策略核心思路：高抛低吸\n找股价处于有线级别相对较低的位置，采用打分排名的方式，进行买入，当股票上涨后打分就会变低，排名就会降下去，排名低于预设范围，则进行卖出换票，换的票又是打分较高的票（即换一支相对更低位的票，前一支票卖出利润到手），逻辑虽然简单，但很实用，无法在各种行情下都赚，一年内一般会有几

前言

感谢BQ-小Q送的礼物，礼物已经收到拉，一如既往的黑盒高科技风。高端大气上档次。

• 
  ![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/att

最近能看到一个挺明显的趋势：大家讨论的焦点，正从“如何挖掘一个更强的因子”，逐渐扩展到“如何让AI帮我生成/优化整个策略”。这背后是一个根本性的效率诱惑——如果描述一个想法，就能直接获得可回测、甚至可实盘的代码，那策略研发的迭代速度将发生质变。

这确实正在发生。无论是通过自然语言生成基础策略框架，

代码链接： https://bigquant.com/codesharev3/cd489b9a-5140-4650-8fb3-891bdcd6b13d

密码可以找小q老师要

\

基金绩效分析教程：用 Python 对比子基金与中证1000

一、项目概述

该帖子用 Python 对两

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 **

研报成文时间：2021年6月

金融市场的状态（Regime）通常会不定期的切换并保持一段时间，市场状态的

from bigmodule import M
import pandas as pd
from datetime import datetime, time

# ==========================================
# 1. 用户配置

优秀策略分享——数据标准化策略研究

影响策略效果的因子有很多，每个人所选择的因子也各有不同，选取因子后，如何分析数据，找出有效选股逻辑模型就成为重点。该数据分析工作是策略逻辑编写中最耗时的部分，本文介绍，如何简化数据分析的工作：数据标准化处理

举例说明：

当天收益因子：5000支票

“财报一发布，股价盘后跳空15%，我的止损单根本没触发，亏了预期的四倍。”“明明每股收益（EPS）超预期20%，为什么一开盘反而暴跌？”

在美股财报季，很多习惯了A股连续竞价和涨跌停板的投资者，往往会付出惨痛的学费。你以为设定的止损单是保护你的“安全网”，但在盘后流动性枯竭的跳空（Gap）面前

在量化策略开发与跨境投资研究中，数据API是整个回测、仿真与实盘体系的基础底座。很多宽客与开发者在初期选择数据接口时，往往只关注成本与免费额度，却忽略了数据完整性、低延迟、接口稳定性、字段规范性等直接影响策略效果的关键因素，导致后期出现数据缺失、推送延迟、调试困难等问题，严重拖慢策略研发与实

不用打开行情软件，不用敲代码，微信对话框里问一句“黄金多少钱”，AI 把实时价格推给你。甚至还能让它每隔 3 分钟报一次价。\n这套方案，十分钟就能搭好。

一、开篇：从“人找数据”到“数据找人”

我最近做了一件很爽的事：把 AI 接进了微信，让它帮我盯行情。

小市值量价共振策略（带大盘择时）

一、策略核心逻辑

本策略聚焦小市值风格，通过「量价共振+基本面筛选+大盘择时」三层过滤，捕捉短期强势且估值合理的小市值标的，同时规避极端市场风险。

二、股票池筛选

• 范围：主板、创业板，排除科创板、北交所
• 过滤：剔除ST

在量化策略开发过程中，行情数据的稳定性、时效性与标准化是策略回测、实盘运行的核心基础。此前在开发美股、外汇相关量化策略时，曾长期受困于爬虫取数掉线、数据格式混乱、更新滞后等问题，即便策略逻辑再完善，也会因数据问题导致回测失真、实盘执行受阻。而__[AllTick API](https://allti

美股周末无法实盘下单是行业共识，但对量化开发者而言，这并非量化工作的空窗期，而是沉淀数据、验证策略、优化模型的关键时段。依托__AllTick API__稳定的行情接口与全维度数据服务，可将周末转化为量化策略打磨的黄金窗口期，实现非交易时段的高效开发，为

在美股量化交易策略开发与实盘盯盘时，常遇典型问题：盘前阶段股票查询 API 数据长时间无更新，价格、时间戳定格，极易被判定为接口故障。实则测试多款数据源后可知，这一现象并非 API 本身问题，而是盘前市场的交易特性决定的，厘清这一逻辑，才能更合理地对接行情数据、搭建量化策略。

作为高频量化交易者，

在量化交易场景中，美股单标的（如JMG）复牌阶段的行情研判是高频痛点——复牌后价格波动率陡增、成交量呈脉冲式变化，对数据的实时性、完整性要求达到毫秒级。若依赖人工盯盘或低频数据采集，极易因信息滞后、主观判断干扰导致量化策略失效，这也是多数美股量化策略在复牌场景中胜率偏低的核心原因。对量化从业者而言，

做跨境量化投资的我们，肯定都遇到过这样的难题：面对美股复牌股，想捕捉开盘窗口期的交易机会，却总被市场情绪牵着走 —— 看新闻、刷社交平台的碎片化信息，要么滞后要么片面，凭经验判断又容易踩坑。尤其是 JMG 这类复牌个股，开盘前几分钟的股价波动看似无序，实则藏着最真实的市场资金动向，可光靠 “感觉”

作为常年深耕高频交易的个人投资者，我日常做量化分析、搭建自有行情监控系统时，最核心的诉求就是能精准、无延迟地获取多只股票的实时数据 —— 毕竟高频交易的盈利机会往往藏在毫秒级的价格波动里，数据慢一步，可能就错失了关键交易时机。这也是券商投顾服务高频交易客户时，最核心的需求痛点之一。

但在很长一段时

开篇引言\n上周的深度探讨引发了很多同行对“自然语言生成代码”效率的讨论。今天，我不谈理论，直接展示一个完整案例：如何将一段清晰的策略文本，变成在QMT中真实运行的、带有回测结果的趋势跟踪策略。整个过程，就像为你的想法配备了一位精通QMT API的即时翻译。

第一步：策略构思——用

作为有想法但写代码费劲的交易者，我的策略验证循环曾被卡在“实现”环节。

直到我用上一个工具：将交易逻辑用自然语言描述，它直接生成可运行的QMT策略代码。

输入：“交易茅台，10日线上穿60日线全仓买，下穿全仓卖，用前复权数据。”

生成：约五分钟后，获得一个完整的 代码。

我是Alex。

当策略在历史回测中表现完美，很多人会迫不及待地想把它推向实盘。但真实市场专治各种“回测完美主义”。在按下启动键前，我总会对策略进行六项压力测试，这是策略从“实验室样品”变为“工业产品”的关键质检环节。

测试一：数据健壮性检验

目标： 看策略是否只能活在“清洁数据”

我们可能是对“AI+量化”这个话题最熟悉的一群人。我们熟练地调用各种预训练模型，用海量数据喂养它们，满怀期待地等着那个“神奇因子”或“圣杯预测”的出现。但不知道你们有没有和我一样的困惑时刻：

*我们是不是把AI想得太“聪明”了？或者说，我们是不是在用错误的方式，期待它解决一个本质上不同的问题？

在做量化研究，最兴奋也最让人警惕的时刻，可能就是看到一个新因子在样本内展现出近乎完美的预测力——IC高，回测曲线平滑上扬。那一刻，感觉仿佛触摸到了市场的某种脉搏。

但不知道大家有没有同感，这种兴奋之后，随之而来的常常是一种更深的困惑。随着我们拥有的数据维度越来越多（另类数据、舆情数据、产业链数据）

跑出一个回测年化80%的策略后，我却更慌了。

\

今天想和大家聊聊我这段时间最大的一个跟头，也是我认为新手最需要警惕的一个坑：过拟合。

说出来不怕大家笑话，最近我弄了一个“像样”的策略流程大概是这样：

1. 选了一堆听起来有道理的基本面和技术面因子（PE、PB、ROE、动

做量化这些年，有个体会越来越深：策略决定你的收益曲线可以画多高，但风控决定这条线能画多久。

刚开始的时候，我和很多人一样，风控等于“设个止损位”。直到经历过几次刻骨铭心的回撤，才明白真正的风控是一套嵌入血液的系统思维，它发生在你写第一行代码之前，并持续到策略生命周期的最后一刻。

今天不谈