用户教程

“用户教程” 按场景划分，涵盖了几乎所有 BigQuant SDK 的功能。每个小节都介绍了一个使用场景（例如“编写一个简单的量化策略”），并讨论了 BigQuant SDK 如何解决问题，其中包含许多示例。

如果您是刚接触 BigQuant SDK，请从 [BigQuant SD

问题描述

我想用 BigQuant SDK 查询股票的历史行情数据（如日线、分钟线等），并在本地进行分析处理，应该如何实现？

详细解答

BigQuant SDK 提供了两种主要方式来查询历史数据：

方法一：使用 DAI SQL 查询（推荐）

适用于需要灵活查询、过滤、聚合数据

[https://bigquant.com/bigapis/college/v1/files/ddecc5b4-7625-4dc3-afa8-3b697ba0aa7a](https://bigquant.com/bigapis/college/v1/files/ddecc5b4-

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

https://bigquant.com/codesharev3/811e5ab1-de76-4e74-ab15-3e74919fa012

\

https://bigquant.com/codesharev3/f7b8fd39-f533-4576-96c6-9d3b0f3050b8

\

问题描述

我是量化交易新手，想用 BigQuant SDK 对策略进行本地回测，应该如何实现?

P.S “本地回测” 功能因官方包发行版本不支持 mac 的原因，暂时仅支持 win / linux 平台

详细解答

示例策略——“买入并持有”

“买入并持有策略” 是最基

一个普遍的疑问

“国内的量化机构这么牛，为什么不去炒美股割帝国主义的韭菜？”

这是一个在投资者社群中经常被提及，且充满民族自豪感的疑问。当看到国内量化基金在国内市场屡创佳绩时，许多人自然会认为，这股力量理应出征海外，大展拳脚。

然而，答案并非能力问题，而是A股市场为量化交易提供

1. 核心指标介绍

1.1 阻力位和支撑位

阻力位是指在标的资产价格上涨时可能遇到的压力水平，是交易者认为卖方力量开始反超买方，使得价格==难以继续上涨或开始回调下跌的价位==。当价格接近阻力位时，投资者预期会有更多的卖家介入，增加供给，这可能导致价格下跌或至少暂停上涨。

支撑位是指

《策略深度揭秘！| 头部基金如何玩转中证1000指数增强？》

🌟 本期亮点：\n1️⃣ 投研流程：头部机构中证1000策略研发流程\n2️⃣ 工具属性：如何控制股票组合的风格因子和行业暴露\n3️⃣ 策略进化：指增策略的优化精细方向

[https://bigquant.com/bigapi

一、策略目标

在严格跟踪中证1000指数的基础上，通过多因子选股与组合优化，获取稳定、可持续的超额收益（Alpha），同时控制个股权重、行业偏离和风格暴露，实现收益最大化。因为本策略具备长期超额收益，因此如果能用股指或者期权对冲的话，则是一个不错的中性低波策略，故该策略我们上架到私享会的低

https://bigquant.com/codesharev3/ce236996-89a0-4ffe-a6df-2e6222bd14b9

这是系统自带

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

近期的A股市场波动剧烈，许多投资者都感到焦虑与不安，市场的下一步似乎越来越难以预测。您是否也曾疑惑，这背后是否有一股强大的“无形之手”，让市场变得如此动荡？

这股力量，很大程度上来自于一个我们既熟悉又陌生的词——“量化交易”。它正以一种颠覆传统的方式影响着市场的生态。本文将为您揭示关于当前量化交易

债市小市值策略

1. 回测结果

2. 策略简介

以“低价格、低溢价率、低余额”为核心筛选可转债标的，通过15只均等分散持仓

sql="""
date,
volume,
...
略"""

dai.DataSource.write_bdb(df, id=table_name, unique_together=["instrument", "date"],indexes=["date"])

由于

从一个广为流传的误解开始

近期，关于“量化交易”和“高频交易”的讨论热度空前，许多普通投资者对此感到既好奇又困惑。在纷繁复杂的信息中，一个说法流传甚广：“美国限制高频交易每秒15笔，而中国是300笔，两者相差20倍。”

这个数字听起来具体而震撼，似乎为我们理解中美监管差异提供了一

一、随机森林（Random Forest）

集成学习方法（Ensemble Learning）是一种机器学习技术，旨在通过组合多个基本模型（弱学习器或基学习器）的预测来提高整体性能和泛化能力。集成学习的核心思想是，通过结合多个模型的意见和决策，可以减少单个模型的误差，并在各种不同情况下

1 模块概述

本模块提供模拟交易策略管理功能，包括策略列表查询、策略详情获取、绩效数据、交易订单、持仓信息等。支持本地/云端代码无缝切换。

主要功能：

• 获取个人策略和社区分享策略列表
• 获取策略详情对象（支持管理员特权）
• 查询策略绩效、订单、持仓、计划订单等数据

1 模块介绍

本模块提供数据查询、数据源读写、自定义函数等功能，支持远程查询和 BDB 数据管理

2 API 介绍

2.1 自定义 UDF 函数

类名： dai.DaiUDF

功能： 自定义 UDF 函数定义

参数：

• name : str，必填，UDF 函数名

1 模块介绍

本模块提供 BigQuant 平台的用户认证和管理功能，支持多用户登录和信息查询。

2 API 介绍

2.1默认用户首次登陆

命令： bq --save-auth --aksk ak.sk\n功能：默认用户首次使用 AK/SK 登陆\n参数：

• `ak.s

策略按照如下模板

from bigquant import bigtrader, dai

def initialize(context: bigtrader.IContext):
    context.set_commission(bigtrader.PerOrder(bu

一个让所有交易者深思的矛盾

在金融交易的殿堂中，主观‘艺术’与量化‘科学’并行不悖，却也催生了一个根本性的悖论，足以动摇无数交易者的信仰根基。一方面，我们有主观交易，交易员依赖自身的经验、直觉以及市场理论（如经典的价格行为学）进行决策；另一方面，是量化交易，决策完全交给基于数据和算

1.市场观察和机会发现

优质高股息策略以稳定收益和抗风险能力为核心，在量化交易中具备独特价值。其逻辑层面，在经济下行或波动时，高股息企业商业模式成熟、现金流稳定，能提供防御性；股息再投资可实现复利增长，放大收益；被低估的高股息股存在估值修复机会；同时满足养老金等长期资金的配置需求。市场