一、配对交易的思想

配对交易（Pairing Trading）是指八十年代中期华尔街著名投行Morgan Stanley的数量交易员Nunzio Tartaglia成立的一个数量分析团队提出的一种市场中性投资策略

Ganapathy Vidyamurthy在《Pairs Tr

在搭建量化回测与实盘一体化架构时，数据清洗与接入永远是第一道鬼门关。我常常需要在一套策略系统中同时监控跨市场的标的。这时候，底层通信网关的承载力就成了核心问题：单条 WebSocket 长连接，究竟能吞吐多少个高频行情流而不发生阻塞滑点？

在我早期的实盘环境中，我曾天真地在一个通信实例中注入了50

在美股量化交易策略开发与实盘盯盘时，常遇典型问题：盘前阶段股票查询 API 数据长时间无更新，价格、时间戳定格，极易被判定为接口故障。实则测试多款数据源后可知，这一现象并非 API 本身问题，而是盘前市场的交易特性决定的，厘清这一逻辑，才能更合理地对接行情数据、搭建量化策略。

作为高频量化交易者，

策略介绍

该策略是一个典型的事件策略，事件策略和选股策略是有本质上的区别的，事件策略的基本思想是，对于特定的股票，什么时候该买，什么时候该卖，本文介绍了一种基于MACD指标的事件策略

具体来说，MACD包括三个指标：

• MACD（平滑异同移动平均线）：MACD线是短期指数移动平均线（通

我已实现一个日频策略，收益与回策都很好。想进一步提升，实现日内T+0，但是不知道如何着手，请问该如何配置，或者平台上有没有相关的示例，一直没找到，希望得到平台的帮助，感谢。

引言：揭开市场的生存谜题

在波谲云诡的股市中，大多数散户投资者常常处于一种周而复始的焦虑与迷茫之中：为什么精心挑选的股票总是“买入即下跌，卖出即飞升”？为什么小额亏损总会在犹豫中演变成难以承受的巨亏？这种被市场“针对”的错觉，本质上源于对游戏规则的认知缺失。事实上，股市投资的终极奥义并非追

• *Output is truncated. View as a open in a text editor. Adjust cell

1.0情况下通过model的id能够读取，3.0的模型仍然有model的id，可以通过id读取，但是几天后就失效了，如何去永久保存，调用。

想通过bigtrader自行运行回测得出第二天的交易信号，需要导入今天实盘已经买入的股票，比如说今天开盘的时候我的账户是100万，盘中买入 平安银行100股，如何在bigtrader里把这些操作写进去，通过已有的模型运行回测把第二天的买卖信号运行出来

RT

如果有怎么计算 强赎满足天数的逻辑就更好

谢谢

引言：为什么你总是逃不出“被割”的命运？

在股市跌宕起伏的浪潮中，很多散户投资者常年陷入一种“西西弗斯式”的困境：每天废寝忘食地复盘、盯盘，付出巨大的精力，结果却是“一买就跌，一卖就涨”。你是否曾深夜自问：难道自己真的天生没有财富运，注定是那棵被收割的“韭菜”？

作为一名在市场摸爬滚打十

使用万和文件单交易，追踪历史日志持仓情况以及交易情况，本工具只适用于使用万和文件单系统交易的日志分析，下载html到机器打开页面。

1、选择万和文件单系统日志目录。这个日志在文件单系统的service_logs文件夹下，选择这个文件夹。

![](/wiki/api/attachment

ETF是场内基金，近年来越来越受到交易员的青睐，主要是因为其是一篮子股票的基金，所以大众理解其风险可控。本策略是基于金融理论体系进行仓位优化和强势ETF基金的挑选。从2021年初回测到2025年10月，年化收益为27.15%，最大回撤接近-11%，夏普比率1.41，总体波动和回撤是低于股票策略的。

我们之前已经介绍过几个风格轮动的策略了，本质上依据的就是股票市场长期存在的“强市炒成长、弱市求稳健”的轮动策略。

1.神经网络算法

1.1算法核心原理

神经网络是一种模仿人脑神经元连接结构的机器学习模型，擅长处理多维度、非线性的复杂数据关系。其核心优势在于通过多层

策略

传统投资想法主要存在于人脑，并由人脑运行产生决策信号。

在量化投资中，我们把投资想法编写为策略代码，使用数据来验证和完善想法，并将最终的策略部署到计算机/服务器上运行，产生策略信号。

BigQuant提供用于策略研究开发的数据、算法、算力和平台，同时也提供策略部署和托管运行。我们先

引言：投资是一场与自我的博弈

在金融市场的喧嚣中，我们常能见到这样一群“勤奋”的散户：他们挑灯夜战，试图从海量资讯中拼凑出财富密码；他们时刻紧盯着红绿交替的跳动，因微小的波动而呼吸急促。然而，这种高强度的付出往往并未带来预期的超额回报，取而代之的是账户缩水的挫败与无力。

作为投资心理学家

导语

策略思想丰富多样，尤其是在买入和卖出方面，一千个投资者可能有一千个交易想法。因此，本文告诉大家怎样进行灵活地买入和卖出，以便于大家能够更高效地开发量化策略。

BigQuant平台提供了很多策略生成器的模板策略，其买入和卖出的思想是确定了的。由于每个人交易的想法可能千差万别，因此如果能

![](/wiki/api/attachments.redirect?id=b1cca2fd-a50c-4395-b68c-81bb2a50a

**请问3.0版本上rank_beta_industry_5_0因子是哪个替代了？**1.0 的

rank_beta_industry_5_0 对应 3.0 的哪个字段或写法

\

同样的策略，为什么移植到新版本后训练很慢。用的lightbgm模块。

有没有解决办法啊，平台那么多赚钱的策略，但是为何你一跟进去就亏钱？

在量化投资中，越来越多的策略开始引入机器学习模型来做选股。机器学习的优势在于，它能够同时处理大量因子，自动学习复杂的非线性关系，从而提高对未来收益的预测能力。

但与此同时，也会带来一个非常关心的问题：

模型为什么会选这些股票？\n它到底依据了哪些因子？\n**某只股票入选，是因为

sttstt

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

策略介绍

净利润同比增长选股策略旨在通过筛选那些净利润同比增长显著的公司，挖掘潜在的投资机会。该策略核心在于选择那些净利润增长率高的公司，以捕捉其盈利增长潜力，同时确保这些公司具备稳健的财务状况，如资本充足率和流动比率良好。此外，还关注这些公司股价的上涨趋势和成交量稳定，以及它们所处行业的增