<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...

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...

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://...

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...

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...

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...

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

<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.

上次我们通过天山老妖的教程了解了QuantFabric的系统架构设计，从理论层面认识了这套高频交易系统。今天继续跟着教程的第二部分，看看这个系统在实际运行时是什么样子的。 如果说上一篇是在看"设计图纸"，那么这一篇就是在看"驾驶舱"——一个真正运行中的量化交易系统，交易员每天面对的操作界面，以及系统背后各个组件是如何协同工作的。 从理论到实践的跨越 理论再完美，最终还是要落地到实际使用中。天山老妖在这个演示中，展示了一个完整的QuantFabric测试环境，让我们能够直观地看到： 行情数...

报告原文下载链接：https://pan.baidu.com/s/165I89OfDhxVeoCdtWDylDA提取码：cryy 高、低位放量是技术分析中经典的价量形态，通常被用于择时或事件驱动类型的研究，本篇报告尝试将其拓展到横截面选股领域，构建有效的选股因子。按常理来说，若股价触发“高位放量”形态，往往预示着主力资金开始出货，股票未来下跌的概率较大；反之若触发“低位放量”形态，则通常表明主力资金开始进场，股票未来有正向超额。  在本篇研报中，标签有每日开盘价...

报告原文下载链接：https://pan.baidu.com/s/1jBGmWCS1l-SolG02kOF_Rw提取码：zu97 相对强弱指标RSI(RelativeStrengthIndex)是最常用的技术分析指标之一，常被用来评估多空力量的强弱程度，被广泛应用于各种金融产品的研究分析中，但是RSI通常被用于时序择时，较少被用来在横截面上进行选股。本篇研报则将RSI技术指标扩展到横截面选股领域，构建有效的选股因子。 在本篇研报中，标签有股票代码，每日开盘价、收盘价，成交量，分钟级涨跌幅，市...

GitHub网址：https://github.com/PandaAI-Tech/panda_factor?tab=readme-ov-file 一、环境准备 1.Python3.9及以上 2.从GitHub上克隆项目到本地 gitclonehttps://github.com/your_org/panda_factor.git cdpanda_factor 二、MongoDB数据库安装 1.安装MongoDB8.x 数据库网盘链接：https://pan.baidu.com/s/1q...

上一篇文章我们介绍了高频因子的波动率类因子，这一篇继续介绍高阶特征因子，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。 一高阶特征因子 1.1构建方法 第三大类因子为高阶特征因子。高阶特征利用股票高阶矩与其未来收益建立联系，刻画日内价格分布以及快速变化的特征，能够有效反映价格的除动量和波动率这样一阶和二阶特征外更高阶的特征。  将分...

-----想定制魔改qlib因子计算和改用小型数据文件的，希望有帮助----- 今年深圳课上接触到的alphagen,最吸引人的部分是：仅通过表达式就可以快速生成相应因子可在表达式层面高效开展因子探索。意识到引入这个部分对我当前投研数据工作会是一个很大提升。初步了解这部分内容是使用qlib实现的而qlib使用的是MongoDB数据库。初步了解MongoDB后决定暂时放弃（目前只做股票日间交易，A股全市场daily数据1GB左右目前的parquet够用）。 细化一下研究工作域边界和内容：研究q...