• BigQuant 比赛
  • [BigQuant练习赛](https://bigquant.com/square/competitio

欢迎各位参加“蝶威杯2026年高频因子大赛”，预祝各位能取得佳绩！这是一篇入门贴，手把手教大家从0到1走完整个比赛流程。

本次比赛的目标是 聚焦3秒 snapshot 数据构建15分钟频率因子，禁止使用模型合成的方式构造因子。我们将流程尽可能简化，大家只需要关注编写因子代码的逻辑即可，其他

2026年2月4日 入门培训

• PART 1 录制文件：https://meeting.tencent.com/crm/NLRm0RbG47
• PART 2 录制文件：https://meeting.tencent.com/crm/2pjX5nxw5d

\

若您提交的因子报错，需要知道原因，请根据下图将提交的ID进行复制，并粘贴本帖的评论区，我们会定期检查并告述您报错原因！

最近能看到一个挺明显的趋势：大家讨论的焦点，正从“如何挖掘一个更强的因子”，逐渐扩展到“如何让AI帮我生成/优化整个策略”。这背后是一个根本性的效率诱惑——如果描述一个想法，就能直接获得可回测、甚至可实盘的代码，那策略研发的迭代速度将发生质变。

这确实正在发生。无论是通过自然语言生成基础策略框架，

在做量化研究，最兴奋也最让人警惕的时刻，可能就是看到一个新因子在样本内展现出近乎完美的预测力——IC高，回测曲线平滑上扬。那一刻，感觉仿佛触摸到了市场的某种脉搏。

但不知道大家有没有同感，这种兴奋之后，随之而来的常常是一种更深的困惑。随着我们拥有的数据维度越来越多（另类数据、舆情数据、产业链数据）

# ====== 已写入（按你要求避免麻烦）======
DINGTALK_WEBHOOK = ""
DINGTALK_SECRET  = ""

在此填入webhook和加签，格式如下：\n ![](/wiki/api/attachments.redirect?id

一、初步了解BigQuant平台

\

1. 注册并登录BigQuant账号
2. 了解BigQuant基础界面：Quant Agent、AI Studio、知识库、AI策略广场等等
3. 数据覆盖：了解平台提供的数据种类、历史长度与可用频率。常用数据表举例：
   • 股票后

我们可能是对“AI+量化”这个话题最熟悉的一群人。我们熟练地调用各种预训练模型，用海量数据喂养它们，满怀期待地等着那个“神奇因子”或“圣杯预测”的出现。但不知道你们有没有和我一样的困惑时刻：

*我们是不是把AI想得太“聪明”了？或者说，我们是不是在用错误的方式，期待它解决一个本质上不同的问题？

简介

当股价一路下行，屏幕上满是刺眼的绿色，恐慌和焦虑几乎是每一位投资者的本能反应。许多人会忍不住按下卖出键，试图“割肉止损”。但问题是，所有的下跌都意味着风险吗？有没有可能，某些下跌反而是主力资金精心布局的信号？

本文将为你揭示机构投资者（即市场中的“主力”）操盘的四种经典形态。在这些

智能量化投研助手Cowork： https://bigquant.com/cowork

——专门为 BigQuant 量化平台用户设计的 AI 智能助手

直播讲师：万笑宇老师

[https://bigquant.com/bigapis/college/v1/files/db439e

在BigQuant上做宽客的朋友，很多都是AI流派。我们训练模型时，喂的是清洗得干干净净的历史CSV。但当我们把模型部署到服务器上时，面对的是“脏乱差”且稍纵即逝的实时数据流。

从实验室到战场的落差： 我遇到过最尴尬的情况是，模型预测AAPL下一秒上涨，但因为我获取数据的API有延迟，等程

为什么你总是玩不过那串代码？

在日常交易中，你是否经历过这种“惊魂时刻”：盘中股价疯狂上穿下跳，心跳随着分时线的陡峭拉升和极速跳水忽上忽下，好不容易熬到下午三点收盘，一看涨跌幅——0.5%。

这种“白忙活”的挫败感，正是当下A股散户最真实的写照。你以为那是市场情绪

引言：我们都曾遇到过的困惑

作为投资者，你一定遇到过这种令人抓狂的情景：你持有的某只股票，在经历了几根酣畅淋漓的大阳线拉升后，突然像泄了气的皮球，变得“死气沉沉”。成交量一天比一天小，股价不涨反跌，每天都在小幅下挫。这时，你脑中会闪过无数个问号：是主力出货了吗？行情结束了吗？我是不是应该赶

bigtrader引擎在提交模拟交易后，内部是启动容器去每日执行策略计算的。 所以如果要用策略的净值或者其他策略执行过程中的一些状态信息需要保存到本地。可以采用JSON文件的方式保存下来。

代码如下：

[https://bigquant.com/codesharev3/d4f893dc-72da

应用场景

在计算形如均线这样的时序因子时，需要历史的k线数据，所以，我们结合实时数据合成出实时分钟线这篇帖子设计出一个k线缓存的机制。

效果

![](/wiki/api/attachments.redirect?id=4

最近突发奇想，一家公司有能力发行可转债，那这家公司天然是一家基本面还不错的公司，交易所赋予它发债的权限就帮我们筛选了股票池。因此，如果我们以此为股票池，结合一些换手率、成长性、市值进行打分，选择得分靠前的股票构建投资组合应该可以长期盈利。我们先看看回测绩效。

回测绩效

从16年到26年，回

加密资产市场的高波动特性，是 AI 量化策略发挥收益优势的典型场景。如何将传统均线策略与数据工程、回测体系结合，搭建可复用、可迭代的 AI 量化策略？本文基于通用 AI 量化开发范式，拆解加密资产量化交易从数据接入到策略优化的完整流程，附可直接运行的代码示例。

一、核心技术痛点：数据层制约

在瞬息万变的股市中，许多散户朋友常常感到迷茫：为什么自己总是追涨杀跌，辛苦赚来的钱转眼就亏了回去？是不是缺少一套稳定可靠的盈利模式？如果你也有同样的困惑，那么今天这个方法，你一定要把它牢牢刻在自己的骨子里。

最近看到很多朋友都在亏钱，深感普通散户在这个市场生存不易，所以今天，我决定将一个压箱底的秘

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

行业从业者进行美股量化研究时，往往需要兼顾两个维度：历史数据的稳定性与实时行情的连贯性。无论是策略回测、指标验证，还是模型监控，如果底层数据结构不统一，后续的分析链条都会受到影响。

虽然 API 对接逻辑简洁，但真正的挑战在于——让数据结构既可自动化调用，又能长期复用。

需求背景：模型需要“新鲜”的燃料 在BigQuant上跑AI模型，大家都知道“数据喂养”的重要性。但在实盘阶段，离线训练好的模型如果吃不到“热乎”的实时数据，预测能力就会大打折扣。很多量化团队在工程化落地时，卡在了实时数据流（Streaming Data）的接入上。

**痛点分析：高并发下

使用 bigtrader 提交实时模拟交易时提供的是原始的tick数据，虽然我们支持tick实时策略，但是有相当一部分交易者以中低频策略为主(也包括我自己)，这篇帖子的目的是为那些中低频交易者提供获取实时分钟k的解决方案。

核心逻辑设计

为了与主流行情软件（文华、快期、主流数据库）

你的手机在更新，华尔街的收割机也是

你手中的智能手机，从早期的诺基亚砖头机到折叠屏，再到如今内置端侧AI的智慧终端，迭代速度令人窒息。而在曼哈顿下城的钢筋丛林里，华尔街量化基金的进化速度有过之而无不及。很多试图求职量化的年轻人仍以为这只是某种高深莫测的“黑科技”，但本质上，这是一场关

BigQuant进行实时交易

实时交易区别于我们的日频模拟交易，实时交易会根据实时行情变化产生即时交易信号并在对应的柜台进行撮合成交。实时交易策略在策略名称后跟有【==实时==】标签，日频策略没有。

实时交易的基本流程如下

1.绑定交易账户

2.编写策略-提交实时任务

3.观察策