一、引言： 在进行回测系统的搭建中，了解指标评估因子的质量的意义是重要的，现在写出一篇帖子用于评估策略。 本文采用的策略指标复现源自PandaAi开源项目截取。 量化策略的回测评估依赖多项绩效指标。通过分析年化收益率、超额收益率、最大回撤、波动率、夏普比率和信息比率等指标，可以全面了解策略的收益能力与风险特征。例如，夏普比率是一种衡量单位风险所获超额收益的指标，而超额收益表示相对于选定基准的附加回报。 此外，因子质量指标（如信息系数IC、IC信息比率ICIR、秩相关系数等）可用于评估单个因子的预...

<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...

<fontcolor="brown"一、背景</font Alpha101 <br Verycoarsely,onecanthinkofalphasignalsasbasedonmean-reversionormomentum. <fontcolor="red"大致来说，Alpha信号可基于均值回归或动量来理解。</font  量化交易作为金融市场的重要组成部分，在过去几十年中经历了显著的发展与演变。在这一领域，Alph...

<fontcolor="firebrick"一、背景</font Alpha101 <br Weemphasizethatthe101alphaswepresentherearenot‘toy’alphasbutreal-lifetradingalphasusedinproduction. <fontcolor="red"101个阿尔法因子并非用于理论研究的“玩具”因子，而是在实际交易中使用的真实因子。</font  此前，在《Alp...

高频交易深度解析：从历史演进到技术实现的完整图景 继续跟着天山老妖的QuantFabric教程学习，这次的内容让我对高频交易有了更全面和深入的认识。如果说前面两篇文章是在讲"工具"，那么这一篇就是在讲"战场"——高频交易这个充满传奇色彩又极具技术挑战的领域。 从17世纪罗斯柴尔德家族用信鸽传递消息进行跨国套利，到今天用纳秒级系统捕捉微观价差，高频交易的本质始终未变：在信息传递的速度差中寻找利润。但技术的进步让这个"速度差"从几天缩短到了几纳秒，竞争的激烈程度也达到了前所未有的高度。 什么是高频交易？ 高频交易（HFT）本质上是一种程序化交易，目标是从极其短暂的市场变化中获取利润。这种"...

延续上次对市场"状态转换逻辑"的探讨，我们知道识别市场状态固然重要，但真正的挑战在于如何快速执行。最近在学习天山老妖的QuantFabric教程（[edu.csdn.net/learn/37051/572467](https://edu.csdn.net/learn/37051/572467?spm=1002.2001.3001.4157)），对高频交易系统的架构有了更深入的理解。 作为量化交易者，我们都知道速度和精确性的重要性。今天分享一下从教程中学到的QuantFabric系统架构，看看它如何通过精妙的设计和优化，帮助交易者在毫秒甚至纳秒间执行交易。 高频交易的核心需求 在高频交易的...

<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...

上次我们通过天山老妖的教程了解了QuantFabric的系统架构设计，从理论层面认识了这套高频交易系统。今天继续跟着教程的第二部分，看看这个系统在实际运行时是什么样子的。 如果说上一篇是在看"设计图纸"，那么这一篇就是在看"驾驶舱"——一个真正运行中的量化交易系统，交易员每天面对的操作界面，以及系统背后各个组件是如何协同工作的。 从理论到实践的跨越 理论再完美，最终还是要落地到实际使用中。天山老妖在这个演示中，展示了一个完整的QuantFabric测试环境，让我们能够直观地看到： 行情数...

最近几年在做量化研究时，我有一个很深的感受：A股市场正在发生一些根本性的变化。以前那种靠题材炒作、概念驱动的投资方式越来越难赚钱了，反而是一些基本面扎实的公司开始受到资金青睐。 这种变化背后有两个很重要的推手。第一个是外资的持续流入。我记得2016年刚开始关注北上资金的时候，很多人还把它当作一个短期的资金流向指标来看。但现在回头看，外资买入的逻辑其实很清晰：ROE高、现金流好、行业地位稳固的龙头公司。这些公司可能不是最sexy的，但确实是最赚钱的。 第二个推手是监管层面的变化。2020年的退...

<fontcolor="firebrick"一、背景</font <fontcolor="red"Alpha101的核心是通过特征工程优化因子，以此简化模型构建并提升训练效率与效果。</font  Alpha101因子体系如同量化投资领域的一座宝藏，其中101个因子构成了众多投资策略的"地基"，始终备受关注。 此前的两篇文章已深入拆解这些因子的设计逻辑及其预测市场走势的底层原理，可参考以下链接获取深度解析： [<fontcolor="pu...

概述 因为高频数据量非常大，若要进行多年度的回测需要大量的时间计算，所以我采用先计算因子值，计算完之后再执行回测，本篇主要分享可以优化的方向以及一些高频数据预处理的发现。 1.高频因子特点 相比低频因子IC半衰期更短 需要更高频的调仓（如日频），带来换手率的增加，但基金业绩表明，即使高频因子的换手率更高，但高频因子的信息收益在合适的控制下仍然高于高换手率的成本 Level2级的数据资讯更多但同时也有更大的噪声 本系列将依照高频数据低频...

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...

<fontcolor="brown"一、背景</font <fontcolor="red"谁是西蒙斯？</font  2019年，我天天对着堆成山的财务报表加班，眼睛都快看花了。Excel和财务软件上跳动的数字突然变得陌生——难道我的人生就要永远困在这些冰冷的账目里？难道我就这样替人做利润表一辈子，自己的财务人生却还是空白？ 想起大学时炒股的“黑历史”，看了两本技术指标书后，啥也不懂就瞎买，最后被割得干干净净，成了妥妥的韭菜。但心里一直藏着个梦想：...

1.概述 前段时间搭好了一个多因子框架，从几十个因子里面挑出了5个表现比较好的因子，先进行了MLP的训练，但是因为因子数据太少，模型基本上没学习到什么东西，迭代一次，损失就不再下降了。于是决定采用随机森林模型来训练，这个系列将把自己学习模型过程中的经验分享出来，与大家一同交流。大家都知道，随机森林是由若干决策树组成的，所谓几十个臭皮匠，顶个诸葛亮。那么本文就先分享决策树模型，我们将从零开始实现完整的代码。 2.决策树 我们以下面这个例子为例，假如我们要租房，需要根据西区还是东区以及房间的数量来...

<fontcolor="brown"一、开篇</font <fontcolor="orange"Lifeisshort,youneedPython!</font <fontcolor="red"人生苦短，我用Python!</font  文科生学习量化投资，确实存在诸多门槛。在前文提及的数理、代码、金融、交易这四个维度里，我觉得数理当属最为关键且难度最高的部分。毕竟里面有线性代数、统计、概率论、计量经济这些硬核内容，咱可以先Pass这部分。...

-----想定制魔改qlib因子计算和改用小型数据文件的，希望有帮助----- 今年深圳课上接触到的alphagen,最吸引人的部分是：仅通过表达式就可以快速生成相应因子可在表达式层面高效开展因子探索。意识到引入这个部分对我当前投研数据工作会是一个很大提升。初步了解这部分内容是使用qlib实现的而qlib使用的是MongoDB数据库。初步了解MongoDB后决定暂时放弃（目前只做股票日间交易，A股全市场daily数据1GB左右目前的parquet够用）。 细化一下研究工作域边界和内容：研究q...

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...

一、引言 在A股量化投资中，构建完善的因子库对于策略研发和回测效率至关重要。传统基于CSV文件存储因子数据存在冗余、跨周期计算效率低和扩展性差等问题，而通过建立数据库式的因子库，可以显著提升数据管理和检索效率。本项目旨在基于AkShare和MongoDB构建一个A股的价格-成交量因子库，将常见的技术指标和量价指标按日保存，为选股和策略开发提供数据支持。借助开源工具，我们可以批量获取数据、自动清洗和计算因子，并方便地存入数据库，为后续的回测与分析打下基础。 二、技术架构与依赖工具 2.1该项目采用...

<fontcolor="brown"一、开篇</font <fontcolor="red"工作流解锁量化大众化，全民玩转量化时代已来！</font  上篇文章详细介绍了PandaAI线性模型工作流的完整流程，同时也阐述了策略回测分析与因子相关性分析的具体步骤。正如我们之前所强调的——任何任务都能拆解为清晰可控的工作流，因此我们将进一步把机器学习相关工作流应用到量化分析场景中。 在下面连接中可以看到关于PandaAI工作流的详细介绍和多因子模...