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...

量价因子 |字段名|中文名称| |--------------|----------| |open|开盘价| |close|收盘价| |high|最高价| |low|最低价| |volume|成交量| |amount|成交额| |turnover|换手率| |market_cap|市值| 基本面因子： |字段名|中文名称| |---------------------------------------------------|----------------------------------| |revenue|营业总收入| |operating_revenue|营业收入| |ne...

继续跟着天山老妖的QuantFabric教程学习，这次的内容让我对期货交易有了更系统的认识。如果说前面几篇文章是在讲高频交易的"武器"和"战场"，那么这篇就是在讲"基本功"——期货交易的基础知识和规则体系。 作为量化交易者，我们往往更关注策略逻辑和技术实现，但对交易规则的深入理解同样重要。细节决定成败，规则差异往往是盈亏的关键。这次学习让我意识到，即使是看似简单的开平仓操作，在不同交易所也有不同的规则和成本考量。 中国期货市场的基础架构 五大期货交易所各有特色 中国期货市场由五大交易所构成，每个都有自己的特色和定位： 上海期货交易所（上期所/SHFE） 成立：1990年11月26日...

上一篇文章我们介绍了高频因子的高阶特征因子，这一篇继续介绍流动性因子、量价相关性因子，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。 一流动性因子 1.1因子介绍 第四大类因子为流动性因子。流动性刻画股票交易所需要的时间和成本，一般来说，流动性较差的个股通常有更高的预期收益，这是对流动性风险的风险补偿。因此，流动性因子通常表现为流动性越低，未来收益越高的特征（也会...

因子积累的探索与踩坑 1.1探究的原因 因为XGB或者MLP等等吧，模型如果需要有好的效果，最核心的不是模型参数或复杂度，而是因子的非线性复杂度要高。核心还是因子。一般作为普通投资者来说，最简单的就是研报复现以及公共平台的因子获取，虽然已经没什么超额了，但也属于“没得选的选择”，所以先试试看吧。本次记录的就是研报复现和平台获取因子的过程。 1.2研报复现的过程 找了上个月最新的一篇研报，叫《20250602-东北证券-盈利偏度和估值偏度因子》，这篇研报主要讲的是：传统偏度研究多聚焦在收...

因子积累的探索与踩坑 1.1探究的原因 因为XGB或者MLP等等吧，模型如果需要有好的效果，最核心的不是模型参数或复杂度，而是因子的非线性复杂度要高。核心还是因子。一般作为普通投资者来说，最简单的就是研报复现以及公共平台的因子获取，虽然已经没什么超额了，但也属于“没得选的选择”，所以先试试看吧。本次记录的就是研报复现和平台获取因子的过程。 1.2研报复现的过程 找了上个月最新的一篇研报，叫《20250602-东北证券-盈利偏度和估值偏度因子》，这篇研报主要讲的是：传统偏度研究多聚焦在收...

因子积累的探索与踩坑 1.1探究的原因 因为XGB或者MLP等等吧，模型如果需要有好的效果，最核心的不是模型参数或复杂度，而是因子的非线性复杂度要高。核心还是因子。一般作为普通投资者来说，最简单的就是研报复现以及公共平台的因子获取，虽然已经没什么超额了，但也属于“没得选的选择”，所以先试试看吧。本次记录的就是研报复现和平台获取因子的过程。 1.2研报复现的过程 找了上个月最新的一篇研报，叫《20250602-东北证券-盈利偏度和估值偏度因子》，这篇研报主要讲的是：传统偏度研究多聚焦在收...

高频交易深度解析：从历史演进到技术实现的完整图景 继续跟着天山老妖的QuantFabric教程学习，这次的内容让我对高频交易有了更全面和深入的认识。如果说前面两篇文章是在讲"工具"，那么这一篇就是在讲"战场"——高频交易这个充满传奇色彩又极具技术挑战的领域。 从17世纪罗斯柴尔德家族用信鸽传递消息进行跨国套利，到今天用纳秒级系统捕捉微观价差，高频交易的本质始终未变：在信息传递的速度差中寻找利润。但技术的进步让这个"速度差"从几天缩短到了几纳秒，竞争的激烈程度也达到了前所未有的高度。 什么是高频交易？ 高频交易（HFT）本质上是一种程序化交易，目标是从极其短暂的市场变化中获取利润。这种"...

<fontcolor="brown"一、引言</font <fontcolor="red"TheFutureofCodingis‘TabTabTab’</font  OpenAI创始成员AndrejKarpathy曾说过："编码的未来是按Tab键自动补全"。 Cursor的出现推动开发者角色从“编写代码”转向“引导AI生成正确代码”。未来编程将高度依赖AI自动化补全能力，开发者只需通过反复按“Tab键”即可快速生成代码。目前，Cursor、GitHub...

我们运用统计上的显著性来检验因子是否有效。但是简单地使用统计检验得到的因子有时并不一定是靠“实力”，还有很大一部分“运气”成分。我们把显著性水平设为α，如果我们检测100个因子，至少有1个因子显著的概率高达1−(1−5%)^100=99.4%!因此，单纯检验每一个因子存在缺陷，我们需要引入多重检验的方法，同时检验多个假设(hypothesis)。 一、多重检验(multipletesting) 1.1核心思想 多重检验的核心思想可分为两种。一种是为了控制家族错误率(Family-wiseEr...

一、引言： 在进行回测系统的搭建中，了解指标评估因子的质量的意义是重要的，现在写出一篇帖子用于评估策略。 本文采用的策略指标复现源自PandaAi开源项目截取。 量化策略的回测评估依赖多项绩效指标。通过分析年化收益率、超额收益率、最大回撤、波动率、夏普比率和信息比率等指标，可以全面了解策略的收益能力与风险特征。例如，夏普比率是一种衡量单位风险所获超额收益的指标，而超额收益表示相对于选定基准的附加回报。 此外，因子质量指标（如信息系数IC、IC信息比率ICIR、秩相关系数等）可用于评估单个因子的预...

<fontcolor="brown"一、开篇</font <fontcolor="red"工作流解锁量化大众化，全民玩转量化时代已来！</font  上篇文章详细介绍了PandaAI线性模型工作流的完整流程，同时也阐述了策略回测分析与因子相关性分析的具体步骤。正如我们之前所强调的——任何任务都能拆解为清晰可控的工作流，因此我们将进一步把机器学习相关工作流应用到量化分析场景中。 在下面连接中可以看到关于PandaAI工作流的详细介绍和多因子模...

一一级标题 1.1二级标题 xxxx; xxxx; 1.2二级标题 1.xxxx; 2.xxxx; 3.