API接口

策略请求接口

context.order(symbol, volume, price=0, order_type=OrderType.MARKET, offset=Offset.NONE)

• 适用市场：股票、期货
• 下单，必须指定标的、下单数量
• param：

• symbol: str 下单标的 000001.SZ/600000.SH/510050.SH/rb2110.SHF
• volume: int 下单数量 大于0为买，小于0为卖
• price: float 下单价格，默认为0表

什么是BigTrader

BigTrader是宽邦科技推出的致力于为用户提供便捷、功能强大的交易引擎。

在量化研究的过程中，量化研究员（宽客）需要在历史数据里回放模拟，验证策略效果，这就是BigTrader交易引擎的应用场景。

主要功能： 量化策略编写、回测分析、仿真模拟和实盘交易。

支持品种： 股票、基金、期货、可转债、指数；未来会支持期权、债券、两融等。

交易频率： 日线、分钟、Tick、逐笔。

交易引擎的优势：

• 回测研究贴近真实 交易，最大程度保证回测的准确性
• 回测研究、模拟交易、实盘交易为同一套代码，无需做任务修改

核心观点

短期涨跌的预测相比长期更容易，但覆盖交易成本后再获利的难度更大。所以在高频交易场景，机器学习更适合有限状态下的订单执行。而对于长期的预测，机器学习的训练目标可以不是评估在给定状态下的每股总利润或买入行为的回报，而是监控在该状态下买入与在所有可能状态下买入的相对盈利能力。

Michael Kearns在2010年的关于讨论机器学习在高频交易应用的论文中，提出了很多机器学习应用与高频交易的限制，很多思考放到现在都值得我们去学习。机器学习在高频交易中主要有两个方向，一是订单的执行优化，二是高频涨跌方向的预测。这两者本质的区别是执行优化是在一个确定性的空间寻找最优解，即交易

布林带是一种技术指标，用于以更好的方式分析市场并帮助我们对资产价格做出更好的假设，即资产是否超买或超卖。布林带之于交易就像莎士比亚之于文学，如果你想在交易世界中留下印记，这非常重要而且很难避免。

布林带实际上由三个波段组成：

1. 20天移动平均线
2. 上布林带
3. 下布林带

1. 20日均线

你一定想知道为什么它被规定为20天移动平均线。嗯，一方面，它是由布林格乐队的创始人约翰布林格先生本人指定[的](https:/

什么是量化交易？

度娘官方版 — 理论这么说

量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策 。（注：文末含所有量化核心工具）

简介版 — 职场上的量化交易

量化交易主要是根据纯粹的数

AI量化指标的选择和排序取决于特定的投资策略、市场条件和数据可用性。

以下是30个常见的AI量化指标，按照一般在量化分析中的重要性排序：

1. 收益率（Return）
2. 夏普比率（Sharpe Ratio）
3. [波动率](https://bigquant.com/wiki/doc/5roi5y

配对交易策略

2.1 平稳与协整的概念

2.1.1 平稳的概念

一个平稳的时间序列变量Y的均值与方差不会随时间变化，它的图像变现为均值复归的形态

如果Y是平稳的均值复归的，那么我们可以合理地期待

• 当Y过高的时候，它就会下降
• 当Y过低的时候，它就会上升

2.1.2 协整的概念

如果两个时间序列变量之差是平稳的，就称这两个时间序列变量是协整的

• 如果时间序列Y与X的差Z=Y−X是平稳的

交易引擎简介

1.1 交易引擎的作用

交易引擎回测模块的功能是实现用户的交易逻辑

• 当用户将策略编写好之后，我们需要在一段时间当中，用策略逻辑，模拟一下在金融市场中的买卖，通过收益情况判断策略的好坏
• 如果想测试策略在某段历史时期上的表现，只需在本地运行回测模块即可
• 如果想测试策略从今天开始一直到未来的表现，需要将含有回测模块的策略提交到模拟交易
• 在交易引擎中，用户可以自定义一些买卖逻辑，也叫交易逻辑，它和策略逻辑还是有一定区别的

策略逻辑与交易逻辑的对比：

AI量化重要指标包括：

ADX（平均方向性指数）；布林带（Bollinger Bands，简称BBANDS）；MACD（Moving Average Convergence Divergence）；

CCI（商品渠道指数）；阿隆上行（Aroon Up）和阿隆下行（Aroon Down）；ATR指标；指数移动平均值；MFI；MOM；

OBV；RSI；SAR；简单移动平均值；STOCH (KDJ) ；TRIX；WILLR；加权移动平均值；

AI量化选股利用AI的强大数据处理和分析能力，旨在寻找那些被市场低估但具有增长潜力的投资机会。

[BigQuant](https://bigquant

分享一些量化交易相关的常识信息。

五因子模型公式及应用

五因子模型是哪五个因子

**[多因子选股模型及优缺点](https://bigquant.com/wiki/doc/5asa5zug5a2q6ycj6ikh5qih5z6l5zcn6kn6ke

BigQuant是国内领先的适合个人投资者的量化交易软件开发平台，基于Python语言且支持AI人工智能以及机器学习的量化交易投资平台，帮助量化开发者和投资者更好地使用量化策略进行交易。

一 核心模块

1、 AiStudio — 量化交易策略开发平台

AIStudio是BigQuant平台以AI为核心的Cloud IDE，专门为使用AI量化开发者设计的免费量化交易软件开发工具，包括数据分析、因子挖掘、模型开发、回测和自动化交易； 通过AIStudio可以分析金融市场数据，挖掘可能影响股票价格和市

量化交易利用数学和统计学方法来分析市场并执行交易的过程，是现代金融的一个重要组成部分。量化模型的目的是通过算法自动识别并利用市场中的规律和机会，用以获取更多收益。

量化交易模型的一般由以下几个部分组成：

1 数据处理模型: 量化交易的基石是数据。这包括了从历史价格、成交量到公司财报、宏观经济指标等各类数据。对这些数据的收集、清洗和处理是构建有效模型的首要步骤。**[BigQuant策略编写平台](http

在这个数据驱动的时代，量化交易不仅是金融领域的革命，更是智慧投资的未来。

通过精确的数学模型和强大的算法，洞察市场动态，捕捉那些传统交易方法难以觉察的盈利机会。

量化交易赚钱的核心包括以下要点：

1 市场分析与策略开发

量化交易的核心在于市场分析和策略开发。这包括使用历史数据来测试和验证交易策略的有效性。

例如，通过回溯测试（backtesting），交易员可以评估一个策略在过去市场条件下的表现。

这种方

量化交易是利用数学模型和算法交易的方法，依赖于精确的数学模型和计算机算法来分析市场数据，并在合适的时机进行买卖。

对于散户来说可以通过自动化量化分析及交易减少人为情绪对交易决策的影响。

通过BigQuant量化平台系统可以分析大量历史市场数据，提升投资抉择效率，还可以使用多种组合量化因子降低投资风险。

散户在选择量化交易平台时，需要考虑选择知名度高、安全性好的平台，以确保平台的声誉和可靠性。

同时，平台

BigQuant量化交易开发平台是专为量化投资和交易设计的综合软件平台。提供一系列量化开发工具和服务，使交易者和投资者能够开发、测试、优化和执行复杂的量化交易策略。（文末附开发资源汇总）

基本概念

量化开发平台通常包括数据分析、策略开发、回测、风险管理和自动化交易功能。它们为量化交易者提供了一个集成环境，用于构建和实施基于数学和统计模型的交易策略。

核心功能

不会代码也可以使用量化工具提升投资效率和收益概率的。

今天简单介绍下量化交易如何快速入门。

量化交易是什么意思

量化交易是一种使用高级数学模型、统计分析和计算机算法进行交易决策的方法，应用范围一般包括股票、期货、外汇和衍生品等金融市场。它主要依赖于金融市场中的价格、交易量、经济指标等大量历史和实时数据，用以识别市场趋势、估值、波动性等关键因素。

量化交易者可以通过使用复杂的数学（包括统计学、概率论、机器学）模型来分析数据和预测市场行为，并通过计算机算法预设的规则和模型自动执行交易。

![量化交易平台](/wiki/api/attachments.redirect?id=05

量化交易软件是一种专门设计用于执行量化交易策略的软件工具，广泛应用于金融市场。这种软件使投资者能够运用数学和统计方法，自动化地进行交易决策和执行。（tips：文末含所有量化交易软件平台入口及核心工具）

概念

量化交易软件基于预设的算法和模型，进行市场分析、决策制定和交易执行。它通常包括数据分析、模型构建、回测、风险管理和自动化交易等功能。量化交易的核心是将投资策略数学化，使交易过程标准化和

金融交易概念

金融交易是指在金融市场上买卖金融工具的过程，例如股票、债券、衍生品（如期货和期权）、货币以及其他金融资产。这些交易可以在各种平台上进行，包括交易所、场外市场（OTC）和电子交易平台。金融交易的主要目的是为了投资、对冲风险或从市场价格变动中获利。

\

金融交易类别

一般可以大致分为以下几类：

1. 股票交易：股票代表了公司的所有权份额。通过买卖股票，投

**概念定义：**一种使用高级数学模型、统计分析和计算机算法进行交易决策的方法。

**应用范围：**一般包括股票、期货、外汇和衍生品等金融市场；

**主要原理：**依赖于金融市场中的价格、交易量、经济指标等大量历史和实时数据，用以识别市场趋势、估值、波动性等关键因素；使用复杂的数学（包括统计学、概率论、机器学）模型来分析数据和预测市场行为，并通过计算机算法预设的规则和模型自动执行交易。（文末含量化核心资源）

核心工具

数据分析

历史数据分析：通过分析历史价格、成交量等数据来预测市场趋势。

实时市场数据：收集实时交易数据，对市场

机器学习是当今几乎每个行业的需求。医药、交通、医疗保健、广告和金融技术等行业非常依赖机器学习。谈到金融技术领域，算法交易实践对于机器学习算法非常有效。有各种资源可用于学习机器学习交易，通过本文可以让您可以访问学习机器学习交易的免费资源。

电子书

《如何使用机器学习进行交易》 由量子

这本电子书包含所有信息，从解释人工神经网络的基础知识和工作原理，到演示用 Python 实现股票价格预测的代码。

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

前言

算法交易起源于上世纪中叶的配对交易

历史上最早使用算法交易的例子可以追溯到1949年。对冲基金之父阿尔弗雷德·琼斯，利用空对多3：7的比例进行配对交易，在1955年到1964年间，综合回报率高达28%。到了上世纪60年代早期，投资者开始利用计算机通过分析股票的周线和月线来预测价格运动方向。

配对交易逐渐成熟，发展成后来的算法交易。随后算法交易策略慢慢在华尔街流传开来并被广泛使用，同时也带来了非常可观的盈利。原来在摩根士丹利从事配对交易的研究员，后来逐渐成为如大卫·肖、詹姆斯·西蒙斯这类明星基金经理手下的精英，算法交易的“黑盒子”便由此诞生。

随着计算机的广泛普及，华尔街各大

旧版声明

本文为旧版实现，仅供学习参考,新版请移步至以下几个链接。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors

[https://bigquant.com/wiki/doc/dai-PLSbc1SbZX](https://bigquant.com/wiki/doc/dai-PLS

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平台

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平