注：当前仅支持万和证券BigTrader量化交易终端，为保证实盘和模拟交易曲线一致，实盘是集合竞价下单，因此本代码也是集合竞价下单。

文末提供的脚本只支持单一策略的自动化实盘，如果要运行多个实盘策略，请将脚本复制几份，下单时间略微错开。

功能描述

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，最终将信号保存到文件单目录，实现下单功能。

此功能旨在提升量化交易的效率和自动化程度，减少人工干预，确保交易信号能够快

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

BigTrader 是 BigQuant 推出的专业级量化交易引擎，主要用于策略在历史数据中回测撮合。

BigTrader采用 C++ 核心实现，并提供 Python API 接口和回调函数。

它为量化投资者提供了一个全面的交易解决方案，无论您是初学者还是专业投资者，都能轻松上手使用。

量化因子与回测引擎.mp4 127483848

课程课件：

[量化因子与回测引擎.pdf 858086](/wiki/static/upload/0

在中国A股市场，有一个非常独特的文化现象。每逢市场调整，社交媒体上便哀鸿遍野，而“量化”二字总能成为千夫所指的完美靶心。有趣的是，这种现象在海外成熟市场中却很少见到。即便海外市场的量化交易占比远高于国内，投资者也很少在市场波动时将责任归咎于量化策略。

这种归咎于外因的做法，从心理学上可以理解。亏钱的感受令人痛苦，而寻找一个外部的“背锅侠”，是一种保护自己免受自责的心理防御机制。但是，这种习惯性的指责真的有帮助吗？它会不会掩盖了我们自身投资方法中更深层次的问题？本文将深入探讨主观交易中常见的三个“心魔”，它们或许才是导致亏损的真正元凶。

\

1. 心魔一：情绪的“遥控器”

在变幻莫测的金融市场中，无数投资者终其一生都在寻找那个能预测未来的“圣杯”：一个完美的交易信号，一个能精准捕捉市场脉搏的技术指标。我们沉迷于复杂的图表、研究各种理论，希望找到一种确定性。但这种追寻往往伴随着困惑与挫败。

如果告诉你，那些我们深信不疑、看起来高深莫测的趋势指标，其预测的准确率，可能还不如简单地抛个硬币呢？

最近，一位业内人士（薛老师）在分享中，无意间揭示了一个关于市场、概率和人性的惊人秘密。这个秘密颠覆了许多传统交易观念。本文将分享其中最核心、也最颠覆认知的几个观点，帮助你重新审视交易的本质。

\

1. 所有追趋势指标的准确率都不到50%

文章开篇，我们先来看一

普通人做不了量化交易？打破这三个常见误解，你也可以入门

对许多普通投资者而言，“量化交易”这个词总会勾勒出一幅神秘的高科技图景：一个由数学博士和顶尖机构主导的精英领域，常常因其复杂性而被敬而远之，甚至被“妖魔化”。但对于一个愿意学习、愿意思考的投资者来说，这种印象是否准确？本文将为你拆解围绕量化交易的三个最大误解，并揭示技术——尤其是人工智能——正如何让数据驱动的投资方法变得前所未有的触手可及。

拨开迷雾：关于量化交易的三个真相

1. 没有数理博士学位，就别碰量化

这种观点误解了现代量化的核心功能。从本质上讲，量化首先是一种统计分析技术，旨在帮助投资者更好地理解和

为何市场走势越来越难懂？

你是否常常感到困惑：为什么手里的好公司股票就是涨不起来？为什么市场波动如此之快，上一秒还在上涨，下一秒就掉头向下，仿佛有一只无形的手在精准地收割？

那种挫败感并非你的错觉。它是一个直接后果，源于一个按完全不同规则行事的玩家主导了市场。这股力量就是量化交易。在如今“无股不量化”的时代，它深刻影响着每一只股票、每一位投资者。本文将为你揭开关于量化交易的三个惊人事实，帮助你理解这个正在重塑市场规则的“隐形玩家”。

你看不到的“幽灵订单”

量化交易最核心的优势，是普通人难以想象的速度。它们下单和撤单不是以“秒”为单位，而是以“毫秒”（千分之一秒）为

从“羡慕”到“自动化”的迷思

在交易圈里，有一个普遍存在的“这山望着那山高”的现象：主观交易员常常羡慕量化交易员，认为他们可以“写好程序，躺着赚钱”；而量化交易员则羡慕顶尖的主观交易员，觉得他们能创造出凡人难以企及的“惊人业绩”。

这种心态，常常导致一个共同的困境：许多在主观交易上取得成功的人，都希望能将自己的策略“量化”或自动化，但最终往往以失败告终。

为什么那些在人脑中运行得如此完美的交易逻辑，一旦变成代码就彻底失灵了？作为一个量化公司的负责人，我自己也做一些主观交易，并长期思考一个看似矛盾的问题：我为什么从未尝试将自己的主观思路完全自动化？答案就藏在接下来这三个残酷

揭开量化交易的神秘面纱

在投资世界里，“量化交易”这个词几乎被一层神秘的光环笼罩——许多人想象着它是一个由代码驱动、永不犯错的印钞机器。我们常常将其神秘化，甚至神话，认为它是一种可以预知未来、彻底摆脱人类主观判断的终极武器。但量化交易的真实面目究竟是什么？它真的能取代人类的思考吗？

量化交易不是魔法，而是策略的“自动化执行”

首先，我们需要明确一个基本事实：量化交易本身并不创造投资策略。它的本质，是将人类分析师已经设计、验证过的投资模型和数据库，通过代码语言，让计算机去严格地、自动化地执行这些既定指令。它不是一个会思考的“大脑”，而是一个高效、精准的“执行者”。

\

from collections import deque
import pandas as pd
import math

def initialize(context):
    # 策略参数
    g.security = "513310.SS"  # 替换为您的标的
    g.trade_value = 2500    # 每次交易金额(元)
    g.buy_threshold = 0.05      # 5%
    g.sell_threshold = 0.1    # 10%
    g.file_path = get_research_path() 

存档_1：学习老韵作业\n1️⃣ 这段代码在做什么

用横截面“分位数因子”训练一个轻量 XGBoost 回归器，每 60 个交易日重训，毎 5 日调仓，按预测分数等权买入 Top10。\n同时在每次训练后记录 MSE/MAE/R²/IC 与特征重要性，回测结束把训练历史与绩效打包保存。

2️⃣ 数据与因子（initialize / SQL）

• 数据源：cn_stock_prefactors（已过滤 is_risk_warning=0、list_days>100）。
• 因子全部做横截面分位数：pct_rank_by(date, …)，把不同量纲压

一、策略概述

1.1 背景介绍

行业轮动策略是一种量化交易策略，旨在通过在不同行业之间进行资金分配，捕捉市场趋势和行业表现的周期性变化。 从名字即可看出，经济周期导致任何市场状态下可能都会存在股市价格表现较好的行业，因此我们如果能布局这些行业并定期轮动调整，那会取得还不错的投资效果。与单纯持有某个行业或个股相比，行业轮动策略通过分散投资风险，提高了组合的抗风险能力，并且能够在不同的市场环境中寻找最佳的投资机会。

1.2 研究目的

本策略是曾经在社区里的一个策略复现而来，策略链接为：<https://bigquant.com/wiki/doc/v10-uKB4qr0I

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.跌破止蚀测卖出

2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主流程。

 1.研究因子
2.编写策略 (摸型选定)
3.回测及加减因子
4.回测及hyper parameters tuning
4.不同时间段的Walk Forward 测试
5.少量金钱实盘
6.总

总结

因子更重要还是模型更重要？

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：

• Random Forest：鲁棒、易调、抗过拟合，但“水平”有限，对时间序列动态特征捕捉不足。
• Sklearn 原生 GBDT/RandomForest：接口统一、工程简单，但训练慢、难并行、不支持缺失值自动处理，对金融时序非平稳性表现一般。
• XGBoost：精度高、能学到复杂非线性、支持缺失值与自定义损失，但对超参敏感、训练/调参成本高，且同

• 因子和模型同样重要，因子和模型的组合决定了量化交易策略的效果。

• 不同因子在相同模型下的回测表现差异巨大，相同因子在不同模型下的回测表现也各不相同（图1vs图2）。

• 因子决定潜在收益空间，模型能够提升回测和实盘中的收益表现。

• 模型和因子的相对重要性会随着环境变化而变化。

  
  线性回归回测——图1：

  

  
  XgBoost回测——图2：

  ![](/wiki/api/attachments.redire

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）

 优选2-3个近期热点行业筹码峰低位集中的2-3之股票。最好是看的出来主力持仓开始集中了。
 量化表达：

 (一)定义板块动量因子确定热门板块

 (二)定义股票动量因子确定热门板块中的热点票，并通过量价关系因子过滤出股票

(三)通过机器学习，选取股票，形成策略。

2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主要流程

主要流程包括：

A想：先找到逻辑把任何能解释价格变动的灵感（经典理论、市场现象）翻译成一句可证伪的假设。例如“高动

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）。

 a. 最近三天及过去10天主力资金流入，公司盈润>0, 每股利润有增长，当天成交量为过去22天平均成交量的1.5倍以上。股价不高于过去10天平均价格的1.1倍，每二天买入，最高低回调3%卖出。（这个之前没有做过，可以试试这个想法）

 b. MACD金叉，5日10日均线金叉，公司盈润>0，PE<30, 盈利10%卖出，最高回调2%以上卖出

2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主要流程。

  主要流程为：有个策略的

1. 小市值策略在2024年的坑用价值因子可以部分解决。
2. 核心还是做好回撤或止损动作，作为量化交易的初学者不知这方面如何实现？

https://bigquant.com/codesharev3/b71aa64e-afb6-42f2-81c5-59a3bf4120ad

\

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. 选股

   近3年股息率最高的10只股票。

2. 买入

   立刻买入

3. 卖出

   分红后1个月股息率大于4%则卖出。

2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主要流程。

1. 找到策略原则
2. 拆解策略要素
3. 寻找数据
4. 寻找因子
5. 部署策略
6. 回测
7. 模拟交易
8. 实盘

\

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）。

我用以下因子筛选出股票，定期换仓

均线因子：

• 收盘价在20日均线之上
• 30日内至少有25天收盘价在250日均线之上
• 30日内至少有25天收盘价在200日均线之上
• 短期均线条件（10日内9天在20日均线之上，或4日内3天在10日和20日均线之上）

价格波动因子

• 20日内最高价回撤幅度不超过25%
• 期间从未突破25%回撤阈值
• 当前价格接近250日高点（>80%）

均线趋势因子

• 20日均线连续5日向上且10日均线在20日均线之上
• 或

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）

 龙回头战法：选择前期热门板块的龙头股，且上涨期间量价同步，在回调过程中，成交量缩量到支撑位买入。

 量化表达：

 (1)定义板块动量因子确定热门板块

 (2)定义股票动量因子确定热门板块中的龙头股，并通过量价关系因子过滤出量价同步的股票

(3)通过步骤1和步骤2，形成龙头股票池

(4)定义反转因子和量价关系，验证这两个因子在步骤3的股票池，龙回头战法逻辑是否成立。如果成立，通过IC、多头收益确定因子方向和权重。

(5)通过步骤4中的因子通过因子合成或机器

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-过去是用的程序化交易，主要在期货上，魔改的海龟和aberration

2-现在不知道怎么结合，希望结合风控、因子、仓位等

3-我想测试一下这个逻辑

1-低pe

2-大盘股

3-长均线在短均线上

4-偏中高频因子，看看能不能在上面的股票跑得转

2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主要流程。

①根据市场观察，构思因子

②因子检验

③调参优化

④策略制作，加风控，回测

⑤模拟检验

⑥实盘，并监测，修改，继续优化

【今日作业】

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）。

之前是主观投资，即通过判断公司的产品对于市场的未来需求来选择的。比如说circle 的稳定币的作用，结合美国国债的压力和特朗普的做事风格；还有小米的Yu7

2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主要流程。

[策略假设] → [数据获取] → [因子生成] → [模型建模]

 ↓             ↓             ↓           ↓

[数据清洗] → [因

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）。

答:股票池筛选:当连续10日最小值大于34日均线的0.99倍时纳入初选股票池;若获利筹码高于73%，则买入；当最大值低于34日均线时卖出。

2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主要流程。

答:1、进行单因子分析筛选出IC和IC_IR较高的因子,积累初步的因子库;

2、对有效的因子进行单因子选股回测，看看初步效果，确定哪些因子是核心收益率因子，哪些可用于控制风险，并对这些有效因子进行相关性分析；

3、选择前面有效的收益因子进行机器学习或

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）。

以前股票都是瞎买的，不成体系，不好总结出来。买ETF基金多一些，长期定投（10年以上）并持有，都是选择的指数基金，如上证50，恒生科技指数以及纳指

2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主要流程。

①确定自己的选股策略，无论好坏，都需要有自己可量化的选股方针

②确定自己的买卖逻辑，如果有风控措施也要落实下去

③选择一个时间区间做回测，不断修改优化选股和买卖逻辑

④跑一段时间的模拟，至于多久要看个人喜好了

⑤实盘，并监测，修改，继续优化