期货日线策略：我在PandaAI上构建期货回测工作流的一次尝试--趋势主导型复合因子 因为要进行这个期货工作流链接实盘仿真验证，临时研究了一下期货因子，所以临时开始梳理一下期货因子的研究和回测路径。 之前我是做股票回测的，为什么这套思路直接搬到期货上不太够，以及我这次在PandaAI上是怎么先搭一版基础期货回测工作流的。 --- 一、我以前做股票回测，更多是“规则型因子”思路 之前做股票回测时，我比较常见的做法是： 把通达信里的选股条件拆出来 转成0/1因子，或者简单线性因子 再做一些...

期货回测与模拟盘对接 1.1使用PandaAI小助手生成想要的策略和回测周期  这里我用了MACD和MA（EMA20，EMA60和EMA100）进行合并信号生成并在白银主力合约上进行回测 1.2根据回测结果AI分析进行调参  通过放宽条件使交易更容易发生，避免因为条件过度约束导致买入卖出严格（在合适条件下不发生交易）。 回...

【多策略应用与实践】-第二周使用体验和建议 目前使用优点 整个平台相对完善，策略开发，回测（暂时还没深度体验），仿真，实盘等功能基本都有，可以在一个平台内完成所有操作,目前对于没接触过的人来说，确实是一个可以快速接触，并且跑起来的平台。 可以在任意地点登录web查看修改。 目前感觉不足 1.这个查看运行效果，检查log实在是太难受了，log的窗口小，滑动卡顿，并且还不能下载？（或许我没找到）。强烈建议增加醒目的下载按钮，我之前跑策略回测一年的话都是几个G的log在电脑本地用klog工具打开...

期货回测连接仿真交易 1.1构建策略 1.一句话，启动AI：只需简短描述您的交易灵感，AI即刻响应，为您搭建策略代码与工作流。  2.找BUG，AI智能修复：回测遇到小麻烦？查看日志精准锁定问题，召唤AI智能修复，难题迎刃而解。  3.看绩效，精益求精：修改回测频率再次运行，直观查看回测结果，根据数据反馈不断优化，让策略更强大。  1.2连接仿真实盘，...

策略描述： 针对A股所有标的写一个截面策略，要求收盘突破前100日新高，且在20日均线上方，最近三日成交量递增放量的所有标的里，选择市值大于100亿并小于2000亿的股票等额买入，收盘价回撤至20日均线下方后第二日开盘价卖出，否则则持有。并在2023.1.1至2025.12.31期间回测。  策略回测数据 年化收益：38.18% 最大回撤：23.05% 几乎全程在基准收益绿线之上，且逐渐放大 心得总结 1.本人量化交易小白，这是第一次用Pan...

1.本周主要任务连接仿真交易 将回测好的策略连接到模拟账户，进行仿真交易，为实盘做准备。 1.进入平台首页的「超级图表」，点击下方「实盘」标签页。 2.创建模拟账号:通过「账号管理」添加一个模拟交易账号。 3.创建实盘连接:点击「创建实盘」。 4.在弹出的窗口中，选择您刚刚运行并确认无误的工作流，并关联到您创建的模拟账号。启动后，策略即开始在仿真环境中运行。 2.存在的问题： 因为本周新构建的策略在线性因子构建上存在问题，，且反复AI修复无结果，所以采用了上周的策略去连接仿真交易。具体问题工作...

一、引言 近年来，随着A股市场机构化率的显著提升，指数增强策略（IndexEnhancement）逐渐成为量化投资领域的重要研究方向。与传统被动指数投资不同，指数增强策略旨在在严格跟踪基准指数风格、行业权重和风险暴露的前提下，通过系统化的选股、因子构建与组合优化获取稳定的超额收益（Alpha），从而在风险可控的条件下增强整体收益率。 中证1000指数作为反映中国中小市值公司整体表现的宽基指数，其成分股数量多、行业分散度高、个股波动性强，为基于量化因子进行指数增强提供了广阔空间。尤其是在近年来的市...

AI助手生成工作流的报错问题 1.1AI助手生成工作流没有产生交易的问题 反复运行了很多次，一直提示没有查验处有效的业绩数据，报错的信息主要是回测相关对象ID的校验错误; 可能性有两个，1是期货回测节点输出的回测ID为空或非法，2是回测结果在结果服务中不存在或已失效; 如下图所示  根据提示反复校验了很多遍，代码修改中放开了交易的阈值，又反复调整报错的方式，尤其是采用了断绝外部依赖以及报错能忽略后继续运行的方...

研报学习 研报是一种很好的学习方式，我最开始的入门就是从读研报开始，开始完全读不懂，努力问AI，一点一点啃下来，但是同时收获都是巨大的，虽然很多因子未必还有用，但是这确实是一种很好的学习方式，用pandaAI尝试快速复现研报并且试着学习研报我认为说很不错的 1.1海通研报选股因子研究系列（一）A股市场的动量反转效应研究 今天的研报很简单，主要就是简单的让人可以理解什么说动量和反转因子，并且动量/反转因子的简单实现，这个系列是简单易懂的 研报的前言  1.研报的因子...

回撤结果是，简单的动量因子，大概是失效了，甚至有反效果。  ai给出的原因是  有点懵，代码逻辑还需要去理解。

上一篇文章中我们对高频因子的优势和类型做了简要介绍，从这篇文章开始，我们将对每一大类因子做介绍，并从中选取具体一例因子，实现从数据构建到测试评估的整个过程。 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，并对该因子进行有效性检验。 一、动量反转因子 1.1动量反转因子 第一类因子为动量反转因子。动量反转因子通常由过去一段时间的特定类型的涨跌幅构造，其因子收益一方面可能来源于非理性投资者的行为偏差造成的错误定价，另一方面也可能来源于承担特定风险获得...

策略生成调整实盘回测全流程操作 1.1AI助手生成根据自然语言生成工作流后，运行工作流根据运行情况：如代码问题就用AI助手修改代码问题，若是策略逻辑和指标需要调整就用AI助手进行工作流修改调整，以至达到最佳效果。 有些还能通过AI分析回测结果详情形成分...

因子分析 1.1使用PandaAI生成因子 利用PandaAI生成期货期限结构因子，并以前14天做为预测窗口，预测全期货合约第15天涨跌情况，生成因子分析框架，时间为2024-2025。通过因子分析结果AI助手分析，改进调仓频率和换手次数（手续费设为万三），最终生成结果（如下图）  1.2加入动量因子，生成多因子分析框架 在PandaAI量化助手里输入：增加波动因子并生成多因子分析框架。 波动因子...

细读研报（因子切割论） 因子切割论核心框架的三要素为对象、工具、产出，三者构成因子切割与优化的完整逻辑链，且每个要素有明确的定义、要求和应用特征，具体如下： 1.对象：具有可加性的目标变量 这是因子切割的基础，要求被切割的指标具备时间轴上的可加性——对“整体”指标在时间维度分割后，得到的各“部分”变量含义保持不变，且可重新组合加总。 有效对象：涨跌幅、换手率、成交量、日均振幅等常见量价指标（如理想反转因子以“涨跌幅”为切割对象）； 无效对象：流通市值、市盈率等不具备时间可加性的指标。 2.工具：有区分能力的切割指标 这是因子切割论的核心，如同切割的“大斧”，要求该指标能有效区分市...

PandaAIQuantFlowWEEK4实验记录 最近在PandaAIQuantFlow上进行了一次WEEK4的策略实验任务，这次主要尝试了两个方向： 使用专家模式（ExpertMode）编写和调试策略代码 构建一个动量轮动股票策略回测框架 同时也尝试在工作流中加入新的节点，例如多因子组合节点，对策略结构进行扩展。 这里简单记录一下整个过程和一些使用体验。 一、策略框架设计 本次测试的策略属于动量轮动策略（MomentumRotationStrategy）。 核心思想非常简单： 在股票池中筛选出动量最强的一小部分股票，进行短周期轮动持仓。 策略规则如下： 股票池筛选 ...

用PandaAI构建期货量化策略： 动量+波动率突破框架实测（白银主力合约） 最近在PandaAIQuantFlow上测试了一套期货策略工作流，从策略生成→回测→仿真交易→实盘日志全流程跑了一遍，这里分享一下整个过程，以及一些实际使用中的经验和坑。 测试标的选择的是： 白银主力合约（SHFESilver） 回测区间： 2025年下半年 策略类型： 动量+波动率突破策略 一、策略框架设计 本次策略的核心思想是： 当市场出现动量加速，并伴随波动率扩张时，进行趋势突破交易。 策略逻辑主要结合两个维度： 1️⃣动量（Momentum） 2️⃣波动率突破（VolatilityBreakout） 这种结...

工作流自动生成 1.1因子分析框架的工作流自动生成和调试 根据课程提示可以简单的制作因子分析的框架，并根据日志提示进行自动调整; 但当想要构建多因子分析框架时，就会产生很多错误，还需要进一步的探索是什么思路的问题以及进一步如何引导工作流的成功运行;  如图所示，可以根据官网提供的各种错误代码进行逐一的耐心调试，并且可以把日志的错误复制给AI助手进行修改。 1.2策略回测的工作流自动生成和调试 1.根据课程提...

PandaAIQuantFlowWEEK4实验记录 最近在PandaAIQuantFlow上进行了一次WEEK4的策略实验任务，这次主要尝试了两个方向： 使用专家模式（ExpertMode）编写和调试策略代码 构建一个动量轮动股票策略回测框架 同时也尝试在工作流中加入新的节点，例如多因子组合节点，对策略结构进行扩展。 这里简单记录一下整个过程和一些使用体验。 一、策略框架设计 本次测试的策略属于动量轮动策略（MomentumRotationStrategy）。 核心思想非常简单： 在股票池中筛选出动量最强的一小部分股票，进行短周期轮动持仓。 策略规则如下： 股票池筛选 ...

傅立叶变换的核心能力，与Twap与Vwap的案例结合 傅立叶变换的本质是“将时域信号分解为频域信号”——简单说，就是把“随时间变化的价格/成交量数据”（比如1分钟K线的价格序列），拆解成由不同频率（周期）、振幅（强度）、相位（时间偏移）组成的正弦波叠加。 其核心价值在于：把“难以直接量化的‘趋势/震荡/周期性’”，转化为“可精准计算的频率特征”。例如： 低频成分：对应长期趋势（如1小时级别的慢涨/慢跌）； 中频成分：对应中期震荡（如15分钟级别的来回波动）； 高频成分：对应短期噪音（如1分钟内的...