优秀策略分享——数据标准化策略研究

影响策略效果的因子有很多，每个人所选择的因子也各有不同，选取因子后，如何分析数据，找出有效选股逻辑模型就成为重点。该数据分析工作是策略逻辑编写中最耗时的部分，本文介绍，如何简化数据分析的工作：数据标准化处理

举例说明：

当天收益因子：5000支票

1、我设置6天卖出，然后回测数据里面能执行，到了计划交易界面里却不执行6天卖出。

模拟交易界面：

回测交易数据：

![](/

我正在使用标普500的数据写一个简单的动量因子策略，运行时一直打印以下日志：\n

问题一

日志 103 条 ▼
[2026-03-18 15:40:22] INFO: bigtrader.v35 开始运行 ..[2026-03-18 15:40:22] INFO: py

在股市的修罗场里，最不缺的就是勤奋。很多人挑灯看盘、研读财报，却依然逃不掉被收割的命运。为什么？因为市场从不奖励盲目的努力，它只奖励对生存逻辑的深度认知。

投资不只是技术的博弈，更是人性与心态的较量。在某些关键时刻，决定你生死的往往不是某只牛股，而是你是否守住了底线。以下这五条“救命”建议，请务必

策略概览

本策略通过筛选近两周内稳定上涨的股票，再通过换手率和振幅因子筛选出相对低波的股票。

策略广场链接：https://bigquant.com/square/ai/8c36995c-253e-ab50-9b33-88921adc6a92

开发思路

观察和假设

!

报错信息：\n--------------------------------------------------------------------------- ErrorReturnCode_255 Traceback (most recent call last) Cell In[

预计算因子（cn_stock_prefactors）表里net_profit_lf（净利润）和增长率字段缺失值实在太多了，有时候所有股票集体缺失，这个怎么办呢，以及不知道价格有没有缺失，有时候算着算着比如长周期乖离这样的因子就会缺失，不知道数据是怎么来的，以及经常碰到的数据问题是怎么回事

策略在回测时调仓频率是5天一次，或触发止盈后调仓，但提交模拟后3月17日-3月25日这几天每天都有调仓信号，而回测中的只有3月20日这一天调仓。

模拟交易详情如下：

| 日期时间 | 股票 | 操作 | 成交量 | 成交均价 | 成交额 | 手续费 | 委托数量 | |----|----

我在策略里使用了已训练的XGboost模型，且已保存至AI studio的根目录，但开始模拟交易后无法调用导致不产生交易，请问如何解决

我的策略中应用了机器学习pkl文件，实盘中无法调用，请问怎么解决

引言：牌桌上的对手换了，你发现了吗？

现在的A股，规则已变。

如果你还在迷恋“龙头战法”，却发现炸板率飙升、次日溢价归零，请务必清醒：你的对手换了。曾经与你博弈的是有血有肉、会恐惧会贪婪的游资；现在，你面对的是毫无人性、执行精准算法的冷冰冰的机器。

传统的炒作逻辑正在大面积失效。这不是

1. 摘要

本文基于 BigQuant 平台对 A 股市场 2015—2025 年 5,487 只股票（含 324 只已退市个股）的全量数据，系统检验价格动量因子（Price Momentum）与残差动量因子（Residual Momentum）的有效性，并从三个维度深化研究：

|

看着账户里的资金像指缝间的沙子一样流逝，却在每一次所谓的“便宜价”面前忍不住伸手，结果被飞流直下的“落刀”扎得满手是血……这种焦虑，恐怕是每一位散户投资者的必经之痛。

很多朋友常问我：“大盘都跌成这样了，位置够低了吧？能抄底了吗？”

我想告诉你一个残酷的真相：**在机构投资者的字典里，价格低绝不

引言：一个足以“致命”的诱惑

上周我新收的一位徒弟，拿着一只个股的K线图兴冲冲地跑来问我：“老师，这票跌了这么久，今天突然拉出一根放量大阳线，力度极强，我是不是该立刻‘上车’抢反弹？”

我当时的回答只有两个字：“找死”。在下降趋势中，大阳线往往是散户最容易沦陷的“温柔陷阱”。作为一名长期

视频回放地址：https://bigquant.com/college/58e686cd-8dab-43e5-bcb9-c1fadd6667bb

{{pro}}

[https://bigquant.com/codesharev3/7c981299-8f1f-46d0-9ce0-1

量化投资的核心在于数据的低延迟获取。很多新晋的跨境金融策略开发者，往往在第一步就被绊倒——试图用传统的网页抓取来监控美股（如NVDA、META）的异动。在几百毫秒就能决定盈亏的高频世界里，这种滞后的数据源无疑是致命的痛点，也直接限制了回测报告与策略分享的质量。

我们需要的是工业级的数据获取方案。具

引言：为什么散户总是周期股的“接盘侠”？

在周期股的博弈场中，散户投资者常陷入一种“认知滞后”的怪圈：当硅料价格一天一个价、碳酸锂报价突破天际时，满屏的涨价新闻成了散户贪婪的催化剂，引导他们在高位奋不顾身地冲入。然而，现实的残酷在于，往往产品价格还在疯狂冲刺，股价却早已掉头向下，留下一众“

1. 策略概览

本策略基于DNN模型，在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年，测试集时段为未来一年，如2018年训练集采用2013-01-01至2017-12-31，测试集时段为2018-01-01至2018-12-31。数据使用当期全市场数据，聚焦于量价数据及其

背景：去年7月份刚进训练营时，万老师的那著名的保温杯就一直被提起。可是一直就没有去深入，不是不想，就是每次跑都要一两个小时，实在没有耐心也试不出什么东西。另外，也但心模拟服务器跑不好。一个策略不经过反复测试也心里没有底，也不敢实盘。为了跑机器学习，于是我们好几个人都更新了笔记本电脑，都带了不错的显卡

本文基于2024-2026年最新学术研究与行业实践，聚焦==行为金融学==对因子溢价来源的解释机制，是对上一篇报告（因子研究——基本面因子分析报告）的进一步补充

一、核心框架

因子溢价指承担某种特定风险所获得的超额回报

$$ 因子溢价 = 行为偏差导致的错误定价

研究区间：2015-01-01 ～ 2024-12-31（共 10 年，覆盖完整牛熊周期）

股票池：全 A 股（剔除 ST、停牌、上市不足 1 年、PE≤0 的股票）

研究因子：市盈率TTM、市净率、市销率TTM、ROE TTM、ROA TTM、毛利率TTM、净利润增长率

性能优化代码

# 设置 OMP 线程数为 CPU 核数，避免多线程过度竞争，注意：必须在 import xgboost 之前设置。
# 未设置时，xgboost 会使用 c++ 层 libgomp.so 库获取物理机的核数，即 64，远超容器分配的核数，典型值是 2 或 

背景：3/27万老师提供了很好的宏观量化时钟工具，经过对宏观数据进行一系列复杂的计算，得出供策略使用的择时信息。

想在策略中放这么一大堆代码感觉有点复杂，不如把数据放进一个表，需要时读出来用就行。于是就做了这个宏观量化时钟表的自动更新脚本。

• 在万老师做的“宏观量化双时钟·日频版”基础上，增加

一、策略概述

1.1 背景介绍

行业轮动策略是一种量化交易策略，旨在通过在不同行业之间进行资金分配，捕捉市场趋势和行业表现的周期性变化。 从名字即可看出，经济周期导致任何市场状态下可能都会存在股市价格表现较好的行业，因此我们如果能布局这些行业并定期轮动调整，那会取得还不错的投资效果。