量化交易真正的门槛，往往不是缺少市场想法，而是如何将想法转化为可以验证和执行的交易策略。过去，一套完整的量化体系涉及代码开发、数据处理、策略回测、参数优化、云端部署和风险管理，对普通投资者而言具有较高的技术门槛。

BeeQuant × BeeAgent正在改变这一模式。

依托AI自然语言

量化交易的核心壁垒，从来不是“不会判断市场”，而是“不会落地策略”。长期以来，量化投资被技术牢牢锁死：一套成熟的交易体系，需要投资者兼具编程能力、数据处理能力、模型搭建能力，还要独立完成回测校验、云端部署、实时监控与风险管控。无数交易者凭借多年复盘积累了精准的市场研判，但受限于繁琐的技术操作，优质的

一、为什么需要组合优化

选出股票以后，还需要确定每只股票应该配置多少资金。

假设当前持有 10 只股票，最简单的方法是每只股票配置 10%，即等权组合。但等权没有区分不同股票的收益和风险特征。

组合优化希望解决的问题是：

在给定股票池和约束条件下，如何分配股票权重，使组合更符合预期

0. 策略名词解释：

（1）突破因子（Breakout）：

• 上突破信号：

• 下突破信号：

一、阶段性使用心得：真实感受

用了一段时间CoWork 后，最大的体会是：CoWork 不是来替代你思考的，而是你的私人助手。它帮你扛下那些重复繁琐的工作——整理零散的想法、归纳知识点、拆解晦涩的概念、拆解复杂任务。省下来的时间和精力，你可以用在真正需要判断和决策的地方。这样工作效率

一、策略简介

单个因子通常只能反映股票的某一类特征。

例如，动量因子主要观察价格趋势，估值因子关注股票是否便宜，质量因子关注公司的盈利能力。不同因子在不同市场环境下的表现可能存在较大差异，因此，仅依赖单一因子容易受到市场风格切换的影响。

多因子策略的基本思路是：

将多个选股因子统一

从正股冲板到转债成交：一个事件驱动的可转债 Tick 策略

标签：可转债、Tick 回测、BigTrader、事件驱动、日内交易 本文仅用于量化研究与策略开发交流，不构成任何投资建议。

一、策略简介

传统可转债策略通常从转债本身出发，例如低价、低溢价率、低余额或者多因子选债。

利用平台回测函数

performance.get_stats()

可以得到如下指标，示例如图：

![](/wiki/api/attachments.redirect?id=2b7906cb-1f1a-4e96-9520-8216ead8710b " =229x19

一句话总结：本文系统介绍 BigQuant Cowork 智能体的 Skill（技能）体系——如何创建、发布到 SkillHub 以及安装调用，并结合高频因子投研实战案例，展示 AI 原生量化投研的新范式。

一、为什么需要 Cowork？

与 AI 助手的传统交互，

因子原理

今天我们理解一个因子——市盈率。简单来说，它是股价和每股收益的比值！比如，某家公司的股价是20元，每股收益是1元，那么它的市盈率就是20倍！这就意味着，你愿意花20元来获取公司1元的收益。

市盈率的计算公式如下：

P/E Ratio = Price_per_Share/

研究区间：2015-01-01 ～ 2024-12-31（共 10 年，覆盖完整牛熊周期）

股票池：全 A 股（剔除 ST、停牌、上市不足 1 年、PE≤0 的股票）

研究因子：市盈率TTM、市净率、市销率TTM、ROE TTM、ROA TTM、毛利率TTM、净利润增长率

1. 摘要

本文基于 BigQuant 平台对 A 股市场 2015—2025 年 5,487 只股票（含 324 只已退市个股）的全量数据，系统检验价格动量因子（Price Momentum）与残差动量因子（Residual Momentum）的有效性，并从三个维度深化研究：

|

一、前言

最开始做量化的时候我踩过无数大坑：网上扒几十号因子胡乱堆砌，回测曲线漂亮到离谱，一模拟盘直接大幅回撤；要么只顾埋头找 “黑马因子”，原始数据拿来直接相加选股，最后赚的钱全是蹭行业风口、赌小盘行情，压根没有真正的阿尔法收益。

打磨很久之后落地了这套 13 因子选股体系，整套逻辑通俗

小单资金流残差因子——一个用来捕捉"散户异常情绪"的信号。

听起来很高大上，但逻辑其实很朴素：

散户（小单）在疯狂买入或疯狂卖出一只股票，但这种行为又无法用股价本身的涨跌来解释——这就是一个值得关注的信号。

先聊聊背景：什么是资金流？

在 A 股，每一笔交易都可以按照挂单金

一个因子，回测曲线优美，实盘却频频失效。问题出在哪？\n很可能是因为你评价因子的方法不够全面。

我们将系统梳理一套因子评价的完整框架，帮你回答：“这个因子，到底能不能用？”

直播回放：<https://bigquant.com/college/83b4eb20-837f-498b-a

一、研究背景与问题提出

传统量化选股策略通常建立在人工构造因子和线性打分模型基础上，例如将价值、成长、质量、动量等因子进行加权求和，再依据得分进行选股。这类方法优点在于逻辑清晰、可解释性强，但也存在明显局限：一方面，不同因子与未来收益之间的关系未必是线性的；另一方面，不同因子之间可能存在复杂

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/attachments

指数增强策略到底怎么跑赢市场？\n为什么指数增强基金总能“多一点收益”？\n背后的量化模型，到底是怎么选股、配权、调仓的？\n💡本次手把手带你详细拆解！

直播回放：<https://bigquant.com/college/a6826958-3381-4940-8924-6a67abc7d5

1. 策略概览

本策略基于KAN模型，在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年，测试集时段为未来一年，如2018年训练集采用2013-01-01至2017-12-29，测试集时段为2018-01-03至2018-12-31。数据使用当期全市场数据，聚焦于量价数据及其

1. 策略概览

本策略基于DNN（MLP）模型，在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年，测试集时段为未来一年，如2018年训练集采用2013-01-01至2017-12-31，测试集时段为2018-01-01至2018-12-31。数据使用当期全市场数据，聚焦于量

1. 策略概览

本策略基于lightgbm模型，在2018年至2025年期间对每年进行滚动训练。训练集时段为过去5年，测试集时段为未来一年，如2018年训练集采用2013-01-01至2017-12-29，测试集时段为2018-01-03至2018-12-31。数据使用当期全市场数据，聚焦于量

在行为金融学里有种心理叫处置效应（Disposition Effect）——人们倾向于过早卖出盈利的股票，过晚卖出亏损的股票。

资本利得突出量（Capital Gains Overhang，CGO） 就是把这个心理量化出来的因子。它试图回答一个问题：**当前市场上持有这只股票的投资

配对交易策略模拟运行报错，id:d84e824d-2744-402e-b0c2-f65672deb6fd

[https://bigquant.com/codesharev3/5be22814-d2a2-438e-baa9-ea2f177d5e14](https://bigquant.com/cod

本文将详细介绍一款基于LightGBM排序算法的多因子选股策略，该策略依托BigQuant平台实现，融合多维度因子特征，通过机器学习模型挖掘股票未来收益规律，结合系统化交易引擎完成回测与落地，适用于A股市场的中短期量化交易场景。策略兼顾因子有效性与交易实操性，下面从核心逻辑、模块拆解、代码解析、使用

研报因子：数据平台——量化因子——研报因子

方正证券：<https://mp.weixin.qq.com/s?__bi