问题描述

我有一些 Python 脚本需要在云端运行（例如需要更大内存、GPU 资源，或访问云端专有数据），应该如何通过本地 SDK 将代码提交到 BigQuant AIStudio 云端执行？

详细解答

BigQuant SDK 提供了 aistudio 模块，可以启动云端 AISt

[2025-12-19 17:52:47] INFO: input_features_dai.v26 开始运行 ..[2025-12-19 17:52:47] INFO: input_features_dai.v26 命中缓存[2025-12-19 17:52:47] INFO: inp

问题描述

我想在本地计算自定义因子（如技术指标、基本面因子等），然后上传到 BigQuant 平台，供线上模拟交易策略使用，应该如何实现？

详细解答

BigQuant SDK 提供了 DataSource 类，可以将本地计算的因子数据上传为数据源，然后在线上策略中通过 SQL 查询使用

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

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

问题描述

我在 BigQuant 平台上运行了模拟交易策略，想在本地查询策略的持仓、订单、成交、绩效等信息，应该如何实现？

详细解答

BigQuant SDK 提供了 papertrading 模块，可以方便地在本地查询和管理模拟交易策略的各类数据。

1.获取策略列表

首先查

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

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

导语

特征选择在许多方面都是适用的:它是对抗维度灾难的最佳武器；它可以减少整体训练时间；它也可以有效防止过拟合现象，提高模型的泛化能力。

如果要对动物进行分类，你可以很快的发现许多相关的属性或特征对模型毫无益处。例如，绝大多数动物都恰好拥有1颗心脏，从机器学习的角度来看， **心脏个数这一