多空持仓控制仿真策略 学习到了需要在代码中修改绑定账户，即每个盘的账号不同，这个非常容易遗忘从而无法跑通策略。 多周期目标止盈 1、运用ai去了解代码的含义，不停地问答，ai回答的清晰易懂 2、我根据自己的思路去修改了交易条件：即根据RSI的数值去判定进出场位置，我设置的条件为RSI<=30与RSI=70做多与做空，并且在盈利条件下每跑出10个点加仓一次，统一在第一单达到50个点平仓。 K线形态交易 给ai说明了我想要进出场的K线形态，设定好做多和做空分别对应的三根K线形态。 问题：在上周...

做完了测试 今天做完测试，感觉Pandaai极大地方便了量化，降低了门槛，期待解锁更多功能。

<br $\rmWe\,\,define\,\,a\,\,function\,\,{\mathcal{O}(k)}\,\,similar\,\,to\,\,the\,\,Riemann\,\,Zeta\,\,function\,\,\zeta(s)$ $$\mathcal{O(k)}=\displaystyle\lim_{n\to+\infty}\sum_{\tau=2}^n\frac1{\tau^{k}}\,\,\,\,\,\,\,\,\,\,\,\forall\,s\in\mathbb{...

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...

第四周多品种交易策略的实现与调优过程 这次实盘模拟交易策略使用多品种趋势跟踪方法，基于1分钟K线价格与10周期均线的关系进行决策。策略核心逻辑简洁明了：当价格突破均线时开仓，当价格回归均线另一侧时平仓，适用于黄金、铜、螺纹钢、焦炭和动力煤等多个期货品种。 策略开发过程充分体现了与AI协作的高效性。最初版本仅包含少数品种，通过向AI助手提出“增加交易品种”的需求，系统迅速给出了扩展建议。正如第一次编码截图所示，AI不仅提供了新增品种的合约代码示例，还详细解释了各品种的交易特性，帮助完善了品种配...

第一次用pandaAI，感觉复杂的量化工作，可以用大模型工作流来，方便完成，希望这款高压工具可以适合，中国散户，市场应用前景就更加广阔

工作流示例 为方便大家使用，我们提供了以下模版，供大家学习参考，新建一个工作流，直接拖对应的json到窗口中即可（json可找小助理领取），可以自己尝试修改参数和模型。 --- 直接收益率预测排序 🌟核心思路 利用XGBoost模型直接预测股票未来的收益率，并根据预测值进行排序和分组。 📌实施流程 1.输入因子矩阵 2.使用XGBoost模型进行回归训练，输出预测值：  3.对预测收益率进行排序...

调整两个策略：设定时间交易和期货多品种 直接在flow里和ai交互，比如让ai帮我加品种：黄金，铜，螺纹钢，焦炭  

背景 最近在小安老师建议下做端到端阿尔法模型的构建复现，踩了不少坑，也有一些收获。这篇文章是结合招商证券那篇《端到端的动态Alpha模型》研报的第一部分，以及我自己的实践经验整理出来的，顺便附了我画的图来梳理结构。 一、线性因子模型逐渐失效了？ 研报里其实讲得很清楚，线性模型的问题并不只是过时这么简单，而是它在理论假设上就有点站不住脚。比如APT模型假设资产收益率和因子之间是线性关系，而且残差是独立同分布的、无异方差的。但现实中的金融市场，残差往往具有强烈的异方差性和截面相关性。 这也...

一多品种和设定交易时间 1.1AI协助修改策略  1.2模拟实盘仿真  1.3实盘详情 

1.1背景 这几天踩了不少数据的坑，趁热打铁总结一下，也希望能帮大家少走点弯路。数据清洗这块，很多人觉得是琐事，其实它对最终策略效果的影响非常大。模型的好坏，很多时候不是算法决定的，而是你喂进去的数据质量决定的。下面我举几个例子，大家就懂了： 1.数据不清洗，就像你要做个火爆肥肠结果菜都没洗，味道能对吗？哈哈哈。 2.第一次拿到因子数据，乍一看数值有点大，就想着直接log一下压缩，结果模型训练完发现还是在学风格因子，整段预测方向跑偏。 3.有些字段比如ROE、净利润增长率，值是0或者极端异常，模...

一一级标题【多策略调整与优化】 1.1二级标题应用实现 与AI对话修改程序，试着运行起来，目前还有两个程序没有交易 最近工作很忙，行情很疯狂，没有时间详细修改策略！  1.2二级标题功能修改与提升建议 目前还有两个运行程序没有交易，没有仔细查看为什么没交易，最近没有时间查看原因！ 只能在功能上提出一点优化建议。比如： ...

各类机器学习模型常见的应用场景 1.1机器学习在量化交易当中的底层逻辑 -量化交易的核心是通过数据，统计，找出市场的规律，从而预测市场走势， 常见的规律有线性规律与非线性规律， 而机器学习就像一个“数据翻译官”，能从海量金融数据中找出非线性规律 核心逻辑：用历史数据训练模型，让模型学会“识别”数据中的模式（如价格波动、因子相关性等），再用这些模式预测未来市场变化，辅助交易决策。 1.2二级标题 1.二、常见模型原理与应用场景 1.决策树（DecisionTree） 原理： 像“层层问答”的流程图，通过不断问问题（如“价格是否突破20日均线？”“成交量是否放大？”）将数据分成不同类别。 ...

引言 招商证券的这份研究报告代表了传统金融机构在人工智能应用领域的重要探索。作为AI系列研究的第二篇，该报告聚焦于多模型集成技术在量价Alpha策略中的应用，为量化投资提供了一套完整的技术解决方案。 通过深入研读，我发现这份报告最大的价值在于其模型选择的系统性思考和集成策略的实用性设计，为行业提供了宝贵的方法论参考。 --- 第一部分：为什么需要多模型集成？ 1.1传统单一模型的根本局限 在量化投资领域，单一模型面临着无法克服的结构性缺陷： 预测精度的天花板效应 即使是最先进的单...

AlphaGenRL训练参数说明 概述 `scripts/rl.py`是AlphaGen项目的核心训练脚本，使用强化学习（RL）和大语言模型（LLM）来自动发现和优化Alpha因子。本文档详细说明了`main`函数的所有参数。 参数详解 1.`random_seeds` 类型:`Union[int,Tuple[int]]` 默认值:`0` 作用:设置随机种子，确保实验的可重现性 bash 单个种子 pythonscripts/rl.py--random_seeds42 多个种子（会依次运行多个实验） pythonscripts/rl.py--random_seeds"(0,1,2,...

上篇[基于《AI系列研究之二：多模型集成量价Alpha策略》理论分析](https://www.pandaai.online/community/article/90) 本篇文章会对其中各部分进行代码研究 项目需求分析与技术架构设计 业务需求梳理 项目的核心目标是构建一个多模型股票预测系统，具体需求包括： 数据层面的要求： 股票池：全A股票市场，但需要剔除ST、ST股票、退市股票以及上市不满三个月的新股 数据源：使用数据库中的日线量价数据，包含高开低收价格、成交量以及市值信息 预测目标：T+1日至T+11日的复权日内VWAP价格收益率 数据预处理：采用3倍MAD截断、zscore标...

今天做了第4次测试 1.期货多品种-仿真  2.设定时间交易_仿真  3.运行结果如下  AI量化的效果还是挺好的，希望以后可以多做做A股的量化

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...