摘要 本文基于中金公司《量化多因子系列（7）：价量因子手册》的理论框架，系统复现了19个核心价量因子，并在中证1000股票池上完成了2024年至2026年的回测验证。研究表明，波动率因子中vol_highlow_avg（振幅均值）IC均值-0.0399，IC_IR=-0.5240，p=0.017统计显著，位居所有因子榜首；动量类因子中mmt_report_period（报告期动量）IC均值-0.0366，IC_IR+0.4174，方向反转（正向→实测负向有效），选股能力较强；量价相关性因子中price_volume_divergence（量价背离）IC_IR-0.2485，单调性0.73表现...

首先你需要安装CCSwitch，有一个APIkey（去某个大模型官网按照指示获得），以及接下来给电脑开个仙人模式，下载好claudecode（不需要打开） 接下来开始过掉小白最容易卡住的点：登录问题 我们需要把主智能体换掉： 这个时候需要一只龙虾，告诉它通过ccswitch（在此前告诉它你的key）把你的claude主智能体换成deepseekv4就OK了

分享超级无敌干货《从投研结论到交易计划——以猪周期为例》 详细拆解了AI辅助交易全流程 🧑‍💻本场分享嘉宾：刘思昊 点击关注他的社区账号：白乌鸦[（👉点击关注）](https://www.pandaai.online/community/article/1192) 回看链接：[🔗直达完整回放](https://s06g2.xetslk.com/sl/1NuIl5) 直播中提到的：[🔗PandaAI官方模版链接](https://www.pandaaiquant.com/quant...

邀请要量化大佬到我们PandaAI社区直播间 分享超级无敌干货《从投研结论到交易计划——以猪周期为例》 详细拆解了AI辅助交易全流程 本场分享嘉宾：刘思昊点击关注社区账号：[白乌鸦](https://www.pandaaiquant.com/community/user/17390) 回看链接👉：[https://s06g2.xetslk.com/sl/1NuIl5](https://s06g2.xetslk.com/sl/1NuIl5) 直播中提到的：PandaAI官方模板链接🔗：...

以下是因子的代码 classRewardRiskFactor(Factor): defcalculate(self,factors): close=factors['close'] cum_ret_5=RETURNS(close,5) rolling_max_5=TS_MAX(close,5) drawdown_5=(close/rolling_max_3)1 max_dd_5=TS_MIN(drawdown_5,5) raw_factor=cum_ret_5max_dd_5 cleaned=IF(AS_FLOAT(raw_factorraw_factor),raw_factor,0)...

二者核心本质区别 一、之前的错误认知 把量化因子=控制系统传递函数 误以为：输入行情数据→经过因子运算→输出信号，和输入偏差→传递函数→输出控制量是同一个模型形式。 二、定义 1.传递函数（自控/控制理论） 线性定常系统时域/频域映射关系 形式：$G(s)=\frac{Y(s)}{X(s)}$ 用途：闭环控稳、消误差、跟踪目标、抑制扰动 核心：追求稳态无差、动态收敛、抗干扰 约束：线性、时不变、因果、物理系统可控可观 输出：稳定趋近目标值 2.特征工程（机器学习/量化因子） 原始数据信息提纯、维度变换、风险分层、趋势拟合 用途：挖掘涨跌规律、区分强弱、捕捉价差、筛选有效信号 核心：抓非平稳...

读完一堆研报，觉得很有道理， 行业见底、成本优势、供需反转……结论都很清晰。但到了真金白银要下手的时候： 买什么？买多少？什么时候加？什么时候走？ 这些问题，研报里不会替你回答。 这一次，由PandaAI社区好朋友&量枢院成员：刘思昊——前量化私募金融工程研究员&风控总监，带你走一遍“从投研结论到交易计划”的真实路径，以猪周期为例，把底层的逻辑拆清楚。 闭门分享 📅05.28/周四晚上8点·闭门分享 《从投研结论到交易计划——以猪周期为例》 ![01AI交易实战社区直播海报11_cro...

最近我一直在想一个问题：我们平时看了那么多研报、纪要、行业分析，最后真正能沉淀成交易动作的，到底有多少？ 很多时候，一篇材料看完，当下是有感觉的。 比如：这个行业可能在周期底部；某家公司成本优势很强；某个商品供需关系快要反转；某个资产未来12个月赔率不错。逻辑都能讲通，图也挺漂亮，目标价也挺诱人。 但问题来了：然后呢？ 如果我真的认可这个投研结论，接下来应该买什么？怎么买？买多少？什么时候加？什么时候认错？哪些数据变化说明原来的判断已经不成立？ 这些问题不回答，投研结论就很容易停在“我...

量化金融因子快速积累方法 对于量化从业者而言，快速、高效地积累优质因子，既能缩短策略研发周期，也能构建差异化竞争优势。不同于盲目堆砌因子，科学的积累方法需兼顾“快速获取”与“有效筛选”，实现从“数量积累”到“质量沉淀”的高效跃迁，以下是经过实战验证的量化金融因子快速积累路径。 一、筑牢基础：明确因子核心认知，避免无效积累 快速积累的前提是“方向正确”，若对因子的本质、分类与评价标准缺乏认知，盲目收集或构建因子，纯浪费算力 首先需明确核心前提：量化因子是能量化的、可解释的，且能稳定预测资产未来收益的资产特征，其核心价值在于“捕捉市场规律”，而非单纯的统计数据堆砌。 第一步，因子分类。 因子的...

Auto-Trading量化交易系统 --- 1.项目简介 `Auto-Trading`是一个专为A股市场设计的、事件驱动的量化交易系统。项目采用现代化的Python技术栈和Monorepo架构，旨在构建一个从数据采集、处理、存储到交易执行的高性能、高可靠的全流程平台。 目前，系统的核心`market`服务（行情与交易中枢）已具备生产级的稳定性和性能。 --- 2.核心亮点✨ 高性能异步数据流:整个实时行情处理链路完全基于`asyncio`构建，实现了从数据接收、内部缓冲到数据库写入的全异步流程，具备极高的I/O吞吐能力。 健壮的背压与降载机制: 上游缓冲:`MiniQMTFe...

PandaAI，让AI交易成为现实。 「AI+量化实战闭门分享」 【05.18/周一晚上8点闭门直播】 《好的交易数据怎么被AI真正用起来？》 🙋‍♂️分享嘉宾： 量化李不白 PandaAI创始人｜全网20w粉量化科普博主 大盘手网·期货实盘大赛史上最年轻盘王 量化交易实战派，AI驱动交易探索者 吴振宇 奇货可查创始人 AIOPC实践者，10年+量化经验 持仓/成交量数据专家 直播回放已生成： 点击👉：[🔗观看完整回放](https://s06g2.xetslk.com/sl/w...

  本次TQX内测，重点体验了全新的3-Agent极简交易工作流，核心围绕「双均线选股+自动调仓交易」展开，采用main_agent（主调度）+scre...

TQX-第二周内测任务，搭建多智能体demo并接入模拟实盘 1，任务核心目标 搭建一体化股票多智能体交易系统。打破单一智能体能力局限，拆分投资全流程职能，打造具备自主分析、智能选股、风险管控、交易决策、自动下单、闭环复盘的智能交易体系。通过提示词优化、skill工具、标准化工作流搭建，赋予系统个性化投资决策特征，接入仿真环境完成落地运行 2，智能体工作流搭建 搭建多角色协同智能体架构，搭建主智能体+4个附属智能体的完整工作流，实现行情分析、个股筛选、风险把控、交易决策、实盘下单、交易复盘全...

中国量化私募背后的“定时炸弹” 1.它们都在赌同一件事：市场的“黑天鹅”不会来 想象一下，整个股市就像一艘大船。量化私募们不是在努力划船（比如靠选股眼光），而是在偷偷给船加装一个“风险探测器”。这个探测器专门盯着一种极端情况——就是当大船突然遭遇风暴、快要沉没的时候（也就是所谓的“系统性尾部风险”）。 研究发现，几乎所有的量化私募都对这种“沉船风险”有敞口。这意味着什么呢？意味着当市场一切正常时，它们因为承担了这种潜在风险，会获得额外的“风险补贴”，所以业绩看起来特别好。但一旦真正的风暴来了（比如2015年股灾那种级别的大跌），它们就会因为这个敞口而损失惨重，比其他类型的基金亏得更...

股价云模型：基于电子云原子结构的市场猜想 引言 在物理学中，电子云模型揭示了微观粒子的本质特征——电子并非沿着固定轨道运动，而是在原子核周围形成概率云分布。这一革命性的认知启发我们重新审视金融市场的运行规律。本文提出"股价云模型"猜想，将电子云原子结构理论应用于股价分析，为市场预测提供全新的理论框架。 电子云模型的核心原理 1.原子核与电子云结构 在电子云模型中，原子核位于中心，电子在核外空间形成概率云。电子云的疏密程度代表电子在该位置出现的概率密度，这种分布由薛定谔方程的波函数模平方决定。 2.量子态与概率分布 电子云模型的核心在于概率描述：电子没有确定的轨迹，只有在不同位置出...

💬在PandaAI社区，我们深入探索AI与交易的融合前沿，深度对话中连接业内人士，与思考同频的人并肩前行，让前沿认知转化为你的决策优势。 🐼5月高价值社区活动如下: 05.08/周五-线上闭门分享 《如何零基础入门量化》 @卡卡罗特 📈📈05.10/周日 《第三期多因子线上//课》 @量化李不白 📈05.14/周四-线下Workshop 《手搓你的第一个因子》 杭州·浙江财经大学@量化李不白 📈05.18/周一-线上闭门分享 《好的交易数据怎么被AI真正用起来》 @奇...

在PandaAI社区，我们不炫算法，只拆解能落地的实战经验。这一次，由PandaAI的社区作者【我是宽客】，拥有10年金融+IT复合背景的工程师，手把手带你走一遍“零基础入门量化”的真实路径，从多因子模型到Python策略落地，全程无保留分享。 【05.08/周五晚上8点闭门直播】 《如何零基础入门量化——我的真实转型之路》 🙋‍♂️分享嘉宾：卡卡罗特｜公募基金后端工程师 PandaAI社区作者【我是宽容】 多因子模型实战派，熟悉完整分析框架 10年金融+IT背景，持量化金融分析师等多项证...

本周核心目标 完全复刻实盘逻辑，跑通「多智能体全自动交易闭环」​ 覆盖：选股→择时→风控→合规→下单→标准化复盘​ 实测环境：港美股（HK/US）双市场仿真交易 --- 一、港美股智能体全自动交易全流程（实盘仿真） 主智能体：负责核心决策，按顺序逐一调用子智能体。...

昨晚直播后，通过deepseek了解了一些相关内容，结合个人经验整理一下： 1.大语言模型技术对复杂输入/输出映射的捕捉刻画复现能力越来越强。输入输出的域越是界限清晰稳定，中间映射逻辑再复杂，随着技术发展可以实现得越来越好。我对这个没有疑问。 2.盘感通常认为是在个人交易中的：信息获取/解读/决策/交易动作，内化的链路。感觉讨论借助数字分身主要是复刻强化其中有效的盘感，规避无效的盘感。 3.其实真正的挑战是对形成盘感整个链路所有相关记录作为输入端的获取。个人交易即使事后记录下来的“当时看到、当时认为、甚至当时操作”与真实都会有大偏差。决策当时的一些状态可能也难记录（背痛、心慌？）。当...

不知道为啥老是提示这个错误。实在是不知道怎么解决。有大哥知道吗。万分感谢 Traceback(mostrecentcalllast):File"/app/src/panda_trading/trading_common/system/compile/strategy_utils.py",line69,instrategy_...