0. 策略名词解释

（1）XGBoost模型

XGBoost 是一种基于梯度提升树（Gradient Boosted Trees）的高效机器学习算法，常用于排序、分类、回归等任务，在bigquant平台上只用于排序任务，主要有三种：排序学习（NDCG）; 排序学习（Rankne

摘要

观点

A股市场是订单驱动型市场。从动力学的角度讲，股票行情的所有演化过程，都能由订单簿（order book）自下而上精确决定。逐笔成交与逐笔委托数据的信息量非常丰富。本系列研究取名为“订单簿的温度”，旨在分享我们在逐笔数据层面的研究心得。

作为“订单簿的温度”系列研究的第

在股市的波澜壮阔中，筹码集中度宛如一座神秘的灯塔，照亮着投资者前行的道路。它不仅是一个冰冷的数据指标，更是市场情绪与资金流向的细腻诠释者。当我们深入探索筹码集中度时，仿佛是在解读一本关于市场智慧与人性博弈的厚重书籍。每一个百分点的变化，都承载着无数投资者的希望与梦想，每一次波动的背后，都隐藏着市场脉

import dai
df = dai.query("""
    select 
        date,
        instrument,
        ask_price1,
        bid_price1,
        ask_num_o

因子逻辑

量价背离是指股价与成交量的变化出现了“分歧”。当股价或指数在上升时，成交量减少，通常表示市场可能在隐约传递不好的信号。可以用“成交量加权价格”（VWAP）与成交量（VOLUME）的负相关性表示这种股市“冷场”现象。

![](/wiki/api/attachments.redire

如下图，目前平台的回测可视化做的非常好， 但是暂不提供简单的获取策略收益概况的API。举例来说，请BigQuant考虑实现以下接口

def get_performance_metrics(metrics: str, start_date: str|datetime, end_date:str|da

本文档为2025训练营问题答疑

{{plus}}

问题1：在做万老师机器滚动训练的时候有一些确证的因子（市值、动量等近期显著表现因子）不管是在线性还是xgboost上学习都学不出结果，R方为负，拉长周期亦然，有点不知所措。

问题2：因子分析的各个参数IC,IR等关键指标的解读，

0. 策略名词解释：

（1）风险平价（Risk Parity）

风险平价是一种资产配置方法，其核心思想是根据各标的的风险水平来分配权重，而不是简单按照资金比例分配。

• 基本原则：波动率高的标的在组合中的权重较低，波动率低的标的权重较高，从而实现整体组合的风险均衡。

存档_1：学习老韵作业\n1️⃣ 这段代码在做什么

用横截面“分位数因子”训练一个轻量 XGBoost 回归器，每 60 个交易日重训，毎 5 日调仓，按预测分数等权买入 Top10。\n同时在每次训练后记录 MSE/MAE/R²/IC 与特征重要性，回测结束把训练历史与绩效打包保存

/【1】因子更重要？还是模型更重要？

答：结论是因子稍微重要一点。

可以把“因子”和“模型”想象成做菜时的“食材”和“厨艺”：

食材（因子）决定上限

厨艺（模型）决定能否发挥因子的正常性能。

二者缺一不可，但在不同阶段权重不同

• 早期探索：先找好食材（因子）> 追求高级厨艺（好的模型）

在金融科技高速发展的 2025 年，随着量化交易、智能投顾等应用场景的爆发式增长，A 股实时行情数据 API 的选择成为开发者与金融机构的核心竞争力。面对市场上参差不齐的解决方案，iTick凭借其免费、实时、易用、易对接、品类丰富的独特优势，成为 2025 年 A 股实时行情数据 A

{{pro}}

[https://bigquant.com/codesharev3/ea5fd712-0f5c-4cbc-a535-731af4289368](https://bigquant.com/codesharev3/ea5fd712-0f5c-4cbc-a535-731a

自动化交易是一种利用自动化系统执行交易订单的方法，速度更快。凭借你在交易领域的专业知识，你可以将交易方法自动化，而不是手动执行交易。在这篇博客中，你将了解有关自动化交易方法的一切，并开始学习如何入门。

内容大纲

• 什么是自动化交易？
• 自动化交易的历史
• 自动化交易的工作原理
• 自

0. 策略名词解释：

（1）Dual Momentum（双重动量）

• 动量（Momentum, MOM）：衡量过去一段时间价格涨幅的指标，用于判断趋势强弱。

![](/wiki/api/attachments.redirect?id=294ccdd2-08ab-4

单因子策略：尾盘前5分钟的趋势强度

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/e51545ca-a096-423c-a21c-6348c7911e87](https://bigquant.com/co

策略会简介

AI量化策略会是在AI量化投资训练营基础上的进阶版，结合AI量化投资训练营效果最佳。您将在AI量化策略会上学习到多种类型的实用性AI量化策略开发，从因子构建、策略模型调优到策略实盘等完整的策略实盘实践路径。还可以给我们投稿最想要听的内容，提前安排在下一期的AI量化策略会分享中。

这是关于股票主动投资组合管理的第一篇教程。在开始介绍正式内容之前，我先简要简要说一下《Alpha系列》的初衷。

近年来，随着国内大数据和人工智能的迅速崛起，量化交易领域也有了长足的发展。 从原来的指标驱动型程序化交易，演化到现在的以机器学习、人工智能为代表的新型量化交易。同时，量化交易的门槛与过去

本文介绍平台的因子使用教程利用布林带因子为例子

因子分析原理：

因子分析是基于降维的思想，在尽可能不损失或者少损失原始数据信息的情况下，将错综复杂的众多变量聚合成少数几个独立的公共因子，这几个公共因子可以反映原来众多变量的主要信息，在减少变量个数的同时，又反映了变量之间的内在联系。

更新

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

\

问题

是否能够用分钟（或秒级）量价数据

0. 策略名词解释：

（1） Sharpe Ratio（夏普比率）

定义：夏普比率是衡量投资回报与风险的比值，反映单位风险所获得的超额收益。\n公式为：

![](/wiki/api/attachments.redirect?id=b90426d0-635d-4b2b-b48a-59c87

https://bigquant.com/codesharev3/d01d44b5-318a-4a4c-9171-9ebb5bfa3bad

\

https://bigquant.com/codesharev3/d01d44b5-318a-4a4c-9171-9ebb5bfa3bad

\

https://bigquant.com/codesharev2/49b30f30-c460-4051-8ef1-22b45cce723e

\