QuantFabric系统架构革新:共享内存驱动的超低延迟新时代 继续跟随天山老妖的QuantFabric教程深入学习,这次迎来了系统架构的里程碑式重大升级。如果说之前的HFTrader展现了纳秒级的极致性能,那么这次基于共享内存的架构革新则是从根本上重构了系统的通信基础,将低延迟性能提升到了新的高度。 这次升级的核心在于彻底消除TCP通信的延迟瓶颈,通过共享内存(SHM)技术实现内存级速度的数据传输。同时,引入全新的XQ策略进程组件,实现了策略层与基础设施层的完全解耦,既保证了核心组件的稳定性,又提供了策略开发的极致灵活性。 这次学习让我深刻认识到,优秀的系统架构不仅要追求性能的极限,...
AI助手—将传统主观交易的部分条件进行因子化和回测的过程(股票) 作者:了不起的阿斗 本文记录从主观条件选股→量化因子思维转变的完整过程,包括对平台AI助手使用的心得,以及第一个因子分析实验与股票回测的结果与反思。 --- 一、背景:一个主观交易选手为什么想试试量化 我本人做A股短线交易很久,主要方向是主观交易的题材热点驱动的主升这类。 交易体系其实早就有一套自己的,其中有一个复盘环节就是,每天盘后扫一遍全市场,先用若干自己整理的条件选股条件把几千只股票压缩到几十只候选,然后结合市场和...
一、策略核心概况 本周我们拿到的是一个《多品种期货1分钟MA10短线趋势策略》,可同时交易黄金、沪铜、螺纹钢、焦炭等主流期货品种,核心逻辑是「价格上穿10均线做多、价格下穿10均线做空,同趋势持仓、反趋势平仓」,属于趋势跟随策略。 策略特点:多品种同时运行、单品种独立判断、无复杂指标、规则清晰、风险可控,是非常实用的期货量化入门策略,兼顾稳定性和可操作性。 二、策略交易标的 策略支持多品种批量交易,当前配置4个主流期货合约,可直接修改合约列表拓展品种: |合约代码|交易所|中文名| ...
AI助手多样化研究--(股票)最基础的择时与相对强度因子回测 情绪冰点下的相对强度选股策略:构建思路与因子设计 ——了不起的阿斗 本文记录一套基于市场情绪极端悲观状态与个股相对强度的选股策略构建过程,使用平台AI助手实现整体构建。 之前尝试将传统主观交易的部分条件进行因子化和回测中留了一些钩子,在主观交易中还有一套市场情绪判断体系用来择时,这次使用最基础的择时因子加入策略之中。 https://www.pandaai.online/community/article/581 --- 一、在恐...
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...
踏入天山老妖QuantFabric教程的技术巅峰——HFTrader高频交易系统,这是整个学习旅程中最激动人心的核心篇章。如果说前面的环境搭建、工具配置是在打地基,那么HFTrader就是真正的速度与技术的终极较量。在这个以纳秒计算的高频交易世界里,1008纳秒的最小延迟和4184纳秒的最大延迟,每一个数字都代表着技术实力的极致展现。 HFTrader作为QuantFabric量化交易系统的高频核心,承载着将毫秒级市场机会转化为实际收益的重任。从四线程架构设计到CPU亲和性绑定,从无锁队列优化到多层风控体系,每一个技术细节都在诠释什么叫"细节决定成败"。这不仅仅是一个交易系统,更是现代金融科...
为什么要做日内策略 之前在大A做指数增强,主要是微盘指数增强。从长期看,这可能是大A里相对更稳的贝塔,但也难免受周期影响,可能出现持续数月甚至半年的风格中断,进而导致收入中断。结合各个群的讨论和看到的资料,我认为高频策略不仅大约3个月就能验证有效性,而且有望带来更持续的收入;同时,alpha也更多沉淀在高频数据中,参与者相对较少。最终决定在已有β基本盘的基础上,再做一套高频或日内策略。 选择什么标的 在大A只能T+1,但有个比较特殊的存在:30年期国债ETF,零手续费、零佣金,支持T0交易...
继续深入天山老妖QuantFabric教程的技术精髓,这次我们踏入了高频交易的核心——低延迟技术的全栈优化。如果说前面的HFTrader系统架构让我们看到了高频交易的整体框架,那么这次的低延迟技术分享则是深入到每一个技术细节的极致追求。从硬件超频到内核旁路,从CPU隔离到零拷贝优化,每一个环节都在诠释什么叫"毫秒必争,纳秒见真章"。 在这个以纳秒计算的技术世界里,250纳秒的ef_vi延迟与2-3微秒的标准网络栈延迟之间的差距,可能就是盈利与亏损的分水岭。这不仅仅是技术的较量,更是对工程极限的挑战和对商业价值的精准把握。 这次学习让我深刻认识到,高频交易的低延迟优化是一门综合性的系统工程:...
各位大佬好! 我是新手小白,请教一下: 请问这个平台可以直接输入通达信公式直接回测吗? 请问目前支持所有通达信函数吗? 或者其他量化回测软件也支持通达信所有函数的有吗? 请问这个平台可以一键转换通达信选股指标为回测指标的吗? 然后再把通达信的排序指标转为回测指标,再进行回测? 比如今天1月5日选股15只,再排序后把第一名作为最终回测的股票这样能实现吗? 能一次回测10年内5000支股票吗或者其他量化回测软件的? 或者其他量化回测软件可以选股后再排序把第一名作为回测的软件吗? 盼大...
继续跟着天山老妖的QuantFabric教程学习,这次的内容是关于开发环境的搭建。虽然看起来是基础操作,但实际上每一个细节都很重要。工欲善其事,必先利其器,一个配置良好的开发环境能让后续的开发工作事半功倍。 这次学习让我意识到,量化交易系统的开发不只是写代码,还涉及到Linux服务器管理、网络配置、安全设置等多个方面。特别是在实际部署时,很多看似简单的配置问题可能会成为系统稳定性的隐患。 开发工具的选择与配置 GitBash:Windows下的Linux命令行体验 对于在Windows系统下开发Linux程序的我们来说,GitBash是一个必不可少的工具。它不只是Git的客户端,更是一...
各位大佬好! 我是新手小白,请教一下: 请问这个平台可以直接输入通达信公式直接回测吗? 请问目前支持所有通达信函数吗? 或者其他量化回测软件也支持通达信所有函数的有吗? 请问这个平台可以一键转换通达信选股指标为回测指标的吗? 然后再把通达信的排序指标转为回测指标,再进行回测? 比如今天1月5日选股15只,再排序后把第一名作为最终回测的股票这样能实现吗? 能一次回测10年内5000支股票吗或者其他量化回测软件的? 或者其他量化回测软件可以选股后再排序把第一名作为回测的软件吗? 盼大...
各位大佬好! 我是新手小白,请教一下: 请问这个平台可以直接输入通达信公式直接回测吗? 请问目前支持所有通达信函数吗? 或者其他量化回测软件也支持通达信所有函数的有吗? 请问这个平台可以一键转换通达信选股指标为回测指标的吗? 然后再把通达信的排序指标转为回测指标,再进行回测? 比如今天1月5日选股15只,再排序后把第一名作为最终回测的股票这样能实现吗? 能一次回测10年内5000支股票吗或者其他量化回测软件的? 或者其他量化回测软件可以选股后再排序把第一名作为回测的软件吗? 盼大...
多账户仿真测试 pandaAI能创建三个仿真实盘,这点我非常喜欢。作为以波段交易为主的交易者,我需要一个持续跑波段策略的账户,但如果只有这一套在跑,就很难同时测试其他想法。pandaAI很好地解决了这个痛点——可以为不同策略分配独立账户,做到并行验证与实盘演练。  我目前同时运行三个方向的策略:短线、波段和日内高频。波段策略负责抓住中期趋势,作为我的主力;短线策略则专注日内机会,保持频繁参与市场;日内高频策略...
放量突破新高2.0 Prompt为“调整为只针对沪深300和中证1000范围内的市值大于100亿并小于2000亿、上市超过1年的标的,写一个截面策略,要求:最近三日成交量递增放量,5日与20日均线金叉,且价格放量突破前100日新高时,按市值从小到大顺序,定额50万买入(无符合条件时不做买入);收盘价回撤至20日均线下方后第二日开盘价卖出,否则则继续持有。并回测2023.1.1至2025.12.31期间表现。”没有跑出数据,让技术李健老师修改后结果如下: ![新高放量策略6个月回测.png]...
一随意试试,竟收获满满 1.1教程简单明了,通俗易懂 匆匆看了一遍教程就开始依样画葫芦,全程很流畅,用了5分钟成功运行第一个试例程序; -运行过程中未产生交易,检查代码花费10分钟,接下来发现好货。 1.2程序调试如吃饭喝水般简单。 1.选择节点“自动交易,高频策略”; 2.AI对话框输入修改交易品种为AG2601修改完成点应用,保存; 3.修改均线参数,点应用点保存。 4.创建AI仿真实盘账号开始运行简单修改的程序。 5.6分钟后看图 6.60分钟后看图![60....
继续跟着天山老妖的QuantFabric教程深入学习,这次聚焦于开发环境搭建的核心组件——Qt和CMake的安装配置。如果说前面的基础环境搭建是地基,那么Qt和CMake就是框架的主体结构。没有稳固的开发工具链,再好的策略想法也无法落地实现。 这次的学习让我深刻体会到,量化交易系统开发不仅需要扎实的金融知识和编程技能,更需要对开发工具有深入的理解。特别是在Linux环境下配置图形化开发环境,每一个细节都可能影响后续的开发效率。从版本选择到环境变量配置,从账户验证到套件检测,看似简单的安装过程实际上蕴含着丰富的技术细节。 Qt安装:图形化开发的基石 版本选择的策略考量 在Qt的版本选择上...
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 ...
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 ...
继续深入天山老妖的QuantFabric教程学习之旅,这次的内容涵盖了两个关键主题:Git子模块的管理实践和C单例模式的设计实现。看似技术细节各异,但实际上都体现了系统工程中的核心思想——模块化管理和资源统一控制。 在量化交易系统开发中,代码组织和架构设计的重要性不言而喻。Git子模块解决了多团队协作中的代码复用问题,而单例模式则确保了系统关键组件的唯一性和一致性。工程实践中的每一个设计决策,都直接影响着系统的可维护性和稳定性。 这次学习让我深刻认识到,量化交易系统的复杂性不仅体现在算法策略上,更体现在工程架构的精细化管理。从版本控制到设计模式,从编译构建到资源管理,每一个环节都需要深入的...