性能优化代码

# 设置 OMP 线程数为 CPU 核数，避免多线程过度竞争，注意：必须在 import xgboost 之前设置。
# 未设置时，xgboost 会使用 c++ 层 libgomp.so 库获取物理机的核数，即 64，远超容器分配的核数，典型值是 2 或 

背景：去年7月份刚进训练营时，万老师的那著名的保温杯就一直被提起。可是一直就没有去深入，不是不想，就是每次跑都要一两个小时，实在没有耐心也试不出什么东西。另外，也但心模拟服务器跑不好。一个策略不经过反复测试也心里没有底，也不敢实盘。为了跑机器学习，于是我们好几个人都更新了笔记本电脑，都带了不错的显卡

背景：3/27万老师提供了很好的宏观量化时钟工具，经过对宏观数据进行一系列复杂的计算，得出供策略使用的择时信息。

想在策略中放这么一大堆代码感觉有点复杂，不如把数据放进一个表，需要时读出来用就行。于是就做了这个宏观量化时钟表的自动更新脚本。

• 在万老师做的“宏观量化双时钟·日频版”基础上，增加

https://bigquant.com/codesharev3/7aaba4da-6fc9-4a6f-961d-b5d68611fdc8

参考资料：

功能

把 AI Studio 中的文件打包压缩保存到本地电脑，提前准备好后悔药，定期备份重要文件可以缓解未来误操作造成的损失。

[https://bigquant.com/codesharev3/07d298ef-d59b-4899-b1aa-ba544c4873a1](https://

在低波动的市场环境下，择时是拉开收益差距的关键，但也是难度最高的技术活。

🤔如何构建一套有效的择时系统？\n🤔如何通过Cowork让多因子择时策略跑得更稳？

本期直播，我们从0到1演示如何利用Cowork实现高效量化择时。\n构建一套高效、可落地的量化择时体系，告别主观情绪，让策略自主“避坑

---

**东吴宏观量化双时钟模型 × 小市值策略增强对比研究**

**研报来源：东吴证券金融工程 高子剑、刘静恒，2024年2月**

---

**一、研报核心原理**

本研究复现了东吴证券金融工程团队提出的宏观量化双时钟体系，核心思路来源于 Black

[https://bigquant.com/bigapis/college/v1/files/b89ed27f-5053-4fa0-bce9-0de821783129](https://bigquant.com/bigapis/college/v1/files/b89ed27f-5053-4fa0-

![](/wiki/api/attachments.redirect?id=4c913689-3af4-47af-aec0-f8a2bd830

使用万和文件单交易，追踪历史日志持仓情况以及交易情况，本工具只适用于使用万和文件单系统交易的日志分析，下载html到机器打开页面。

1、选择万和文件单系统日志目录。这个日志在文件单系统的service_logs文件夹下，选择这个文件夹。

![](/wiki/api/attachment

ETF是场内基金，近年来越来越受到交易员的青睐，主要是因为其是一篮子股票的基金，所以大众理解其风险可控。本策略是基于金融理论体系进行仓位优化和强势ETF基金的挑选。从2021年初回测到2025年10月，年化收益为27.15%，最大回撤接近-11%，夏普比率1.41，总体波动和回撤是低于股票策略的。

利用量化模型，监控全市场“概念热度-资金流向-上涨强度”三维数据，专门狙击“热点龙头”！

直播回放：

[https://bigquant.com/bigapis/college/v1/files/e44152ea-5b0d-44bb-becd-3e3f10500a86](h

一、策略概述

这是一个打板的分钟回测策略，如果要实盘的话肯定需要自动化。回测绩效结果如下：

从24年9月到25年3月，取得了年化82.43%的年化收益，最大回撤可控，-20.74%。策略的特点就是胜率较高，符合打板策略的特色。

![](/wiki/api/attachment

这个策略是基于 A 股市场的短线量化交易策略，核心逻辑是筛选符合特定条件的强势股（连续涨停且属于强势概念，两个条件缺一不可），并在次日特定条件下买入，设置止盈规则卖出。

下面我们从策略各环节详细拆解：

1.回测结果

![](/wiki/api/attachments

一、引言

在量化投资实践中，策略回测绩效与实盘表现呈现明显偏差已成为股票量化交易的核心痛点，也是每一个量化交易者（机构）的重要关切。中国A股市场政策驱动、散户主导、交易机制复杂等特征，使得这一问题尤为突出。本文基于A股市场特性，针对回测-实盘不一致的现象，参考蒙特卡洛回测与参数平原方法，

债市小市值策略

1. 回测结果

2. 策略简介

以“低价格、低溢价率、低余额”为核心筛选可转债标的，通过15只均等分散持仓

玄学理论

脱离基本面分析和舆情分析，或者把上述分析作为次要考虑因素，把行情走势图形作为主要分析数据，把市场交易行为中的资金博弈对抗作为主要研究方向的理论，不满足经典经济学理论中的理性人假设条件，也就没法用经典经济学解释其逻辑，其中某些理论含有神奇数字或者神奇几何图案元素，具有玄学神秘色彩，

使用Git要解决的问题：通过Git来管理我们的代码，方便追溯历史版本，避免因为一次误操作导致代码无法恢复。

**GIt的使用介绍：**一般都需要一个Git客户端配合一个Git服务端来使用，在客户端修改的内容可以提交到服务端保存，这样就不怕客户端的代码或文件丢失了，即使换了一个客户端

[https://bigquant.com/bigapis/college/v1/files/9327ebea-7974-4f1a-b41d-1e200f0e0028](https://bigquant.com/bigapis/college/v1/files/9327e

智能量化投研助手Cowork： https://bigquant.com/cowork

——专门为 BigQuant 量化平台用户设计的 AI 智能助手

直播讲师：万笑宇老师

[https://bigquant.com/bigapis/college/v1/files/db439e

bigtrader引擎在提交模拟交易后，内部是启动容器去每日执行策略计算的。 所以如果要用策略的净值或者其他策略执行过程中的一些状态信息需要保存到本地。可以采用JSON文件的方式保存下来。

代码如下：

[https://bigquant.com/codesharev3/d4f893dc-72da

应用场景

在计算形如均线这样的时序因子时，需要历史的k线数据，所以，我们结合实时数据合成出实时分钟线这篇帖子设计出一个k线缓存的机制。

效果

![](/wiki/api/attachments.redirect?id=4

最近突发奇想，一家公司有能力发行可转债，那这家公司天然是一家基本面还不错的公司，交易所赋予它发债的权限就帮我们筛选了股票池。因此，如果我们以此为股票池，结合一些换手率、成长性、市值进行打分，选择得分靠前的股票构建投资组合应该可以长期盈利。我们先看看回测绩效。

回测绩效

从16年到26年，回

使用 bigtrader 提交实时模拟交易时提供的是原始的tick数据，虽然我们支持tick实时策略，但是有相当一部分交易者以中低频策略为主(也包括我自己)，这篇帖子的目的是为那些中低频交易者提供获取实时分钟k的解决方案。

核心逻辑设计

为了与主流行情软件（文华、快期、主流数据库）

本文档为1月24日上海私享会线下分享会代码， 因子自动更新框架（持续迭代）

高频因子投研工具包介绍：

1. 高频因子历史高速计算/存表
2. 高频因子每日批量更新
3. 高频因子入库
4. 高频因子分析
5. 不同类型高频因子快速计算

\

视频回放：

[1月24日：