操作符

一 策略核心原理

1.1 价值投资核心理念

本策略深度植根于价值投资的经典理论体系，融合了本杰明・格雷厄姆的 "安全边际" 理念与现代多因子模型的量化方法：

• 市场非完全有效假说：认为市场价格会系统性偏离企业内在价值，这种偏离为理性投资者提供了获利机会
• **基本面决定论

数据还是不够多，我需要更多的数据。行业日线数据(cn_stock_industry_bar1d)这个是三级行业的，正好缺一个二级行业的日频数据。虽然能自己合成，但是不想自己合成哈哈

1、bigtrader有没有版本的区别，我平时用bigtrader.run是否就可以，不用标识版本？

2、我多次实验了一下，包括可视化版本和直接代码的版本，我没看懂基准收益率的计算方式，比如中证500，为啥24年12月1号开始回测，2号开始买入持仓，到3号收益率是-0.19%，我选用的都是开盘价买

https://bigquant.com/codesharev3/8971b031-56fb-4a46-aed9-b9dcc4ac021e

M4读出来的

策略中的交易费用定义如下： ontext.set_commission(PerOrder(buy_cost=0.00008, sell_cost=0.00008, min_cost=1))

买入时交易费用是按照自定义进行，但是卖出仍然会默认扣除1‰的税，是因为可转债被分类到了股票中所以这笔费用是默

本文件提供 BigQuant Python API 的使用说明，包括用户管理、策略运行、策略查询等功能。

安装包

首先需要手动下载并安装如下的 wheel 包

👉：<https://bigquant.com/cdnuploads/wheel/bigquant-0.1.0.post102

0. 策略名词解释

（1）XGBoost模型

XGBoost 是一种基于梯度提升树（Gradient Boosted Trees）的高效机器学习算法，常用于排序、分类、回归等任务，在bigquant平台上只用于排序任务，主要有三种：排序学习（NDCG）; 排序学习（Rankne

摘要

观点

A股市场是订单驱动型市场。从动力学的角度讲，股票行情的所有演化过程，都能由订单簿（order book）自下而上精确决定。逐笔成交与逐笔委托数据的信息量非常丰富。本系列研究取名为“订单簿的温度”，旨在分享我们在逐笔数据层面的研究心得。

作为“订单簿的温度”系列研究的第

获取数据

获取数据平台的数据到本地：

from bigquant.api import strategy, user, run, dai

# 用户登录(所有业务都需要进行登录)
user.login(username='xxxxxxx', password='xxxxx

一、引言

在 A 股市场里，小盘成长股凭借灵活的经营模式、对新兴机遇的敏锐捕捉，往往蕴含着爆发性的增长潜力，但也因抗风险能力相对弱、业绩波动大，给投资决策带来挑战。本次分享的量化策略，聚焦通过多维度财务与市值指标筛选优质小盘成长股，结合定期调仓机制，力求在控制风险基础上，挖掘小盘股的

在股市的波澜壮阔中，筹码集中度宛如一座神秘的灯塔，照亮着投资者前行的道路。它不仅是一个冰冷的数据指标，更是市场情绪与资金流向的细腻诠释者。当我们深入探索筹码集中度时，仿佛是在解读一本关于市场智慧与人性博弈的厚重书籍。每一个百分点的变化，都承载着无数投资者的希望与梦想，每一次波动的背后，都隐藏着市场脉

你好，请问一下, 为什么第一个c_neutralize有对数第二个c_neutralize_resid没有对数。是因为第一个会在函数内实现对数计算吗？ \n并且好像c_neutralize_resid对残差结果进行了标准化\n这两个方法的描述不够清楚 ![](/wiki/

import dai
df = dai.query("""
    select 
        date,
        instrument,
        ask_price1,
        bid_price1,
        ask_num_o

因子逻辑

量价背离是指股价与成交量的变化出现了“分歧”。当股价或指数在上升时，成交量减少，通常表示市场可能在隐约传递不好的信号。可以用“成交量加权价格”（VWAP）与成交量（VOLUME）的负相关性表示这种股市“冷场”现象。

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

如下图，目前平台的回测可视化做的非常好， 但是暂不提供简单的获取策略收益概况的API。举例来说，请BigQuant考虑实现以下接口

def get_performance_metrics(metrics: str, start_date: str|datetime, end_date:str|da

https://bigquant.com/experimentshare/745ad4d5f61349bebf1b971f28901337

\

本文档为2025训练营问题答疑

{{plus}}

问题1：在做万老师机器滚动训练的时候有一些确证的因子（市值、动量等近期显著表现因子）不管是在线性还是xgboost上学习都学不出结果，R方为负，拉长周期亦然，有点不知所措。

问题2：因子分析的各个参数IC,IR等关键指标的解读，

0. 策略名词解释：

（1）风险平价（Risk Parity）

风险平价是一种资产配置方法，其核心思想是根据各标的的风险水平来分配权重，而不是简单按照资金比例分配。

• 基本原则：波动率高的标的在组合中的权重较低，波动率低的标的权重较高，从而实现整体组合的风险均衡。

存档_1：学习老韵作业\n1️⃣ 这段代码在做什么

用横截面“分位数因子”训练一个轻量 XGBoost 回归器，每 60 个交易日重训，毎 5 日调仓，按预测分数等权买入 Top10。\n同时在每次训练后记录 MSE/MAE/R²/IC 与特征重要性，回测结束把训练历史与绩效打包保存

/【1】因子更重要？还是模型更重要？

答：结论是因子稍微重要一点。

可以把“因子”和“模型”想象成做菜时的“食材”和“厨艺”：

食材（因子）决定上限

厨艺（模型）决定能否发挥因子的正常性能。

二者缺一不可，但在不同阶段权重不同

• 早期探索：先找好食材（因子）> 追求高级厨艺（好的模型）

在金融科技高速发展的 2025 年，随着量化交易、智能投顾等应用场景的爆发式增长，A 股实时行情数据 API 的选择成为开发者与金融机构的核心竞争力。面对市场上参差不齐的解决方案，iTick凭借其免费、实时、易用、易对接、品类丰富的独特优势，成为 2025 年 A 股实时行情数据 A

{{pro}}

[https://bigquant.com/codesharev3/ea5fd712-0f5c-4cbc-a535-731af4289368](https://bigquant.com/codesharev3/ea5fd712-0f5c-4cbc-a535-731a