作为有想法但写代码费劲的交易者，我的策略验证循环曾被卡在“实现”环节。

直到我用上一个工具：将交易逻辑用自然语言描述，它直接生成可运行的QMT策略代码。

输入：“交易茅台，10日线上穿60日线全仓买，下穿全仓卖，用前复权数据。”

生成：约五分钟后，获得一个完整的 代码。

欢迎各位参加“蝶威杯2026年高频因子大赛”，预祝各位能取得佳绩！这是一篇入门贴，手把手教大家从0到1走完整个比赛流程。

本次比赛的目标是 聚焦3秒 snapshot 数据构建15分钟频率因子，禁止使用模型合成的方式构造因子。我们将流程尽可能简化，大家只需要关注编写因子代码的逻辑即可，其他

因子应用时应注意穿透真实风格

老韵前段时间分享了因子批量测试的工具，见《因子研究工具：批量因子测评，自适应多空方向》。当我们测试到一些数据特别好的因子时，是不是就迫不及待地

题图：本文内容于2026量化思享会 · 2026-01-24 · 上海场 首次分享

1、高频中的空头信息，有用吗？

在开发高频因子时，我

• 运行环境：AiStudio 3.0.0
• 策略描述：对于一个事件策略来说，哪一只股票在此策略下收益最高，我们是可以逐个试出来的，就买入
• 数据表名：cn_stock_bar1d
• 回测时长：2020-1-1 至 今天
• 初始资金：500000
• 买卖时间：开盘买入，收盘卖出

\

研报：https://mp.weixin.qq.com/s/h9S6UCvV0Ffa9taHI8qjrA

因子分析 计算了2021到近期的，多头预测能力并不算突出，魔改版本还在进行中…

--因子分析代码(图下面)

--因子计算代码（最下面）

![](/wiki/api/

本文档，我们会总结一些典型的高频因子，加工方式为“一只票，多天”

这种因子的加工时通常不需要截面运算，因此不需要获取其他股票的信息

提示：加工高频因子最好将资源开大，否则Kernel容易崩溃

\

1. 全天内不同时间段内的成交量占全天成交量之比

• 时间段01：09:30-

新做了暗流涌动因子 虽然这个因子效果并不突出，但是似乎加入到滚动训练有一点作用

新版保温杯 + LGBM改 运行很快 存取模型\n水滴是用万老师模板的\n暗流涌动因子是刚发在这儿[方正 暗流涌动 因子构建 基础](https://bigquant.com/wiki/doc/B4eg

引言：为什么高手的方法总是如此简单？

在瞬息万变的股市中，为什么我们散户总是激情满满地冲进加速上涨的股票，买在情绪的最高点，最终却往往亏损离场？我们不禁会问，那些真正叱咤风云的顶级操盘手，他们究竟藏着什么不为人知的交易秘诀？

答案或许会颠覆你的认知：真正的顶级高手，其买点往往“普通到不能

引言：解密交易中的“第六感”

在交易圈，人们常说顶级高手的盘感，比女人的第六感还要强。他们似乎总能在市场启动前，就提前预知主力资金的动向。这种能力对于短线交易者而言，至关重要。

但这种神秘的“盘感”真的是天赋或玄学吗？并非如此。它不是一种与生俱来的直觉，而是一项完全可以通过刻意练习快速掌握

1. 策略概览

本策略面向 A 股沪深300成分股，采用多因子选股 + 指数增强思路：每次调仓前都用过去一段训练窗口的历史数据，重新训练因子权重，目标是让组合信号的 ICIR（Information Coefficient Information Ratio）最大化，从而得到

潮汐因子策略汇总

基于方正金工研报《个股成交量的潮汐变化及"潮汐"因子构建》

一、核心思想

成交量的日内变化如同海洋潮汐:

• 成交量从低到高 → 涨潮
• 成交量从高到低 → 退潮
• 一次完整的低→高→低过程 → 一次潮汐

**

在实际的量化交易研发中，我们最重要的工作并不是写策略本身，而是如何快速获取、处理和验证数据。一个可靠的数据接口往往决定了策略能否顺畅落地。

过去我们用爬虫整理行情数据，跨市场、跨源的整合既费时间又容易出错。直到引入专业量化数据接口（例如 **[AllTick](https://alltic

笑宇老师在私享会线下课分享的新版机器学习滚动训练V2与旧版相比，重新组织了策略代码，结构更简洁清晰，让我这个退休程序员在AI的帮助下也读懂了各段代码的含义。在了解各种机器学习模型的过程中，了解到模型参数对模型的性能有极大的影响，于是根据AI的提示对模型参数做了简单的修改，使回测速度在4C16

简介：为何牛市里，多数人依旧亏钱？

A股市场从不缺少机会，甚至可以说“隔三差五就有翻倍股”，即便是指数下跌的熊市里也不乏结构性行情。但一个残酷的现实是：为什么在这样一个机会遍地的市场，绝大多数散户依然不赚钱？

或许答案就藏在这句市场老话里：

赚钱的人千篇一律，亏钱的人五花八门。

问题

做量化最怕的不是策略逻辑错了，而是你的逻辑是对的，但因为数据比别人慢半拍，导致进场就接盘。最近把一套网格策略移植到港股市场，实盘跑了一周，收益曲线惨不忍睹。复盘发现，核心问题出在行情源的滞后性上。

痛点直击： 港股市场的流动性分化很严重，蓝筹股和仙股的Tick密度天差地别。如果用免费的延时

在量化策略研发与落地场景中，多资产合约交易的全流程效率提升是核心研究方向。量化从业者在 trader-x 合约策略开发过程中，常面临数据接入效率低、策略回测周期长、自动化执行精度不足等问题，如何通过工具选型与策略模型优化，构建 “数据获取 - 策略回测 - 实盘执行” 的闭环体系，是提升量化交易落地

新建可视化策略，用的模板，用lightgbm替换stockranker训练，报错，请帮忙看看 https://bigquant.com/codesharev3/c252eae7-38d1-4f20-ba82-c4144de50a02

![](/wiki/api/attachments.r

# 查询代码 cn_stock_factors_base

import dai

sql = """
SELECT instrument, date, suspended
FROM cn_stock_factors_base
WHERE instrument LIKE

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？

目标：希望通过 SQL 精准的获取到某一天的时间序列函数计算之后的值\n现状：只要在 SQL 中带入了 date 的精准条件，就会导致返回的时间序列计算为空值。只能在 SQL 中不进行过滤，然后在代码中过滤具体时间。\n%%sql

WITH market_cap_with_warmup AS (

这个策略回测一天能运行，但是提交到模拟就报trainin为空

![](/wiki/api/attachments.redirect?id=82c

引言：散户的困境

你是否也经历过这样令人沮丧的循环？亏损的股票死死拿着，好不容易盼到一只上涨的，赚了几个点就匆匆卖掉，结果眼睁睁看着它一飞冲天，开启波澜壮阔的“主升浪”，自己却只能拍断大腿。其实，股市盈利的关键不在于精准猜底，而在于学会识别并驾驭这波最肥美的“主升浪”。本文将为你彻底拆解主升

以下信息由“豆包”生成，不一定完全准确。

BigQuant作为专业的量化投研平台，对**经典机器学习、深度学习、量化专用模型**均做了深度适配，支持**Python原生库调用**+**平台内置封装**两种方式，能完美衔接量化因子挖掘、模型训练、回测一体化流程，除XGBoost外，主

https://bigquant.com/codesharev3/e855a32c-e692-498b-b094-7413ff8c85c4

\