因子评价本质是t时刻因子对t+1时刻未来收益率的corr

大多数研究者其实在因子研究中很少用到未来数据作为信息

但实际中并非使用某一时刻的未来数据就是作弊

例如

day1的数据中涵盖分钟（t）的信息

day1 数据结构为 day1t1～day1t240（日内交易时间为240分钟）

江湖上一直流传着“交割日魔咒”的传言，说交割日股指期货会集中平仓，往往会造成股市下跌。还有短视频平台的一些散户博主抱怨股指期货交割太频繁，经常造成行情下跌，阻碍股市发展。

真的是这样吗？我不认同。股指期货是现金交割的，而不是ETF交割或实物股票交割，单纯的股指期货交割行为不会导致ETF买入或卖出。

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

[https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW](https://bigquant.com

影响策略效果的因子有很多，每个人所选择的因子也各有不同，选取因子后，如何分析数据，找出有效选股逻辑模型就成为重点。该数据分析工作是策略逻辑编写中最耗时的部分，本文介绍，如何简化数据分析的工作：数据标准化处理

举例说明：

当天收益因子：5000支票，可能会有1000+个不同的值，如：1

\

桥水全天候策略探析：穿越经济周期的资产配置范式重构

一、投资的本质：资本跨期配置的风险与价值平衡

从金融史维度审视，投资的核心并非短期市场波动的博弈，而是基于经济规律与资产属性的资本跨期配置。其本质是在不确定性环境中，通过对资产内在价值与风险收益特征的判断，构建能够抵御周期冲击、实

因子逻辑：

1.订单薄不平衡度

（1）买方和卖方订单数量或总成交量之间的差异，本质是量化订单簿的即时供需力量对比，这是因子的基础

（2）基于1-5档委买/卖量的供需对比，更全面反映 潜在供需

（3）计算方法：

订单薄不平衡度=(买量-卖量)/(买量+卖

因子捕捉价格偏离与订单簿失衡的组合信号:

核心逻辑:

• 价格偏离项: (VWAP - 中间价) / 中间价 - 实际成交价相对理论中间价的偏离,反映主动买卖压力

• 订单深度比: 买盘深度 / 卖盘深度 - 订单簿失衡度,买盘优势时比值>1

• 成交量放大: log(总成交

大家在提交之前务必要在cpt_jyc_2025_stock_csi1000_bar1m上使用因子分析工具来查看。 如果在该数据集上无法展示因子分析绩效, 那么提交后也不会产生分数!

机器学习模型训练失败

经过这几天的跟踪, 有一部分的比例是因为使用了机器学习模型导致无法出得分, 此时

该因子分为一下三个维度：

1. VWAP偏离度 - 衡量价格相对成交均价的位置
2. 量比强度 - 近期成交活跃度
3. 价格趋势 - 中期移动平均

    因子构成:
    1. VWAP偏离度: (avg(amount/volume, 10) / clo

本文介绍一个股指日内交易策略，该策略在2024年大放异彩，当时好多私募靠这个策略博得客户好感，毕竟那段时间股票策略持有特别难受。策略思想比较经典和简约，也可以在其他日内活跃的品种上运行，比如螺纹钢、橡胶、铜。

\

1.回测截图

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

核心逻辑:

捕捉日内价格动量方向性与成交集中度的结合,衡量资金推动价格的有效性。

计算步骤:

1. 动量分解:

- 正向动量 = 上涨分钟的成交量加权收益

- 负向动量 = 下跌分钟的成交量加权收益

2. 动量偏度: (正向动量占比 - 0.5) 表示

一、策略原理： 中小盘 + 多风控

过去 10 年，中小盘股的收益其实更有优势。

以中证 1000 指数（中小盘股的核心代表）和沪深 300 指数（大盘股代表）为例，2014 年到 2024 年这 10 年间，中证 1000 的年化收益率约 12%，而沪深 300 只有 7% 左右

ETF是场内基金，近年来越来越受到交易员的青睐，主要是因为其是一篮子股票的基金，所以大众理解其风险可控。本策略是基于金融理论体系进行仓位优化和强势ETF基金的挑选。从2021年初回测到2025年10月，年化收益为27.15%，最大回撤接近-11%，夏普比率1.41，总体波动和回撤是低于股票策略的。

cn_stock_prefactors是一个view，但对于北交所不能自动从底表里聚合，比如在2022-04-15查不到920000这只股票的pe_ttm，但在cn_stock_valuation表里可以查到

![](/wiki/api/attachments.redirect?id=2432c

因子名称: 大单主导动量因子

核心逻辑:

1. 大单定义: 前三档盘口(bid/ask volume 1-3)
2. 买盘主导时段: 统计大单买盘>卖盘的分钟K线
3. 买盘加权收益: 买盘主导时段的收益率×成交量
4. 订单规模: 成交金额/成交笔数(反映大单特征)
5. 最终因子: -(买

这是一个能够承载5000万以上的低波动固收策略，年化收益接近12%，最大回撤不到4个点左右。希望对资产稳定增值的用户有帮助，下图是回测曲线，如果实盘的话，曲线也是高度一致。

时间是从2022年1月1日到2025年9月30日，如果只看最近1年的话，收益大于20%：

![](/wiki/api/a

问题描述：策略在开发环境运行成功之后，提交了模拟报错。

提交任务详情：

[https://bigquant.com/codesharev3/1e31d136-99bd-4094-8884-74f94cf22516](https://bigquant.com/codesharev3/1e31d13

为什么选它？

在盘口微观结构里，分钟级成交量的“加速度”比绝对量能更能反映主力行为：

1. 早盘 30min 放量斜率 ↑ → 机构抢筹，次日超额收益概率 +3.2%（2018-2023 中证 1000 统计）。
2. 午后斜率 ↓ 同时委卖单堆积 → 诱多出货，未来 5 日超额 −1.8

成交量加权波动因子通过成交量加权的方式，衡量了股票价格的波动幅度，反映了市场参与者对价格变化的敏感程度。

核心特征：

1.成交量加权：赋予高成交量时段更大权重

2.相对波动：基于开盘价计算波动幅度，消除绝对价格影响

其计算公式为：

因子值 = Σ[(当日最高价 - 

１超短线策略

涨停板策略

特殊形态组合策略

２短线策略：

ETF轮动策略

小市值策略

高频因子低频化

３中线策略

破净股策略

\

\

该因子捕捉"买方力量强 + 价格向上偏离均价"的股票,综合了三个维度:

1. 买卖压力比 (weighted_bid_ask_pressure)

- 五档盘口按距离加权(1档权重5,5档权重1)

- 再用成交量加权求日度平均

- 反映主动买卖意愿强弱

• BigQuant 比赛
  • [敦和杯·2025届因子挑战赛](https://bigquant.com/square/competition/b764dc4c-ff9b-4bd0-86a5-1b0df1dd

成交量加权平均价格（VWAP）通常用于衡量市场的平均价格，考虑了成交量的影响。

• 公式：

  

  VWAP 用于计算某个时间段内的

注：当前仅支持万和证券BigTrader量化交易终端，为保证实盘和模拟交易曲线一致，实盘是集合竞价下单，因此本代码也是集合竞价下单。

文末提供的脚本只支持单一策略的自动化实盘，如果要运行多个实盘策略，请将脚本复制几份，下单时间略微错开。

功能描述

本功能实现了从云端（bigqua