在多因子选股模型的实战中，投资者常会遇到这样一种情况：策略在某段时间表现极佳，但在市场风格切换（如从大盘价值转向小盘成长）时，净值会出现剧烈回撤。这通常是因为策略在某些“风格因子”上存在过高的风险暴露。什么是风格暴露？一个策略如果倾向于买入低PE的股票，它就在“价值”因子上有正向暴露；如果倾向于买入小市值... 阅读全文

382次浏览 2026-3-19 16:21

在量化实盘中，最令投资者感到恐惧的事情不是亏损，而是“不知道为什么亏损”或“不知道程序刚才干了什么”。一个健壮的量化系统必须具备完善的日志系统（LoggingSystem），它就像飞机的黑匣子，详细记录了策略运行过程中的每一行决策逻辑、每一次行情触发以及每一笔报单反馈。优秀的量化日志设计应包含三个层级。第... 阅读全文

381次浏览 2026-3-12 11:19

一、为什么回测曲线完美，实盘却亏损？许多初涉量化交易的投资者都会经历一个困惑期：在历史回测中，策略的年化收益率高达50%，净值曲线呈现完美的45度角向上；但一旦投入实盘，不仅没有盈利，反而账户资金在不断缩水。导致这种“回测与实盘脱节”的核心原因之一，便是被忽视的“滑点”（Slippage）与交易摩擦成本。... 阅读全文

381次浏览 2026-4-9 15:08

对于从事短线打板、套利或高频交易的市场参与者，“成交优先权”就是生命线。当多人在同一价位报单时，交易所遵循“价格优先、时间优先”的原则。这里的“时间”不仅仅是手指点击的速度，更是报单信号从个人电脑穿透券商柜台到达交易所主机的物理耗时。普通投资者的订单通常通过券商的“通用... 阅读全文

380次浏览 2026-4-22 12:16

很多新手看到自动交易演示后，希望开户当天就运行实盘策略。量化涉及账户、权限、软件、行情、策略和委托多个环节，正确顺序能够减少大量问题。第一步是明确需求。想少盯盘、使用拐点和网格，可以了解PTrade；想写Python、读取本地数据或连接外部选股，应重点核对大QMT。不要先开户再思考用途。第二步是确认券商版本和申请条件。同样的软件名称在不同券商可能功能不... 阅读全文

377次浏览 2026-8-4 11:14

在QMT（迅投极速策略交易系统）的PythonAPI中，get_market_data_ex是获取行情数据频率最高的核心函数。然而，许多量化新手在使用时经常会混淆其中的一个关键参数：subscribe（订阅）。subscribe参数是一个布尔值（True/False），它决定了该函数是“只读取本地已有数据”还是“触发... 阅读全文

377次浏览 2026-4-22 12:15

在证券交易中，很多投资者对特定软件有“手感依赖”。有人喜欢同花顺的简明界面，有人偏爱通达信的强大指标，还有人习惯东方财富的资讯社区。然而，并非所有券商都能完美支持这些第三方软件的交易绑定。如果一家券商不支持主流三方软件，投资者将被迫使用券商自带的APP。如果该APP优化不足，可能会出现行情卡顿、下单响应慢等问题。客观而言，一个开... 阅读全文

375次浏览 2026-4-22 12:20

随着人工智能技术的飞速发展，机器学习在量化投资领域的应用已不再神秘。传统的量化策略多基于线性因子（如PE、均线），而机器学习则致力于通过复杂的算法，挖掘出隐藏在海量历史数据中的非线性关系。初阶的机器学习量化通常从逻辑回归或随机森林开始。例如，利用过去十年的财务数据和交易数据，训练一个模型来预测未来五天内股票上涨的概率。中阶应用则可能引入增强学习（Rei... 阅读全文

374次浏览 2026-3-16 14:12

在编写量化交易脚本时，初学者往往会习惯性地使用同步下单函数。所谓同步，就是程序发出下单指令后，会停在原地等待柜台返回结果，只有收到了成交或委托成功的反馈，才会继续执行下一行代码。这种逻辑虽然直观，但在处理多标的、高频率的策略时，会产生严重的性能瓶颈。异步下单则是进阶量化开发的核心技术。在QMT系统中，通过调用如order_stock_async这样的异... 阅读全文

373次浏览 2026-3-16 14:13

很多人看到QMT也能写Python，就会产生一个想法：既然miniQMT不能用了，那我把原来的策略全部搬进QMT不就行了吗？如果策略很简单，这样做可能没问题。但如果原来的策略系统已经很复杂，就不一定合适。复杂策略往往不只是几行买卖逻辑。它可能包括数据清洗、因子计算、股票池维护、风控判断、信号记录、复盘报表、消息提醒。这些模块放在外部Python系统里，... 阅读全文

373次浏览 2026-7-8 12:22

回测是衡量量化策略生命力的唯一标准。一个严谨的回测过程不仅是为了看到那条漂亮的净值曲线，更是为了压力测试策略在极端环境下的生存能力。在QMT等系统中，完成一次高质量的回测通常需要经历四个标准阶段。第一阶段是“数据初始化”。回测的质量取决于数据的广度。投资者需要通过系统的数据管理模块，补充历史5-10年的日线、分钟线甚至Tick数... 阅读全文

370次浏览 2026-3-27 10:27

传统盯盘耗费大量精力且易产生错觉。利用Python编写自动化盯盘程序，可以实现全市场标的的实时监控。通过调用API接口，程序可以每秒扫描数千只股票的价格、成交量或盘口异动。一旦符合预设条件（如放量突破、MACD金叉等），程序可立即推送通知或自动触发委托单。这种方式不仅大幅提升了广度，更确保了执行的及时性。核心在于构建一个高效的数据订阅循环，并设置合理的... 阅读全文

370次浏览 2026-3-26 10:57

在普通的Level-1行情中，投资者只能看到五档买卖盘和最后一笔成交，这对于高频策略或日内交易而言，信息密度显然不足。Level-2数据则提供了更深层次的市场画像，包括十档行情、逐笔成交以及委托队列，成为了量化进阶的必修课。Level-2的核心价值在于其“逐笔”属性。通过逐笔成交数据，量化策略可以分析出每一笔订单是主动买入还是主... 阅读全文

369次浏览 2026-3-16 14:04

一、量化回测的终极错觉在量化策略的开发过程中，最令开发者兴奋的时刻莫过于看到一条平滑且高收益的历史回测净值曲线。然而，许多市场参与者在投入真金白银后发现，策略在未来的表现与历史回测大相径庭。这种现象在统计学和机器学习领域被称为“过拟合”（Overfitting）。二、过拟合是如何产生的？过拟合的本质，是量化模型“死记... 阅读全文

368次浏览 2026-4-9 15:10

在量化投资的生态链顶端，速度往往决定了一切。这便是高频交易（High-FrequencyTrading,HFT）的领域。高频交易利用极其短暂的市场失衡（通常以毫秒甚至微秒计）进行获利。虽然普通投资者很难参与到微秒级的博弈中，但理解其中的逻辑对于提升普通量化策略的成交效率具有重要意义。高频交易的收益来源主要包括“做市（MarketMaking... 阅读全文

367次浏览 2026-3-27 08:58