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

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

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

本代码由可视化策略环境自动生成 2024年1月17日 01:02

本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。

交易引擎：初始化函数，只执行一次

def m6_initialize_bigquant_run(context): # 加载预测数据 context.ranker_prediction = context.options['data'].read_df() context.ranker_prediction.set_index('date',inplace=True)

交易引擎：每个单位时间开盘前调用一次。

说明一，选用的策略是2023年7月上架的天成3系列策略，试了两个，都是一样问题。

说明二，选用的策略没有选北交所股票，只有创业板和主板股票。自己的账户开通了创业板。

说明三，风险控制已经把个股仓位调到100%，策略占用资金分配了98%。

说明四，每次给出的交易信号与调仓信号都不一致，而且都不是st股。

说明五，因为才开通实盘10天，这十天模拟盘给出的都是创业板股票，而实盘给出的交易信号是主板股票。难道实盘是因为5万资金才不选创业板股票吗？

有谁知道这个问题原因的，请帮忙解答。谢谢！

最近提交成功的新版模拟交易手动运行才有信号，不能自动运行是怎么回事？

为啥会卡在1月4号就不动了，同时提交新的策略，也是一样的。

高手你好, 不好意思之前没表达清楚, 我想给代码的调仓函数移到调仓管理或其他函数中, 好让自定义运行扫描不同的调仓周期.

所以我之前问假设加上每5天调仓, 模块该在图中哪里加上, 线该怎么连?

https://bigquant.com/codeshare/a5bf9487-3e53-40ed-87b2-b1f614f10c08

\

高手你好, 我想给代码加上每5天调仓, 模块该在图中哪里加上, 线该怎么连?

https://bigquant.com/codeshare/157a00b1-6b68-4016-9a82-69b8a50aaaf0

\

2019年，定下一个小目标：做一套Quant的工具箱，一边学，一边做，也一边分享。欢迎小伙伴们前来围观、拍砖。

（tips：文末罗列了所有量化核心技术框架）

工具箱将立足于三个领域

1. 量化开发——以交易后台开发为主
2. 研究——以机器学习研究框架为主
3. 交易——以期货和电子货币实盘为主

万水千山总是情，相信总有一款适合投身于量化领域的你。

第一期先听我BB一下量化开发（Developer），先讲总框架，之后再细究各个部分的设计和实现。

向量化回测系统

网络上已经存在了不少的开源回测框架和在线研究平台，他们都提供了完整的回测系统、归因分析，那为什么

我想将选取前十名股票的选股策略的基础上，融合亏损5%则卖出； 获利10%则止盈，换股的策略。

同一个问题，因为刚上手，原来可以1分钟解决的搞了1天，其实一开始文心一言就已经帮我改正了错误，只是我认为不是这个问题。

第一步

第二部

在修改交易代码时，遇到将原来的context.df = context.options['data'].read_df()与`positions_cost = {e.symbol: p.cost_bas

模拟交易不自动运行，也没有交易信号推送，请问这是啥问题？

在知识库**实盘常见问题里有答复：X-BigQuant/AIQuant量化实盘平台** 现只支持日线级别策略实盘。每个交易日19:00-23:00间会运行并产生次日交易信号。但可以调整所有或单个交易信号委托时间，即支持交易任意时段下单。请请问如何做到的？谢谢！

策略回调接口

initialize(context):

策略初始化函数，只触发一次。可以在该函数中初始化一些变量，如读取配置等

• context: 策略上下文对象

before_trading(context, data):

策略盘前交易函数，每日盘前触发一次。可以在该函数中一些启动前的准备，如订阅行情等

• context: 策略上下文对象
• data: BarDatas 对象（参考上述 “常用对象说明 1.8 行情访问“）

\

handle_tick(context, tick):

Tick快照行情通知函

新手课程里面的源码，运行回测是好的，但是提交模拟之后就会报错。错误和源码附上，求助大神帮我解答一下，谢谢

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-1-b2f5bb4c55e4> in <module>
    191 
    192 # @module(position="

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

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：

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

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

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://

如题，自定义的交易逻辑会在模拟交易中执行，在实盘交易中是否执行？

问题描述：

    新手学习中，目前跟着课程实现了一个小市值策略，想在模拟交易中看看运行效果，这几天发现一直没有任何变化

看日志也没有发现任何错误信息，有些日志信息还看不太懂，比如最近一次执行结果如下：

[2023-11-16 21:07:04.245966] INFO 基础特征抽取: 年份 2023, 特征行数=311576
[2023-11-16 21:07:04.349232] 

# 本代码由可视化策略环境自动生成 2023年11月20日 17:49
# 本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。
 
# 显式导入 BigQuant 相关 SDK 模块
from bigdatasource.api import DataSource
from bigdata.api.datareader import D
from biglearning.api import M
from biglearning.api import tools as T
from biglearning.modul

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