在“私享会”内部，我们正式推出全新协作型组织——投研团！这是一个围绕具体策略方向组建的兴趣聚合、目标导向型研究小组，旨在帮助每位成员从“单打独斗”走向“团队攻坚”。

什么是投研团？

• 核心定位：以策略为单位的小型协作研究团队
• 组织形式：每个投

AI因子挖掘项目培训

大模型驱动的量化投资策略开发

主讲人: 徐啸寅

大模型驱动的量化策略开发体系以 **多模态大模型（如DeepSeek、GPT-4）**​ 为核心，结合 时序数据库、知识图谱​ 和 强化学习框架，构建“数据-信号-策略”全链路闭环。系统通过以下技

基于对report_agent项目的分析，这是一个智能投研分析系统，能够自动化生成A股深度研报。系统集成了公司基本信息分析、财\n  务数据分析、行业分析、估值分析、K线技术分析、新闻公告文本分析等多个模块，通过LangGraph工作流串联，最终生成结构化的\n  投资研究报告。\n\n  课程总结

请问，资金流因子是通过挂单量确认主动买入大单的吗？

如果资金直接下单市价买入50万，但是委卖方是挂了10笔5万。这个时候数据平台的资金流因子会判断是1笔主动买入大单，还是10笔主动买入中单？平台是否有对逐笔成交金额进行order id的聚合

引言：为何你在股市中总是感觉力不从心？

你是否也曾有过这样的困惑：投入了大量时间研究财报和K线，却总是在“关键时刻掉链子”，错失良机？你是否也希望通过股市增加一份收入，却常常“被市场的突发波动打得措手不及”？

如果你有这些感受，请不必过分自责。**核心问题并非出在你的经验，而是你赖以决策

引言：把握时机，洞见价值

当前正值上市公司年报和季报的密集发布期，对于每一位投资者而言，这不仅是检阅过去成绩的时刻，更是洞见未来、寻找价值型股票的关键窗口。

市场的喧嚣中，短暂的题材炒作或许能带来一时的波澜，但真正能够驱动股价实现长线上涨的核心动力，永远是公司基本面发生的根本性改变。这些

1. 回测 vs 模拟交易，最大的“隐藏差异”是什么？

在回测里，策略通常是一个连续进程跑完整个区间：

• initialize() 只执行一次
• 变量在内存里一直存在（计数器、上次调仓日、上次权重……）

但在模拟交易里，系统很常见的运行方式是：

• 每个交易日（或每次任

略微出手就是一个做空无敌，稍作修改就感觉比一些研报的多空收益要好。但是可笑的是我完全是用的日频数据。感觉研报都在水工作内容。

以下两张图都不包含涨停或者跌停板。

![](/wiki/api/attachments.redirect?id=84c912c5-0b4d-4373-9654-3

引言：孙悟空的“真经”

孙悟空明明可以一个筋斗翻到西天，为何还要陪唐僧历经九九八十一难？这个经典故事背后隐藏着一个深刻的道理：真经不是经书，而是经历。在职业操盘的世界里，这个道理同样是核心。成为真正赢家的秘密，并非掌握某种无人知晓的技术，而是源于一种深刻的内在经历——一次明明白白的胜利。本

别再问国内量化“大神”为何不去美股了。他们不是不能，而是不愿——因为A股才是完美的“围猎场”。这并非能力不足，而是一个经过深思熟虑的战略选择。答案就隐藏在中国A股市场独有的四大惊人优势中，本文将为您逐一揭秘。

优势一：一个庞大且“活跃”的猎场

量化策略的根基是数据，而A股市场为此

引言：一个引发思考的现象

今天刷到一个关于量化交易的视频，评论区里的一些普遍认知，实在让我有些忍俊不禁。现在很多人的固有认知里，似乎默认了“在A股做量化的都赚钱”。这个观点几乎成了一种市场迷信。

但事实果真如此吗？

本文将深入探讨这个误区，并引申出一个更深层次的投资问题。核心观点是：量

==直播20:00开始==

Q1：常用的有效因子有哪些？如何找到有效的因子？

常用的因子有 市值、换手率、动量、质量、估值、成长、盈利等因子。

![](/wiki/api/attachments.redirect?id=48efb719-d116-40a7-b37a-4e0

在日常投研里，SQL 擅长数据读写与过滤，但在复杂计算上可用算子有限；Python 则拥有 numpy/scipy/pandas 等丰富工具，但一旦离开 SQL 查询链路，就容易出现“先拉数据 → 再本地算 → 再落表/再 join”的低效流程。\n因此我们需要一种方式：**保留 SQL 的

一、以随机游走的眼光来看待趋势

传统的轮动趋势预测是去找到尽量精确的方法预测接下来一期的相对收益，本文我们尝试换一种角度，从随机性的概率角度来理解长期趋势的形成与切换。

一般理解的趋势延续是需要收益率的自相关性的，即过去好则未来好，这是动量的视角。但从随机游走的角度来说，趋势的产生

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

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

当SQL遇见Python：解锁量化数据处理新姿势！\n——udf注册使用方法\n❓ 复杂因子计算，SQL写到手软？\n❓ 另类数据清洗，代码臃肿难维护？\n

[https://bigquant.com/bigapis/college/v1/files/d646bcac-7958-441d-ae

什么是DAI

DAI (Data for AI) 是BigQuant研发的高性能分布式数据平台

• 使用简单：通过统一接口访问BigQuant各类数据
• 数据丰富：提供PB级金融数据、另类投资数据和因子数据 ([数据字典](https://bigquant.com/data/ho

在 BigQuant 平台开发美股 + 外汇跨市场量化策略时，你大概率见过这样的行业数据：近 70% 的跨市场策略在 BigQuant 从回测到实盘落地阶段，收益偏差超过 30%—— 而这其中，80% 的问题都指向行情数据的延迟与一致性漏洞。

一、BigQuant 开发跨市场策略的核心需

在BigQuant等量化平台的策略开发实践中，高频交易开发者普遍面临一个核心痛点：回测阶段表现优异的策略（如年化收益达标、最大回撤可控、夏普比率优异），落地实盘后往往出现收益不及预期、成交偏差过大等问题。我们团队在长期的高频策略开发与实盘验证中，也曾多次遭遇类似困境——某款耗时两个月优化的短线高频策

https://bigquant.com/codesharev3/706aeafe-262d-401c-a44b-2383b05925d1

\

引言：告别指标的海洋

对于许多投资者来说，打开交易软件就像是瞬间被淹没在一片指标的海洋里：KDJ、MACD、RSI……成百上千个复杂的指标和曲线，让人眼花缭乱，不知所措。我们总以为掌握的工具越多，胜算就越大，但结果往往是陷入了“分析瘫痪”。如果告诉你，其实看懂大趋势，只需要一个指标，甚至一

日内卖跨期权策略（Intraday Short Straddle）

1. 回测结果

2. 策略简介

以“日内卖跨+强制清仓

对许多普通投资者而言，“量化交易”这个词总会勾勒出一幅神秘的高科技图景：一个由数学博士和顶尖机构主导的精英领域，常常因其复杂性而被敬而远之，甚至被“妖魔化”。但对于一个愿意学习、愿意思考的投资者来说，这种印象是否准确？本文将为你拆解围绕量化交易的三个最大误解，并揭示技术——尤其是人工智能——正如何让

引言：抓住市场脉搏的秘密

你是否也曾在股市中感到困惑：价格涨了这么多，还能追吗？股价跌了这么久，到底何时是底？我们总想精准地抓住趋势的转折点，却常常在犹豫和猜测中错失良机。在所有技术指标中，价格可以被操纵，消息可以被伪造，唯有成交量，是真金白银堆出来的，无法作假。它直接暴露了市场主力的真实