bigtrader引擎在提交模拟交易后，内部是启动容器去每日执行策略计算的。 所以如果要用策略的净值或者其他策略执行过程中的一些状态信息需要保存到本地。可以采用JSON文件的方式保存下来。

代码如下：

[https://bigquant.com/codesharev3/d4f893dc-72da

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

一、Transformer模型

Transformer最初发布是用于时序任务和NLP任务，在近年来也有不少Transformer在CV应用比较出色的研究，我们有理由相信Transformer也可以应用于量化投资领域。

Transformer是一种用于自然语言处理（NLP）和其他序列到

from bigquant import bigtrader, dai
import pandas as pd
from datetime import datetime, timedelta
import numpy as np
from sklearn.linear_

在 AI 量化领域，模型的预测能力上限取决于数据质量（Garbage In, Garbage Out）。对于外汇这种高信噪比的市场，Tick 级别的数据清洗和录入是构建任何高频因子的前置条件。

很多宽客（Quant）在做特征工程时，习惯使用 1 分钟 K 线（OHLC）。但在外汇市场，大量的信息（

做量化高频交易这些年，我复盘过所有策略失效的案例，发现近四分之一的问题都出在行情数据链路上 —— 对高频交易来说，数据延迟哪怕只有几十毫秒，都可能让套利策略从盈利变成亏损，连接断连几秒，就足以错过一波关键行情。今天就以我搭建个人高频交易系统的实战经历，聊聊外汇行情 API 的接入与优化，尤其是如何解

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

当大盘一举突破4000点，单日成交量创下3.4万亿的历史新高时，无数投资者的内心正上演着一场拉锯战——一半是踏上财富快车的狂喜，一半是担心随时坠落悬崖的恐惧。

在这种行情下，我们究竟如何判断趋势能否持续？如何才能不被市场的涨跌所迷惑，做出理性的决策？

答案，其实就隐藏在那个最基础、最朴素的指标之

BigQuant SDK 是一款为专业量化研究员打造的本地开发工具。它让您在保留本地 IDE 开发自由度的同时，无缝调用 BigQuant 云端的海量数据与分布式算力。

快速安装

BigQuant SDK 支持 Windows、Linux 和 macOS。我们建议在 [Python 3.1

在跨境量化策略研发过程中，实时汇率数据是多币种资产定价、外汇套利模型回测的核心数据源。外汇市场日均 6 万亿美元的交易量决定了其数据具备高频波动特征，而如何低成本、高时效性地获取多货币对实时汇率数据，是提升策略迭代效率与实盘适配性的关键。本文聚焦量化开发场景，分享免费外汇 API 的接入方案，提供可

引言：当热点冷却后，机会在哪里？

对于许多投资者来说，市场最难把握的阶段，莫过于一个持续火爆的主线开始降温退潮。眼看着前期龙头股摇摇欲坠，高位的套牢资金实在是太多了，在短期没有新的利好刺激下，想要再次聚集人气，难度极大。此时，追高风险显而易见，但放眼望去，市场又显得一片混乱，似乎无处下手。

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 (

为何你的账户总被“监控”？

你是否常常有这样的感觉：自己的股票账户仿佛被一双无形的眼睛监控着，总是精准地“一买就跌，一卖就涨”？你以为是运气不佳，但真相可能远超你的想象。你的交易对手很可能根本不是人，而是一台没有感情、运算速度快如闪电的智能“收割机”——量化交易程序。

在今天的A

for i, x in today_df.iterrows(): **857 # # context.order_target_percent(x.instrument, 0.0 if

https://bigquant.com/codesharev3/aa0c4934-989e-4a39-bb54-3bc6c9645280

\

https://bigquant.com/codesharev3/aa0c4934-989e-4a39-bb54-3bc6c9645280

\

https://bigquant.com/codesharev3/aa0c4934-989e-4a39-bb54-3bc6c9645280

\

在量化策略的研发链条中，大家往往过分关注模型（Model），而忽视了数据（Data）。但在实战中，Garbage In, Garbage Out 是铁律。对于港股这种机构主导的市场，K线图已经丢失了太多的博弈细节，只有 Tick 级数据才能还原市场的微观结构。

今天分享一下，如何在本地构建

使用 bigtrader 提交实时模拟交易时提供的是原始的tick数据，虽然我们支持tick实时策略，但是有相当一部分交易者以中低频策略为主(也包括我自己)，这篇帖子的目的是为那些中低频交易者提供实施对应的解决方案。

核心逻辑设计

为了与主流行情软件（文华、快期、主流数据库）对齐，

在构建量化交易策略的过程中，你或许也遇到类似的问题——网页行情刷新跟不上价格变化，延迟导致信号失效，策略回测再完美也敌不过实时数据的时差。\n对于高频或短周期策略而言，数据延迟是影响收益率和执行效率的关键风险点。解决的思路其实很直接：将实时行情流接入系统内部，让数据以流的形式被策略自动消费。

引言：为何你总是拿不住牛股，却对亏损股“长情”？

在瞬息万变的市场中，绝大多数散户投资者都深陷一个共同的困境：抓住一只龙头股时，常因一时的调整便匆忙卖出，错失主升浪；而当手中的旧龙头风光不再时，却又因“执念”而固执坚守，眼睁睁看着利润回吐甚至深度套牢。他们在旧热点里挣扎，在新热点里追高，最

笑宇老师新版保温杯策略是一套非常经典实用的机器学习滚动训练框架，可在此框架上进行魔改。原模型使用的是XGB模型，实际使用时如果回测期较长的话，耗时比较长，笔者将模型改为基于LightGBM 机器学习模型，用于快速验证魔改效果。同样使用2C/8G情况下，XGB跑5年数据常常宕机，LGBM实测十

引言：那个不敢打开的账户

你是否也经历过这样的时刻？满怀期待地杀入某个热门板块，比如最近的商业航天或是AI应用，结果却在短短几天内亏损了几十个点。账户一片惨绿，以至于你连打开交易软件的勇气都没有了。这种挫败感和恐惧感，是许多交易者都曾体会过的切肤之痛。

在这种困境下，交易之路该如何继续？

很多人一提到量化投资，脑海里浮现的都是复杂的代码、闪烁的屏幕和神秘的“黑箱”。但实际上，量化投资的真正精髓并不在于编程，而在于一个更根本、更直观的概念：“因子”。本文将为你揭示三个关于量化投资的反直觉真相，帮助你拨开迷雾，理解其核心。

核心是“因子”，而非代码

量化投资的首要真相

from bigmodule import M

# <aistudiograph>

# @param(id="m5", name="initialize")
def m5_initialize_bigquant_run(context):
    from bigtrader