/090ebeeb-a6f0-4046-b72a-07c4bf7031de](https://bigquant.com/codesharev3/090ebeeb-a6f0-4046-b72a-07c4bf70

BigQuant进行实时交易

实时交易区别于我们的日频模拟交易，实时交易会根据实时行情变化产生即时交易信号并在对应的柜台进行撮合成交。实时交易策略在策略名称后跟有【==实时==】标签，日频策略没有。

实时交易的基本流程如下

1.绑定交易账户

2.编写策略-提交实时任务

3.观察策

这个策略的核心是通过动量效应和资产轮动实现收益,同时加入了风险控制机制降低波动,我将从基础投资原理开始为大家拆解我在设计该策略时的逻辑.

一 基础投资原理:策略设计逻辑

1.动量效应

定义:资产的价格趋势具有持续性 —— 过去一段时间表现好的资产，未来一段时间往往继续表现好；过去表现