使用手册
由bqt04bi5创建，最终由bqt04bi5 被浏览 2 用户
0. 先记住一句话
BigQuant 可以先理解成：
数据层（DAI） → 因子 / 模型 → score → 仓位 → BigTrader → 回测与评估
平台同时提供：
- 可视化 DAG：拖模块、连线、调参数，适合快速原型验证；
- 代码模式：需要自定义逻辑时再下沉到 Python / SQL；
- 云端 AIStudio：提供数据、算力、回测环境；
- 本地 SDK：可以把一部分研究迁到本机。
官方入口：
1. 最重要的基础概念
1.1 可视化策略 = 一个 DAG
BigQuant 把量化流程封装成 module（模块），模块之间通过输入 / 输出连起来，形成 DAG（有向无环图）。
可以把它看成量化版的 n8n / Simulink：
股票池
↓
数据 / 特征
↓
因子或模型
↓
score
↓
仓位
↓
BigTrader
↓
回测结果
点开一个模块后，右侧出现的通常是这个模块暴露出来的参数。多数时候我们不是“开发模块”，而只是调用已经封装好的模块并调参数。
例如：
输入特征(DAI SQL) v30
其中 v30 是模块版本号。同一个模块可以存在多个版本。
只有平台现成模块无法表达我们的逻辑时，才需要开发自定义模块。
官方：
1.2 DAI = 数据查询 + 因子计算层
最常见形式：
df = dai.query("""
SELECT
date,
instrument,
...
FROM ...
""").df()
不要把它理解成：
SQL → pandas → 再慢慢算
更准确的是：
SQL / 因子表达式
↓
DAI 数据引擎批量计算
↓
QueryResult
↓
.df()
↓
pandas DataFrame
也就是说，.df() 只是最后把结果转成 pandas。
DAI 很适合做：
数据过滤
rolling / lag
收益率
波动率
rank
z-score
winsorize
neutralization
factor calculation
官方：
1.3 m_ 和 c_：先记住这个边界
BigQuant 因子算子里经常看到：
m_xxx
c_xxx
最简单的记法：
m_ = time-series（时间序列）
“这只股票过去一段时间怎么样？”
c_ = cross-sectional（横截面）
“今天所有股票之间谁高谁低？”
例如：
m_pct_rank(close, 20)
看的是一只股票在过去窗口里的相对位置。
c_pct_rank(pe_ttm)
看的是同一天所有股票的 PE 横截面百分位。
c_zscore(factor)
就是当日横截面 z-score。
这和日频量化里常见的 daily CS normalization 是同一个概念。
官方：
2. universe、filter、factor、score 到底是什么
这几个东西一定要分开。
2.1 Universe：谁有资格进入研究
Universe（股票池）决定研究对象，例如：
全 A
沪深 300
中证 500
中证 1000
某行业
自定义股票池
它属于 research contract（研究合同） 的一部分。
2.2 Filter：在 universe 里进一步筛谁
例如今天实际试过：
c_pct_rank(total_market_cap) > 0.20
c_pct_rank(pe_ttm) < 0.40
pe_ttm > 0
含义：
c_pct_rank(total_market_cap) > 0.20
→ 去掉市值最小约 20%
c_pct_rank(pe_ttm) < 0.40
→ 留下横截面 PE 较低约 40%
pe_ttm > 0
→ 排除负 PE / 当前亏损企业
所以 filter 回答的是：
谁允许参加后面的排名 / 选股？
2.3 Factor / Feature：我们真正想研究的变量
例如：
20 日动量
20 日反转
波动率
换手率
PE
订单不平衡
residual momentum
这是 research hypothesis（研究假设）真正落地的地方。
2.4 Score：最后拿什么给股票排序
例如：
float_market_cap AS score
就是把 float_market_cap 当成最后的排序分数。
所以要记住：
Filter
= 谁能参加比赛
Score
= 参加以后按什么打分
这是两个完全不同的问题。
3. scaler / preprocessing 放哪里
很多日频因子预处理可以直接在 DAI 做。
例如：
c_zscore(factor)
c_rank(factor)
c_winsorize(factor, 0.01, 0.99)
c_neutralize(...)
典型 pipeline：
raw factor
↓
去极值
↓
横截面标准化
↓
中性化
↓
score
但要区分两类 scaler。
A. 横截面 scaler
例如每日：
4000 只股票
↓
当日 mean / std
↓
z-score
适合直接用 DAI 的 c_zscore。
B. ML training-set scaler
例如：
scaler.fit(X_train)
X_train = scaler.transform(X_train)
X_test = scaler.transform(X_test)
这里 mean / std 必须只从训练集学，不能把未来测试数据一起用于 fit，否则会 data leakage（数据泄漏）。
所以：
横截面因子标准化
→ DAI 很合适
ML train/test scaler
→ 遵守严格 fit / transform
官方：
4. BigTrader 和 handle_data
4.1 BigTrader 是什么
BigTrader 是 BigQuant 的核心交易 / 回测引擎。
它负责：
回测时间推进
账户
持仓
订单
成交
手续费
benchmark
调仓
最终 PnL / performance
它不是因子本身。
可以理解为：
Factor / Model
↓
score
↓
position
↓
BigTrader
↓
模拟真正的交易过程
官方：
4.2 initialize
initialize() 在回测启动时执行初始化逻辑。
适合做：
设置手续费
设置参数
批量加载数据
批量计算 factor / signal
准备 context.data
BigQuant 官方明确建议：因子 / 信号尽量在这里通过 dai.query 或 DataFrame 做批量向量化计算，而不是每次进入 handle_data 再重复计算。
官方 BigTrader 文档给出的经验是，这类批量向量化计算通常可以比在 handle_data 中逐 bar 计算快很多（文档给出约 10–100× 的量级说明）。
4.3 handle_data
handle_data(context, data) 是：
市场推进到当前这一根 bar 时，策略现在应该做什么？
日频策略可以粗略想象成：
2026-01-05 → handle_data()
2026-01-06 → handle_data()
2026-01-07 → handle_data()
...
适合放：
今天 Top K 是谁
当前持仓是什么
谁该卖
谁该买
目标仓位是多少
是否满足调仓条件
不适合把大量历史因子计算全部塞进去。
最重要的边界：
可以提前对整个历史矩阵批量算完的
→ DAI / initialize
必须依赖“当前账户 / 当前时刻”才能决定的
→ handle_data
官方：
5. Position：score 怎么变成仓位
因子输出：
股票A score = 1.8
股票B score = 1.2
股票C score = -0.5
还不能直接交易。
必须继续回答：
选 Top 多少？
等权还是 score weight？
单股上限多少？
多久调仓一次？
最终变成：
股票A 5%
股票B 3%
股票C 0%
这一步就是 portfolio construction（组合构建）。
因此完整链条是：
factor
↓
score
↓
selection
↓
position
↓
execution
不要把“因子好”和“最终策略收益高”混成同一个问题。
6. 推荐的研究 Pipeline
6.1 非 ML 因子路线：当前最推荐
Hypothesis
↓
确定 universe / research contract
↓
DAI 获取数据
↓
构造 factor
↓
去极值 / rank / z-score / neutralization
↓
IC / RankIC / 分组等因子评价
↓
score
↓
position
↓
BigTrader
↓
Sharpe / return / drawdown / turnover
↓
robustness / ablation
实验原则
一次尽量只改一个变量。
例如今天的实验：
官方：
低 PE
+
剔除最小市值 20%
vs.
实验：
低 PE
+
不限制小市值
Sharpe 变化以后，不应该马上得出“新参数更好”，而应该进一步问：
这个低 PE 策略是不是依赖 small / mid cap exposure？
于是继续做 controlled experiment：
全部市值
vs.
去掉最小 20%
vs.
去掉最小 50%
这比单纯 grid search 一个最高 Sharpe 更有研究价值。
7. 如果开始 ML 挖因子：路线分叉
我们可以把 BigQuant 使用路线简单分成：
A. 不做 ML
B. 做 ML
7.1 A：不做 ML
优先直接留在 BigQuant：
BigQuant DAI
↓
因子
↓
预处理
↓
score
↓
position
↓
BigTrader
↓
dashboard / evaluator
优点：
数据现成
research plumbing 少
可视化 DAG 快
回测方便
非常适合快速验证 idea
这是当前最轻、最适合快速补因子研究链条的路线。
7.2 B：开始 ML 因子挖掘
典型流程：
BigQuant DAI
↓
feature panel
↓
train / val / test
↓
Linear / Ridge / LightGBM / XGBoost / MLP ...
↓
prediction score
↓
BigQuant evaluator / BigTrader
这里有两种执行方式。
方式 1：全部放 BigQuant 云端
优点：
数据离计算近
环境统一
不用传数据
缺点：
免费 D0 只有 1C / 6G
更大的 CPU / RAM / GPU 会涉及 BQC
远程 SSH 连接 AIStudio 目前属于旗舰版会员能力
方式 2：BigQuant + 本地 Mac
更适合我们后续逐步迁移：
BigQuant
负责数据 / DAI / 最终回测
↓
本地 Mac + Codex
负责 sklearn / LightGBM / XGBoost / PyTorch 实验
↓
prediction / factor
回到 BigQuant 做统一验证
BigQuant 官方 SDK 已提供本地 DAI 查询和本地 BigTrader 的使用方式。
因此 ML 并不等于必须氪 BigQuant 云算力。
官方：
8. 免费资源、D0 和宽币
8.1 D0(1C/6G) 是什么
1C
= 1 CPU core
6G
= 6 GB RAM
官方资源规格字段包括：
cpu
memory
gpu
price（BQC / 分钟）
官方当前文档将默认 D0(1C/6G) 标成免费规格。
官方：
8.2 宽币 BQC 怎么理解
最值得花在：
更大 CPU / RAM
GPU
真正比较重的模型训练
批量实验
并行任务
我们的原则：
普通 DAI / 简单回测
→ 尽量免费
普通 factor test
→ 尽量免费
真正 promising 的 ML / 重实验
→ 再考虑本地算力或 BQC burst compute
9. 可视化拖拽到底应该怎么用
拖拽面板最适合当：
rapid prototyping layer（快速原型层）
不是为了完全逃避代码，而是快速看清策略结构。
例如：
股票池
↓
DAI factor
↓
c_zscore
↓
Top K
↓
position
↓
BigTrader
如果平台已有模块，就直接拖 + 调右侧参数。
如果某个 idea 逐渐变成：
复杂 residualization
特殊 rolling rule
自定义 loss
复杂模型
特殊交易 constraint
再切代码或自定义模块。
最理想的学习顺序：
现在：
自然语言需求
→ AI 完整落地
→ 我们看 DAG + 结果
之后：
自然语言需求
→ 自己先画出粗 DAG
→ AI 补实现
再之后：
简单 idea 自己拖拽验证
→ 复杂 idea 再交给代码
10. 右侧参数面板：哪些值得改
不要看到一个模块有十几个参数就全部研究。
先把参数分成三类。
A. Research contract：通常先固定
universe
回测区间
benchmark
ST / 停牌过滤
交易成本
交易频率
这些不是每个实验都改。
B. Portfolio / strategy structure
Top 50 / Top 100
等权 / score weight
调仓周期
单股上限
这些会影响最终策略，但不等于因子本身。
C. Research variable：最值得频繁改
factor definition
lookback
normalization
neutralization
feature set
model
target / loss
做研究时尽量：
固定 A，谨慎改变 B，重点实验 C。
11. 一个最小例子：低 PE 策略
假设 filter：
c_pct_rank(pe_ttm) < 0.40
pe_ttm > 0
它表示：
当日 PE 横截面排名 < 40%
+
PE > 0
也就是只保留当前盈利企业中相对低 PE 的股票。
如果再加：
c_pct_rank(total_market_cap) > 0.20
就是再剔除市值最小约 20%。
这一步属于：
universe / filter design
而不是“因子值计算”本身。
因此删掉市值 filter 后 Sharpe 变高，正确的后续问题不是：
“我调出了更高 Sharpe？”
而是：
“低 PE 的效果是不是部分来自更小市值股票？”
这就是一个很标准的 universe ablation。
12. 我们推荐的实际工作方式
1. 先 clone 官方 baseline
↓
2. 看可视化 DAG，搞懂 architecture
↓
3. 找到真正控制 hypothesis 的 node
↓
4. 一次只改一个东西
↓
5. 用 D0 快速跑
↓
6. 看 IC / RankIC / Sharpe / turnover / drawdown
↓
7. 提出下一轮机制假设
↓
8. 真正复杂时再让 Codex 改代码
不要把时间花在：
背完整 API
研究所有 UI 按钮
自己重造回测框架
无脑 grid search
真正要练的是：
看到一个 quant idea，能把它拆成 data → transform → signal → position → execution → evaluation。
13. Codex 的定位
推荐分工：
我们
负责：
hypothesis
研究问题
实验设计
解释结果
Codex
负责：
查官方 API
生成 / 修改代码
debug
把自然语言 idea 翻译成 BigQuant pipeline
整理实验记录
BigQuant
负责：
数据
DAI
可视化 DAG
回测
evaluator
比赛 / 最终验证
也就是：
不需要认真背 BigQuant 手册，把官方文档当 API / 报错字典，用到再查。
14. 官方文档速查
| 问题 | 官方文档 |
|---|---|
| AIStudio 是什么 | AIStudio |
| 快速理解平台 pipeline | 快速入门 |
| 可视化 DAG / 模块 / 代码切换 | 可视化模块 API |
| DAI SQL 算子 | DAI SQL 函数列表 |
| DAI 常见 SQL 问题 | DAI SQL FAQ |
| BigTrader / handle_data | BigTrader API |
| 本地 SDK | BigQuant SDK 使用文档 |
| SDK API / D0 / Resource Spec | BigQuant SDK API 手册 |
| CLI / 云资源规格 | bq CLI 使用文档 |
| VSCode / SSH 连接云端 | AIStudio Connector（旗舰版） |
| 自定义可视化模块 | 创建并发布可视化模块 |
最后：只记这张图
BigQuant
Data
│
└── DAI / SQL
↓
Research
│
├── Universe / Filter
├── Factor / Feature
├── Preprocess
└── Model（可选）
↓
Signal
│
└── Score
↓
Portfolio
│
└── Position
↓
Execution
│
└── BigTrader
↓
Evaluation
│
├── IC / RankIC
├── Return
├── Sharpe
├── Drawdown
└── Turnover
如果做 ML，只是在中间加：
features
↓
train / val / test
↓
model
↓
prediction score
其他研究骨架并没有改变。
\