首页 编写策略 数据平台 策略社区 我的策略 宽客学院 知识库
免费注册

研报复现：【方正金工】成交量激增时刻蕴含的alpha信息-“适度冒险”因子研究

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

由bqg4ltjs创建，最终由neoblackxt更新于

量化缠论技术指标与股票API结合实现策略交易

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

由bqrw4yft创建，最终由bqm81hbn更新于

开发量化策略快速教程

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

由qxiao创建，最终由bql91y58更新于

BigTrader 量化交易引擎（回测）

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。

由qxiao创建，最终由small_q更新于

文件备份工具

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://

由neoblackxt创建，最终由neoblackxt更新于

300-StockRanker模型固化并调用

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

由qxiao创建，最终由bqv93dy2更新于

A股“高铁”被限速：量化新规，为何散户终于能和机构站上同一起跑线？

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，

由bq7td619创建，最终由bqv93dy2更新于

实盘自动化交易功能

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

由small_q创建，最终由bqrvlh0t更新于

AI策略参数寻优方法：网格搜索和并行模块M.tune

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

由bqtnziby创建，最终由small_q更新于

量化交易与过度融资：A股通往“长牛”路上的两大“拦路虎”

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bq7td619创建，最终由bq7td619更新于

研报复现：【开源证券】A股反转之力的微观来源

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

由bqt6pg72创建，最终由bqt6pg72更新于

并行处理 深度学习等复杂计算任务

问题描述

我有大量数据需要处理（如批量计算因子、训练多个模型、参数调优等），单机执行太慢，如何使用 BigQuant SDK 进行分布式并行计算，加速处理过程？

详细解答

BigQuant SDK 提供了 fai 模块（FAI = Fast AI Computing），可以创建多节点集

由bq1fuwkt创建，最终由bq1fuwkt更新于

分页：第1页第2页第3页第4页第325页
{link}