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

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：我自己主要做技术分析，一般是看MACD和布林线，再结合均线。 如果我的投资思路用量化的方式表达，那就是：

股票池：过滤（北交所，科创版，ST， 市值5亿以下和500亿以上）

选股：K线站上5日均线，MACD在水上， 价格在布林线的中轨上方（突破的时候入场）

持股：一般是5只左右

\n2、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：我觉得前提条件是有一个合理的预期，然后才是做策略。 具体的做法，我会基于自己对市场的

1.市场观察和机会发现

主力资金流向策略以捕捉市场资金动态和短期趋势为核心，在量化交易中展现出独特的实战价值。从逻辑层面来看，主力资金作为市场中的 “聪明钱”，其流向往往反映了机构投资者对股票的价值判断与预期。当主力资金持续流入某只股票时，通常意味着企业基本面得到认可、潜在利好预期或存在价值低估空间，股价也更易获得向上的推动力；同时，资金的集中流入会形成市场关注焦点，吸引跟风盘入场，进一步强化股价的上涨趋势。从市场表现观察，在市场上涨阶段，主力资金流入明显的股票通常是领涨先锋，能够快速积累收益；在震荡行情中，这些股票也因资金的支撑而具备更强的抗跌性；即便在市场下跌阶段，若某股票仍有主力资

为什么使用TGAN？

在量化交易中，你可能会遇到日常金融数据不足以回测策略的情况。然而，遵循真实数据分布的合成数据可以非常有用，可以帮助你用足够数量的观测值来回测策略。生成对抗网络（GAN）将帮助我们创建合成数据。具体来说，我们将使用用于时间序列数据的GAN模型。

文章大纲

在这篇文章中，你将学习到：

• GAN算法的定义及其工作原理
• 如何使用时间序列GAN（TGAN）算法的PAR合成器
• 如何使用TGAN算法生成的合成数据回测策略
• TGAN算法的益处和挑战
• 一些提高结果的注意事项

适用人群与具备条件

这篇文章适用于任何可能需要使用稀缺金融数据回测策

注：当前仅支持万和证券BigTrader量化交易终端

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速、准确地执行。

功能优势

1. 高效性 ：从信号生成到下单全程自动化，实现策略交易的全托管，实现交易的零操心。

2. 可靠性 ：支持断点续传和重

高频交易经常被提起，却始终蒙着一层神秘面纱，仿佛那只是金字塔尖那一小撮人的玩物。今天我们就从期货高频数据下手，去揭开神秘面纱的一角，并尝试搭建神经网络模型对高频数据进行预测，抛砖引玉，希望能让对金融数据分析，量化交易，人工智能感兴趣的朋友有所收获。我们已经将本文的全部源数据+源代码+python环境打包好，做到开箱即用， 文末有获取方式，欢迎大家下载自己动手继续学习和研究。

先看我们最终的模型结果，在训练集和测试集上的表现：

下面开始探索数据。

交易时间

以本文要研究的螺纹钢（RB）为例， 与股票不同，期货不仅在工作日白天交易，很多品种还有夜盘， 每个交易日就是从夜盘开始计算的。

行

IContext API 文档

IContext 接口类定义了 BigQuant AI 量化平台回测与交易引擎 bigtrader 策略 context 的抽象方法。StrategyContext 会继承 IContext，并实现具体的回测/实盘环境下的 context。 用户在编写策略时，handle_data 函数的第一个参数即为 IContext 类型对象，可以通过该对象访问平台提供的数据和交易接口。

1. 基本属性 (Basic Properties)

instruments

@property
def instr

介绍

• 大模型：cluade sonnet 4
• 提示词：读取 bigtrader 文档 https://bigquant.com/wiki/doc/4ESrglWGeZ ，生成讲解
• ⚠️注意：本文完全由AI自动生成，可能有错误和幻觉，请谨慎使用，见 BigTrader API 参考

BigTrader API 完整讲解指南

概述

BigTrader是BigQuant平台的核心量化交易引擎，提供了完整的回测、模拟交易和实盘交易功能。这份API参考文档定义了所有可用的接口、

curl --request GET \
     --url 'https :/ / api.   itick.  org /stock/kline?region=SH&code=600941&kType=1&et=1741239240000&limit=100' \
     --header 'accept: application/json' \
     --header 'token: bb42e24746784dc0af821abdd********337697a752de1eb'

在金融科技高速发展的 2025 年，港美股市场的实时行情数据 API 已成为量化

特别注意：本策略在编写和优化时基于当时的未更新的财务因子字段，目前该数据和字段经过了更新和错误修正。故目前利用本策略的代码尽管可以运行，但回测结果与文中的差异很大，效果大不如从前，以目前的数据回测结果为准，深表歉意。但本文介绍的策略编写思路和参数优化过程仍然值得学习，读者可以参考该思路进行策略编写。

\

1.市场观察和机会发现

在量化交易中，基本面是至关重要的一部分。它能提供关于公司财务状况、行业前景等关键信息，帮助量化投资者确定交易标的的内在价值，为量化模型提供基础数据和逻辑依据，使模型能更精准地筛选股票，把握市场趋势，降低投资风险并提高交易策略的有效性。基本面的指标因子较多

大家好，我是策略老李。五一小长假即将收尾，不知大家是否已经按照上期教程搭建好了自己的本地代码库呢？今天老李将为大家奉上《手把手编写miniQMT实盘量化执行程序》的第2篇-主程序入口。废话不多说直接上代码：

main.py

"""
主程序入口
"""
from quant_tra

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速、准确地执行。

\

功能流程图

详细流程如下：

1.用户在宽邦科技的bigqu

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

为什么要构建一个明日涨跌停状态因子？

构建明日涨跌停状态因子的目的是为了提升投资决策的效率和准确性，帮助投资者优化交易策略、管理风险、识别套利机会。此外，通过对涨跌停现象的研究，可以深入了解市场行为，为政策制定和市场监管提供有价值的参考。

如何构建？

要成功构建一个明日涨跌停状态因子，我们需要使用BigQuant数据平台中量化因子分类内股票因子中的cn_stock_prefactors（预计算因子的数据表)。根据需要构建因子的要求，我们需要使用收盘涨跌停状态: 1-跌停, 2-非涨跌停, 3-涨停, SQL 算子: cn_stock_status.price_limit_

MeetUP直播答疑 时间：6月6日（周四）19:00 视频回放地址：点击此处查看

1、如何通过盘口数据做量化？

• 答：盘口数据需要用到L2高频数据，目前我们平台该数据暂未向个人用户开放。之前万笑宇老师有一场直播：《[基于基于咸亨国际的盘口数据，做量化分析》](h

问题

有什么方法或因子可以描述股价在高位或低位？

视频

https://www.bilibili.com/video/BV1ov4y1Z7Yg?share_source=copy_web

策略源码

[https://bigquant.com/experimentshare/9fa4d332095143b598308c57de203788](https://bigquant.com/experimentshare/9fa4d33

问题

如何将回测模块设置成T+2开盘买入，T+3尾盘卖出（目前我们支持的是T+1买入）

视频

https://www.bilibili.com/video/BV1bT411u71x?share_source=copy_web

策略源码

[https://bigquant.com/experimentshare/157e67091c1b4534b7ea1f0a4255a38b](https://bigquant.com/experi

\

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

8月19日Meetup问题模板：

https://bigquant.com/experimentshare/f58dbfb388454407b8a2b99eb14cf1ea

\