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、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...

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...

<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...

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"...

延续上次对市场"状态转换逻辑"的探讨，我们知道识别市场状态固然重要，但真正的挑战在于如何快速执行。最近在学习天山老妖的QuantFabric教程（[edu.csdn.net/learn/37051/572467](https://edu.csdn.net/learn/37051/572467?spm=1002.2001.3001.4157)），对高频交易系统的架构有了更深入的理解。 作为量化交易者，我们都知道速度和精确性的重要性。今天分享一下从教程中学到的QuantFabric系统架构，看看它如何通过精妙的设计和优化，帮助交易者在毫秒甚至纳秒间执行交易。 高频交易的核心需求 在高频交易的...

<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...

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/1vTlDC54x6ha8FSz6ERSaiA 提取码：gsjg 锚定效应是行为金融学的代表理论之一。投资者在进行股票投资时，往往会考虑股票过去的价格走势，比如将过去一年中的低点视为支撑位、过去一年中的高点视为压力位。当股价逼近过去高点时，“锚定投资者”会认为股价很难继续上涨至突破高点，因此很容易造成股票价格对其他利好消息的反应不足。 因此我们想利用创新高股票来获取超额收益，并在中证800股票池上测试。创新高股票定义:某只股票...

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...

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...

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...

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...

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...

<fontcolor="brown"一、背景</font <fontcolor="red"谁是西蒙斯？</font  2019年，我天天对着堆成山的财务报表加班，眼睛都快看花了。Excel和财务软件上跳动的数字突然变得陌生——难道我的人生就要永远困在这些冰冷的账目里？难道我就这样替人做利润表一辈子，自己的财务人生却还是空白？ 想起大学时炒股的“黑历史”，看了两本技术指标书后，啥也不懂就瞎买，最后被割得干干净净，成了妥妥的韭菜。但心里一直藏着个梦想：...

1.概述 前段时间搭好了一个多因子框架，从几十个因子里面挑出了5个表现比较好的因子，先进行了MLP的训练，但是因为因子数据太少，模型基本上没学习到什么东西，迭代一次，损失就不再下降了。于是决定采用随机森林模型来训练，这个系列将把自己学习模型过程中的经验分享出来，与大家一同交流。大家都知道，随机森林是由若干决策树组成的，所谓几十个臭皮匠，顶个诸葛亮。那么本文就先分享决策树模型，我们将从零开始实现完整的代码。 2.决策树 我们以下面这个例子为例，假如我们要租房，需要根据西区还是东区以及房间的数量来...

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...

<fontcolor="brown"一、开篇</font <fontcolor="orange"Lifeisshort,youneedPython!</font <fontcolor="red"人生苦短，我用Python!</font  文科生学习量化投资，确实存在诸多门槛。在前文提及的数理、代码、金融、交易这四个维度里，我觉得数理当属最为关键且难度最高的部分。毕竟里面有线性代数、统计、概率论、计量经济这些硬核内容，咱可以先Pass这部分。...

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...

<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...