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...

设定时间交易_仿真 交易策略概述 这是一个基于分钟级K线判断的期货交易策略，主要特点包括： 交易标的:白银期货AG2604.SHF 交易周期:1分钟K线 开仓逻辑:根据前一分钟K线的涨跌方向决定开仓方向 平仓逻辑:持仓满5分钟后自动平仓 交易方向:阳线开多，阴线开空 策略代码 python fromdatetimeimportdatetime importpanda_quant frompanda_backtest.api.future_apiimportfuture_api_quota...

<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，运行代码为：`frompanda_backtest.api.apiimport`，后文不再重复赘述。 --- 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对象|策略上下文对象| 例子 python d...

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 本文档汇总介绍了因子编写方法量化算子工具类(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...

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 ...

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]...

多策略应用与定时交易 1.1多策略应用  1.2定时交易  1.3仿真实盘 

多策略调整与优化 实盘仿真学习的最后一周 在经过了前3周学习了期货实盘策略编写，修改实盘账户操作和如何通过回测来高效率验证策略后，又增添了多标的多时间戳策略的调整来更好的契合真实的市场动态。 首先，使用pandaai往单一标的策略中添加其他可选标的  然后修改判断持仓的时间间隔，更准确的调控买入操作和持仓，确保可以执行策略。  连上仿真实盘账户进行测试 ![屏幕截图202601112...