请教一下颜建民老师，在金叉赢家ETF策略中（https://bigquant.com/square/ai/32679ef7-5fe7-34b2-3d52-c19193c42297），

\n1.为什么DEA设置为DIF的EMA26，而不是选用经典理论中的EMA9

\n2.代码中有两处round(2

https://bigquant.com/codesharev3/8f47c613-14d4-416e-ab3c-57e56980aa77

\

1、在回测阶段怎么将多个策略的曲线融合？

比如：股票多因子：小市值 + ETF：黄金、债券 + 期货

2、在模拟阶段怎么将多个策略的曲线融合？

比如：股票多因子：小市值 + ETF：黄金、债券 + 期货

目前组合配置，只能融合全部策略有一条曲线，单选2个策略无法融合曲线。

评论

麻烦帮忙看看错误原因，如何修复？

模型代码链接：

[https://bigquant.com/codesharev3/2704d6d4-dc88-4cd8-ba6c-7991d6278d1c](https://bigquant.com/codesharev3/2704d6d4-dc88-4cd8

\

PermissionException: Permission Error: 请在查询表 cn_stock_status 时使用 filters 参数指定分区范围（一般为 date 或 instrument ）：dai.query(sql, filters={"date": ["2020-01-0

用可视化模块做单因子策略回测，显示策略收益率为0，但基准收益率曲线有的，特诊抽取数据也有的。

策略没问题，但是在画图的时候报错

[2025-12-19 17:52:47] INFO: input_features_dai.v26 开始运行 ..[2025-12-19 17:52:47] INFO: input_features_dai.v26 命中缓存[2025-12-1

https://bigquant.com/codesharev3/ce236996-89a0-4ffe-a6df-2e6222bd14b9

这是系统自带

bigquant说明书中有分别描述如何回测股票策略、如何回测期货策略，但是没有描述如何回测一个同时包含股票和期货的策略？

# 查询代码 cn_stock_factors_base

import dai

sql = """
SELECT instrument, date, suspended
FROM cn_stock_factors_base
WHERE instrument LIKE

cn_future_warehouse_receipt这个表是不是不全，大部分天都缺了很多品种的数据？

for i, x in today_df.iterrows(): **857 # # context.order_target_percent(x.instrument, 0.0 if

新建可视化策略，用的模板，用lightgbm替换stockranker训练，报错，请帮忙看看 https://bigquant.com/codesharev3/c252eae7-38d1-4f20-ba82-c4144de50a02

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

在金融AI领域，模型的预测能力不仅取决于算法的优劣，更取决于数据“喂养”的新鲜度。作为负责策略落地的技术支持，我经常听到算法工程师抱怨：训练好的强化学习模型，在实盘对接时因为数据流的不稳定而由于表现“并不聪明”。

数据流：AI模型的血液 客户的需求是智能预警，而痛点在于传统的API接口无法

引言：为什么严格止损的你，依然在亏钱？

你是否也曾遇到过这样的困境？明明为自己设置了严格的交易纪律，坚决执行止损，却发现自己总是在股价即将反弹的最低点被精准“打掉”，随后眼睁睁看着它一路上扬。你可能会将其归咎于运气不佳，但如果这种情况反复上演，那背后可能就不是运气问题，而是一个系统性的“陷

在量化交易和金融工具开发的过程中，实时汇率数据是绕不开的核心要素，不管是搭建跨境量化交易策略、做外汇行情监控，还是开发关联汇率的金融应用，能稳定、快速获取精准的汇率数据，直接影响策略有效性和工具实用性。作为常年做高频交易、捣鼓量化工具的开发者，我在这个环节踩过不少坑：要么是找到的汇率 API 鉴权复

许多人踏入股市时，都抱着一个看似谦卑的心态：“我要求不高，每个月能赚点零花钱就够了。”

如果你也有过类似的想法，那么请立即打消这个念头。这种想法是“绝对不可能的事情”。一个反直觉的真相是：任何能够实现每月持续稳定赚钱的人，哪怕只赚一块钱，都已经是市场中的“顶级高手”。

更重要的是，股市容不下怀疑

在跨境量化策略研发过程中，数据的时效性、完整性与多市场覆盖能力，直接决定了因子挖掘、策略回测及实盘执行的效果。无论是搭建多市场套利模型、跨市场因子验证体系，还是实现高频策略的实盘落地，优质的数据接口都是核心支撑。本文梳理跨境量化数据获取的核心痛点，对比主流数据接口的适配性，为策略研发效率提升提供实操

风暴中心的量化交易

在A股的亿万散户面前，长期存在着一个看不见的对手——它快如闪电，身处特权之地。近期，在市场反复拉锯、民意沸腾的背景下，两则重磅传闻如惊雷炸响，预示着这场不对等的技术游戏或将迎来终结。这些传闻背后，究竟揭示了哪些普通投资者闻所未闻的“不公平”真相？本文将深入剖析传

1.市场观察和机会发现

许多投资者热衷追逐热门概念，像曾火爆的新能源汽车概念，行业利好时股价飙升，吸引大量资金买入。但市场多变，热度减退后股价急跌。以2021年1月4日起跟踪买涨幅最大的策略，每日调仓，初期有涨幅，随后收益震荡下行，到2024年9月收益低至-50%左右，最大回撤超55%。

前面我们已经学习过了机器学习的树模型和神经网络模型，这些都是量化选股的主流模型。但是在监督学习中，还有一种很主流的学习方式，即支持向量机，本文则是基于支持向量回归模型开发的选股策略。

一、支持向量机

支持向量机（SVM）是应用最广泛的机器学习方法之一。在20世纪90年代，传统神经网络

bigtrader引擎在提交模拟交易后，内部是启动容器去每日执行策略计算的。 所以如果要用策略的净值或者其他策略执行过程中的一些状态信息需要保存到本地。可以采用JSON文件的方式保存下来。

代码如下：

[https://bigquant.com/codesharev3/d4f893dc-72da

一、Transformer模型

Transformer最初发布是用于时序任务和NLP任务，在近年来也有不少Transformer在CV应用比较出色的研究，我们有理由相信Transformer也可以应用于量化投资领域。

Transformer是一种用于自然语言处理（NLP）和其他序列到

from bigquant import bigtrader, dai
import pandas as pd
from datetime import datetime, timedelta
import numpy as np
from sklearn.linear_