安装并登录

1、下载BigTrader AI量化交易终端，解压缩，双击目录下的bigtraderterminal.exe运行。

2、输入交易账户、登陆密码，选择节点并登录。

3、终端界面布局

• 左侧为账户列表
• 右侧为账户详情
• 账户详情上方为通知栏
• 账户详情中部为实时行情与手动交易工具
• 账户详情下方为功能栏
• 

查看当前持仓、今日成交、今日委托

1、点击当前持仓分页，即可查看当前持仓的标的。

2、点击

量化交易员从哪里获得免费数据源

金融从业者和量化人员在日常工作里，常常迫切地需要获取金融实时报价、股票、指数、外汇等各类数据，而 API 已然成为他们不可或缺的得力工具，为数据获取开辟了便捷高效的通道。其中，实时报价 API 犹如市场的敏锐触角，能够让用户瞬间抓取到最新的市场价格信息，无论是股票的实时股价波动、指数的点位升降，还是外汇的汇率变化，都能精准掌握，这对于精准地把握市场动态、果断地做出快速决策起着极为关键的作用。一些知名的实时报价 API 如某些专业金融数据服务平台所提供的接口，虽可能涉及一定费用，但数据的及时性与准确性有较高保障。此外，免费股票 API 也为部分预算有限或处于探索

机器学习：

岗位职责：

1. 在量化交易各个不同市场的相关数
2. 据上进行高原创性的深度学习模型研究；
3. 构建和创新深度学习算法在量化交易领域的评价体系。

岗位要求：

1. 计算机、统计学等相关专业，硕士博士学历；
2. 熟悉机器学习/深度学习领域内各个子领域的代表性算法，并对机器学习/深度学习某一子领域的state-of-the-art模型有一定的研究深度；
3. 多篇领域顶会(NeurIPS/ICML/CVPR/ICCV/ECCV/EMNLP/SIGKDD/IJCAI/AAAI等)以第一作者发表论文；
4. 同时具备深度学习的理论基础以及在真实数据和场景下应用深度学习的经验，

欢迎有相关经验的大牛来一起打拼！！！

美国湾区自营量化团队，规模小但是能量大，已经有很多成功的算法策略在运转。现在因为公司发展越来越快容量越来越大，急需一位高频执行系统工程师加入，高薪高奖。有兴趣的朋友快来联系啦！简历直接email HR 邮箱：kwandering1225@gmail.com。非诚勿扰，谢谢🙏

\n公司简介：

我们是一支位于美国湾区的自营量化交易团队，专注于运用人工智能技术优化交易策略。尽管我们的团队目前只有5人，但我们的日交易量已达到Billion美元级别, 在各大平台都是前五的做市商

什么是时间序列和时间序列分析

时间序列是随时间推移的一系列观察结果，用于所描述现象随时间变化的情况。这类数据反映了某一事物、现象等随时间的变化状态或程度。比如以下都是时间序列数据的例子“

• 过去 5 年的每日股价
• 过去 90 天的 1 分钟股价数据
• 一家公司过去 10 年的季度收入
• 一家汽车制造商过去 3 年的月度汽车销量
• 一个州过去 50 年的年失业率

来到时间序列分析，它只是意味着识别那些有助于分析时间序列数据的方法。

由于预测股票市场的未来股票价格对投资者至关重要，时间序列及其相关概念具有组织数据以进行准确预测的卓越品质。在本文中，让我们阅读时间序

https://bigquant.com/experimentshare/d8fb2ec62bec4b57b09947850c349109

\

导语

过滤是量化交易中最常用的选股功能，本文就来介绍几种常用过滤实现。

BigQuant平台提供了 数据过滤 模块，可以方便地针对DataFrame做列过滤。

我们首先在编写策略界面中新建一个可视化AI策略，如下图所示。

A股股票过滤模块

平台提供了A股股票过滤模块，通过该模块可以很方便地实现成份股过滤、市场过滤、申万一级行业过滤、ST股票过滤和暂停上市股票过滤。如图所示，我们在训练集和预测集数据流中分别

• 点击新建对话，创建一个新对话

• 点击输入框，开始与QuantChat交流

• 您可以直接输入以下对话

![{w:100}](/wiki/api/attachments.redirect?id=9421fac0-46ee

编写线段树代码

旧版声明

本文为旧版实现，仅供学习参考。

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

\

导语

《Machine Learning for Stock Price Forecasting》是Ali El-Shayeb撰写的机器学习系列文章 ，本文主要介绍其第二部分内容——《监督式机器学习算法的应用》，并将其思想和代码应用在中国股票市场，开发出具有择时功能的监督式机器学习算法，最后进行策略回测。对此感兴趣的小伙伴可以直接在

以下是直播实录

谢谢大家，今天非常荣幸能够参加量化投资与机器学习公众号的举办的这场量化活动。今天我分享的主题是《金融科技与量化交易的中国实践》。

首先，做一个简单的自我介绍。我从05年到09年在北大就读物理学，毕业之后去了美国，12-13年在Citadel从事美股高频交易，工作一年多后就从纽约回到中国，创立了锐天投资（以下简称：锐天）。锐天从2013年开始到现在已经走过了七个年头，也见证了中国资本市场在量化领域的发展。今天我就花一些时间跟大家做一个简单的分享，谈谈这个行业的现在过去以及未来。

首先简单介绍一下量化交易这个概念吧。其实量化交易是一个非常宽泛的概念，今天我们就挑几个大

更新

本文策略代码部分已经过期，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/5z65pys6z2i6yep5yyw-vbxmD0RsJV

也可参考新版类似策略：

https://bigquant.com/wiki/doc/116-mcfVsYFPFP

\

导语

公司的基本面

{{membership}}

https://bigquant.com/codeshare/f263aa9a-4c52-45ff-aa1f-346efa3f548e

\

因为很多量化在线平台目前还不支持期货交易，且KD指标对大盘和热门大盘股有着较高的准确性，此策略随机选取'603896.SH'为标的股票，000300.SH为参考标准。\n策略逻辑：\n当kt-1>80,dt-2>80, jt>100时，股价创50日新高，KDJ指标未创新高,卖出\n当kt-1<20,dt-2<20, jt<0时，股价创50日新低，KDJ指标未创新低,买入

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/823169b0-157a-41a9-b919-d727febb55c2](https:

因为很多量化在线平台目前还不支持期货交易，且KD指标对大盘和热门大盘股有着较高的准确性，此策略选取'605588.SH'为标的股票，000300.SH为参考标准。\n策略逻辑：\n当kt>80,dt>80, jt>100时，卖出\n当kt<20,dt<20, jt<0 时，买入

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/c4d61821-4048-4560-9ce4-372b28202ccb](https://bigquant.com/codeshare/c4d61821-4048-4560-9ce

{{membership}}

https://bigquant.com/codeshare/41b38a69-8c52-4a6f-954a-50a4a31104bc

\

{{membership}}

https://bigquant.com/codeshare/df99fe2c-c320-40ba-8b15-5030a15b1cc3

\

{{membership}}

https://bigquant.com/codeshare/ba14d6a1-e34e-4d7c-8c69-c4359fc14821

\

https://bigquant.com/experimentshare/665da325d93a48c397f0fe70abdca825

\

导语

简单来讲，量化投资就是利用计算机科技并采用一定的数学模型去实现投资理念、实现投资策略的过程。

量化交易 是指借助现代统计学和数学的方法，利用[计算机技术来进行交易的证券投资方式。量化交易从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可以持续的、稳定且高于平均收益的超额回报。

量化投资模型只是一种工具、一种方法、一种手段，能实现成熟而有效的投资理念，需要不断根据投资理念的变化、市场状况的变化而进行修正、改善和优化，换而言之，有效的模型建立在适应

引言

在量化交易与数据科学领域，特征工程是一个至关重要的步骤，直接影响到模型的预测能力与效果。OpenFE 是一个开源的特征工程框架，旨在帮助研究人员和工程师快速生成高质量的特征。然而，原始版本的 OpenFE 算子虽然功能强大，但在某些应用场景下仍存在一定的局限性。为了更好地满足我们在量化研究中的需求，我对 OpenFE 算子进行了重新构建，丰富衍生特征生成；并将其与 XGBoost 相结合，用于特征重要性评估，方便后续标的打分。

本文将详细介绍这一重构过程，并通过实际案例展示如何使用这一改进后的算子生成衍生特征，并使用 XGBoost 进行特征重要性评估，从而优化我们的量化模型。

金融从业者和量化人员在日常工作里，常常迫切地需要获取金融实时报价、股票、指数、外汇等各类数据，而 API 已然成为他们不可或缺的得力工具，为数据获取开辟了便捷高效的通道。其中，实时报价 API 犹如市场的敏锐触角，能够让用户瞬间抓取到最新的市场价格信息，无论是股票的实时股价波动、指数的点位升降，还是外汇的汇率变化，都能精准掌握，这对于精准地把握市场动态、果断地做出快速决策起着极为关键的作用。一些知名的实时报价 API 如某些专业金融数据服务平台所提供的接口，虽可能涉及一定费用，但数据的及时性与准确性有较高保障。此外，免费股票 API 也为部分预算有限或处于探索阶段的从业者提供了便利，可在一定程

因子原理

动量因子和反转因子是量化交易中一对相反的概念，虽然它们的逻辑有所不同，但都基于市场上存在的某种”惯性‘现象，即资产价格可能会在一段时间内延续其之前的趋势，或者由于市场的过度反应，导致价格偏离基本面。

动量因子的核心思想是：过去表现较好的股票在未来会继续走强，表现差的股票则可能继续低迷。假设A公司股票过去一个月的涨幅为15%，B公司过去一个月的涨幅为-5%，那么我们认为A公司股票有可能继续上涨，而B公司股票则可能下跌或表现不好。

而反转则认为在过去一段时间中表现较差的股票在未来可能经历收益的较大逆转，出现反弹。假设A公司股票过去一个月的跌幅为-20%，那么A公司股票的价格可

摘要

在深度学习的所有应用场景中，股价预测也无疑是其中一个异常诱人的场景。随着传统线性模型的潜力逐渐枯竭，非线性模型逐渐成为量化交易的主要探索方向，深度学习对非线性关系良好的拟合能力让其在量化交易中面临着广阔的应用前景。但与常规的回归预测任务不同的是，股价预测问题有其独特性，存在时间序列、噪声高、过拟合等问题。当前对于深度学习在股票交易中的研究主要侧重在因子挖掘、图神经网络与知识图谱、新闻与社交媒体等非结构化数据的利用、以及时序模型改进四个方面。我们会在文章中依次探讨近5年顶会上对这四个方向的研究。

本文主要介绍MSRA在KDD 2019上发表的两篇文章，这两篇文章主要关注深度学习在

量化交易利用数学和统计学方法来分析市场并执行交易的过程，是现代金融的一个重要组成部分。量化模型的目的是通过算法自动识别并利用市场中的规律和机会，用以获取更多收益。

量化交易模型的一般由以下几个部分组成：

1 数据处理模型: 量化交易的基石是数据。这包括了从历史价格、成交量到公司财报、宏观经济指标等各类数据。对这些数据的收集、清洗和处理是构建有效模型的首要步骤。**[BigQuant策略编写平台](ht