一、开篇

2026年4月，AI炒股突然成了大厂的必争之地。

4月7日，阿里通义千问官宣上线“财经分析”模块，接入同花顺1.3万只股票实时行情与100万份财报。几乎同一时间，Kimi接入了同花顺iFinD和Yahoo Finance。3月底，腾讯“AI问股”小程序被曝内测，万得则“破天荒”地

运行到StockRanker模块的时候报错

File /opt/pyenv/versions/3.11.8/lib/python3.11/site-packages/sh.py:2157, in OProc.init(self, command, parent_log, cmd,

我部署了一个深度学习策略，回测能够显示，但是模拟交易不能产生信号

原始方法是https://bigquant.com/wiki/doc/5VJrAUu8Vd

回测数据是加入到

# 加载回测数据（不含标签）
context.test_df = get_data(context.te

{{pro}}

[https://bigquant.com/codesharev3/e310b8f3-6f14-4dcd-ad12-47d6c4f97bfa](https://bigquant.com/codesharev3/e310b8f3-6f14-4dcd-ad12-47d6c4f97bfa

一、开篇

数据源的选型是量化交易系统的基础决策，其影响贯穿回测验证、实盘监控和策略迭代全流程。一个在回测中表现优异的因子，可能因为实盘数据的延迟、缺失或格式差异而完全失效。

一个常被忽视的事实是：数据源的切换成本极高。一旦策略围绕某个数据源的字段定义、时间戳格式和错误处理逻辑深度耦合，迁移

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

各位好，我还有个问题想咨询一下，我的策略已经跑了实盘，现在定的策略是早上开盘后马上用市价买进，选用的是成交量加权平均价格（VWAP）。在交易后我发现有比较明显的价格偏差（我理解应该是交易滑点），比方说像今天早上买入邵阳液压，我看这个票的开盘价是42.02，但是我的成交价格是42.40到42.45，对

问题：有些策略在固定持有时间时，对回测起始时间非常敏感，起始时间相差1天，回测收益率就会有很大变化。有什么好的办法能降低策略对回测起始时间的敏感度？

根本原因：固定持有期策略本质上是在做"相位采样"，不同起始日对应不同的持仓批次，收益差异大说明策略本身存在较强的时序依赖或批次效应。

可以

✅ 微盘股为什么跌？要不要割肉？

✅ 红利策略凭什么逆势上涨？

✅ “哑铃配置”是什么？一头弹性，一头稳健

✅ 实盘怎么落地？选股+再平衡细节

全程干货，不讲空话，带你在风格轮动中找到稳健超额。

直播回放链接：

[https://bigquant.com/bigapis/college/

我们在之前发布过一版比较基础的红利因子选股策略，链接在此：红利因子选股策略。近期该策略表现优异，对微盘股风格的策略有较好的补充。我们也优化了一下该策略，形成了V2版本，新版本夏普比率为1.14（原版本夏普为1.0

“财报一发布，股价盘后跳空15%，我的止损单根本没触发，亏了预期的四倍。”“明明每股收益（EPS）超预期20%，为什么一开盘反而暴跌？”

在美股财报季，很多习惯了A股连续竞价和涨跌停板的投资者，往往会付出惨痛的学费。你以为设定的止损单是保护你的“安全网”，但在盘后流动性枯竭的跳空（Gap）面前

import dai

import bigcharts

start_date="2026-01-01"

end_date="2026-01-28"

sql = "select date, instrument,name,close from cn_stock_barld order by d

实时策略构建模板

请按照此模板构建策略，方可提交实时模拟交易。

股票实时策略模板

股票实时策略【tick频】

[167-概念热度驱动的打板追涨停量化策略【分钟频】](htt

策略介绍

本策略是104选股策略（🌟104-选股策略）模板的具体应用。

由于公司利润变化较大，而且依赖于会计准则、研发投入、设备更新投入等因素，难以正确反映公司的经营状况，而销售收入更加稳定，

一、策略概述

这是一个打板的分钟回测策略，如果要实盘的话肯定需要自动化。回测绩效结果如下：

从24年9月到25年3月，取得了年化82.43%的年化收益，最大回撤可控，-20.74%。策略的特点就是胜率较高，符合打板策略的特色。

![](/wiki/api/attachment

一、策略概述

这是一个打板的分钟回测策略，如果要实盘的话肯定需要自动化。回测绩效结果如下：

从24年9月到25年3月，取得了年化82.43%的年化收益，最大回撤可控，-20.74%。策略的特点就是胜率较高，符合打板策略的特色。

![](/wiki/api/attachment

很多做量化的朋友聊起生存偏差，第一反应往往是“回测时别漏了退市股”。但从这些年扒过的数据来看，这个坑远比想象的深。

过去几十年，学术界和顶级量化机构利用美股多年历史数据已经把这个陷阱挖出了至少5个层次。每一层都在悄悄高估你的收益、低估你的风险。

本文将用真实数据（全部来自

简介

BigTrader 是 BigQuant 推出的专业级量化交易引擎，主要用于策略在历史数据中回测撮合。BigTrader采用 C++ 核心实现，并提供 Python API 接口和回调函数。它为量化投资者提供了一个全面的交易解决方案，无论您是初学者还是专业投资者，都能轻松上手使用。

当AI开始辅助写策略、自动挖掘因子、甚至生成交易信号，量化开发的效率正在被重新定义。但实测了市面上主流工具后，我发现一个量化圈很少讨论的真相：模型再强，没有高质量的数据基础设施，都是纸上谈兵。

开篇：一份数据，让我重新思考量化开发的“地基”

2026年初，*易观千帆

研报因子：数据平台——量化因子——研报因子

方正证券：<https://mp.weixin.qq.com/s?__bi

性能优化代码

# 设置 OMP 线程数为 CPU 核数，避免多线程过度竞争，注意：必须在 import xgboost 之前设置。
# 未设置时，xgboost 会使用 c++ 层 libgomp.so 库获取物理机的核数，即 64，远超容器分配的核数，典型值是 2 或 

我正在写一个CTA策略，其中有个关于股票股价的判断，其中判断如下：

m_ta_ema(close, 5) as _ema_5
m_ta_ema(close, 10) as _ema_10
m_ta_ema(close, 20) as _ema_20
m_ta_ema(cl

预计算因子（cn_stock_prefactors）表里net_profit_lf（净利润）和增长率字段缺失值实在太多了，有时候所有股票集体缺失，这个怎么办呢，以及不知道价格有没有缺失，有时候算着算着比如长周期乖离这样的因子就会缺失，不知道数据是怎么来的，以及经常碰到的数据问题是怎么回事

我正在使用标普500的数据写一个简单的动量因子策略，运行时一直打印以下日志：\n

问题一

日志 103 条 ▼
[2026-03-18 15:40:22] INFO: bigtrader.v35 开始运行 ..[2026-03-18 15:40:22] INFO: py