介绍

• 构建和管理自己的数据与因子
• 分享到策略社区并保护核心逻辑
• 支持数据付费订阅
• 支持他人克隆策略，每日获取信号

技术方案

![](/wiki/api/attachments.redirect?id=be72745b-dff3-4d11-918a-0dec5f5

使用流程

1. 编写计算程序，并将其提交为任务；
2. 选择任务类型，例如数据任务、因子任务等，接着指定任务的相关参数，例如任务的执行时间等；
3. 在任务管理界面查看任务的执行状态，如果任务执行成功，您可以查看任务的执行结果。

![](/wiki/api/attachment

BigModule

bigmodule模块是由Python语言编写的，主要是在可视化线性策略中使用的可视化部件，可以将繁杂的代码进行封装，而只把输入和输出暴露给使用者，这样用户就无需关心模块的内部实现，而只需提供相应的数据，便可以获得想要的结果。

由此一来，大大降低

📖 文档说明

这个文档是什么

本文档是 BigTrader 量化交易框架的完整 API 类型定义文件（bigtrader.pyi），包含了所有可用的类、方法、枚举和数据结构的详细说明。BigTrader 是 BigQuant 平台的核心交易引擎，支持回测、模拟交易和实

策略概述

本策略是一个简单的趋势跟踪策略，主要思想是：

• 判断趋势：通过计算一段时间内的 Tick 价格的移动平均线（MA），来判断当前价格是高于还是低于平均水平。
• 跟随趋势：当价格高于移动平均线时，我们认为处于上涨趋势，就买入股票；当价格低于移动平均线时，我们

实时交易策略

1.选择感兴趣的股票实时交易模板（详见模板），点击【克隆】复制对应策略至策略编写页面；

1）运行代码：点击右上角的【全部运行】，看代码运行结果是否报错

2）提交模拟：点击右上的【提交模拟】，进行实时任务提交

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

在BigQuant上，您可以对接期货公司进行期货实时交易，当前实盘仅支持日内（实时）交易策略！大致流程如下：

1.在BigQuant上构建实时期货策略。

2.开通申万宏源期货账号。

3.在BigQuant上绑定期货账号。

4.添加实盘策略并设置条件后开始交易。

这里，默认您

BigQuant 开始使用

BigQuant 导航

快速创建一个量化策略

1. 注册/登录 [BigQuant](https

本文介绍量化因子三种常见的处理方式，分别为：

• 标准化处理
• 极值处理
• 中性化处理

这三种数据处理方式，都是截面处理，即当天全市场5000之票做预处理，不涉及时序数据。

标准化处理

把当天的因子值按均值为0，标准差为1进行标准化处理

c_normalize(mkt) as

策略介绍

本策略选取60日成交量与收盘价相关性作为因子，观察了进行股票筛选之后等权持股10只，持仓5天的策略表现。量价因子是投资中常见的一种因子，结合了交易量（量）和价格行为（价）的信息来预测股票的未来表现，盈利逻辑主要基于以下几点：

1. 交易量的信号作用：交易量是市场活跃度的

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。

首先，构建简单但能运行的策略

BigQuant平台回测主要使用bigtrader中in

两个“输入特征（DAI SQL）”模块，分别从两个数据表提取数据，之后可以共同连接一个新的“输入特征（DAI SQL）”模块，做到数据连接的功能

我们来看一个具体的例子，在下面这个例子中：

• m1模块的作用是从cn_stock_prefactors表中提取出pe_ttm

BigQuant的DAI数据平台提供了许多字段运算的表达式函数，完整的函数在这个文档（DAI SQL 函数列表），我们这篇文档总结了一些常见的表达式

1. DAI数据平台表达式函数

BigQuant进行实时交易

实时交易区别于我们的日频模拟交易，实时交易会根据实时行情变化产生即时交易信号并在对应的柜台进行撮合成交。实时交易策略在策略名称后跟有【==实时==】标签，日频策略没有。

实时交易的基本流程如下

1.绑定交易账户

2.编写策略-提交实时任务

3.观察策

简介

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。

策略介绍

该策略是一个典型的事件驱动策略

事件驱动策略的典型特征是，交易信号的出现并不像每日调仓的日频策略那样连续，而是断断续续的

当满足条件后出现交易信号则交易，否则就空仓，从回测曲线也可以看出，这样的策略有很多的空仓期

策略流程

1. 股票过滤：剔除ST、退市、非主板、上

\

策略介绍

该策略是一个典型的事件策略，事件策略和选股策略是有本质上的区别的，事件策略的基本思想是，对于特定的股票，什么时候该买，什么时候该卖，本文介绍了一种基于MACD指标的事件策略

具体来说，MACD包括三个指标：

• MACD（平滑异同移动平均线）：MACD线是短期指数移动平均线（通

简介

我们的模版——可视化AI策略是一个单次训练策略，但实盘的策略需要经过滚动训练的研发验证。

在量化交易中，市场环境具有高度动态性与非平稳性，传统的一次性训练模型难以适应不断变化的市场结构。因此，采用滚动训练（Rolling Window Training）的方式对机器学习或深度学习模

BigQuant 可视化深度学习模型构建

模块

BigQuant将量化投资需要用到的数据、算法、交易等封装为模块，用户可以直接复用和调参，参考如下示例

# 模块: hello
def run(param1: I.bool ..):
    ...
    re

策略简介

以中证1000股指期货的近月和远月期货为标的，进行跨期套利操作。信号来源于中证1000现货指数的信号，即为如果价格上穿均线，呈现多头趋势，那做空近月合约，做多远月合约；如果价格下穿均线，呈现空头趋势，那做多近月合约，做空远月合约。

本文不是以均值回归作为策略思想，而是从市场预期的

导语

平台有大量算力，但是个人开发环境算力有限，因此怎样将一份AI策略，修改下模型策略的参数，让他在远程集群环境运行呢，比如我模型学习率是0.01 ，希望在0-1整数之间按0.01遍历呢？

这里有100种情形，100组参数。如果每组参数要跑10分钟，那跑100组参数的时间太长了，接近16个

本文档介绍在150-AI选股策略新的策略模版下如何进行滚动训练。

本文是旧文，建议参考最佳实践方法：AI量化策略滚动训练最佳实践

使用方法

创建调优对象

本文是旧文，最佳实践见：160-alpha挖掘大杀器——并行模块tune

前言

M.tune可调节的参数仅限于模块中的参数, 具体用法可参考**[尝试用M.tune写一个滚动训练](https://b

本文是旧文，建议参考最佳实践方法：AI量化策略滚动训练最佳实践

前言

为了进一步加深对M.tune的使用理解，这里我给大家写一篇M.tune的实际应用。我们可以使用它来调参，当然也可以用它来做滚