复现【方正金工】研报中的“适度冒险”因子的构建与因子分析

1、中间因子做了计算存表，只对最终合成的“适度冒险因子”进行了因子分析。

2、在因子计算脚本中加入断点续跑功能，避免程序中断重新计算因子。

3、优化版，数据范围从2022-03-01到2025-12-26。

4、优化版，增加了元信息管

《日本蜡烛图技术》[美] 史蒂夫·尼森 著 丁圣元 译

做过技术分析的都知道这个，K线图嘛，谁没看过，经典的不能再经典了。“乌云盖顶”、“三只乌鸦” 等等基础概念，书中均有涉及，属于入门类书籍。

最近在研究高频因子，就免不了要对形形色色的因子进行剖析、测评。但是一个一个去进行测试的话，难免会有些太耗时间。

于是就改了改笑宇老师的因子测评框架，做了一个因子批量查询测评的程序，能批量测试因子并将测试结果存表（包括整体效果和年度多头效果）。

配置相关：

以下配置信息按需要配置修改：

1

https://bigquant.com/codesharev3/200a1523-f152-4e33-9bc4-45b94fa265aa

1. 初次

定时任务执行器使用说明 📋 项目概述 这是一个基于Python的定时任务调度器，专门用于自动执行股票数据分析脚本（支持.py和.ipynb格式），并在任务执行前后发送微信通知。

✨ 主要功能 定时执行 - 按指定时间自动运行Python脚本和Jupyter Notebook

• 数据就绪检查

当用户有多个策略需要进行模拟时，都需要将每个策略提交模拟，然后在“我的交易”页面查看。但这样相当浪费服务器资源。

这里提供一个可代替的方案。

1. 将策略回测数据保存下来。假设我们的回测引擎赋值给m5，那么我们可以读取回测数据 m5.read_raw_perf()，然后将数据以xlsx 或 c

https://bigquant.com/codesharev3/fc382b5a-9f49-4a8b-b149-66f7aacdbb40

参考资料：

1、因子大家都应该熟悉，链接在这里：<https://mp.weixin.qq.com/s?__biz=Mzg2MDMyMjU0Ng==&mid=2247512606&idx=1&sn=86fdd460b06be99cdacfaf7e22632c58&chksm=ce2add83f95d54954a

https://bigquant.com/codesharev3/23c3fa92-a01b-4bf1-8041-3733b4a086c4

参考

https://bigquant.com/codesharev3/3311bc37-ef5a-40bb-b427-f62e23d2ff2b

\

https://bigquant.com/codesharev3/4fa7f395-3835-4de0-992d-bf48393f6593

参考资料：

由于没有逐笔数据，只能采用分钟数据来近似计算。有个地方需要注意，原文中提到是13/16分位效果最好，但是由于是原文是基于逐笔数据的，我们没有逐笔数据，用分钟数据近似的时候实际测试是1 / 2分位效果好。

[https://bigquant.com/codesharev3/3eba5f4a-36e0

[https://bigquant.com/bigapis/college/v1/files/ddecc5b4-7625-4dc3-afa8-3b697ba0aa7a](https://bigquant.com/bigapis/college/v1/files/ddecc5b4-

《策略深度揭秘！| 头部基金如何玩转中证1000指数增强？》

🌟 本期亮点：\n1️⃣ 投研流程：头部机构中证1000策略研发流程\n2️⃣ 工具属性：如何控制股票组合的风格因子和行业暴露\n3️⃣ 策略进化：指增策略的优化精细方向

[https://bigquant.com/bigapi

一、策略目标

在严格跟踪中证1000指数的基础上，通过多因子选股与组合优化，获取稳定、可持续的超额收益（Alpha），同时控制个股权重、行业偏离和风格暴露，实现收益最大化。因为本策略具备长期超额收益，因此如果能用股指或者期权对冲的话，则是一个不错的中性低波策略，故该策略我们上架到私享会的低

**全市场股票的日内成交量分布总体呈现U型结构，即早盘开盘后的交易相对较为活跃，临近中午收盘时交易量明显下降，下午开盘后逐步回升，并在临近全天收盘时恢复活跃。但就具体个股而言，由于不同股票的交易群体、个股的基本面或技术面信息、盘中可能带来潜在影响的信息等均不相同，因此个股的交易量分布呈现一定的差异性

本课程介绍 LangChain 与 LangGraph 框架。LangChain 是模块化开源框架，可搭建 AI 流水线，核心含 Models、Prompts 等组件，需安装对应库，按特定流程实现工具调用。\nLangGraph 基于 LangChain，用于构建有状态多智能体应用，以图结构组织流程

大模型（Large Language Model, LLM）是指包含大规模参数（通常达千亿甚至万亿级别）、使用海量文本数据训练而成的深度学习模型。

其“大”主要体现在三个维度：模型参数规模大、训练数据规模大（例如ChatGPT的预训练数据量达到45TB）和算力消耗需求大。

当前，最具代表性的

“小身材大能量”——债券小市值策略的量化掘金术

💡 本次直播带你探索：\n1️⃣ 为什么“小市值”债券可能藏着高性价比机会？\n2️⃣ 量化模型如何捕捉可转债债市场的独特信号？\n3️⃣ 当前震荡市中，这类策略如何控制风险？\n4️⃣ 当所有人涌向大白马，聪明资金正在布局什么？

[

在金融投资领域中，因子研究是量化投资的重要组成部分。这是一种研究和分析股票、债券等金融资产的性能和风险的关键手段，以揭示影响投资回报的基本因素。

因子研究的核心价值在于，它可以揭示那些对投资回报产生持续影响的变量，如市值、质量、动量、低波动性、收益率等。这些因子在历史上已经显示出对投资回报的显著影

在金融投资领域中，因子研究是量化投资的重要组成部分。这是一种研究和分析股票、债券等金融资产的性能和风险的关键手段，以揭示影响投资回报的基本因素。

因子研究的核心价值在于，它可以揭示那些对投资回报产生持续影响的变量，如市值、质量、动量、低波动性、收益率等。这些因子在历史上已经显示出对投资回报的显著影

BigTrader 是 BigQuant 推出的专业级量化交易引擎，主要用于策略在历史数据中回测撮合。

BigTrader采用 C++ 核心实现，并提供 Python API 接口和回调函数。

它为量化投资者提供了一个全面的交易解决方案，无论您是初学者还是专业投资者，都能轻松上手使用。

\

传统的量化投资主要依赖于金融时间序列分析、统计学和经济学原理来构建模型。然而，金融市场是复杂、非线性、高噪声的动态系统，传统的线性模型在处理海量、高维和非结构化数据时常常力不从心。

机器学习和深度学习技术的崛起，为量化投资带来了革命性的工具。它们能够从海量数据中自动挖掘复杂的非线性模式，极大地

在当今信息爆炸的时代，金融市场充满了海量、高维、非结构化的数据。传统投资方法在处理这些复杂数据时常常力不从心。

而人工智能，特别是机器学习 和强化学习，正以其强大的数据挖掘和决策优化能力，为投资领域带来革命性的变化。

其核心思想可以概括为：**利用“机器学习”从浩瀚股海中精准筛选

本次直播为你揭秘风险管理：道与术｜从“被动防守”到“主动驾驭”

——破局之道：量化风控的认知升级

🌟 直播亮点：\n1️⃣ 揭秘量化风控的「道」——核心逻辑与长期思维\n2️⃣ 拆解实战「术」——持仓管理、波动控制、模型纠错\n3️⃣ 案例复盘：那些年我们踩过的坑与救赎策略\n4️⃣ 互动答疑