引言

前文《探析：量化交易策略回测绩效与实盘表现不一致》中“before_start_days （历史数据向前取的天数）”参数设置对于回测绩效与实盘（模拟交易）表现不一致的影响有所涉及，但例证数据不够详实，分析不够全面深入，本文以仍以策略文件：SR-中证2000策略-参数测试.ip

一、引言

在量化投资实践中，策略回测绩效与实盘表现呈现明显偏差已成为股票量化交易的核心痛点，也是每一个量化交易者（机构）的重要关切。中国A股市场政策驱动、散户主导、交易机制复杂等特征，使得这一问题尤为突出。本文基于A股市场特性，针对回测-实盘不一致的现象，参考蒙特卡洛回测与参数平原方法，

债市小市值策略

1. 回测结果

2. 策略简介

以“低价格、低溢价率、低余额”为核心筛选可转债标的，通过15只均等分散持仓

玄学理论

脱离基本面分析和舆情分析，或者把上述分析作为次要考虑因素，把行情走势图形作为主要分析数据，把市场交易行为中的资金博弈对抗作为主要研究方向的理论，不满足经典经济学理论中的理性人假设条件，也就没法用经典经济学解释其逻辑，其中某些理论含有神奇数字或者神奇几何图案元素，具有玄学神秘色彩，

使用Git要解决的问题：通过Git来管理我们的代码，方便追溯历史版本，避免因为一次误操作导致代码无法恢复。

**GIt的使用介绍：**一般都需要一个Git客户端配合一个Git服务端来使用，在客户端修改的内容可以提交到服务端保存，这样就不怕客户端的代码或文件丢失了，即使换了一个客户端

[https://bigquant.com/bigapis/college/v1/files/9327ebea-7974-4f1a-b41d-1e200f0e0028](https://bigquant.com/bigapis/college/v1/files/9327e

智能量化投研助手Cowork： https://bigquant.com/cowork

——专门为 BigQuant 量化平台用户设计的 AI 智能助手

直播讲师：万笑宇老师

[https://bigquant.com/bigapis/college/v1/files/db439e

bigtrader引擎在提交模拟交易后，内部是启动容器去每日执行策略计算的。 所以如果要用策略的净值或者其他策略执行过程中的一些状态信息需要保存到本地。可以采用JSON文件的方式保存下来。

代码如下：

[https://bigquant.com/codesharev3/d4f893dc-72da

应用场景

在计算形如均线这样的时序因子时，需要历史的k线数据，所以，我们结合实时数据合成出实时分钟线这篇帖子设计出一个k线缓存的机制。

效果

![](/wiki/api/attachments.redirect?id=4

最近突发奇想，一家公司有能力发行可转债，那这家公司天然是一家基本面还不错的公司，交易所赋予它发债的权限就帮我们筛选了股票池。因此，如果我们以此为股票池，结合一些换手率、成长性、市值进行打分，选择得分靠前的股票构建投资组合应该可以长期盈利。我们先看看回测绩效。

回测绩效

从16年到26年，回

使用 bigtrader 提交实时模拟交易时提供的是原始的tick数据，虽然我们支持tick实时策略，但是有相当一部分交易者以中低频策略为主(也包括我自己)，这篇帖子的目的是为那些中低频交易者提供获取实时分钟k的解决方案。

核心逻辑设计

为了与主流行情软件（文华、快期、主流数据库）

本文档为1月24日上海私享会线下分享会代码， 因子自动更新框架（持续迭代）

高频因子投研工具包介绍：

1. 高频因子历史高速计算/存表
2. 高频因子每日批量更新
3. 高频因子入库
4. 高频因子分析
5. 不同类型高频因子快速计算

\

视频回放：

[1月24日：

可转债（全称：可转换公司债券，英文：Convertible Bond）是一种兼具债券和股票期权特性的混合型金融工具。它本质上是发行人（通常是上市公司）向投资者发行的债券，但附带一个“特权”：持有人可以在约定条件下，将债券按固定价格转换为发行公司的股票。

\

高频因子投研工具包介绍：

1. 高频因子历史高速计算/存表
2. 高频因子每日批量更新
3. 高频因子入库
4. 高频因子分析
5. 不同类型高频因子快速计算

\

视频回放

[https://bigquant.com/bigapis/college/v1/files/c3b

如何通过捕捉高频交易中的卖空信号与空头回补行为，挖掘市场微观结构中的定价偏差。

在短期波动中获取与市场无关的超额收益（α）

\

视频回放

[https://bigquant.com/bigapis/college/v1/files/5881770d-7d15-4cc7-ba54-7a

新版“保温杯”策略构建

视频详解如何在新数据持续产生时，通过滚动窗口技术动态更新与优化模型，使模型能够适应数据分布的实时变化，有效应对时间序列预测、在线学习等场景。内容兼顾核心概念与实用技巧，助你掌握构建可持续进化智能系统的关键技术。

\

视频回放

[https://bigquant

https://bigquant.com/codesharev3/e5aef1c5-72be-47ea-ab9f-780959626ad1

\

因子应用时应注意穿透真实风格

老韵前段时间分享了因子批量测试的工具，见《因子研究工具：批量因子测评，自适应多空方向》。当我们测试到一些数据特别好的因子时，是不是就迫不及待地

题图：本文内容于2026量化思享会 · 2026-01-24 · 上海场 首次分享

1、高频中的空头信息，有用吗？

在开发高频因子时，我

研报：https://mp.weixin.qq.com/s/h9S6UCvV0Ffa9taHI8qjrA

因子分析 计算了2021到近期的，多头预测能力并不算突出，魔改版本还在进行中…

--因子分析代码(图下面)

--因子计算代码（最下面）

![](/wiki/api/

新做了暗流涌动因子 虽然这个因子效果并不突出，但是似乎加入到滚动训练有一点作用

新版保温杯 + LGBM改 运行很快 存取模型\n水滴是用万老师模板的\n暗流涌动因子是刚发在这儿[方正 暗流涌动 因子构建 基础](https://bigquant.com/wiki/doc/B4eg

潮汐因子策略汇总

基于方正金工研报《个股成交量的潮汐变化及"潮汐"因子构建》

一、核心思想

成交量的日内变化如同海洋潮汐:

• 成交量从低到高 → 涨潮
• 成交量从高到低 → 退潮
• 一次完整的低→高→低过程 → 一次潮汐

**

笑宇老师在私享会线下课分享的新版机器学习滚动训练V2与旧版相比，重新组织了策略代码，结构更简洁清晰，让我这个退休程序员在AI的帮助下也读懂了各段代码的含义。在了解各种机器学习模型的过程中，了解到模型参数对模型的性能有极大的影响，于是根据AI的提示对模型参数做了简单的修改，使回测速度在4C16

以下信息由“豆包”生成，不一定完全准确。

BigQuant作为专业的量化投研平台，对**经典机器学习、深度学习、量化专用模型**均做了深度适配，支持**Python原生库调用**+**平台内置封装**两种方式，能完美衔接量化因子挖掘、模型训练、回测一体化流程，除XGBoost外，主

from bigquant import bigtrader, dai
import pandas as pd
from datetime import datetime, timedelta
import numpy as np
from sklearn.linear_