密码登录
手机号
密码
PS:事先说明,对于我来说在金融领域常把RGN当作LSTM等常用模型极简版使用,所以此篇不讨论每个具体模型细节 一来点震撼,仙之人兮列如麻,ML/DL如过江之鲫  1.1陷入困境,什么困境 学生思维的困境：工具越学越多，亏损越来越大 很多学习者有一个致命的思维误区：把"知道"等同于"会做"。 我见过太多这样的场：学完均线金叉→兴奋实盘→连续止损→放弃学完,MACD背离→兴奋实盘→连续止损→放...... 但真正的问题在于：只是在堆砌工具，而不是构建系统。 不断...
这周开始接触专家模式了，不能算新手小白了吧。 先做作业 专家模式其实确实是个好东西，可以把自己的想法打包成节点，但是自己还不是很会用  产品使用瓶颈和建议 1.1瓶颈 玩了一个月的pandaai，这周进入瓶颈期和深水区了，琢磨了一圈有点不知道要干嘛。 1.想基于自己的日线级别改一个15分钟级别的分钟界别策略，一直改不出来。 2.想根据自己表现比较好的日频策略用机器学习把静态的参数改成动态的，但是节点调试...
把原有的量化工作流，切换到了专家模式。 专家模式把更多节点、更多参数、更多代码入口摆到面前。 这是普通模式下的状态看起来流程图已经很清晰给出因子回测回测结果  但是仅通过一句话实现的策略往往你很难了解到量化策略的细节因子是怎么通过代码量化的；异常值缺失值应该怎么处理最好；量化回测的结果是否具有普适性等等这些问题很难在普通模式下清晰的观测到 专家模式的一些使用体验 1.1进入专家模式并理解节点原理 在左侧伸缩边框里点击专家模式即可看到每个节点框对应的python代码...
一专家模式熟悉 老师给我们展示了一个案例，两数相加的节点。我按照教程视频，试了一下，在专家模式下，自定义添加后的节点，会在用户自定义节点栏目中显示出来。（之前没有用户自定义栏目）  专家模式里面尝试了下，页面是Marmo的NOTEBOOK展示，输出的文档即可以是python文档，也可以选markdown，html，ipyb（Juypter文档）。  在普通模式下，很多时候你更像是在使用一个已经包装好的研究流程： 写因子 接回测 看结果 再调整参数 这个流程当然能跑，也能快速验证思路。 但问题是，一旦你开始认真做策略研究，很快就会碰到一个现实： ; ;  1.2布林带趋势跟踪，结合tr以及atr进行的策略研究 1.xxxx; 1.3存在一个创建的模型出现后端接口错...
摘要 本报告对两套基于涨停板交易但核心理念与实现路径迥异的A股短线策略——“策略一（闪电出击首板模型优化前）”与“策略二（龙头战法二板模型优化后）”——在长达十年（2015年1月1日至2025年1月1日）的完整市场周期中，进行了全面的代码级解剖与绩效实证对比。研究发现，这两种代表了不同短线哲学的策略，其长期绩效与风险特征呈现云泥之别。 策略一（闪电出击）试图通过捕捉上午触及涨停的首板股票，追求当日封板及次日的溢价，其核心是“快”和“概率”。策略二（龙头战法）则聚焦于已有一连板基础的“二板”及...
写在前面：做了两期期货策略，这周咱们换个赛道——打板策略。这是A股最刺激、最考验人性的玩法，也是量化最能发挥优势的地方。我会从零开始，手把手带你搭一套能打板的量化系统，从可视化操作到代码级调试，全流程打通。 一、什么是打板？为什么用量化？ 打板，说白了就是追涨停板。A股有10%的涨跌幅限制（创业板科创板是20%），股价封住涨停后，往往意味着强烈的买盘情绪，第二天大概率有溢价。这就是打板的底层逻辑——赚情绪延续的钱。 但手工打板有几个致命问题： 第一，手速不够。好板往往几秒就封死，人工...
实现与量化策略深度赋能，不止于计算，更是策略逻辑的精准基石 🔑1.1核心升级亮点（Week3实战淬炼） ✅数据安全三重防护：列名校验+类型转换+边界预警，杜绝“静默失败” ✅NaN智能处理策略：保留原始逻辑（默认不填充），避免未来函数陷阱  ✅多均线协同支持：单节点扩展至双均线计算（金叉/死叉信号预埋） ✅诊断级日志系统：精准提示“前19行因窗口不足为NaN"，加速问题定位  ✅策略友好命名规范：MA_5_SMA→SI...
一专家模式 1.1打开专家模式  - 1.2创建新节点 1.
创建期货回测工作流 进入AI工作流界面，创建新的空白工作流面板，在AI助手的对话框里提示词输入  AI助手完成工作流创建  运行工作流并查看回测结果 回测运行完成  查看回测业绩  查看交易开平仓详情  策略收益不佳，让AI助手帮助修改 修改建议输入  确认修改内容  重...
均线指标计算节点代码 在量化交易和技术分析中，均线（MovingAverage，简称MA）是最基础也是最核心的指标之一。 它的核心目的只有一个：消除市场噪音，看清真实趋势。 日常的K线价格（尤其是加密货币或期货）总是上下剧烈跳动，很容易让人迷失方向。均线计算就是通过数学平均的方式，把价格的尖锐波动“平滑”掉，连成一条相对平稳的趋势线。 简单来说，均线主要分为两种常见类型： 1.简单移动平均(SMASimpleMovingAverage) 计算方式：最朴素的算术平均法。比如“20周期SMA...
因子构建过程中，正交处理和赋权处理内部算子与回测性能数据的对比试验。 在量化投资中，量化因子的构建是核心环节，而内部算子的正交处理与赋权处理，正是让因子“好用、管用”的关键两步。简单来说，正交处理就是给多个因子“去重去干扰”，删掉它们之间重复的信息，让每个因子都能独立发挥作用、互不影响；赋权处理则是给每个因子“定话语权”，根据因子的效果、稳定性，决定它们在最终投资决策中占多大比重。搞懂这两个处理方式，就能轻松理解量化因子如何从一堆原始数据，变成能指导投资的有效工具。下面我来做一个完整的因子构造过...
作者：AionX 时间：2026-03-12 多因子模型的构建依赖于经过合理处理的单因子。那么，如何处理单因子使之可用？又该经历哪些处理步骤？本文基于pandaAI多因子实战营第5节课的学习，完整复现了因子处理的全流程，以市值因子为例进行详细说明，期望为读者提供实践参考。 市值因子的概念相对直观。A股市场常说"盘子太大拉不动"，这里的"盘子"即指总市值。其计算方式为： 总市值=流通股本×当前股价 一.市值对数化处理 选取2019年某一交易日的全市场数据，将各上市公司市值绘制成分布直方图： ...
专家模式对节点提供了可以查看的代码，可以把代码转给其他AI大模型帮助分析节点代码的构成规律。 以“特征工程”节点为例，我一直不太明白什么是“标签”，在专家模式里把节点代码复制发给Geminipro，他就给我很好的解答了标签该写什么内容。至少在这一点上，可以帮助我更好地验证非线性因子想法。  
2025-04-07
2025-08-26
2025-07-24
2025-10-11
2025-07-25
2025-10-28
2025-09-15
2025-10-08
2025-10-12
2025-09-27
