该因子分为一下三个维度：

1. VWAP偏离度 - 衡量价格相对成交均价的位置
2. 量比强度 - 近期成交活跃度
3. 价格趋势 - 中期移动平均

    因子构成:
    1. VWAP偏离度: (avg(amount/volume, 10) / clo

核心逻辑:

捕捉日内价格动量方向性与成交集中度的结合,衡量资金推动价格的有效性。

计算步骤:

1. 动量分解:

- 正向动量 = 上涨分钟的成交量加权收益

- 负向动量 = 下跌分钟的成交量加权收益

2. 动量偏度: (正向动量占比 - 0.5) 表示

因子名称: 大单主导动量因子

核心逻辑:

1. 大单定义: 前三档盘口(bid/ask volume 1-3)
2. 买盘主导时段: 统计大单买盘>卖盘的分钟K线
3. 买盘加权收益: 买盘主导时段的收益率×成交量
4. 订单规模: 成交金额/成交笔数(反映大单特征)
5. 最终因子: -(买

为什么选它？

在盘口微观结构里，分钟级成交量的“加速度”比绝对量能更能反映主力行为：

1. 早盘 30min 放量斜率 ↑ → 机构抢筹，次日超额收益概率 +3.2%（2018-2023 中证 1000 统计）。
2. 午后斜率 ↓ 同时委卖单堆积 → 诱多出货，未来 5 日超额 −1.8

成交量加权波动因子通过成交量加权的方式，衡量了股票价格的波动幅度，反映了市场参与者对价格变化的敏感程度。

核心特征：

1.成交量加权：赋予高成交量时段更大权重

2.相对波动：基于开盘价计算波动幅度，消除绝对价格影响

其计算公式为：

因子值 = Σ[(当日最高价 - 

该因子捕捉"买方力量强 + 价格向上偏离均价"的股票,综合了三个维度:

1. 买卖压力比 (weighted_bid_ask_pressure)

- 五档盘口按距离加权(1档权重5,5档权重1)

- 再用成交量加权求日度平均

- 反映主动买卖意愿强弱

• BigQuant 比赛
  • [敦和杯·2025届因子挑战赛](https://bigquant.com/square/competition/b764dc4c-ff9b-4bd0-86a5-1b0df1dd

成交量加权平均价格（VWAP）通常用于衡量市场的平均价格，考虑了成交量的影响。

• 公式：

  

  VWAP 用于计算某个时间段内的

我们可以使用现有模块M.factorlens._latest来评估我们的因子:

[https://bigquant.com/codesharev3/3aac6e7b-74ec-4d51-b659-8b61cedb7f15](https://bigquant.com/codesharev3/3a

因子逻辑

该因子旨在衡量市场上买盘力量相对于卖盘力量的强弱。 其核心思想是：更强的买盘通常意味着股价上涨的潜在动力。

计算方式

我们利用分钟行情数据，将买一到买五档的委托价格和委托数量简单平均，得到买盘力量的估计值； 同理，计算卖一到卖五档的卖盘力量估计值。 买盘强度因子即为 *买盘力

DAI数据抽取

DAI是BigQuant研发的高性能分布式数据平台，其详细介绍可参考 数据平台/DAI 。

import dai    # 导入第三方库

# 开始日期和结束日期
st

• BigQuant 比赛
  • [华泰杯2025年因子比赛](https://bigquant.com/square/competition/a7a53479-d774-4708-8229-b165fbb230

• BigQuant 比赛
  • [华泰杯2025年因子比赛](https://bigquant.com/square/competition/521402f8-2d3e-4530-9454-ddabbc93c3

• BigQuant 比赛
  • **[2025年进益杯因子大赛](https://bigquant.com/square/competition/5c3f7783-4158-4196-97ab-171b2721

• BigQuant 比赛
  • [BigQuant练习赛](https://bigquant.com/square/competitio

\

• 提示 1： 在处理大规模数据时，Python 的 for 循环是最高效的选择吗？
• 提示 2： 代码中获取的数据格式是 pandas DataFrame，这是一个为高性能计算而生的工具库。不妨探索一下它自带的计算函数。
• 提示 3： 能否在数据查询 `da