BigQuant SDK 使用文档

由small_q创建，最终由small_q更新于2026-04-27 08:53 被浏览 975 用户

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。

快速安装

BigQuant SDK 支持 Windows、Linux 和 macOS，要求 Python 3.11–3.13。

推荐工具：Python 3.11 + Visual Studio Code

# 安装全功能版（包含数据查询、本地回测与分布式算力模块）
pip install 'bigquant[all]' -i https://pypi.bigquant.com/simple/

按需安装：

# 仅数据查询
pip install bigquant -i https://pypi.bigquant.com/simple/

# 数据查询 + 本地回测
pip install 'bigquant[bigtrader]' -i https://pypi.bigquant.com/simple/

# 数据查询 + 分布式计算
pip install 'bigquant[fai]' -i https://pypi.bigquant.com/simple/

安装完成后，验证安装：

bq --version

登录认证

方式一：API Key 认证（推荐）

登录 BigQuant 平台，进入我的 > API Keys > 创建，获取 AK.SK 格式的凭证。
在终端执行（将 <AK.SK> 替换为您的凭证）：

bq auth --apikey <AK.SK>

或者交互式输入（输入时不回显，更安全）：

bq auth configure

验证登录状态：

bq auth status

方式二：用户名密码登录

bq auth login -u <用户名> -p <密码>

方式三：在代码中初始化

import bigquant

# 从配置文件初始化（推荐，配置文件由 bq auth 命令自动生成）
bigquant.init_from_config()  # 默认读取 ~/.bigquant/config.json

# 或者直接传入 AK/SK
bigquant.init(ak="YOUR_AK", sk="YOUR_SK")

# 或者使用 Token（仅支持 HTTP，不支持 Arrow Flight 高速传输）
bigquant.init_from_token("YOUR_TOKEN")

# 或者使用用户名密码
bigquant.init_from_password("username", "password")

# 查看当前登录用户
print(bigquant.whoami())
# 输出示例：{'id': 12345, 'username': 'your_name', 'email': 'you@example.com'}

配置文件位置：~/.bigquant/config.json（由 bq auth 命令自动创建和维护）

自动初始化：如果您已通过 bq auth 配置了凭证，代码中无需显式调用 init()，SDK 会在首次使用时自动从配置文件加载。

Hello BigQuant

创建 start.py，体验 SDK 的核心功能：

from bigquant import dai
from bigquant import bigtrader

# 1. 提取数据（本地不存数据，通过 SQL 即取即用）
df = dai.query(
    "SELECT date, instrument, close FROM cn_stock_bar1d WHERE date >= '2024-01-01' LIMIT 10",
    filters={"date": ["2024-01-01", "2024-12-31"]},
).df()
print("✓ 数据获取成功：\n", df.head())

# 2. 极简回测（策略逻辑 100% 留在本地）
def initialize(context):
    context.set_commission(bigtrader.PerOrder(buy_cost=0.00005))
    context.asset = "000001.SZ"

def handle_data(context, data):
    if context.get_account_position(context.asset).amount == 0:
        context.order_target_percent(context.asset, 1.0)

performance = bigtrader.run(
    start_date="2024-01-01",
    end_date="2024-01-31",
    initialize=initialize,
    handle_data=handle_data,
)
print("✓ 回测完成，夏普比率:", performance.summary["sharp_ratio"])

运行：

❯ python3 start.py
✓ 数据获取成功：
         date instrument        close
0 2024-01-02  000001.SZ  1074.924107
1 2024-01-02  000002.SZ  1844.293378
2 2024-01-02  000004.SZ    65.590730
3 2024-01-02  000005.SZ    10.379715
4 2024-01-02  000006.SZ   177.636341
2026-04-20 11:49:39 [info     ] bigtrader init ..
2026-04-20 11:49:39 [info     ] bigtrader.run start: market=cn_stock, frequency=1d, mode=backtest, account_type=STOCK, start_date=2024-01-01, end_date=2024-01-31
2026-04-20 11:49:39 [info     ] bigtrader<backtest> init ..
2026-04-20 11:49:39 [info     ] prepare data ..
2026-04-20 11:50:23 [info     ] bar1d_df: (340778, 16)
2026-04-20 11:50:23 [info     ] bigtrader use dividend data: (8, 10)
2026-04-20 11:50:23 [info     ] bigtrader run ..
## BigTrader 回测报告

### 绩效摘要

| 指标    | 值 |
|-------|------|
| 累计收益率 | 2.92% |
| 年化收益率 | 39.12% |
| 基准收益率 | -5.05% |
| 阿尔法   | 1.14 |
| 贝塔    | 0.73 |
| 夏普比率  | 1.81 |
| 胜率    | 100.0% |
| 盈亏比   | 0.0 |
| 收益波动率 | 17.39% |
| 信息比率  | 0.44 |
| 最大回撤  | 2.56% |

### 收益走势

| 日期 | 策略收益率 | 基准收益率 | 相对收益率 |
|------|----------|----------|----------|
| 2024-01-02 | 0.0% | 0.0% | 0.0% |
| 2024-01-05 | 0.86% | -1.69% | 2.58% |
| 2024-01-12 | -0.0% | -3.02% | 3.1% |
| 2024-01-19 | -0.22% | -3.44% | 3.28% |
| 2024-01-26 | 4.66% | -1.55% | 6.24% |
| 2024-01-31 | 2.92% | -5.05% | 8.31% |

### 交易统计

- 总平仓次数: 0, 盈利: 0, 亏损: 0
- 总买入金额: 997,115.00, 总卖出金额: 0.00
- 总手续费: 49.86
- 最终组合价值: 1,029,245.14

\
[bigtrader_report_output=/code/python/test/logs/0057c7a4.bigtrader.report.json.gz]
2026-04-20 11:50:24 [info     ] bigtrader run done.
✓ 回测完成，夏普比率: 1.81

数据查询（DAI）

DAI（Data AI）是 BigQuant SDK 的核心数据模块，通过 SQL 查询云端海量金融数据，支持 Arrow Flight 高性能传输。

基础查询

from bigquant import dai

# 查询股票日线数据
df = dai.query("""
    SELECT date, instrument, open, high, low, close, volume
    FROM cn_stock_bar1d
    WHERE date >= '2024-01-01' AND date <= '2024-03-31'
""", filters={"date": ["2024-01-01", "2024-03-31"]}).df()

print(df.head())

重要：查询有日期范围时，务必同时传 filters 参数，避免全表扫描。

结果格式转换

result = dai.query("SELECT * FROM cn_stock_bar1d LIMIT 100", full_db_scan=True)

df = result.df()          # pandas DataFrame
table = result.arrow()    # PyArrow Table
pl_df = result.pl()       # Polars DataFrame
rows = result.fetchall()  # Python 列表（每行为 dict）

# 大数据流式读取（节省内存）
reader = result.fetch_arrow_reader(batch_size=10000)
for batch in reader:
    print(batch.num_rows)

过滤条件（filters）

filters 用于分区过滤，大幅提升查询性能：

# 日期范围过滤
df = dai.query(
    "SELECT * FROM cn_stock_bar1d WHERE close > 10",
    filters={"date": ["2024-01-01", "2024-12-31"]},
).df()

# 多字段过滤
df = dai.query(
    "SELECT * FROM cn_stock_bar1d",
    filters={
        "date": ["2024-01-01", "2024-12-31"],
        "instrument": ["000001.SZ", "600519.SH"],
    },
).df()

DataSource 读写

DataSource 是 BigQuant 的数据存储单元，支持读写自定义数据：

import pandas as pd
from bigquant import dai

# 写入数据（需要开通写入权限才能执行写入操作）
df = pd.DataFrame({
    "date": ["2024-01-01", "2024-01-02"],
    "instrument": ["000001.SZ", "000001.SZ"],
    "my_signal": [1.0, -1.0],
})
ds = dai.DataSource.write_bdb(
    data=df,
    id="my_signal_data",          # 指定 ID，不填则创建临时数据源
    partitioning=["date"],         # 分区列
    overwrite=True,                # 覆盖已有数据
)
print("写入成功，DataSource ID:", ds.id)

# 读取数据
ds = dai.DataSource("my_signal_data")    # 注意更换为你自己的表名
df = ds.read_bdb(
    as_type=pd.DataFrame,
    partition_filter={"date": ("2024-01-01", "2024-01-31")},  # 范围过滤
    columns=["date", "instrument", "my_signal"],               # 指定列
)

搜索和浏览数据表

from bigquant import dai

# 搜索数据表（支持中文、英文、表名、描述）
results = dai.search_datasources("股票日线")
for item in results:
    docs = item.get("docs", {})
    print(item.get("id", ""), docs.get("cn_name", ""))

# 查看数据表 schema
schema = dai.get_datasource_schema("cn_stock_bar1d")
print("表名:", schema["cn_name"])
for field in schema["fields"]:
    print(f"{field['name']:20} {field['type']:15} {field['description']}")

# 查看数据表更新记录
updates = dai.get_datasource_updates("cn_stock_bar1d")
for u in updates[:5]:
    print(u["created_at"], u.get("data", {}).get("rows"), "行")

# 列出自己创建的 DataSource
my_ds = dai.list_datasources()
for ds in my_ds:
    print(ds.get("id"), ds.get("docs", {}).get("cn_name", ""))

本地回测（BigTrader）

BigTrader 是 BigQuant SDK 的本地回测引擎，策略逻辑完全在本地运行，保护隐私且响应极快。

基础回测

from bigquant import bigtrader

def initialize(context):
    # 设置手续费
    context.set_commission(bigtrader.PerOrder(buy_cost=0.0003, sell_cost=0.0003))
    # 初始化变量
    context.asset = "000001.SZ"

def handle_data(context, data):
    # 获取当前持仓
    position = context.get_account_position(context.asset)
    # 如果没有持仓，买入
    if position.amount == 0:
        context.order_target_percent(context.asset, 1.0)

performance = bigtrader.run(
    start_date="2024-01-01",
    end_date="2024-01-31",
    initialize=initialize,
    handle_data=handle_data,
    capital_base=1_000_000,  # 初始资金 100 万
    benchmark="000300.SH",   # 基准指数
)

# 查看绩效摘要
print(performance.summary)

查看回测结果

# 绩效摘要（字典）
summary = performance.summary
print("夏普比率:", summary["sharp_ratio"])
print("最大回撤:", summary["max_drawdown"])
print("年化收益:", summary["annual_return_ratio"])
print("累计收益:", summary["return_ratio"])
print("胜率:", summary["win_ratio"])

# 原始每日绩效数据（DataFrame）
raw_perf = performance.raw_perf

多资产策略

from bigquant import bigtrader, dai

def initialize(context):
    context.set_commission(bigtrader.PerOrder(buy_cost=0.0003, sell_cost=0.0003))
    context.stocks = ["000001.SZ", "000002.SZ", "600519.SH"]

def handle_data(context, data):
    for stock in context.stocks:
        # 均等权重持仓
        context.order_target_percent(stock, 1.0 / len(context.stocks))

performance = bigtrader.run(
    start_date="2024-01-01",
    end_date="2024-01-31",
    initialize=initialize,
    handle_data=handle_data,
)

模拟交易（PaperTrading）

暂未开放：PaperTrading SDK 接口正在开发中，敬请期待。

云端计算（AIStudio）

暂未开放：AIStudio SDK 接口正在开发中，敬请期待。

分布式计算（FAI）

暂未开放：FAI 分布式计算 SDK 接口正在开发中，敬请期待。

常见问题

Q: 安装后 `bq` 命令找不到？

确认 Python Scripts 目录在 PATH 中：

# macOS/Linux
export PATH="$HOME/.local/bin:$PATH"

# Windows（在 PowerShell 中）
$env:PATH += ";$env:APPDATA\Python\Python311\Scripts"

Q: 查询报错 "full_db_scan=False but no filters provided"？

需要提供 filters 参数，或者设置 full_db_scan=True：

# 方式一：提供 filters（推荐，性能更好）
df = dai.query(sql, filters={"date": ["2024-01-01", "2024-12-31"]}).df()

# 方式二：允许全表扫描（数据量大时较慢）
df = dai.query(sql, full_db_scan=True).df()

Q: Token 认证和 AK/SK 认证有什么区别？

AK/SK 认证：支持全部功能，包括 Arrow Flight 高性能数据传输和 AIStudio
Token 认证：仅支持 HTTP 接口，不支持 Arrow Flight（即 dai.query 直连模式）

Q: 代码在 BigQuant AIStudio 网页端和本地 SDK 有什么区别？

几乎完全一致。主要区别：

网页端 import dai，本地 from bigquant import dai
网页端无需初始化，本地需要 bq auth 配置凭证
本地 dai.query 默认走 Arrow Flight 直连（更快），网页端走云端引擎

Q: 如何退出登录？

bq auth logout

Q: AIStudio 启动失败怎么办？

AIStudio 启动最多等待 60 秒。如果超时，可能原因：

网络连接问题，检查网络
资源规格不可用，尝试使用默认免费规格（不传 resource_spec_id）
账户余额不足，登录平台查看账户状态

Q: FAI 集群连接失败怎么办？

确认已安装 FAI 依赖：

pip install 'bigquant[fai]' -i https://pypi.bigquant.com/simple/

FAI 需要 Python 3.11，不支持其他版本。

文档

BigQuant bq CLI 使用文档 BigQuant-SDK API 手册 BigQuant SDK 核心概念

undefined
bigquant模块还没有更新吧，今天试了里面还没有bigtrader功能
互联网直接下载的是0.1.0，今天刚试了不全