PandaAI投研Skills 简介 PandaAI投研Skills是一个基于KiroSteering机制的量化投研辅助工具。通过自然语言交互，帮助用户快速完成量化投研任务，包括因子编写、数据查询、因子分析、技术指标应用等。 核心功能 因子编写：支持公式模式和Python模式，快速将投资逻辑转化为可执行代码 数据查询：提供完整的panda_dataAPI调用指导，获取日线、分钟线、因子、财务等数据 技术指标：内置100+技术指标函数，涵盖趋势、震荡、波动率、成交量等类别 因子分析：指导IC分析、分组回测、因子评估等量化研究流程 股票筛选：构建多条件组合筛选，支持动态筛选条件 代码库集成...

PandaAI投研Skills构建思路文档 设计理念 1.零代码部署 PandaAI投研Skills采用Kiro原生Steering机制实现，无需编写额外的后端代码或部署服务。整个Skills以一个Markdown文件的形式存在，通过Kiro的Steering功能自动加载和解析。 设计优势： 部署简单：只需将Steering文件放入指定目录 维护方便：直接编辑Markdown文件即可更新Skills 版本控制：可与项目代码一起进行Git版本管理 2.知识同步 通过Kiro的文件引用语法`[[file:]]`，Skills可以直接引用外部文档作为知识库。当官方文档更新时，Skills...

写在前面 作为一个10岁的老韭菜，一直在想第一篇帖子要分享什么内容。 想总结一下经验，但发现我的人生似乎也没什么精彩的地方，回头望去只有密密麻麻的坑。 创业，融资，交易，投资这些关键词贯穿了我过去的十年。从三年前亲手埋掉了我的公司之后，我开始了全职投资的旅程。 我一直相信一件事—— 分享的第一原理是利他。 所以我想用这样一种方式： 把我这十年，从手工到量化，踩过的坑、和超过8位数的学费， 总结成十句话分享给大家。 如果有一天我消失在互联网上，只能留下最后10分钟的内容， 那我会希望是接下来这10分钟。 当然，以下所有内容都是我在当前认知阶段的理解， 不一定对，欢迎大家交流、讨论和指正...

量化策略程序的下载链接：<https://share.weiyun.com/PiKD4wbH ----   

在PandaAI社区，我们深入探索AI与交易的融合前沿。解读顶级交易员的实战体系，拆解量化策略的底层逻辑。在线上深度对话中连接业内人士，与思考同频的人并肩前行，让前沿认知转化为你的决策优势。 【02.10/周二晚上闭门直播】 《一个指令打造你的金融投研Skills》 🙋‍♂️嘉宾：@酥派 05年FRStudio工作室创始人，数学建模竞赛全国二等奖，目前总管理资金量20w美金，专注AI交易分析与微观价格预测。 👉参与方式：扫描下方二维码，进入群聊 ![微信图片_20260206154...

一、引言 在A股市场中，中证500指数作为表征中小盘成长股的核心指数，兼具高弹性与高成长属性，长期以来受到量化投资者的广泛关注。本研究构建了一套创新的多策略融合量化投资体系，将指数增强策略与期货CTA策略有机结合，通过基本面选股与趋势跟踪相结合的方式，在控制风险的前提下追求稳健的超额收益。 随着市场有效性的逐步提升，单一策略的超额收益空间逐渐收窄，而多策略融合的投资框架展现出更强的适应性。本文基于Python量化交易框架，构建了一套以中证500指数为基准的股期混合策略，通过基本面多因子选股筛选优...

摘要 本报告对基于不同逻辑框架的两套股指期货量化策略进行了为期十年（2015年1月1日至2025年1月1日）的全面实证分析。 （一）策略一（动态趋势跟踪模型）与策略二（优化版本，跨期套利统计套利模型）​在相同的市场环境下展现出截然不同的风险收益特征。策略一以214.35%​的总收益率、12.50%​的年化收益率及-34.21%​的最大回撤，展现了趋势跟踪策略的进攻性；而策略二则以1675.78%的总收益、34.43%​的年化收益及-17.13%​的最大回撤，实现了风险与收益的完美平衡。 （二）核...

摘要 本研究报告基于聚宽量化平台，构建并验证了两种不同的多因子选股策略。通过对A股市场2015年1月1日至2025年1月1日的实证研究，我们发现策略一(ARBR技术指标策略)表现显著优于策略二(多因子打分策略)。策略一实现了2345.02%的策略收益，年化收益率高达38.92%,夏普比率为0.456,最大回撤为31.70%,展现了卓越的风险调整后收益。策略二则获得30.79%的策略收益，年化收益率为2.80%。研究证实了技术指标与基本面因子结合的有效性，为量化投资实践提供了重要参考。 一、引言 ...

招募300位量化先行者！ PandaAI年度峰会暨第二届因子大赛 AI量化引力“渝”拓未来 招募300位量化先行者！你敢来破局，我就敢送稀缺权益|诚邀您，共赴这场由PandaAI驱动的“Alpha引力”风暴。 时代的算法，无声却精准地重构着财富的逻辑。 从2016年到2026年，量化交易完成了一场从“黑盒”到“可视”的深刻进化。 从“机构”的专属高墙，走向“普惠”的百家争鸣。 算力下沉与AI因子的双轮驱动，“人人皆可量化”的智能交易范式加速演进。 TQX(海外版)内测名额现场限量获...

一一级标题【多策略调整与优化】 1.1二级标题应用实现 与AI对话修改程序，试着运行起来，目前还有两个程序没有交易 最近工作很忙，行情很疯狂，没有时间详细修改策略！  1.2二级标题功能修改与提升建议 目前还有两个运行程序没有交易，没有仔细查看为什么没交易，最近没有时间查看原因！ 只能在功能上提出一点优化建议。比如： ...

一 从一个想法到构建策略，再到策略回测和仿真实盘，在接触PandaAI之前没有想到会这么快落地并验证。之前要花费半天甚至一天的时间，现在只需要十分钟左右就可以把一个想法变成策略并验证结果。 在进行了为期4周的学习和练习之后，对平台更为熟悉了。本周做了多品种交易，主要是趋势/均值切换策略和固定持仓时间交易策略。模拟的效果也不错，可是还是觉得能有个客户端方便，因为网页属实有点卡，![b6c340c2d6704f03b...

代码方面的精细化 1.期货品种更换、添加、筛减  2.开仓逻辑的添加 

多策略调整与优化 1.1实盘模拟第四周-多策略调整与优化  策略整体思想小结 多品种：统一的简单MA策略同时运行在黄金、铜、螺纹钢、焦炭多个品种上，彼此独立。 信号频率：使用1分钟线，比较“最新价vs最近10根K的均线”。 入场逻辑： 无仓时： 价MA→做多； 价<MA→做空。 出场逻辑： 有多头时：若价<MA就卖出平多； 有空头时：若价MA就买入平空。 不直接在一次信号中“平旧+反向开新”，而只是平仓，下一次再根据条件重新开仓。 风险控制：...

工作流JSON实战技巧 一、压缩JSON的格式化与结构统一 从PandaAI导出的JSON文件有时是压缩格式（单行），在IDE中编辑极其困难。同时，某些导出格式可能包含冗余的`nodes`和`litegraph.nodes`双重结构，需要统一处理。 问题现象： JSON文件被压缩成单行，无法阅读和编辑 存在`litegraph.nodes`和顶层`nodes`两套节点数据，结构不一致 需要保留`litegraph`结构，清理冗余数据 格式化脚本： python importjson importsys defformat_workflow_json(input_file,output...

一、代码整体功能概览 本周的设定时间交易代码使用的是一套期货分钟级都策略模板，运行在Pandaai的回测/实盘框架里，核心功能是： 交易标的：固定为白银主力某个合约AG2604.SHF 频率：框架每分钟调用handle_data，策略每分钟决策一次 信号逻辑： 用上一分钟K线的阴阳来决定是否开仓： 阳线（收盘价开盘价）→无持仓时开多 阴线（收盘价<开盘价）→无持仓时开空 十字线（收盘价开盘价）→不开仓 持有后满5分钟就无条件平仓（不再看后面的行情） 可以把它理解为一个“超简化的1分钟反应策略模板...

一、多品种   二、定时交易  

调整两个策略：设定时间交易和期货多品种 直接在flow里和ai交互，比如让ai帮我加品种：黄金，铜，螺纹钢，焦炭  

一多品种界面交易    二定时交易  

第四周【多策略调整与优化】 这周是训练营最后一周，核心目标很明确：把前几周“跑得起来但很久不出交易”的策略做改造，让它在仿真实盘里更容易产生交易信号与结果，完成「多策略修改交易条件并运行」的验证截图。 结合教程操作下来，我本周主要完成了两类任务：期货多品种策略与定时交易策略，整体体验是：PandaAI把“策略生成/修改/排错+运行容器化”串成了一个闭环，新手也能靠和AI对话把策略快速迭代出来。 本周任务回顾 A.期货多品种策略：从单标的扩展到多合约监控/交易 基于第二周的趋势策略框架（均线趋势判断：均线之上偏多、均线之下平仓/反向） 按教程思路在原有脚本上做修改：增加多个交易品种，并确保选...

从一个想法到构建策略，再到策略回测和仿真实盘，在接触PandaAI之前没有想到会这么快落地并验证。之前要花费半天甚至一天的时间，现在只需要十分钟左右就可以把一个想法变成策略并验证结果。 在进行了为期4周的学习和练习之后，对平台更为熟悉了。本周做了多品种交易，主要是趋势/均值切换策略和固定持仓时间交易策略。 因为礼拜天明天看实盘模拟效果。![10e842ed42b34e6d8f3568518e4df7e7.jpg]...