直播回放：https://bigquant.com/college/3bced27c-db84-4c6a-83b9-7f1fe35d7180

AI对我们生活的改变已不言而喻。

理论上来说，任何人能做的事其实AI都可以做。早晨有私享会会员在群里问我，如果AI可以量化投研，那未来私募做什么。

bigtrader引擎在提交模拟交易后，内部是启动容器去每日执行策略计算的。 所以如果要用策略的净值或者其他策略执行过程中的一些状态信息需要保存到本地。可以采用JSON文件的方式保存下来。

代码如下：

[https://bigquant.com/codesharev3/d5e11cca-d927

打开你的交易软件，看看自选股列表，是不是密密麻麻，一片“绿油油”？很多散户投资者都有一个共同的习惯：把几十甚至上百只股票塞进自选池，结果却是精力分散，抓不住重点，最终买了一堆表现不佳的“杂毛股”。

你可能不知道，顶级高手的自选池却异常简单。他们遵循一个核心原则：自选股不超过五个。这并非懒惰，而是一

• BigQuant 比赛
  • 量化大赛005

\

在量化研究中，外汇实时行情通常被视为“底层输入”，很少成为讨论的重点。但在策略从回测走向实盘，或从低频扩展到事件驱动、高频场景时，行情接入方式往往会直接影响结果的可解释性和可复现性。

本文从系统与研究视角出发，结合外汇市场的实时数据特性，讨论行情模块在量化研究流程中的合理定位，以及在工具选择与结构

• BigQuant 比赛
  • 测试比赛05

\

• BigQuant 比赛
  • 测试比赛4

\

前面我们已经学习过了机器学习的树模型和神经网络模型，这些都是量化选股的主流模型。但是在监督学习中，还有一种很主流的学习方式，即支持向量机，本文则是基于支持向量回归模型开发的选股策略。

一、支持向量机

支持向量机（SVM）是应用最广泛的机器学习方法之一。在20世纪90年代，传统神经网络

本文档为1月24日上海私享会线下分享会代码

因子自动更新框架（持续迭代）+ 机器学习滚动训练框架

直播回放正在剪辑中，之后会上传到本文档

[https://bigquant.com/codesharev3/c32956e9-6063-40bf-8a40-2740f91790

策略介绍

• 在 102 中我们使用了 [仓位分配](https://bigquant.com/wiki/doc/aistudio-HVwrgP4J1A#h-%E4%BB%93%E4%BD%

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

• BigQuant 比赛
  • 测试比赛003

\

人人都在谈论的“量化”，对你我究竟意味着什么？

量化交易，这个听起来充满科技感的投资策略，常常因其惊人的高回报率而成为市场的焦点。然而，当一种工具被热议时，我们更需要冷静地审视其本质。尽管量化交易在美国等成熟市场中扮演着特定角色，但它真的适合中国这个以散户为主的A股市场吗？这个问题

在量化交易和技术分析中，RSI（相对强弱指数）、MACD（移动平均收敛发散指标）和移动平均线（MA）是三个最经典且广泛应用的技术指标。它们能帮助交易者识别市场趋势、动量和潜在的反转点。本文将详细介绍如何通过常见的市场数据 API 获取高质量的金融数据，并使用 Python 手动计算这些核心指标，为你

• BigQuant 比赛
  • 量化大赛(仅供测试)

\

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

都说股市“开盘定生死”，这句出自传奇人物徐祥的话，道出了交易中最惊心动魄的时刻。每天开盘后的短短几分钟，往往决定了一整天的交易节奏和盈亏结果。然而，对于大多数小资金的散户投资者来说，这最初的波动常常让人感到困惑和焦虑，看不懂主力意图，抓不住市场方向。

忘掉那些复杂的指标和无穷无尽的“战法”吧。日复

如果你还想像过去那样，靠着所谓的“经验”和感觉去做短线交易，那么用今天市场的话来说，无异于“找死”。

你是否也常常感到困惑：为什么现在炒股赚钱，似乎比以前难多了？明明还是那些熟悉的K线图，还是那些研究过的公司，但过去屡试不爽的方法，如今却频繁失灵。如果你有这种感觉，那么你并不孤单。这并非你个人的问

引言：一个残酷的现实

市场上九成的交易者在两年内被淘汰出局，这是一个不争的事实。

大多数人将其归咎于“行情难做”或是“没有行情”。然而，这些都不是根本原因。真正的症结在于，绝大多数人不把交易当成一件严肃的事。本文将揭示几个颠覆性的观点，帮助你理解亏损的根源，以及如何在市场中长久地生存下去

在BQ平台上部署Kronos模型，此内容仅部署了small模型(base模型可自行下载使用，预测较慢)，使用2026年1月20日之前3日5分钟K线图作为输入，预测1月21-22日的5分钟K线，使用2日后的预测结果计算预测回报与真实回报做趋势对比，横盘的剔除，small预测准确率为56.3%(100只

cn_future_warehouse_receipt这个表是不是不全，大部分天都缺了很多品种的数据？

在量化策略研发与落地的过程中，多数开发者初识 tick 数据时，往往仅将其定义为 “市场最小粒度的行情数据”；但实际完成 WebSocket 连接配置、启动实时数据接收程序后，最先感知到的并非数据字段本身的含义，而是数据流动的 “节奏”—— 时间戳的高频跳动、价格的瞬时波动、成交量的断续刷新，让 t

引言：为什么99%的人都抓不住强势股？

“其实啊，99%的人都不会选股。” 这句话可能戳中了很多投资者的痛点。我们每天面对几千只股票，总感觉机会无处不在，却又屡屡错过那些真正的主升浪行情。

但顶尖的交易者都明白，最有效的方法往往不是最复杂的，而是最能坚持的。如果告诉你，有一套简单的方法，

在 AI 量化策略中，我们常说 Garbage In, Garbage Out。但在高频策略里，Slow In 也是 Garbage Out。

训练模型时我们用的是清洗好的 CSV，但在实盘推理阶段，如何对接实时的 WebSocket 流并将其转化为模型可读的 Tensor，是一个巨大的工程挑战。

引言

为什么感觉在股市里赚钱这么难？这或许是每一位股民都曾扪心自问的问题。面对涨跌无常的市场，许多人感到迷茫、焦虑，甚至亏损连连。然而，尽管挑战重重，市场上确实存在着能够稳定盈利的少数赢家。他们并非靠运气，而是遵循着清晰、经典且经过市场验证的交易模式。本文将为你揭示A股市场中最经典的三种盈