PandaBacktest模块深度分析 `src/panda_backtest`是量化平台的回测引擎核心，采用事件驱动架构，支持股票和期货策略的历史回测。它不仅复用了实盘交易的接口定义，还提供了完善的模拟撮合、风控管理和结果统计功能。 1.目录结构概览 text src/panda_backtest/ ├──api/[接口]策略开发API(api.py,stock_api.py,future_api.py) ├──backtest_common/[核心]回测系统通用组件 │├──constant/常量定义(redis_key,strategy_constant) │├──data/内部数...

<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，还会重点...

PandaML模块深度分析 `src/panda_ml`定义了量化工作流中机器学习任务的基础抽象。它提供了一套标准化的接口（Node），用于构建数据预处理、模型训练和预测的流水线。 1.核心设计理念 该模块借鉴了`scikit-learn`的`fit/transform`设计模式，并将计算单元抽象为工作流节点（BaseNode）。 DataNode:专注于数据清洗和特征工程，支持`fit`（统计分布）和`transform`（数据转换）。 ModelNode:专注于模型生命周期，支持`fit`（离线训练）、`predict`（在线推断）和`update`（增量学习）。 2.核心类与文...

报告原文下载链接:https://pan.baidu.com/s/1ab9uNgS2Ydhimlu1jf5raA提取码:hgei 本篇研报以趋势资金为切入点:通过日内分钟级别的成交量来识别趋势资金，再通过对应的价、量数据推测其交易行为，构建有效的选股因子。该因子主要利用了市场的无效性，根据A股市场散户占比高，定价效率较低的特征，得出主力资金行为更容易产生超额收益机会这一结论，并将将主观交易经验(如“跟庄策略”)转化为可量化的指标。 由于获取数据上的限制，我在复现研报时只采用了2024-03-...

<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...

摘要 本报告对基于动量效应但实现路径迥异的两套ETF轮动策略： 策略一(双均线动量轮动模型)与策略二(RSRS多因子评分模型)进行了长达十年(2015年1月1日至2025年1月1日)的全面实证分析，结合回测数据研究结果显示： 策略二以惊人的993.04%的总收益率、27.88%的年化收益率及-17.13%的最大回撤，在收益与风险控制上均实现了对策略一(总收益93.39%,年化7.02%,最大回撤-34.21%)的全面超越。从净值曲线形态看，策略二呈现出近乎完美的45度稳健上升趋势，而策略一的...

为什么改造gplearn 1. 框架简洁代码精炼。之前被Qlib深度折磨过（以前文章写过https://www.pandaai.online/community/article/130）。Qlib投研全流程环节多模块多，而后期可能提交维护投入变少越来越臃肿。gplearn就是['genetic','functions','program','fitness']，然后再加上一基础设施'utility'五个部分。核心因子公式program的遗传变异进化操作就是围绕着一个list列表对象实现的（再次...

报告原文下载链接：https://pan.baidu.com/s/1xPDtXF138Q6bGZ4CxoTd7g提取码：dy4o 在这篇研报中，标签为每日开盘价、每日收盘价、每日换手率、指数隔夜涨跌幅等未经加工的底层市场数据。特征为传统隔夜涨跌幅、隔夜涨跌幅绝对值、超额隔夜涨跌幅、超额换手率、滚动相关性等从原始标签中提取或计算出的尚未验证预测能力的中间变量。因子为传统隔夜因子、隔夜跳空因子、新因子MIF等对收益率有显著解释力的特征。 本篇研报的核心与上一篇研报相同，都是利用A股市场的非有效性...

经常做策略优化的朋友都知道，如今在“优化”和“研究”这条路上，我们不得不借助AI来辅助。所以，今天的核心是Pandaai内置的AI助手，不同与其他ai助手，它有三种模式可以选择。 通用代码助手：用于解决各类编程问题、写代码、改代码和解释代码的综合型助手。 回测代码助手：专门帮助你编写、调试和优化量化交易策略回测代码的助手。 因子构建代码助手：专注于将金融逻辑转化为可计算的因子公式并实现为代码的助手。  1.1调整后收益 通过pandaAI...

一、参与背景：为何加入PandaAI种子用户计划 当我看到PandaAI发布的"仿真实盘种子用户招募"计划时，立刻被其中"定义量化新工具"的愿景所吸引。与普通产品内测不同，这次招募明确提出寻找"战友"而非单纯"用户"，强调与真正沉心做策略、懂交易的实践者共同打磨下一代量化工具。这种共创模式让我对PandaAI团队的专业态度产生信任，于是毫不犹豫地提交了申请。 作为有一定量化交易经验的参与者，我特别看重计划中提到的几大专属权益：5000+初始算力包可无门槛支持策略回测和仿真实盘交易；产品共建者身份能让建议直达产品核心团队；还有与产品团队、资深策略开发者同群交流的机会。这些权益不仅实用，更体现出P...

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...

上一篇文章我们介绍了高频因子的波动率类因子，这一篇继续介绍高阶特征因子，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。 一高阶特征因子 1.1构建方法 第三大类因子为高阶特征因子。高阶特征利用股票高阶矩与其未来收益建立联系，刻画日内价格分布以及快速变化的特征，能够有效反映价格的除动量和波动率这样一阶和二阶特征外更高阶的特征。  将分...

量化策略程序的下载链接：<https://share.weiyun.com/PiKD4wbH ----