玄学理论

脱离基本面分析和舆情分析，或者把上述分析作为次要考虑因素，把行情走势图形作为主要分析数据，把市场交易行为中的资金博弈对抗作为主要研究方向的理论，其中某些理论含有无法用基于理性人假设的经典经济学理论解释的神奇数字或者神奇几何图案元素，我称这些形态学理论为玄学理论。

玄学理

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

1、在回测阶段怎么将多个策略的曲线融合？

比如：股票多因子：小市值 + ETF：黄金、债券 + 期货

2、在模拟阶段怎么将多个策略的曲线融合？

比如：股票多因子：小市值 + ETF：黄金、债券 + 期货

目前组合配置，只能融合全部策略有一条曲线，单选2个策略无法融合曲线。

评论

复现【方正金工】研报中的“适度冒险”因子的构建与因子分析

1、中间因子做了计算存表，只对最终合成的“适度冒险因子”进行了因子分析。

2、在因子计算脚本中加入断点续跑功能，避免程序中断重新计算因子。

3、因子复现时间范围是2013-03-01到2022-02-28，然后更新了2022-03-01

规则中目标为计算全年“沪深 A 股”，介绍中没有限制板块范围是 “A 股市场”，所以目标范围到底是“沪深 A 股”还是“沪深京 A 股”？

{{pro}}

[https://bigquant.com/codesharev3/52b0ae31-7e97-4e07-87e3-556fc77aec43](https://bigquant.com/codesharev3/52b0ae31-7e97-4e07-87e3-556fc77a

https://bigquant.com/codesharev3/8f47c613-14d4-416e-ab3c-57e56980aa77

\

摘要

随着传统因子研究的深入，通过使用日级别数据已经很难发现能够在传统技术选股因子之外提供额外选股能力的因子了。考虑到传统因子多使用日级别数据刻画股票日间的形态特征，通过引入日内高频数据刻画股票日内的特征也许能够为模型带来新的信息以及Alpha。这一观点也在本系列前一篇研究（《选股因子系列研

介绍

BigQuant SDK 提供 Python API 接口，帮助开发量化投资策略和使用 BigQuant：

• 📊 数据查询：海量金融数据的 SQL 查询接口
• 📈 模拟交易：策略回测与模拟交易管理
• 💰 账户管理：交易账户的持仓、订单、资金查询
• 🔬 回测引擎：高性能

导语

可视化策略开发是一种高效的开发方式，但平台默认只提供了部分经常使用的一些模块，如果用户自己有不同的加工处理逻辑，需要自己写代码。我们怎么新建一个可视化模块并发布上线呢。本文主要对此进行介绍，并给出详细的使用示例：如何绘制一个净值图。

虽然我们的回测模块会输出累计收益率曲线，但这并不是

https://bigquant.com/codesharev3/782046ea-2c71-48a6-98c7-7f1b4bb59c08

\

问题描述

我有大量数据需要处理（如批量计算因子、训练多个模型、参数调优等），单机执行太慢，如何使用 BigQuant SDK 进行分布式并行计算，加速处理过程？

详细解答

BigQuant SDK 提供了 fai 模块（FAI = Fast AI Computing），可以创建多节点集

最近，关于量化交易的新规让不少散户朋友们欢欣鼓舞，很多人高呼：“限制了速度，我们散户的春天到了！” 如果你也是这么想的，那可就太天真了。但真相是什么？答案可能有些扎心：这点限制对真正的量化巨头来说，根本不算什么。今天，我就把机构圈里的残酷真相讲给你听，看懂他们真正的“玩法”。

**量化不是敌人，而

1、我使用 pip 安装包太慢了/卡住了，如何解决？

配置 pip 国内镜像源，推荐清华源

# 临时使用清华源                                                                             

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

用户教程

“用户教程” 按场景划分，涵盖了几乎所有 BigQuant SDK 的功能。每个小节都介绍了一个使用场景（例如“编写一个简单的量化策略”），并讨论了 BigQuant SDK 如何解决问题，其中包含许多示例。

如果您是刚接触 BigQuant SDK，请从 [BigQuant SD

一、深度学习

深度学习是机器学习的一个重要分支，其本质是通过层级化的神经网络结构自动学习数据的多层级表征，从而挖掘数据背后的复杂规律。与传统机器学习依赖人工特征工程不同，深度学习实现了端到端的特征学习，能够从原始数据中自主提取从低级到高级的抽象特征，这一特性使其在金融、

PermissionException: Permission Error: 请在查询表 cn_stock_status 时使用 filters 参数指定分区范围（一般为 date 或 instrument ）：dai.query(sql, filters={"date": ["2020-01-0

\