问题

高频回测模块择时策略

\

视频

https://www.bilibili.com/video/BV1S44y1y7dc?p=2&share_source=copy_web

策略源码

8月19日Meetup策略模板：

[https://bigquant.com/experimentshare/a6bae485ffcc47819510b788ddfad338](https://bigquant.com/experime

从一个广为流传的误解开始

近期，关于“量化交易”和“高频交易”的讨论热度空前，许多普通投资者对此感到既好奇又困惑。在纷繁复杂的信息中，一个说法流传甚广：“美国限制高频交易每秒15笔，而中国是300笔，两者相差20倍。”

这个数字听起来具体而震撼，似乎为我们理解中美监管差异提供了一个清晰的标尺。然而，这个看似简单的数字背后隐藏着一个复杂的真相。这个说法是真的吗？美国监管机构究竟是如何看待高频交易的？这背后隐藏着我们对市场监管的哪些核心误解？

误解一：美国存在“每秒15笔”的硬性法规

对美国权威金融监管机构——从证券交易委员会到商品期货交易委员会——的

2025-11-18的数据1m钟高频数据存在

5,15,分钟的高频数据缺失标的数据，见图。

解开“黑箱”

作为一名普通的投资者，你是否常常感到困惑？为什么自己总是忍不住追涨杀跌，辛苦操作下来却收益甚微，而市场上那些神秘的“量化基金”似乎总能稳健地赚钱？这些基金就像一个不为人知的“黑箱”，其运作逻辑令人好奇又敬畏。

本文的目的，就是为你揭开这个“黑箱”的神秘面纱。我们将深入探讨量化投资背后最令人惊讶的几个核心逻辑，让你看清它们是如何在复杂的市场中运作，以及它们与我们普通散户之间千丝万缕的联系。

用“散弹枪”在高频交易中打败概率

量化投资的核心是预先设定的“策略”或“算法”，在专业术语中被称为“因子”。简单来说，基金公司会聘请科学家对过去十年的海量股市数据

0. 策略名词解释：

（1）突破因子（Breakout）：

• 上突破信号：

• 下突破信号：

其中 H和 L 分别为过去 Lb分钟最高价和最低价，MA 为均线。

\

1. 筛选标的

策略交易标的严格限定为创

\

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

摘要

文章指出，在过去20年中，武装冲突的频率增加，这些冲突不仅影响社会层面，还对经济和金融领域产生重大影响。例如，“9·11”事件后，市场不确定性显著增加，投资受到抑制。地缘政治风险对经济周期和金融市场有显著影响，因此中央银行家和企业投资者常将地缘政治风险视为投资决策的重要因素。此外，地缘政治事件对不同行业的影响不同，例如旅游业可能受到负面影响，而国防行业则可能从中受益。

研究方法

方法文章提出了一个结合ARMA-GARCH模型和多种神经网络技术的混合模型，用于检测日内市场模式并预测国防股票市场和外汇市场的波动。这些技术包括：

• ARMA-GARCH-神经网络（NN）

文章背景

高频交易（HFT）通过高速交易和复杂的算法在金融市场中迅速崛起，显著改变了电子市场的运作方式。尽管已有大量文献研究了HFT对单一市场质量的影响，但很少有研究探讨HFT在不同资产类别（如股票和期权）之间的跨市场影响。本文填补了这一空白，研究了股票市场中的HFT活动如何影响期权市场的流动性。

研究方法与数据

研究使用了2009年纳斯达克HFT数据和期权价格报告机构（OPRA）的交易数据，覆盖了103只股票。主要变量包括HFT的交易量、期权市场的买卖价差、期权的隐含波动率、Delta、Gamma和Vega等。此外，还使用了CBOE的开收盘期权数据、Refinitiv的五分

• your performance may suffer as PyTables will pickle object types that it cannot
• map directly to c-types [inferred_type->mixed,key->block3_values] [items->Index(['instrument', 'name', 'suspend_type', 'suspend_reason', 'suspended'], dtype='object')]
• pytables.to_hdf(
• [2023-11-09 19:42:22

如何把次日开盘数据加入策略？比如竞价金额，竞价成交量。开盘涨幅。

见 链接：

https://bigquant.com/experimentshare/e939e9c9a1ef43ec8f267205b530219b

\

输出：：：

\

求一个范例，谢谢

最好更细粒度的， 比如分钟级别。

好像没找到。 求例子。

https://bigquant.com/codeshare/108f8f5f-14e7-4a73-ba80-d9daa1f4f87d

\

摘要

2/3光速对你我来说可能只是一瞬，但对于高频交易公司来说，可能就是事业的全部。在瞬息万变的市场上，棋先一招常常就在微秒之间。

眨眼 0.4 秒，常被形容快，但有家公司花了 1400 万美元，就为了让自己再快 0.07 毫秒（ 0.00007 秒），5700 分之一眨眼的时间。

Jump Trading 公司在全球最大期货交易所芝加哥商品交易所数据中心对面，买了一块 12 万平方米的空地。

买了之后，他们没盖楼炒房，也不是为了风水，就是架微波通信基站，用于第一时间把交易请求传到芝加哥商品交易所。

![{w:100}{w:100}](https://n.sinaimg.cn

简介

本文旨在开发一种基于机器学习技术的概率模型，以识别高频交易（HFT）。该模型能够进行精确的日内识别，解决了现有HFT识别框架缺乏广泛接受标准以及代理指标带来的不一致性问题。通过利用学术数据，该模型为未来的HFT研究提供了更好的一致性和可重复性。通过引入模糊逻辑，概率模型使政策制定者在制定政策时拥有更大的灵活性。研究使用了法国资本市场BEDOFIH数据库的数据，并开发了一个能够准确区分HFT的稳健分类模型。此外，通过逆向工程将模型转化为可解释的回归树，增强了模型的可解释性，同时不损害其预测能力。本研究为推进HFT研究提供了有价值的见解，并为在不同市场环境中识别HFT提供

本文14323字，阅读约28分钟

导语：本文旨在用精炼的语言阐述实操层面的机器学习量化应用方法，包括给出实践中一些常见、实际问题的处理方案，并结合了量化应用实例。读完后大家可以在本平台进行实践检验。

文章概览：

1.人工智能量化投资概述

2.人工智能技术简介

3.机器学习在量化投资中应用的具体方法解析

AI相对于传统量化投资的优势 传统的量化投资策略是通过建立各种数学模型，在各种金融数据中试图找出市场的规律并加以利用，力所能及的模式或许可以接近某一个局部的最优，而真正的全局“最优解”或许在我们的经验认知之外。如同不需要借助人类经验的Alpha Zero，不仅

量化交易利用数学和统计学方法来分析市场并执行交易的过程，是现代金融的一个重要组成部分。量化模型的目的是通过算法自动识别并利用市场中的规律和机会，用以获取更多收益。

量化交易模型的一般由以下几个部分组成：

1 数据处理模型: 量化交易的基石是数据。这包括了从历史价格、成交量到公司财报、宏观经济指标等各类数据。对这些数据的收集、清洗和处理是构建有效模型的首要步骤。**[BigQuant策略编写平台](ht

交易引擎介绍

HFTrade是宽邦科技推出的致力于为用户提供便捷、功能强大的高频量化交易策略编写、回测分析、模拟测试和实盘交易的工具。

支持的品种

股票、基金、期货，可转债，未来会支持期权、债券、两融

交易频率

日线、分钟、Tick、逐笔

策略编写

策略程序架构

/wiki/static/upload/26/26e8ef87-1e69-42d3-9dea-e8be4ae5e150.pdf

\

/wiki/static/upload/98/98b68b06-687a-48cb-98af-760360071119.pdf

\

\

核心观点

短期涨跌的预测相比长期更容易，但覆盖交易成本后再获利的难度更大。所以在高频交易场景，机器学习更适合有限状态下的订单执行。而对于长期的预测，机器学习的训练目标可以不是评估在给定状态下的每股总利润或买入行为的回报，而是监控在该状态下买入与在所有可能状态下买入的相对盈利能力。

Michael Kearns在2010年的关于讨论机器学习在高频交易应用的论文中，提出了很多机器学习应用与高频交易的限制，很多思考放到现在都值得我们去学习。机器学习在高频交易中主要有两个方向，一是订单的执行优化，二是高频涨跌方向的预测。这两者本质的区别是执行优化是在一个确定性的空间寻找最优解，即交易