在投资市场里，大多数人的亏损并非源于“不懂”，而是源于“想太多”。频繁的主观预测、复杂的技术指标、情绪化的追涨杀跌，往往让账户在震荡中不断磨损。

真正能穿越牛熊的，往往不是最复杂的模型，而是最简单、最机械、最能坚持的规则。

今天介绍的这套

ETF择时动态交易策略
`

万老师的宏观保温杯的约束函数是：

def apply_weight_constraints(weights):
    w = dict(weights)

    if w.get('债券', 0) > BOND_CAP:
        w['债券'] = BOND_CAP

一、写在前面：量化交易中多标的数据获取的核心诉求

作为长期深耕港股量化交易的个人从业者，我们日常策略研发与实操过程中，多只股票实时行情数据的同步获取，是保障策略落地、信号捕捉精准度的核心前提。无论是日常行情监控、交易信号筛选，还是基础量化策略的回测与实盘执行，都离不开稳定、高效的多标的数据

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

引言：揭开市场的“面纱”

你是否也感到一种深入骨髓的挫败感？明明大盘指数在不断攀升，科技赛道如日中天，可回头一看自己的账户，却是一片惨淡。这种“指数狂欢，散户买单”的怪象，正是当前A股极其割裂的残酷真相。

还记得今年1月商业航天冲高回落时，那种被挂在山顶反复火烧的滋味吗？那种痛至

https://bigquant.com/codesharev3/8800638a-06c4-4948-a60b-e8f7cf2748ee

\

引言：交易中的“勤奋悖论”

市场从不关心你有多努力，它只关心你的逻辑是否正确。

在交易世界里，存在一个残酷的“勤奋悖论”：绝大多数散户拼命钻研技术指标、没日没夜地复盘、四处打听所谓内幕，结果账户缩水的速度反而比不学时更快。这种“越努力、越亏损”的怪圈，是因为你把精力浪费在了表象的“技法”

{{pro}}

[https://bigquant.com/codesharev3/a6668336-47ab-4f35-94c9-d589403bf118](https://bigquant.com/codesharev3/a6668336-47ab-4f35-94c9-d589403bf118

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

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

BigQuant Financial Quantitative Toolbox - 金融量化工具箱 Python SDK

目录

1. 顶层模块 (bigquant)

围绕ETF择时动态交易，分享高流动性ETF池筛选、多维度动量筛选及市场自适应调整方法。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/files/c43a601f-26eb-4d04-9adc-982f387a9849](https

针对市场牛熊交替痛点，“保温杯优化”策略以宏观择时为核心，结合宏观指标识别经济周期拐点，搭配多类资产动态调整配置，拆解实操方法与实战案例，助力搭建抗跌型资产组合，实现稳健穿越牛熊。

\

一、视频回放

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

🎯聚焦cowork协同投研模式，拆解量化投研全流程协同逻辑。

🎯结合实操案例分享因子魔改、代码编写、研报复现、等技巧，助力提升投研效率、降低试错成本。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/files/b4fecb

聚焦delta动态对冲期权策略，拆解delta核心内涵与对冲全流程，帮助剥离方向性风险，提升期权交易稳定性。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/files/c907b4aa-cf8e-405b-b81c-642cae

1. 策略概览

本策略基于lightgbm模型，在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年，测试集时段为未来一年，如2018年训练集采用2013-01-01至2017-12-29，测试集时段为2018-01-03至2018-12-31。数据使用当期全市场数据，聚焦于量

引言：从券商“打工人”到操盘手的觉醒

在交易圈，涨停板对散户有着磁石般的吸引力。大多数人的逻辑很简单：涨停代表强势，次日高开就得冲。结果呢？往往是次日“高开低走”套一批，第三天反抽再套一批。

十年前，我还在券商工作，也曾迷信这种“追涨杀牛”的打法，结果惨不忍睹。转机发生在北京总公司举办的

引言：直击散户痛点

在我的交易体系里，亏损不可怕，可怕的是你对亏损的“无知”与“执念”。

想象一下：你拿10万块入场，股价10元时你买入5万（50手）。随后股价跌到8块、7块，看着账户里刺眼的“原野绿”，你陷入了典型的“损失厌恶”陷阱。

绝大多数散户的第一反应是：赶紧补仓！你在7块钱把

分享大模型在自动交易中的实战应用，结合实际案例展示数字交易员这一角色，降低量化自动交易门槛，实现自然语言指令到交易执行的闭环。

\

一、视频回放

[https://bigquant.com/bigapis/college/v1/files/8fab2d5e-12c2-486a-9421

本文将详细介绍一款基于LightGBM排序算法的多因子选股策略，该策略依托BigQuant平台实现，融合多维度因子特征，通过机器学习模型挖掘股票未来收益规律，结合系统化交易引擎完成回测与落地，适用于A股市场的中短期量化交易场景。策略兼顾因子有效性与交易实操性，下面从核心逻辑、模块拆解、代码解析、使用

介绍

通过本地 VSCode 连接到BigQuant AIStudio，在本地 VSCode 里开发、调试、运行等。

注意：本地 VSCode 没有 AIStudio 可视化开发等功能。我们仍然推荐使用 AIStudio。

此功能 年度旗舰版 专有。

插件下

安装python包

使用pip命令进行安装

本平台已默认配置python3.11环境可以直接使用“pip”命令进行安装，需要打开终端输入pip安装包命令

按ctrl + ` 打开终端

或随机选择一个文件右键点击“在集成终端中打开”

pip常用命

引言：散户的执念与主力的“骗局”

在 A 股市场，绝大多数散户的终极梦想就是“抓妖股、擒龙头”。你是否也曾为了复盘找出那只翻倍龙头而彻夜不眠？你是否天真地认为，那些手握百亿、千亿资金的顶级机构，费尽心思拉出一个又一个连板涨停，是为了在这一只票上赚得盆满钵满？

如果你还在这么想，那么你不仅

配对交易策略模拟运行报错，id:d84e824d-2744-402e-b0c2-f65672deb6fd

[https://bigquant.com/codesharev3/5be22814-d2a2-438e-baa9-ea2f177d5e14](https://bigquant.com/cod