<fontcolor="brown"一、开篇</font <fontcolor="red"一切任务都可以抽象成一个工作流！</font  要踏入量化投资的复杂领域，本需艰难拼凑编程、交易实操、高阶数学、AI算法、金融市场等知识拼图。但掌握已专业定制的“工作流”这一核心绝技，就能直接复用专业投资者的经验路径——像搭积木般调用现成流程，把复杂任务拆解成清晰步骤，让新手也能快速对齐专业视角，少踩坑、少绕路，高效逼近量化投资的核心能力。 在20...

框架基本方法 基础方法说明 该策略为事件驱动性策略，需要实现框架中约定的事件回调方法，实现后回测、仿真、实盘通用。 策略头部需要默认引用内置API，代码为：frompanda_backtest.api.apiimport，后文不再重复赘述。 接下来具体介绍框架各个事件回调方法，必选代表必须在策略中实现。 策略初始化（必选） 函数：initialize 描述：策略初始化,主要用于初始化策略上下文中的变量，只在策略启动时运行一次 代码 python definitialize(context): 参数 |字段|类型|描述| |--|--|--| |context|Context...

工作流示例 为方便大家使用，我们提供了以下模版，供大家学习参考，新建一个工作流，直接拖对应的json到窗口中即可（json可找小助理领取），可以自己尝试修改参数和模型。 --- 直接收益率预测排序 🌟核心思路 利用XGBoost模型直接预测股票未来的收益率，并根据预测值进行排序和分组。 📌实施流程 1.输入因子矩阵 2.使用XGBoost模型进行回归训练，输出预测值：  3.对预测收益率进行排序...

量化算子工具类使用文档 本文档汇总介绍了量化算子工具类(公式版)中所有函数的功能、输入/输出说明以及使用示例。所有函数均以静态方式提供，调用时直接使用函数名称，无需添加类名前缀。 示例中均采用如下调用格式，例如： python 返回收盘价序列 CLOSE python 返回CLOSE(收盘价)和VOLUME(成交量)的20日滚动相关性系数序列 CORRELATION(CLOSE,VOLUME,20) python 返回收盘价、最高价、最低价三者的均值序列 (CLOSE+HIGH+LOW)/3 --- 基础因子 |因子名|说明| |-|-| |CLOSE|收盘价| |OPE...

<fontcolor="brown"一、引言</font <fontcolor="red"强化学习已经开始“闯”量化！</font  在参加《量变学院》第五期线下课程后，我首次接触到AlphaGen这一基于强化学习的公式化Alpha因子挖掘框架。其核心思想是通过策略梯度方法（如PPO算法）自动生成具有协同作用的Alpha因子集合，从而提升量化投资策略的性能。为深入理解《GeneratingSynergisticFormulaicAlphaCollec...

--- 一、问题的提出：因子表现为什么不稳定？ 做量化的朋友应该都有这样的体会：一个因子上个月还能选出一堆牛股，这个月突然就不灵了。你以为是因子失效了？其实很可能只是市场风格变了。 打个比方，这就像开车——你在高速公路上可以踩油门开到120，但进了市区还这么开，那就是找事了。动量因子也是一样，牛市里追涨杀跌没问题，但到了震荡市或者熊市，这套玩法就容易踩坑。 问题在于，我们现在用的大部分因子都是"一根筋"的——不管市场是涨是跌，是疯狂还是恐慌，它们都用同一套逻辑在选股。这就像不管春夏秋冬都穿同一件衣服，肯定有时候会不合适。 所以我们需要让因子变得"聪明"一点，能够感知到市场的冷暖，知道...

你有策略我帮助实现，你没策略我提供 别再让通达信数据“躺平”！Python编程帮你把行情变成赚钱信号，3天上手，免费领工具包 你是不是每天盯着通达信K线图，翻遍几十页数据却找不到精准买卖点？明明知道行情里藏着机会，却被手动选股、公式编辑搞得头大，眼睁睁看着好标的溜走？ 现在不用愁了！我帮100+股民解决过“数据不会用、策略不会写”的问题，用Python编程打通通达信的“任督二脉”—— ✅自动爬取通达信日线/分钟线数据，不用再手动导出Excel； ✅一键回测你的交易策略（比如MACD金叉、均线多...

继续深入天山老妖的QuantFabric教程学习之旅，这次的内容涵盖了两个关键主题：Git子模块的管理实践和C单例模式的设计实现。看似技术细节各异，但实际上都体现了系统工程中的核心思想——模块化管理和资源统一控制。 在量化交易系统开发中，代码组织和架构设计的重要性不言而喻。Git子模块解决了多团队协作中的代码复用问题，而单例模式则确保了系统关键组件的唯一性和一致性。工程实践中的每一个设计决策，都直接影响着系统的可维护性和稳定性。 这次学习让我深刻认识到，量化交易系统的复杂性不仅体现在算法策略上，更体现在工程架构的精细化管理。从版本控制到设计模式，从编译构建到资源管理，每一个环节都需要深入的...

傅立叶变换的核心能力，与Twap与Vwap的案例结合 傅立叶变换的本质是“将时域信号分解为频域信号”——简单说，就是把“随时间变化的价格/成交量数据”（比如1分钟K线的价格序列），拆解成由不同频率（周期）、振幅（强度）、相位（时间偏移）组成的正弦波叠加。 其核心价值在于：把“难以直接量化的‘趋势/震荡/周期性’”，转化为“可精准计算的频率特征”。例如： 低频成分：对应长期趋势（如1小时级别的慢涨/慢跌）； 中频成分：对应中期震荡（如15分钟级别的来回波动）； 高频成分：对应短期噪音（如1分钟内的...


AlphaGenRL训练参数说明 概述 `scripts/rl.py`是AlphaGen项目的核心训练脚本，使用强化学习（RL）和大语言模型（LLM）来自动发现和优化Alpha因子。本文档详细说明了`main`函数的所有参数。 参数详解 1.`random_seeds` 类型:`Union[int,Tuple[int]]` 默认值:`0` 作用:设置随机种子，确保实验的可重现性 bash 单个种子 pythonscripts/rl.py--random_seeds42 多个种子（会依次运行多个实验） pythonscripts/rl.py--random_seeds"(0,1,2,...

继续跟着天山老妖的QuantFabric教程深入学习，这次聚焦于开发环境搭建的核心组件——Qt和CMake的安装配置。如果说前面的基础环境搭建是地基，那么Qt和CMake就是框架的主体结构。没有稳固的开发工具链，再好的策略想法也无法落地实现。 这次的学习让我深刻体会到，量化交易系统开发不仅需要扎实的金融知识和编程技能，更需要对开发工具有深入的理解。特别是在Linux环境下配置图形化开发环境，每一个细节都可能影响后续的开发效率。从版本选择到环境变量配置，从账户验证到套件检测，看似简单的安装过程实际上蕴含着丰富的技术细节。 Qt安装：图形化开发的基石 版本选择的策略考量 在Qt的版本选择上...

  

各类机器学习模型常见的应用场景 1.1机器学习在量化交易当中的底层逻辑 -量化交易的核心是通过数据，统计，找出市场的规律，从而预测市场走势， 常见的规律有线性规律与非线性规律， 而机器学习就像一个“数据翻译官”，能从海量金融数据中找出非线性规律 核心逻辑：用历史数据训练模型，让模型学会“识别”数据中的模式（如价格波动、因子相关性等），再用这些模式预测未来市场变化，辅助交易决策。 1.2二级标题 1.二、常见模型原理与应用场景 1.决策树（DecisionTree） 原理： 像“层层问答”的流程图，通过不断问问题（如“价格是否突破20日均线？”“成交量是否放大？”）将数据分成不同类别。 ...

上一篇文章我们介绍了高频因子的流动性因子、量价相关性因子，这一篇继续介绍筹码分布因子，并在因子分析的基础上加入策略回测。 研究环境利用聚宽因子分析API，构建因子函数类；研究在日内高频分钟级数据中挖掘构建高频因子，对该因子进行有效性检验，并利用回测平台进行回测。 一筹码分布因子 1.1因子介绍 第六大类因子为筹码分布因子。筹码分布旨在刻画股票持有人的持仓成本分布情况。筹码分布能够直观地展示不同价格区间上的持仓数量，从而帮助投资者判断市场的平均持仓成本。如果大部分筹码集中在较低的价格区间，说...

概述 PandaQAuantFlow开源之后，社区很多小伙伴去下载也本地部署了，但是本地的行情数据只到2025-05-15，没法使用最新的数据进行回测。好在panda_factor里面提供了自动更新数据库的功能，以下笔者将简单介绍如何进行手动更新。 1.更新之前 在更新之前，需要按照github上的说明部署好本地环境，部署跟着这个https://github.com/PandaAI-Tech/panda_quantflow里面的readme来，B站上还有[保姆级别安装视频](https://...

一、引言 近年来，随着中国资本市场的快速发展和机构化程度的不断提升，因子投资（FactorInvesting）逐渐成为量化研究的重要方向。其中，小市值因子（SizeFactor）与红利低波因子（Dividend&LowVolatilityFactor）是最为典型的两类策略，分别代表着成长性与稳健性的两种投资风格。 小市值策略依靠规模较小企业的成长潜力，在市场复苏与扩张阶段往往能够获得较高的超额收益。然而，小市值股票普遍流动性不足、业绩波动较大，导致其在市场下行阶段容易出现剧烈回撤。与之形成对照的...

概述 最近由于Tushare服务故障，导致无法获取到行情数据，捉急之下，笔者想起miniqmt也是可以获取数据的，而且还能拿到一年的分钟频率数据，刚好最近也想着复现下高频数据的研报。那么，下面笔者就简单介绍下miniqmt如何获取数据。 1.开通账户 在使用miniqmt之前，需要找券商开通相关的服务，各位可以联系pandaai官方小助手，他们有开通的渠道，一般审核验证大概2-3个工作日就差不多了。开通成功之后，对接人员也会给相应的教程，指导如何使用，大家开通之后，直接参考教程即可。 2.数...

继续跟着天山老妖的QuantFabric教程学习，这次的内容是关于开发环境的搭建。虽然看起来是基础操作，但实际上每一个细节都很重要。工欲善其事，必先利其器，一个配置良好的开发环境能让后续的开发工作事半功倍。 这次学习让我意识到，量化交易系统的开发不只是写代码，还涉及到Linux服务器管理、网络配置、安全设置等多个方面。特别是在实际部署时，很多看似简单的配置问题可能会成为系统稳定性的隐患。 开发工具的选择与配置 GitBash：Windows下的Linux命令行体验 对于在Windows系统下开发Linux程序的我们来说，GitBash是一个必不可少的工具。它不只是Git的客户端，更是一...

主动买卖，是为了衡量成交是受买方驱动还是卖方驱动。我们使用批量成交划分法来区分买方成交量和卖方成交量，方法如下:   关键创新：用t分布实现“连续映射”。传统方法（如逐笔对比挂单价）是离散判断（要么主动买，要么主动卖），而这里通过t()函数实现了连续划分：当价格变动为正且大时，t()输出接近1，主动买入金额接近总成交额；当价格变动为负且大时，t()输出接近0，主动买入金额接近0。 批量成交划分法以价格变动作为自变量，为了防止不同个股价...