Qlib 官方原版 Alpha158 全158因子

一、K线基础因子（9）

1. KMID = (close - open) / open
2. KLEN = (high - low) / open
3. KMID2 = (close - open) / (high - low) 4

操作符

在本地电脑上运行实盘交易策略时，需要先安装bigquant相关的sdk包，安装完成后就可以将在bigquant aistuio开发高频交易策略原样下载下来，并添加用户自己的账户信息至环境变量就可以开启实盘交易了。sdk使用步骤：

一、安装 bigquant sdk 包

1）先安装

实盘整体流程

1.开通BigQuant合作券商账户（指定二维码开通享手续费优惠），并申请实盘、绑定实盘资金账号。

2.设置对应实盘资金账号的实盘策略，创建计划交易信号（实盘申请通过后：用户的实盘策略可选择用户的所有模拟交易策略）。

3.创建实盘访问凭证，获取对应访问凭证的密

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

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

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。

BigQuant SDK 是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。

目录

1. 快速安装

本地 IDE 连接 AIStudio 开发环境

本文介绍如何将本地 IDE 连接到 BigQuant AIStudio 云端开发环境，实现在本地编辑器中直接开发、调试、运行代码。

支持两种连接方式：

♨ “保温杯2.0+”来了！这次加了两样东西：因子筛选 + 组合优化\n保温杯子策略，喝过的都说稳。\n怎么筛、怎么搭，才是关键。

\

一、视频回放：

[https://bigquant.com/bigapis/college/v1/files/3f79bd63-decf-4bf2-a6

假设案例：你在 BigQuant 上跑了一版美股日内策略。回测曲线漂亮——夏普 1.8，年化 23%。切到模拟盘跑第一周，实际成交价和回测信号里的理论成交价平均差了 0.8 个 tick。第一周跑完，年化只有 14%。

排查三轮——不是未来函数，不是过拟合，不是手续费设低了。最终

{{pro}}

[https://bigquant.com/codesharev3/643cab21-db16-4857-83b2-67fdbb47ab85](https://bigquant.com/codesharev3/643cab21-db16-4857-83b2-67fdbb47ab85

{{pro}}

[https://bigquant.com/codesharev3/f3ae9224-41af-4984-9bfa-973f761fb288](https://bigquant.com/codesharev3/f3ae9224-41af-4984-9bfa-973f761fb288

开通账户

==没有东亚前海证券账号的，请扫下方二维码开户==

东亚前海证券实

我们在 M.bigtrader.v35 的分钟回测中，发现 ETF 发生份额拆分后，策略层 context.get_position() 读取到的持仓字段疑似没有同步更新。

具体表现是：

1、拆分后的卖出日前，current_qty / cost_price / last_price / mar

• BigQuant 比赛
  • 量化峰会活动

\

一、研究背景与问题提出

传统量化选股策略通常建立在人工构造因子和线性打分模型基础上，例如将价值、成长、质量、动量等因子进行加权求和，再依据得分进行选股。这类方法优点在于逻辑清晰、可解释性强，但也存在明显局限：一方面，不同因子与未来收益之间的关系未必是线性的；另一方面，不同因子之间可能存在复杂

策略核心思路：高抛低吸\n找股价处于有线级别相对较低的位置，采用打分排名的方式，进行买入，当股票上涨后打分就会变低，排名就会降下去，排名低于预设范围，则进行卖出换票，换的票又是打分较高的票（即换一支相对更低位的票，前一支票卖出利润到手），逻辑虽然简单，但很实用，无法在各种行情下都赚，一年内一般会有几

你在 BigQuant、Notebook 或研究环境里构思好一个策略逻辑，切到 Cursor，让 AI 把代码写出来。

AI 用了一分钟生成监控逻辑、警报模块、数据存储。思路清晰，代码规范。你心想这东西是真快。

然后你说了句：“帮我接上实时行情。”

AI 沉默了。

不是它不会写代码，是它**

前言

感谢BQ-小Q送的礼物，礼物已经收到拉，一如既往的黑盒高科技风。高端大气上档次。

• 
  ![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/att

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/attachments

指数增强策略到底怎么跑赢市场？\n为什么指数增强基金总能“多一点收益”？\n背后的量化模型，到底是怎么选股、配权、调仓的？\n💡本次手把手带你详细拆解！

直播回放：<https://bigquant.com/college/a6826958-3381-4940-8924-6a67abc7d5

2025年Q4，我在给vnpy写北交所数据feed。同一个831445品种，三个数据源给出了三种代码格式、两套时区标准、一组完全不兼容的涨跌幅字段名。排bug排到凌晨两点，根因不是逻辑写错——是沪深北三个市场的规则差异，在数据接入层被原封不动地复制了三遍。

如果你也维护过多市场数