回测API的调用（内测）
1.安装SDK（内测中）
联系工作人员申请成功后，将安装文件放到任意一个路径，输入pip install <路径>完成安装
2.bq命令的使用
如需测试，请在终端中测试，将下方指令替换成正确的信息(如自己的账号密码、正确的策略id)然后Enter
2.1 用户登录:
由small_q创建，最终由stephen1231234更新于
联系工作人员申请成功后，将安装文件放到任意一个路径，输入pip install <路径>完成安装
如需测试，请在终端中测试，将下方指令替换成正确的信息(如自己的账号密码、正确的策略id)然后Enter
由small_q创建，最终由stephen1231234更新于
我只是跟 QuantAgent 聊了几句天、每次加一两个小条件，结果最后跑出来的回测年化收益率 60%+。 过程比点外卖还简单——点开对话框、打字、回车、等几秒钟。
可以把它想象成一个会写代码、会调数据、还懂交易策略的“量化机器人”。
由bq12wety创建，最终由bq12wety更新于
由small_q创建，最终由small_q更新于
一、尝试用不同的大模型实现因子的挖掘：
目的测试国内的主流大模型，看哪个大模型的能力更适合挖掘因子
提示词：
user = """
日期为2022-01-01到2024-01-01
我想做一个流动性增强因子
"""
qwen_plus：
由bqz709ry创建，最终由bqz709ry更新于
以下是机器学习的作业，分别测试了XGBoost模型和线性回归模型，代码如下：
[https://bigquant.com/codesharev3/9f8b0f0d-a863-4f0c-ab89-2508ca68d72b](https://bigquant.com/codesharev3/9
由bqz709ry创建，最终由bqz709ry更新于
LightGBM（Light Gradient Boosting Machine）是微软开源的一种基于梯度提升框架的高效实现。它主要用于机器学习中的监督学习任务，如分类、回归和排序等问题。本策略中使用的是回归。
githu
由bq0m8rec创建，最终由bq9vd1b6更新于
已挖掘的因子如下:
[
'因子 c_zscore((volume / turn)) 的 IC 为 0.015, 因子累计收益为 0.194, 年化收益为 0.097, 夏普比例为 0.551, 年化波动率为 0.206, 最大回撤为 -0.223',
'因子 c_zscore((c_z
由bqbppxmo创建，最终由bqbppxmo更新于
折腾了几天，终于把3个模型的训练和比较都弄完了，走了很多弯路，训练模型也耗费了大量的时间，虽然作业完成得慢一些，但是在做的过程中得到了很大的提高，主要有以下几点心得：
1、对整个AIStudio工作环境更加了解，各个功能也都再熟悉了一遍，操作更顺手了
2、在完成作业过程中遇到过很多不明白的问题，
由bqaht3rj创建，最终由bqaht3rj更新于
注：当前仅支持万和证券BigTrader量化交易终端
本功能实现了从云端（bigquant.com）策略信号生成到终端自动获取并下单的完整闭环。用户在BigQuant云端平台运行量化策略后，系统会自动生成交易信号，用户在本地终端通过Python程序自动获取这些信号，最终将
由small_q创建，最终由small_q更新于
1、请回顾你过去的交易经验，选择一个你曾经使用过的交易方法，尝试用量化的方式重新表达出来（用文字描述，无需代码实现）.。
1.SMA 及EMA 的黄金叉
2.短线向上破长线购入
3.移动止蚀，设为当前X滚移标准差的n倍
4.若当前止蚀高于记录的最高止蚀,设最高止蚀为当前止蚀.
5.跌破止蚀由bqvesixq创建，最终由bqvesixq更新于
风险度量:是金融领域中量化资产或组合潜在损失的工具,核心是用数值描述未来可能发生的损失大小或概率,帮助投资者判断风险高低
普通风险度量是指未经过严格公里约束,仅从直观或经验出发设计的风险指标,常见的有:波动率(标准差),风险价值(VaR)
由bqy4a9le创建，最终由bqy4a9le更新于
使用数据化、数据科学,统计, 投研结果，使用系统化数据收集及回测，及使用程序交易方法投资。
\
优势:
1.系统化,
2.理性，
3.evident-based,
4.可分散风险
缺点:
由bqvesixq创建，最终由bqvesixq更新于
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
由small_q创建，最终由small_q更新于
\
(1) https://www.simnow.com.cn 登陆Simnow官网，点击右侧的注册账号
(2) 填入关键信息，手机号、密码等注册账号（==请务必记住自己的密码，后续绑定
由small_q创建，最终由small_q更新于
多轮因子评估后，因子计算方式复杂，模型容易出现幻觉，将数据表信息，补充到上下文中。
将模型修改为kimi：
api_key="sk-",
base_url="https://api.moonshot.cn/v1"
model="kimi-k2-0711-preview",
\
由bqf6mces创建，最终由bqf6mces更新于
CatBoost 是由 Yandex（俄罗斯的一家互联网公司） 开发的一个 基于梯度提升（Gradient Boosting） 的机器学习库，主要用于 分类、回归、排序任务，以处理结构化数据为主。它的名字来自 “*
由bq0m8rec创建，最终由bq0m8rec更新于
由small_q创建，最终由small_q更新于
用了稳定性测试后的因子；
三个因子的权重，也是用稳定性工具对3个参数进行网格搜索的最优解1：8：1；
将仓位分配模块删了，相关信息写到了交易引擎的前处理部分；
时间跨度从22年初至今，3年周期的表现比较一般、但真实；
增加了大盘风控和个股止盈止损。
[https://bigquant.
由bq9ndiek创建，最终由bq9ndiek更新于
因子和模型同样重要，模型相同的情况，不同因子在回测中，差异巨大。相同因子在不同的模型下进行回测，表现也各不相同。
一个好的策略，是因子和模型共同组合得到的。
本次作业的三个模型对比：
由bqf6mces创建，最终由bqf6mces更新于
由small_q创建，最终由bqn737zt更新于
我们在做什么？
这是一项关于项目团队中人与 AI 协作的学术研究，关注在真实工作中人机如何互补、哪些做法更有效。仅用于学术统计分析。
谁可以参与？
金融/金融科技从业者（银行、投资、保险、支付、合规/风控/市场基础设施等）；
或近 12 个月参与过人与 AI 协作项目的从业者（非金融领域也欢
由bq0usphz创建，最终由bq0usphz更新于
由bq4jnrx6创建，最终由bq4jnrx6更新于
由bq4jnrx6创建，最终由bq4jnrx6更新于
由bq4jnrx6创建，最终由bq4jnrx6更新于
由bq4jnrx6创建，最终由bq4jnrx6更新于