<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，代码为：frompanda_backtest.api.apiimport，后文不再重复赘述。 接下来具体介绍框架各个事件回调方法，必选代表必须在策略中实现。 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...

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| |OPE...

<fontcolor="brown"一、引言</font <fontcolor="red"Python的核心不是“炫技”，而是“实用”</font  到此，我们已探讨完Python核心且重要的知识点，涵盖数据结构、流程控制、函数用法、类与对象，以及Numpy、Pandas等常用库。而在本次“Python进阶2”的内容中，我们将进一步介绍Python的其他高级用法与科学计算库——不仅会讲解Python风格（Pythonic）及各类高级编程技巧，还会重...

<fontcolor="brown"一、引言</font <fontcolor="red"想成为王者，必须懂统计</font  此前已经写过几个关于量化分析“代码篇”的分享，接下来要进入的，既是量化领域的核心内容，也是我们很多文科生觉得难度最大的“数理”部分，而我们“数理”的第一站，就是“统计学”。  在量化分析的数理基础里，线性代数、微积分、概率统计、计量经济等缺一不可，但其中统计检验直接关系到数据结论的可靠性——...

 

引言 金融世界本质上是一个由不确定性驱动的大规模、实时的“数据实验室”。每一天，全球市场都在产生海量的数据——股票价格如心跳般起伏，宏观经济指标牵动着亿万资金的流向，公司财报则像一次次突然的“压力测试”。在这个充满“噪声”的复杂系统中，一个核心问题始终萦绕在每一位投资者、分析师和风险经理的心中：我们如何从这些随机波动的数据中，提取出有价值的信息，从而做出更明智的决策？统计就是核心。我计划写一个系列，尽可能帮助大家详细理解。（我自己顺便复习一下） 为什么要统计推断（StatisticalInference）？ 统计推断是统计学的一个核心分支，它让我们能够利用从样本数据中计算得出的统计量，去...

一、引言 1.1研究背景 在金融投研领域，量化投资已成为不可或缺的一部分，它通过数学模型和计算机算法来执行交易决策，极大地提高了投资效率和准确性。 本文旨在为那些希望踏入量化投资领域，但缺乏技术基础的投资者提供一个全面的技术因子整理框架。我们将详细解析各类技术指标因子的计算方法及其在市场分析中的应用，帮助投资者构建坚实的量化投资基础。 1.2研究目的与范围 核心目的：构建一套可直接复用的技术因子计算框架，明确各类因子的“计算逻辑→应用场景→信号含义”，避免投资者陷入“指标堆砌”的误区。 研究范围：聚焦技术面因子（不涉及基本面因子如PE、ROE），覆盖8大类指标（移动平均线类、趋势指标、动量指标...


最近读了一篇关于预测市场套利的论文，让我对"市场效率"这个概念有了全新的认识。作为一个关注量化交易和市场微观结构的人，这篇论文揭示的现象既令人震惊，又在情理之中。 核心发现很简单：在2024年美国大选期间，一群神秘的套利者从Polymarket这个预测市场平台中，悄无声息地提取了约4000万美元的利润。 他们没有预测谁会当选，没有分析选情走势，甚至不关心最终结果。他们只做一件事：在市场定价出现错误的瞬间，闪电般地完成买卖，锁定无风险利润。 这个故事让我想起华尔街的一句老话："在别人恐慌时贪婪，在别人贪婪时恐惧。"但这些套利者做的更极致——他们在别人混乱时，保持着机器般的冷静。 --- ...

<fontcolor="brown"一、引言</font <fontcolor="red"Python是一种“胶水语言”，能够整合多种库与工具！</font  Python是“胶水语言”，能够将各种不同的库和工具粘合在一起，创造出强大的解决方案。 在上一次的介绍中，我们已经讲解了Python基础的4个模块（数据结构、流程控制、函数用法、面向对象）；本次将聚焦Python的进阶使用方法，以及数据分析领域的核心工具库。对于刚开始接触量化分析或数据分析初...

  

继续深入天山老妖QuantFabric教程的技术精髓，这次我们踏入了高频交易的核心——低延迟技术的全栈优化。如果说前面的HFTrader系统架构让我们看到了高频交易的整体框架，那么这次的低延迟技术分享则是深入到每一个技术细节的极致追求。从硬件超频到内核旁路，从CPU隔离到零拷贝优化，每一个环节都在诠释什么叫"毫秒必争，纳秒见真章"。 在这个以纳秒计算的技术世界里，250纳秒的ef_vi延迟与2-3微秒的标准网络栈延迟之间的差距，可能就是盈利与亏损的分水岭。这不仅仅是技术的较量，更是对工程极限的挑战和对商业价值的精准把握。 这次学习让我深刻认识到，高频交易的低延迟优化是一门综合性的系统工程：...

一、数据是量化投资的第一步 1、量化投资是什么？因子投资是什么？ 量化投资(QuantitativeInvesting)是一种投资思想和方法论。 它的核心是用数学模型代替人的主观判断。它不依赖于基金经理的“感觉”或“灵光一闪”，而是通过计算机程序，系统性、纪律性地执行一套预先设定好的、基于数据的投资逻辑。 因子投资（FactorInvesting）是量化投资中最主流、最核心的一个分支。把你的投资组合想象成一个人的身体。传统的市场指数投资（比如沪深300指数基金）就像是给身体提供了基础的总热量（卡路里），这代表了市场的平均回报，也就是我们常说的贝塔（Beta）。 因子（Factor）就像是蛋...

<fontcolor="brown"一、引言</font <fontcolor="red"文科生学量化需要学编程吗？</font  上次我们已经学习了Python安装与配置的相关内容。这次将运用已学的编程知识，简要介绍Python的4个基础模块：数据结构、流程控制、函数用法、类与对象。在开启编程学习之旅前，我们需要明确为什么要学编程，以及该怎么学。 <fontcolor="brown"二、编程</font <fontcolor="darkblue"为什...

因子合成的实践和方法 使用GPlean训练出来的一些因子表达式存在很高的相关性，当卡掉相关性以后我们要做因子合成来提高信息的有效性，这次介绍一些常见的合成方法。 1.1因子相关性处理 这一步的核心在于我们如何发现刻画并解决因子间的多重共线性（风格集中暴露）的问题。并最终实现alpha之间相互对冲关系。 首先是识别共线性问题，可以使用VIF检验 VIF检验（方差膨胀因子检验） VIF（VarianceInflationFactor）是用于量化回归模型中自变量之间多重共线性严重程度的指标。它衡量了由...

踏入天山老妖QuantFabric教程的技术巅峰——HFTrader高频交易系统，这是整个学习旅程中最激动人心的核心篇章。如果说前面的环境搭建、工具配置是在打地基，那么HFTrader就是真正的速度与技术的终极较量。在这个以纳秒计算的高频交易世界里，1008纳秒的最小延迟和4184纳秒的最大延迟，每一个数字都代表着技术实力的极致展现。 HFTrader作为QuantFabric量化交易系统的高频核心，承载着将毫秒级市场机会转化为实际收益的重任。从四线程架构设计到CPU亲和性绑定，从无锁队列优化到多层风控体系，每一个技术细节都在诠释什么叫"细节决定成败"。这不仅仅是一个交易系统，更是现代金融科...

市场状态感知动量因子的完整代码实现及结果对比分析 前言 前两篇文章我们讨论了市场状态感知因子设计的思路和流程框架，本篇我们继续尝试市场状态感知的动量因子的完整实现方法，并附上详细实现代码。 市场状态感知是有意义的探索。本次实验分别以CSI300、CSI500、CSI1000股票池为例，使用三组动量-收益窗口配对进行对比研究： 5日动量1日收益 20日动量5日收益 60日动量10日收益 实验结果发现： 在所有组别下，我们设计的市场状态感知动量因子均优于原始动量因子。 沪深300和中证500...

市场状态感知因子：方法论与实现指南（以动量&波动率为例） 前言 上一篇《自适应市场状态感知因子的构建》的文章中，我们提出了在因子层面构建市场状态感知因子的思路，不同于在模型层面对因子权重动态调整的因子择时方法，我们的设计思路希望在因子构建层面能够动态感知市场状态的变化。本篇研究继续上篇文章的思路，构建方法层面更加严谨，特别是动量因子及其线性组合形式的衍生因子，可以参照CAMP形式的构建方式构建具备市场动量感知的因子。虽然不是严格的数学推到，但是也尽量从逻辑层面尽量严谨。本篇主要以动量因子为例，...