这个叫 @蜗牛式炒股 无耻之徒，把网友 @Zab8888jukuan 的策略表头帖在其它策略来骗分，可耻，因该封号。 @JoinQuant技术支持 @聚宽小秘书 @Join Quant - 技术

@蚂蚁量化 我举的是反向例子好吗。提醒大家引以为戒。

@蚂蚁量化 上来就扣了个锅。也不看看我的观点。哎

@九条命 好的

道破天机：看起来利润高是因为聚宽的回测是强制成交

@蜗牛式炒股 https://www.joinquant.com/view/community/detail/32feb7f31223a30b3f73501c6f7405b3?page=1#458836 @蜗牛式炒股 你还在这里骗分，原来反向例子就是你自己。已截图。@JoinQuant技术支持 @聚宽小秘书 @Join Quant - 技术

@蚂蚁量化 你好像一个乱咬人的疯狗。没事儿就叫主子来给你主持公道

打板类的假曲线你们能懂，放到这个策略上就不明白了？

@楼小楼 诚心请你指点一二

@毛毛虫日天 我猜可能是其中原因之一，秒级的单子，用的日频设置。

这么看，市场内有很多etf成交量不足

还不如这个

支持。

@蚂蚁量化 流动性问题

@楼小楼 哦，其它还有吗？

一直不太理解这里面的逻辑，把当天开盘价和前一天的净值比，买折价最多的。 可以理解为类似于套利，但是有两个问题 1、套利机会也许仅仅开盘几分钟，T+0的情况下还可以理解。 T+1的话，如果当天开盘价低就是因为股价要下行呢，盈利的逻辑在哪，怎么保证股价大概率会往净值回归，而不是去底部找新的估值。 2、如果当天大幅低开，然后低开低走，那买进去就直接被套 可是看策略曲线感觉非常稳健。可总感觉哪不对劲。

这个策略有原罪，有硬伤，也有黄金。 JQ撮合系统有缺陷，有些成交不该发生。总的来说，JQ依然是业界良心，行业精品，我不能指着JQ的鼻子，这不对那不对。这些缺陷，个人自己领会吧。 这个策略容量，一千万差不多到顶了，一千万的时候收益率也就是～30%，要不要做这个事情，要不要换个方式赚30%，自己想一下。这是硬伤。 想赚，必须设置流动性上限，一两千万的样子。有些人坚持设置一千万的下限，下限。一千万下限的ETF，流动性良好，那是有券商罩着的，你凭什么从券商手里套利？大ETF也会低开，那是合理低开，没一分钱折价。这是硬伤。 我前面谈过，目前有些ETF的流动性服务属实做得很不好，日均成交一亿的ETF也有套利机会，那是另外的套路方式。 扣出这些因素，资金几百万几十万，辛苦点，搬砖套利，这个策略有真金。个人自己领会吧。 这种策略，道理讲明白了，张三明白了，李四也明白了，没然后了。机会就那么大，总共不超过一个亿，如果张三李四们一起进去了，如果有一个量化基金咬咬牙，大家都没米了。

@chushangu 不用忽悠了，真赚钱你会发出来？活雷锋？

@Gyro^.^ 朋友，不要浪费时间了。这个策略偷看了几十秒后的未来。 #################################################################################### df = g.funds.copy() # 基金数据 current = get_current_data() # 当前数据 total_value = context.portfolio.total_value # 总市值 # 获取最新价 df['price'] = [current[c].last_price for c in df.index] # 计算折价率 df['premium'] = (1.0 - df['price'] / df['net_value']) * 100 # 过滤（premium > 0.3） df = df[df['premium'] > 0.3] # 按折价率排序 df = df.sort_values(['premium'], ascending=False).head(nchoice) choice = df.index.tolist() ######################################################################################### df = g.funds.copy() # 基金数据 eft_list = df.index.tolist() # 获取及时tick价格、挂单 ticks = get_ticks(eft_list, context.current_dt, count=1, fields=['a1_v', 'a1_p'], skip=True, df=True) ticks.index = ticks.index.get_level_values(0) # 提取第一层作为 index df_merged = pd.concat([df, ticks], axis=1, sort=True) # 计算折价率 df_merged['premium'] = (1.0 - df_merged['a1_p'] / df_merged['net_value']) * 100 # 过滤（premium > 0.3） df_merged = df_merged[df_merged['premium'] > 0.3] # 按折价率排序 df_rank = df_merged.sort_values(['premium'], ascending=False).head(nchoice) choice = df_rank.index.tolist()