可以做到实时更新吗？目前看更新时间好晚，根本不能盘中使用

回测如何设置一次全仓买入一只股票

策略请求接口

order(symbol, volume, price, order_type=OrderType.LIMIT, offset=Offset.NONE)

• 下单[股票、期货]，必须指定标的、下单数量、下单价格

想要每次以当日开盘价购入10手,文档里写必须指定下单价格。价格可以不输入，自动获取么？

\

我在运行BigQuant平台提供的例子中发现从平台提取的股票价格和真实的实盘价格并不相同。比如，我在跑“因子表达式”中提供的例子“实现时序最大值“时，发现000691.SZA的收盘价close_0和真实的实盘收盘价是不同的。如2019-10-08这天的实盘收盘价是3.79元，而例子从平台获取的close_0却是11.576945。其它日子的价格也不一致。

请问老师，这是怎么一回事？

BTW， 上面所提及的例子在”文档--因子--因子基本使用--因子表达式“中。我是100%拷贝例子的代码运行的，未做丝毫修改。另：其它的例子也有类似的情形。

请老师解答一下我的疑问。谢谢！

\

发现日行情数据提取错误，

1是通过使用查看结果的“导出csv”后的导出的csv，只有2023-08-01一天的数据，想导出全部数据要怎么样处理啊

2是导出的数据中，有macd数据不对，和通达信的对不上，通达信是0.X。不知道错误原因是什么，还有没有其他错误，你们能确保完全正确的数据源是那个？

谢谢

[https://bigquant.com/codeshare/882731c2-90fa-44d9-aab2-17b6fb7e8cfd]

摘要

本篇报告中，我们将开创性的构建全新的多因子模型体系--短周期交易型多因子阿尔法选股体系。

通过交易型阿尔法策略的研究，我们发现在A股市场，与传统多因子模型所获取的股票价值阿尔法收益相比，交易型阿尔法收益的空间更大、收益稳定性也更强。

即便是最纯粹的价值投资者也不得不承认，交易行为在短期内对股票价格起着几乎是决定性的影响，而发掘这种交易型套利空间正是量化投资的优势所在，因此量化模型在这一领域内应有着广泛的运用空间。

在本篇报告所构建的交易体系中，我们总共构建、运用了将近200个短周期阿尔法因子，其中因子数据则均来自于个股日频率的价格与成交量数据。在此基础上，我们构建了

摘要

在市场上，对于资产、基金的分类一直是大家讨论的话题，根据业绩走势对于基金进行分类我们也曾有相关研究。研究资产的相关性一个重要的应用就是可以利用相似资产找到原资产中不可购买的一部分资产。本期琢璞系列我们推荐Chen, Chun-Hao, and Chih-Hung Yu（2017）的《A Series-based group stock portfolio optimization approach using the grouping genetic algorithm with symbolic aggregate approximations》，文献利用遗传算

行为金融学表明市场的投机情绪会导致股票价格偏离基本面，许多投资者情绪指数已通过实证研究证明能够预测市场收益率。公司管理层与投资者一样也无法避免行为偏差，对公司产生偏离基本面的过度乐观或悲观情绪，进而导致市场出现非理性的反应，并且相较于投资者来说还拥有信息优势，然而管理层情绪对股票收益率的影响却鲜有研究。本期我们给大家推荐的文献《Manager Sentiment and Stock Returns》将补充情绪指数方面的研究，针对经理人情绪对股票收益率的预测能力进行探究。

本篇文章使用文本数据挖掘方法从公司财报和电话会议纪要中采集数据，提取其中隐含的经理人乐观或悲观的情绪信息，由此构建经理人情

指标介绍

梅斯线（Mass）：

所需数据和参数：Mass(high,low,smoothlength,summationlength,malength )

指标伪码：

MASSVAR0:=EMA(HIGH-LOW,SMOOTHLENGTH);

MASSVAR1:=EMA(MASSVAR0,SMOOTHLENGTH);

MASSVAR2:=IF(MASSVAR1>0,MASSVAR0/MASSVAR1,0);

MASSVAL:SUM(MASSVAR2,SUMMATIONLENGTH);

指标含义

[/wiki/static/upload/b4/b4d2ac13-d4

简介

投资者依靠股票-债券的相关性来构建最优投资组合、设计对冲策略和评估风险。大多数投资者只是通过推断月度收益的历史相关性来估计股票与债券的长期相关性，但这种方法显然是不可靠的。作者为产生可靠的股票-债券相关性的预测引入了四项创新。首先，本文引入单期相关的概念，以解决股票和债券收益的自相关和滞后交叉相关不为零以及长期相关性随时间变化的问题。第二，确定了股票-债券相关性的基本预测因子。第三，将股票和债券相关性建模为一些基本预测因子路径的函数，而不是单一观测值的函数。最后，对样本进行审查，进行部分样本回归。结果显示，股票-债券相关性预测的可靠性得到显著提高。

全文

[/wiki/

摘要

再平衡策略可通过多种改进方法，以提高在不同市场环境中的适应性

本文介绍了再平衡的定义、分类，对比了再平衡策略和买入并持有的差异，并针对再平衡策略进行改进优化。定期再平衡在投资组合中股票相对债券出现单边趋势行情时，表现不如买入并持有。为了提高再平衡在不同行情中的适应性，本文提供了一系列在实践中可行的方案。通过对中美股债组合再平衡的回测分析，发现适当降低定期再平衡的频率或采用超出范围再平衡策略可以在趋势行情中提高收益并减小回撤。此外将部分资金投入到股票趋势策略中，或以趋势信号判断行情走向后再选择性地进行再平衡，都能够增强再平衡策略在不同市场环境下的适应性。

定期再

利用算法进行股票量化交易是当今金融市场的一个重要趋势。在国际象棋和围棋等诸多复杂的游戏中，深度强化学习（DRL）智能体都取得了惊人的成绩。深度强化学习的理论同样适用于股票市场的量化决策。本文介绍了同济大学计算机科学与技术系的上海市大学生创新创业训练计划优秀项目：「基于深度强化学习的金融量化策略研究」，解读了如何训练一个 A 股市场的深度强化学习模型，以及回测的绩效表现。

在该项目中，研究者把股票市场的历史价格走势看作一个复杂的不完全信息环境，而智能体需要在这个环境中最大化回报和最小化风险。相比于其他传统机器学习算法，深度强化学习的优势在于对股票交易任务进行马尔可夫决策过程建模，没有将

报 告 摘 要

概念动量的理论基础

传统的资产类别划分方法（如行业划分）具有清晰的定义，但是现在很多股票都会被划分到不同的概念板块中，而概念板块的划分则相对模糊。当投资者很难厘清概念板块的信息时，概念的扩散就相对缓慢，此时“概念动量”就形成了。

概念动量策略实证结果

本文以概念板块成分股的等权组合构建概念组合，根据过去F个月概念组合的收益率按大小分为5组，随后买入赢家概念中的股票并卖出输家概念中的股票，持有H个月，且在每个月进行再平衡。

当选择形成期F=6个月，持有期H=6个月并剔除最近1个月收益时，经过FamaFrench五因子调整后的月均超额收益达到

{{membership}}

https://bigquant.com/codeshare/0527a8c8-9944-4c74-b845-2068dce50bd1

\

报告摘要

主要观点

本篇是“学海拾珠”系列第十九篇。本文研究了股票收益的情绪再现效应和情绪反转效应，作者对股票在历史与未来的情绪一致时期和情绪不一致时期的季节性收益规律进行检验，并通过测算股票收益对情绪变化的敏感程度，即情绪Beta，构建相应的投资策略。

• 市场情绪的季节性变化：月度效应与周度效应

前人证明了在每年的1月和3月以及每周的周五，投资者情绪都会出现一定程度的上涨；相反，在每年的9月和10月以及每周的周一投资者情绪则会较为低落。这一现象同样也反映在资本市场中，到了每年的1月和3月或是周五，投资者更倾向于把安全资产转换为风险资产，这导致了风险资产

\

摘要

盘感也可以量化么？是的！在本篇报告中，我们将尝试用量化工具去识别股票价格的盘中异动,并以此构建事件驱动模型获取超额收益。

在通常情况下，股票与指数的日内走势是随波逐流的关系。但是，在某些特殊的交易日里，股票可能在盘中频繁出现与指数走势背道而驰的情况。这种个性十足的价格异动，我们称之为“特立独行”事件。借助相关系数的简便工具，我们提出了“特立独行”异动事件的量化筛选方案。

在过去3年的历史回测中，“特立独行”事件模型总共选出异动样本7351次。持仓60日的平均累积超额收益，相对上证综指约为6%，相对万得全A约为2.5%。特别地，与我们直觉相符的是，异动样本中“逆势涨”的

研究结论

如果没有额外的信息或者大资金的强行介入、股票的日内交易特征应该处于较稳定状态，反之如果股票的日内价量特征很不稳定，那么该股票大概率有信息溢出或者被幕后大资金操控，而此时应该是考虑离场的时候了。

我们基于日内5分钟线计算了日内收益率的波动率、偏度、峰度和日内成交量的波动率、偏度、峰度和HHI指数共7个日内交易特征，考虑到时间序列自相关性，我们采用Newey-West调整标准差度量日内交易特征的稳定性（SDRVOL，SDRSKEW，SDRKURT，SDVVOL，SDVSKEW，SDVKURT和SDVHHI）。

7个日内交易特征稳定性因子在各个样本空间均展现出日内交易特

摘要

我们在本篇报告中将目光聚焦于日内价量信息和交易特征，使用分钟数据构建一系列高频因子，并对比各因子在股票和期货中的表现

高频因子分类

高频因子可以分为收益率分布、成交量分布、量价复合、资金流和日内动量等几个主要的类别，各类因子还可以做进一步的细化，例如收益率分布因子包括已实现偏度、已实现峰度和上下行波动率等。

收益率分布因子

高频偏度和下行波动占比具有显著的选股效果，多空组合月均收益差分别为1.45%和1.87%，因子IR分别为2.61和3.31。因子在股票中均呈现出反转效应，即高频偏度小、下行波动占比高的股票未来收益表现更好，而在期货中呈现出动量效应，即高

研究结论

随着技术的进步和竞争的加剧，越来越多的投资已经开始关注日内高频数据，高频数据一般指分笔数据（Tick）、快照数据（Quote）以及衍生出来的分钟数据、资金流量数据等，本文涉及主要是日内5分钟行情数据。

本文主要想考察股票的日内价格行为特征和股票未来收益率之间关系，度量股票日内价格行为特征最简单的方法是计算日内收益率的高阶矩（波动率、偏度、峰度），考虑到股票的收益率受市场、市值等风格的影响，我们在计算高阶矩时收益率用Fama-French回归的残差替代，分别计算日内特质波动率、日内特质偏度、日内特质峰度三个指标，以20日均值作为月度指标。

通过分析各因子的Rank

摘要

我们在本篇报告中将目光聚焦于日内价量信息和交易特征，使用分钟数据构建一系列高频因子，并对比各因子在股票和期货中的表现。

高频因子分类。高频因子可以分为收益率分布、成交量分布、量价复合、资金流和日内动量等几个主要的类别，各类因子还可以做进一步的细化，例如收益率分布因子包括已实现偏度、已实现峰度和上下行波动率等。

收益率分布因子。高频偏度和下行波动占比具有显著的选股效果，多空组合月均收益差分别为1.45%和1.87%，因子IR分别为2.61和3.31。因子在股票中均呈现出反转效应，即高频偏度小、下行波动占比高的股票未来收益表现更好，而在期货中呈现出动量效应，即高频偏度大、上行波动

研究结论

尾部相关系数是指二维分布中尾部数据的相关系数。反映了两个资产在极端情况下同涨或同跌的可能性。尾部相关系数分为两种，上尾相关系数和下尾相关系数。

我们基于copula方法来度量股票和市场之间的上下尾部相关系数，从结果看，上下尾部相关系数原始值和行业市值中性化后因子值在中证全指范围内均有着很强的选股效果，从2006.1-2018.9行业市值中性化后的rankIC分别为0.056和0.043，ICIR分别为2.51和1.88，但是从因子间相关性角度出发，发现这两个因子和特异度高度相关，剔除完特异度后并没有选股效果。

我们进一步结合上下尾相关系数构建上尾异常相关系数因子，

摘要

近年来，随着投资者对于技术因子挖掘的深入，能够给模型提供额外选股能力的技术因子也越来越少。考虑到现有的技术因子多基于成交数据计算得到，本文考虑使用盘口委托挂单数据构建因子，挖掘成交之外的信息。

开盘后30分钟平均净委买变化率因子具有较强的月度选股能力。回测结果表明，股票开盘后30分钟的平均净委买变化率越高，股票未来的相对收益表现越好。若将开盘后30分钟的平均净委买变化率看作是投资者对于前一天收盘后股票信息的集中反馈，那么该因子与股票未来收益之间的正相关性则表明，投资者对于信息的集中反馈越正面，体现出的买入意愿越强，股票未来的超额收益表现越好。

净委买变化率波动率因子具有较强的

研究结论

股票的任何一笔成交价格都是买卖双方撮合的结果，股票价格的变动与股票的买压与卖压密切相关，如果买压较大，价格大概率上涨，如果卖压较大，价格大概率下跌

如果股票的买压较大，有投资者择机逢低买入，那么股票在价格低位的成交量相对较大，反之卖压较大，则股票在价格高位的成交量较大。反过来，我们也可以通过股票价格和成交量的关系去捕捉股票的买压和卖

投资者逢低买入或者逢高卖出是个自适应的过程，即使投资者不能够事先判断局部高位、或者局部低位，也能通过自己的交易行为实现

价格和成交量的关系会影响股票成交量加权价格vwap的水平，基于这种联系，我们提出了APB指标用于捕捉股票的买卖压力，AP

摘要

随着传统因子研究的深入，通过使用日级别数据已经很难发现能够在传统技术选股因子之外提供额外选股能力的因子了。考虑到传统因子多使用日级别数据刻画股票日间的形态特征，通过引入日内高频数据刻画股票日内的特征也许能够为模型带来新的信息以及Alpha。这一观点也在本系列前一篇研究（《选股因子系列研究十八——价格形态因子》）中有所印证

本报告主要使用了股票1分钟价格数据构建了相关因子，对于股票高频收益分布特征（方差、偏度以及峰度）进行了刻画。报告主要分为三部分，第一部分讨论了因子的构建以及计算方式。第二部分从单因子的角度对于因子的选股能力进行了分析。第三部分对比分析了加入高频因子的改进模型以