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：

|

视频回放地址：https://bigquant.com/college/58e686cd-8dab-43e5-bcb9-c1fadd6667bb

{{pro}}

[https://bigquant.com/codesharev3/7c981299-8f1f-46d0-9ce0-1

量化投资的核心在于数据的低延迟获取。很多新晋的跨境金融策略开发者，往往在第一步就被绊倒——试图用传统的网页抓取来监控美股（如NVDA、META）的异动。在几百毫秒就能决定盈亏的高频世界里，这种滞后的数据源无疑是致命的痛点，也直接限制了回测报告与策略分享的质量。

我们需要的是工业级的数据获取方案。具

本文基于2024-2026年最新学术研究与行业实践，聚焦==行为金融学==对因子溢价来源的解释机制，是对上一篇报告（因子研究——基本面因子分析报告）的进一步补充

一、核心框架

因子溢价指承担某种特定风险所获得的超额回报

$$ 因子溢价 = 行为偏差导致的错误定价

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

一、策略概述

1.1 背景介绍

行业轮动策略是一种量化交易策略，旨在通过在不同行业之间进行资金分配，捕捉市场趋势和行业表现的周期性变化。 从名字即可看出，经济周期导致任何市场状态下可能都会存在股市价格表现较好的行业，因此我们如果能布局这些行业并定期轮动调整，那会取得还不错的投资效果。

https://bigquant.com/codesharev3/7aaba4da-6fc9-4a6f-961d-b5d68611fdc8

参考资料：

功能

把 AI Studio 中的文件打包压缩保存到本地电脑，提前准备好后悔药，定期备份重要文件可以缓解未来误操作造成的损失。

[https://bigquant.com/codesharev3/07d298ef-d59b-4899-b1aa-ba544c4873a1](https://

在低波动的市场环境下，择时是拉开收益差距的关键，但也是难度最高的技术活。

🤔如何构建一套有效的择时系统？\n🤔如何通过Cowork让多因子择时策略跑得更稳？

本期直播，我们从0到1演示如何利用Cowork实现高效量化择时。\n构建一套高效、可落地的量化择时体系，告别主观情绪，让策略自主“避坑

因子研究

在金融投资领域中，因子研究是量化投资的重要组成部分。这是一种研究和分析股票、债券等金融资产的性能和风险的关键手段，以揭示影响投资回报的基本因素。

因子研究的核心价值在于，它可以揭示那些对投资回报产生持续影响的变量，如市值、质量、动量、低波动性、收益率等。这些因子在历史上已

作为一名专注于高频量化交易的个人专业交易者，在BigQuant平台开发和回测策略的这几年里，我最深的感悟就是：行情数据的实时性，就是高频量化策略的生命线。很多个人量化交易者和我一样，最开始都被免费股票行情API的延迟问题困住过，今天我就结合自己的实盘经验，分享一套能彻底解决延迟问题的完整落地方案。

作为长期在 BigQuant 平台做外汇量化策略开发、回测与实盘落地的从业者，秒级实时行情数据是外汇量化策略的核心基础，不管是高频套利策略建模、实时行情监控，还是跨市场策略数据融合，都离不开精准、低延迟的外汇行情数据支撑。但传统数据获取方式不仅与 BigQuant 的 Python 开发生态适配性低

在量化策略开发与跨境投资研究中，数据API是整个回测、仿真与实盘体系的基础底座。很多宽客与开发者在初期选择数据接口时，往往只关注成本与免费额度，却忽略了数据完整性、低延迟、接口稳定性、字段规范性等直接影响策略效果的关键因素，导致后期出现数据缺失、推送延迟、调试困难等问题，严重拖慢策略研发与实

https://bigquant.com/codesharev3/6ba2c8f2-8b5a-4972-87bc-61f36a73b405

\

[https://bigquant.com/bigapis/college/v1/files/b89ed27f-5053-4fa0-bce9-0de821783129](https://bigquant.com/bigapis/college/v1/files/b89ed27f-5053-4fa0-

一、策略总览

从当期持有存续可转债的 A 股正股中，筛选出盈利能力达标（ROE > 5%）的股票，再按20日均换手率从低到高排序，结合行业分散约束，最终等权持有换手率最低的10只股票，每 15 个交易日调仓一次。

策略逻辑图

全市场 A 股

最近运行可转债三低策略时，发现策略有时候会选中刚刚发布了强赎公告的可转债，这种可转债刚开始下跌，一般跌的比较狠，但正好符合三低策略，会被选中，买入后大概率亏损。所以我想在策略里加入筛选发布了强赎公告的代码，但是看了数据平台中关于可转债的所有表，似乎只有[\n可转债信息](https://bigqua

不用打开行情软件，不用敲代码，微信对话框里问一句“黄金多少钱”，AI 把实时价格推给你。甚至还能让它每隔 3 分钟报一次价。\n这套方案，十分钟就能搭好。

一、开篇：从“人找数据”到“数据找人”

我最近做了一件很爽的事：把 AI 接进了微信，让它帮我盯行情。

小市值量价共振策略（带大盘择时）

一、策略核心逻辑

本策略聚焦小市值风格，通过「量价共振+基本面筛选+大盘择时」三层过滤，捕捉短期强势且估值合理的小市值标的，同时规避极端市场风险。

二、股票池筛选

• 范围：主板、创业板，排除科创板、北交所
• 过滤：剔除ST

作为在BigQuant上做量化策略研究的个人交易者，我深知高质量历史数据是策略回测的基础。早些年做因子回测时，我试过自己爬数据、导入CSV，结果踩了无数坑：数据不全导致回测样本不足，复权错误让因子表现完全失真，对齐多股票数据时效率极低，一个简单的多因子回测要折腾好几天。

那时候我在BigQuant

在量化策略开发过程中，行情数据的稳定性、时效性与标准化是策略回测、实盘运行的核心基础。此前在开发美股、外汇相关量化策略时，曾长期受困于爬虫取数掉线、数据格式混乱、更新滞后等问题，即便策略逻辑再完善，也会因数据问题导致回测失真、实盘执行受阻。而__[AllTick API](https://allti

直播回放地址：https://bigquant.com/college/83307ef1-cff1-4ead-a9d5-51c6fd28522a

{{pro}}

https://bigquant.com/codesharev3/06506366-a86d-482f-a04d-20

视频回放：https://bigquant.com/college/4419ca89-a5ac-4e20-b6a8-9f4d9c45755b?activeTab=strategy

{{pro}}

[https://bigquant.com/codesharev3/e7bd5fdd

作为深耕量化交易的你，在搭建外汇自动交易策略或实盘监控面板时，数据的实时性与准确性直接决定策略盈亏。你需要为高频交易提供稳定的行情数据源，既要快速加载历史回测数据，又要保证实盘Tick数据无延迟推送。

你的核心需求：为个人量化体系搭建低延迟、高稳定的外汇数据通道，适配多币种并发监控，同时降低数据接