策略介绍

本策略是104选股策略（🌟104-选股策略）模板的具体应用。

由于公司利润变化较大，而且依赖于会计准则、研发投入、设备更新投入等因素，难以正确反映公司的经营状况，而销售收入更加稳定，

一、策略概述

这是一个打板的分钟回测策略，如果要实盘的话肯定需要自动化。回测绩效结果如下：

从24年9月到25年3月，取得了年化82.43%的年化收益，最大回撤可控，-20.74%。策略的特点就是胜率较高，符合打板策略的特色。

![](/wiki/api/attachment

一、策略概述

这是一个打板的分钟回测策略，如果要实盘的话肯定需要自动化。回测绩效结果如下：

从24年9月到25年3月，取得了年化82.43%的年化收益，最大回撤可控，-20.74%。策略的特点就是胜率较高，符合打板策略的特色。

![](/wiki/api/attachment

引言：会买的是徒弟，会卖的是师傅

在波谲云诡的二级市场，进场往往只需要瞬间的勇气，而离场却需要极致的理性。交易界公认：“会买的是徒弟，会卖的是师傅。”这并非虚言，因为很多时候一只票的卖出决策，才是真正决定投资账户净值走向的关键。

投资者最大的痛点在于无法战胜人性中的“贪婪”：在行

很多做量化的朋友聊起生存偏差，第一反应往往是“回测时别漏了退市股”。但从这些年扒过的数据来看，这个坑远比想象的深。

过去几十年，学术界和顶级量化机构利用美股多年历史数据已经把这个陷阱挖出了至少5个层次。每一层都在悄悄高估你的收益、低估你的风险。

本文将用真实数据（全部来自

import dai

import bigcharts

start_date="2026-01-01"

end_date="2026-01-28"

sql = "select date, instrument,name,close from cn_stock_barld order by d

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。

引言：丛林法则的重塑与被收割的真相

在当今的资本市场，许多散户常有一种毛骨悚然的“透明感”：似乎自己每一次试探性的买入都会引来精准的下跌，而每一次忍痛割肉的瞬间，股价便如释重负般拔地而起。这种仿佛被全方位监控的无力感并非幻觉，而是因为市场的丛林法则已被量化算法重写。

在算法交易时代，核心矛

介绍

通过本地 VSCode 连接到BigQuant AIStudio，在本地 VSCode 里开发、调试、运行等。

注意：本地 VSCode 没有 AIStudio 可视化开发等功能。我们仍然推荐使用 AIStudio。

此功能 年度旗舰版 专有。

插件下

在投资市场中，最令人沮丧的现象莫过于：一个投资者每天花费十几个小时研究K线、背诵指标公式，操作起来却依然步履维艰，甚至亏损累累。这种“勤奋的亏损”往往源于一个底层逻辑的偏差——过分迷恋技术工具，却忽视了驱动市场的核心规律。

作为一名长期观察财富心理的策略师，我必须提醒你：技术指标本质上是滞后的历史

在量化交易与技术分析的领域，MACD（平滑异同移动平均线）被公认为“指标之王”。它在全球市场屹立 50 多年不倒，从上万种技术指标中脱颖而出，绝非偶然。

然而，交易市场遵循残酷的“7-2-1”法则：70% 的人亏损，20% 平保，只有 10% 的人能够盈利。绝大多数散户吐槽 MACD“太滞后”，等

实盘整体流程

1.开通BigQuant合作券商账户（指定二维码开通享手续费优惠），并申请实盘、绑定实盘资金账号。

2.设置对应实盘资金账号的实盘策略，创建计划交易信号（实盘申请通过后：用户的实盘策略可选择用户的所有模拟交易策略）。

3.创建实盘访问凭证，获取对应访问凭证的密

当AI开始辅助写策略、自动挖掘因子、甚至生成交易信号，量化开发的效率正在被重新定义。但实测了市面上主流工具后，我发现一个量化圈很少讨论的真相：模型再强，没有高质量的数据基础设施，都是纸上谈兵。

开篇：一份数据，让我重新思考量化开发的“地基”

2026年初，*易观千帆

研报因子：数据平台——量化因子——研报因子

方正证券：<https://mp.weixin.qq.com/s?__bi

引言：席位背后的“财富幻觉”

在二级市场这个充满信息不对称的“狩猎场”里，散户最痴迷的莫过于寻找通往财富自由的捷径。盘后的龙虎榜，便成了无数人眼中的“圣经”。他们贪婪地审视着每一个耀眼的顶级游资席位，试图从中挖掘出所谓的“财富代码”，以为只要贴近大佬的呼吸，就能在博弈中分一杯羹。

然而，

性能优化代码

# 设置 OMP 线程数为 CPU 核数，避免多线程过度竞争，注意：必须在 import xgboost 之前设置。
# 未设置时，xgboost 会使用 c++ 层 libgomp.so 库获取物理机的核数，即 64，远超容器分配的核数，典型值是 2 或 

引言：打破“勤奋致富”的股市幻象

在多数投资者的认知里，“勤奋”等同于频繁交易。然而，股市本质上是一场非对称博弈。散户在市场中的“池塘时间”（暴露时间）越长，处于不公平博弈中的风险就越大，被掠夺的概率也随之激增。为什么真正的赢家往往看起来最“懒”？因为他们深谙“不作为”的艺术。在不对等博弈

我正在写一个CTA策略，其中有个关于股票股价的判断，其中判断如下：

m_ta_ema(close, 5) as _ema_5
m_ta_ema(close, 10) as _ema_10
m_ta_ema(close, 20) as _ema_20
m_ta_ema(cl

预计算因子（cn_stock_prefactors）表里net_profit_lf（净利润）和增长率字段缺失值实在太多了，有时候所有股票集体缺失，这个怎么办呢，以及不知道价格有没有缺失，有时候算着算着比如长周期乖离这样的因子就会缺失，不知道数据是怎么来的，以及经常碰到的数据问题是怎么回事

我正在使用标普500的数据写一个简单的动量因子策略，运行时一直打印以下日志：\n

问题一

日志 103 条 ▼
[2026-03-18 15:40:22] INFO: bigtrader.v35 开始运行 ..[2026-03-18 15:40:22] INFO: py

在股市的修罗场里，最不缺的就是勤奋。很多人挑灯看盘、研读财报，却依然逃不掉被收割的命运。为什么？因为市场从不奖励盲目的努力，它只奖励对生存逻辑的深度认知。

投资不只是技术的博弈，更是人性与心态的较量。在某些关键时刻，决定你生死的往往不是某只牛股，而是你是否守住了底线。以下这五条“救命”建议，请务必

策略概览

本策略通过筛选近两周内稳定上涨的股票，再通过换手率和振幅因子筛选出相对低波的股票。

策略广场链接：https://bigquant.com/square/ai/8c36995c-253e-ab50-9b33-88921adc6a92

开发思路

观察和假设

!

报错信息：\n--------------------------------------------------------------------------- ErrorReturnCode_255 Traceback (most recent call last) Cell In[

策略在回测时调仓频率是5天一次，或触发止盈后调仓，但提交模拟后3月17日-3月25日这几天每天都有调仓信号，而回测中的只有3月20日这一天调仓。

模拟交易详情如下：

| 日期时间 | 股票 | 操作 | 成交量 | 成交均价 | 成交额 | 手续费 | 委托数量 | |----|----