在量化交易中，通过手段实时获取交易信号是基本功，本文将利用dai.stream_factor和其他第三方库配合给你的qq邮件发送策略信号。以下涉及到的流数据暂未开放，后期我们会为大家提供流数据获取服务。

策略描述

隔夜跳开回一个重要的因子**（我们不做夜盘）**, 若当日高开, 则当日高开高走的可能性较大; 反之若低开, 则当日低开低走可能性较大, 基于这一观点, 我们来开发一个隔夜跳开的策略, 由于跳开形态的存

请高手帮忙因子构建

还请哪位高手指点一下，这个公式怎么写成因子构建公式，比如下面这种形式：

SUM((CLOSE=DELAY(CLOSE,1)?0:CLOSE-(CLOSE>DELAY(CLOSE,1)?MIN(LOW,DELAY(CLOSE,1)):MAX(HIGH,D

ELAY(CLOSE,1)))),6)

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

选股条件

动量指标选股

仓位设置

等权重

调仓规则

1-5个交易日

风险管理

无

回测设置

• 初始资金：500000

• 起始时间：2023-06-01

• 结束时间：2024-08-20

• 交易成本：买入万3，卖出千分之1.3，不足5元按5元收取

• 撮合价格：开盘价

  \

  回测与分析

  绩效指标

  总收益：16%

  年化收益：13%

  夏普比率：0.87

  最大回撤：6%

  
  结果分析

  整个策略表现不错，年化收益远超银行理财产品，其中最大回撤为5%，主要是行业

策略全称

基于银行股的年化57.29%均线择股策略

策略绩效图

作者

黄帅

发布日期

2024-08-22

风险提示

• 本文只是基于公开的研报、书籍做策略复现，纯技术和工具使用交流，不代表投资建议

• 本文涉及的文字、图片、链接、代码，仅作为量化交易这门技术的学习交流，不代表投资建议

• 投资有风险，入市需谨慎

  \

策略概述

理论依据

今年以来，

策略全称

基于股息率因子的择股策略

策略绩效图

作者

大田

发布日期

2024-08-26

风险提示

• 本文只是基于公开的研报、书籍做策略复现，纯技术和工具使用交流，不代表投资建议
• 本文涉及的文字、图片、链接、代码，仅作为量化交易这门技术的学习交流，不代表投资建议
• 投资有风险，入市需谨慎

\

策略概述

风格因子

A股当前也有一些不错的风格et

大家每人自定义一个策略，要求：

• 股票选股策略（不是事件策略或者买入并持有策略）
• 使用线性模板或者AI模板
• 初始资金100万
• 回测时间：2023-01-01至2024-06-19
• 不可以使用未来函数
• 其余策略设置不做任何要求

大家只要提交作业，就奖励300宽币。之后我们以夏普比率作为标准，前5名奖励宽币

• 第一名：2000宽币
• 第二名：1000宽币
• 第三名：800宽币
• 第四名：500宽币
• 第五名：300宽币

请大家完成作业后，在本文的评论区提交，作业提交截止时间为：6月23日（周日）晚10点

\

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

\

导语

《Machine Learning for Stock Price Forecasting》是Ali El-Shayeb撰写的机器学习系列文章 ，本文主要介绍其第二部分内容——《监督式机器学习算法的应用》，并将其思想和代码应用在中国股票市场，开发出具有择时功能的监督式机器学习算法，最后进行策略回测。对此感兴趣的小伙伴可以直接在

欢迎有相关经验的大牛来一起打拼！！！

美国湾区自营量化团队，规模小但是能量大，已经有很多成功的算法策略在运转。现在因为公司发展越来越快容量越来越大，急需一位高频执行系统工程师加入，高薪高奖。有兴趣的朋友快来联系啦！简历直接email HR 邮箱：kwandering1225@gmail.com。非诚勿扰，谢谢🙏

\n公司简介：

我们是一支位于美国湾区的自营量化交易团队，专注于运用人工智能技术优化交易策略。尽管我们的团队目前只有5人，但我们的日交易量已达到Billion美元级别, 在各大平台都是前五的做市商

学习量化也有一段时间了，BigQuant平台与知乎可以说是我的主要学习战场了，一直在跟着BigQuant学院那个《AI量化训练营》学习，再从从知乎中寻找优秀文章进行补充，最终在平台进行实践，我觉的这样效率很高，我整理了知乎量化交易话题，及程序化交易、宽客、多因子模型等子话题中的精华帖，筛选了高赞的文章及回复，分享给大家，希望大家可以多多交流。

什么是量化交易？

度娘官方版 — 理论这么说

量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策 。（注：文末含所有量化核心工具）

简介版 — 职场上的量化交易

量化交易主要是根据纯粹的数

什么是时间序列和时间序列分析

时间序列是随时间推移的一系列观察结果，用于所描述现象随时间变化的情况。这类数据反映了某一事物、现象等随时间的变化状态或程度。比如以下都是时间序列数据的例子“

• 过去 5 年的每日股价
• 过去 90 天的 1 分钟股价数据
• 一家公司过去 10 年的季度收入
• 一家汽车制造商过去 3 年的月度汽车销量
• 一个州过去 50 年的年失业率

来到时间序列分析，它只是意味着识别那些有助于分析时间序列数据的方法。

由于预测股票市场的未来股票价格对投资者至关重要，时间序列及其相关概念具有组织数据以进行准确预测的卓越品质。在本文中，让我们阅读时间序

AI量化指标的选择和排序取决于特定的投资策略、市场条件和数据可用性。

以下是30个常见的AI量化指标，按照一般在量化分析中的重要性排序：

1. 收益率（Return）
2. 夏普比率（Sharpe Ratio）
3. [波动率](https://bigquant.com/wiki/doc/5roi5y

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

分享一些量化交易相关的常识信息。

五因子模型公式及应用

五因子模型是哪五个因子

**[多因子选股模型及优缺点](https://bigquant.com/wiki/doc/5asa5zug5a2q6ycj6ikh5qih5z6l5zcn6kn6ke

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

**概念定义：**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；

**主要原理：**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；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。（文末含量化核心资源）

核心工具

数据分析

历史数据分析：通过分析历史价格、成交量等数据来预测市场趋势。

实时市场数据：收集实时交易数据，对市场

BigQuant量化交易开发平台是专为量化投资和交易设计的综合软件平台。提供一系列量化开发工具和服务，使交易者和投资者能够开发、测试、优化和执行复杂的量化交易策略。（文末附开发资源汇总）

基本概念

量化开发平台通常包括数据分析、策略开发、回测、风险管理和自动化交易功能。它们为量化交易者提供了一个集成环境，用于构建和实施基于数学和统计模型的交易策略。

核心功能

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

在这个数据驱动的时代，量化交易不仅是金融领域的革命，更是智慧投资的未来。

通过精确的数学模型和强大的算法，洞察市场动态，捕捉那些传统交易方法难以觉察的盈利机会。

量化交易赚钱的核心包括以下要点：

1 市场分析与策略开发

量化交易的核心在于市场分析和策略开发。这包括使用历史数据来测试和验证交易策略的有效性。

例如，通过回溯测试（backtesting），交易员可以评估一个策略在过去市场条件下的表现。

这种方

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

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

以下是直播实录

谢谢大家，今天非常荣幸能够参加量化投资与机器学习公众号的举办的这场量化活动。今天我分享的主题是《金融科技与量化交易的中国实践》。

首先，做一个简单的自我介绍。我从05年到09年在北大就读物理学，毕业之后去了美国，12-13年在Citadel从事美股高频交易，工作一年多后就从纽约回到中国，创立了锐天投资（以下简称：锐天）。锐天从2013年开始到现在已经走过了七个年头，也见证了中国资本市场在量化领域的发展。今天我就花一些时间跟大家做一个简单的分享，谈谈这个行业的现在过去以及未来。

首先简单介绍一下量化交易这个概念吧。其实量化交易是一个非常宽泛的概念，今天我们就挑几个大

在量化交易中，我们常听到和看到因子是量化研究中关键的一环。一个量化策略是5个因子的效果好，还是50个因子的效果好？因子之间有什么样的关联和差异？对量化交易策略收益的影响如何？那么因子投资是什么？为什么量化交易要用因子？

我们可以将投资决策因素看作是营养对食物的影响。根据营养成分，您可以决定食用哪种食物以及食用多少。因素对于了解特定投资方法的风险和回报是不可或缺的。

因此，每个交易者都会根据自身对回报的风险承受能力来投资风险和回报因素相似的股票。在本文中，我们将详细了解因子投资。

什

导语

公司的基本面因素一直具备滞后性，令基本面的量化出现巨大困难。而从上市公司的基本面因素来看，一般只有每个季度的公布期才会有财务指标的更新，而这种财务指标的滞后性对股票表现是否有影响呢？如何去规避基本面滞后产生的风险呢？下面我们将重点介绍量化交易在公司基本面分析上的应用，即平时常说的 基本面量化（Quantamental）

反映公司经营优劣的指标

首先我们简单介绍下可能运用在量化策略上的基本面指标，相信大部分投资者都对上市公司的基本面有一定的了解，上市公司的基本面情况总是同公司业绩相关，而衡量业绩的主要基本面指标有每股收益、净资产收益率、主营业务收入等等。

而上市