术语表

显示一定时间周期内开盘价（Open）、最高价（High）、最低价（Low）、收盘价（Close）的图表形式，是技术分析的基础数据单元。

Open（开盘价）、High（最高价）、Low（最低价）、Close（收盘价）、Volume（成交量）的缩写，是 BeeQuant 数据源节点获取的标准行情数据格式。

每根K线所代表的时间跨度。BeeQuant 支持 1m、5m、15m、30m、1h、4h、1d 等多种周期，在数据源节点中配置。

交易的资产对，如 BTCUSDT 表示用 USDT 交易比特币。在数据源节点中配置，择币策略支持同时配置多个交易对。

买入资产，预期价格上涨后卖出获利。在择时策略中通过「开多条件」触发，在择币策略中通过「多头」子类型实现。

借入资产卖出，预期价格下跌后买回归还赚取差价。需要合约市场支持，现货市场只能做多。

建立新的交易头寸。择时策略由开仓条件表达式触发，择币策略由调仓机制自动执行。

关闭已有的交易头寸，了结盈亏。可由平仓条件、止盈止损、清仓线等多种机制触发。

当前持有的交易持仓，包括持仓方向、数量、开仓价格和浮动盈亏等信息。

预期成交价与实际成交价之间的差异，由市场波动和流动性不足引起。在交易引擎节点中以百分比配置，影响回测模拟的真实性。

交易所收取的交易费用，按成交金额的百分比计算（如 0.04%）。在交易引擎节点中配置，直接影响策略净收益。

市场中买卖订单的充足程度。流动性高的交易对（如 BTCUSDT）滑点更小，成交更快。

直接买卖实际资产，无杠杆，交割即时完成。只能做多，不支持做空。在 BeeQuant 中市场类型选择「现货」。

以 USDT 作为保证金和结算单位的永续合约。盈亏以 USDT 计价，便于管理。在 BeeQuant 中市场类型选择「U本位合约」，是最常用的合约类型。

以币种本身作为保证金和结算单位的永续合约，盈亏以持有币种结算。在 BeeQuant 中市场类型选择「币本位合约」。

没有到期日的合约产品，通过资金费率机制使价格锚定现货。BeeQuant 支持的合约均为永续合约。

借入资金放大交易规模。如 10 倍杠杆可用 100 USDT 控制 1000 USDT 的头寸。在交易引擎节点中通过「币种杠杆」参数配置。

开设杠杆仓位所需的抵押资金。杠杆越高所需保证金越少，但爆仓风险也越大。

当保证金不足以维持仓位时，交易所强制平掉仓位以防止穿仓。高杠杆下更容易触发。

永续合约中多空双方每 8 小时结算一次的费用，用于使合约价格趋近现货价格。正费率时多头付给空头，负费率反之。

基于条件表达式判断开平仓时机的策略类型。通过定义「开多/平多/开空/平空」四个条件，在信号触发时执行交易。适合单一或少量交易标的。

从多个标的中选择最优交易对象的策略类型。通过因子排序选出排名靠前的币种持仓，并定期调仓更新持仓组合。

择币策略的子类型之一。仅做多排名最高的币种，适合看涨市场。按排序字段从高到低选择。

择币策略的子类型之一。仅做空排名最低的币种，适合看跌市场。按排序字段从低到高选择。

择币策略的子类型之一。同时做多排名最高和做空排名最低的币种，对冲市场风险，只赚取相对收益。需要合约市场支持。

择时策略中触发开仓的布尔表达式。仅支持列引用、比较运算和逻辑运算，不支持调用时序算子函数。例如：rsi < 30 & golden == True。

择时策略中触发平仓的布尔表达式。语法规则与开仓条件相同。如果未设置，仓位仅由止盈止损或清仓线触发平仓。

择币策略用于对所有标的排名的因子列名，在数据处理节点中预先计算。排名最高/最低的标的被选入持仓。

择币策略按设定的间隔周期重新计算因子排名，买入新入选的标的、卖出跌出排名的标的，调整持仓组合。

择币策略相邻两次调仓之间的K线根数。例如 4h 周期下设为 24，即每 4 天（24×4h）调仓一次。

择币策略的持仓分配模式。所有入选标的均分资金，每个标的权重相同（1/N）。

择币策略的持仓分配模式。根据排名分配不等权重，排名越靠前的标的获得越多资金。由温度系数控制集中程度。

控制聚焦头部模式下权重的集中程度。温度=1 接近等权，温度=5 高度集中于排名第一。默认为 2.0。

顺应市场趋势方向交易的策略思路。上涨趋势做多，下跌趋势做空。常用指标：均线交叉、ADX、MACD等。

认为价格会向均值回归的策略思路。价格高于均值时做空，低于均值时做多。常用指标：RSI、布林带等。

追涨杀跌的策略思路。买入近期涨幅大的资产，卖出近期跌幅大的资产。常用因子：pct(close, 20)。

在数据处理节点中使用的计算表达式，支持算术运算、算子函数调用和变量赋值。将原始 OHLCV 数据转换为策略可用的因子。

在数据处理节点中定义 AI 模型训练标签的表达式。通常使用 shift(close, -N) 构造未来收益作为预测目标。支持算子函数调用。

用于筛选数据的布尔表达式。数据处理节点的过滤支持算子函数，策略类型节点（择币）的过滤不支持时序算子函数，仅支持比较和逻辑运算。

在策略类型节点中使用的布尔表达式（择时的开平仓、择币的过滤），仅支持列引用、算术运算、比较运算和逻辑运算，不支持调用时序算子函数。返回 True/False 触发交易信号。

BeeQuant 内置的计算函数，分为基础算子、时序算子、横截面算子、技术指标和K线形态五大类，共计 80+ 个。

逐元素独立计算的算子，不需要历史窗口。如 abs()、log()、if()、clip() 等。

按标的分组、在时间维度上滚动窗口计算的算子。如 t_mean(close, 20) 计算 20 期移动平均。需要设置足够的向前取数据期数。

按时间点分组、在所有标的之间截面计算的算子。如 c_rank(momentum) 在同一时刻对所有币种的动量排名。适用于多标的策略。

经典技术分析指标的算子实现，按标的分组计算。如 ta_rsi()、ta_macd_hist()、ta_bbands_upper()、ta_cross_over() 等。

识别经典K线形态的算子，返回布尔值。如 ta_hammer()（锤子线）、ta_engulfing_bull()（看涨吞没）、ta_morning_star()（早晨之星）等。

数据处理节点参数，设置因子计算所需的历史K线根数。必须大于或等于所有算子中最大的窗口期参数，否则计算结果出现 NaN。

数据源节点自动提供的列名，可直接在表达式中使用：open（开盘价）、high（最高价）、low（最低价）、close（收盘价）、volume（成交量）。

策略节点自动检测上游数据处理/AI模型节点输出的变量名，可在条件表达式中直接引用。如数据处理节点定义了 rsi = ta_rsi(close, 14)，策略中可直接使用 rsi。

当单笔交易盈利达到预设比例时自动平仓锁定利润。在仓位管理节点中配置（如 0.1 即 10%）。

当单笔交易亏损达到预设比例时自动平仓限制损失。在仓位管理节点中配置（如 0.05 即 5%）。

止损位随着价格向有利方向移动而自动上调（做多时）或下调（做空时），锁定浮盈的同时保留上涨空间。仅普通模式支持。

设置多个止盈价位，价格每到达一个价位就平掉部分仓位。兼顾落袋为安和追求更高收益。仅普通模式支持。

风控节点的核心参数。当账户整体浮亏达到设定比例时，强制平掉所有仓位保护本金。如 0.2 即浮亏 20% 时触发清仓。

触发清仓后暂停策略交易的时间（分钟），等待市场恢复稳定，防止连续亏损。在风控节点中配置。

控制每笔交易投入多少资金的方法。BeeQuant 支持普通模式（固定比例开仓）和网格模式（分层加仓）两种。

普通模式下每次开仓使用的资金比例。如 0.5 即每次用总资金的 50% 开仓。

择币策略中单个标的的最大持仓比例，防止过度集中于单一标的。如 0.2 即单币最多占总资金 20%。

从历史最高点到最低点的最大跌幅，衡量策略经历过的最大亏损。是评估策略风险最重要的指标之一。

仓位管理的高级模式，价格每下跌一定幅度就加仓一层，摊平持仓成本。分为震荡模式和趋势模式，仅适用于择时策略。

策略运行期间的总盈亏百分比。计算公式：(期末净值 - 期初净值) / 期初净值 × 100%。

将收益率折算为年度收益，便于不同运行周期的策略之间比较。计算公式：(1 + 总收益率)^(365/运行天数) - 1。

衡量单位风险获得的超额收益。计算公式：(策略收益率 - 无风险利率) / 收益波动率。大于 1 较好，大于 2 优秀。是选币策略中常用的排序因子。

类似夏普比率，但分母只考虑下行波动（亏损方向的波动），更关注下跌风险。比夏普比率更精确地衡量策略的风险调整收益。

年化收益率除以最大回撤，衡量承担单位回撤所获得的收益。数值越大说明策略在承受较小回撤的同时获得了较高收益。

盈利交易次数占总交易次数的比例。单独看胜率意义有限，需结合盈亏比一起评估。

平均盈利金额除以平均亏损金额。盈亏比 > 1 表示赢的时候赚得多、亏的时候亏得少。高胜率+高盈亏比是理想组合。

策略收益超越市场基准（如持有 BTC）的部分，代表策略的主动管理能力。阿尔法 > 0 说明策略跑赢了大盘。

策略收益与市场收益的相关性系数。Beta = 1 表示与市场同涨同跌；Beta = 0 表示与市场无关（中性策略目标）。

回测开始时的虚拟资金总额，在交易引擎节点中配置。不影响策略逻辑，但影响收益的绝对金额和仓位数量。

微软开发的梯度提升决策树算法。训练快速、内存效率高，适合处理表格型因子数据。BeeQuant 内置的 AI 模型节点之一，支持排序、二分类和回归任务。

长短期记忆网络（Long Short-Term Memory），一种循环神经网络。通过门控机制学习时间序列中的长期依赖关系，适合捕捉价格的时序模式。

基于自注意力机制的深度学习架构。可并行计算，擅长捕捉全局依赖关系。与 LSTM 的顺序处理不同，Transformer 同时关注序列中所有位置。

GPT、Claude 等大语言模型。BeeQuant 的 LLM 节点用于新闻分析、市场情绪判断、公告解读等非结构化数据处理，与传统量化因子形成互补。

AI 模型预测二元结果（如涨/跌），输出有符号置信度 -1 到 1。正值表示看涨，负值表示看跌，绝对值越大置信度越高。

AI 模型预测连续数值（如未来收益率），输出实际预测值。适合直接预测涨跌幅度。

AI 模型预测标的之间的相对排序得分，适合择币策略场景。按预测值排名选择最优标的。

输入 AI 模型的因子变量列表，来自数据处理节点的计算结果。如收益率、波动率、RSI、MACD 等。特征的质量直接影响模型效果。

AI 模型的训练目标，在数据处理节点的 Label 标注中定义。常见标签：shift(close, -24) > close（未来24小时是否上涨）。

用于训练模型的历史数据长度（K线根数）。太短模型学不到规律，太长包含过时信息。典型值 720~1440。

模型每次重新训练的间隔（K线根数）。模型在每个预测窗口结束时用最新数据重新训练，保持对市场变化的适应。

AI 模型输出的预测结果列名（如 pred），会添加到数据中供下游策略节点引用。

模型在训练数据上表现优秀，但在新数据上效果差。说明模型记住了历史噪声而非真实规律。解决方法：增大训练窗口、减小模型复杂度、增加正则化。

AI 模型节点的简化配置模式。系统根据数据特征自动选择最优超参数，无需手动调参，适合新手用户。

BeeQuant 的可视化策略构建系统。通过拖拽 7 种核心节点并连接数据流，无需编码即可构建完整的量化策略。

工作流中的基本功能单元。BeeQuant 共有 7 种节点：数据源 → 数据处理 → [AI模型] → 策略类型 → 仓位管理 → 风控 → 交易引擎。

工作流的起点，负责从交易所获取 OHLCV 历史数据。配置项包括时间范围、交易所、市场类型、交易对和K线周期。

特征工程中心，将原始 OHLCV 数据转换为策略可用的因子。包含因子配置（算子表达式）、Label 标注（AI训练标签）和条件过滤。

可选节点，接收数据处理节点的因子进行机器学习训练和预测。支持 LightGBM、LSTM、Transformer 和 LLM 四种模型。

交易信号的核心生成器，定义何时交易（择时）或交易什么（择币）。接收上游数据输出交易信号。

控制资金分配和开仓比例。普通模式支持固定仓位、止盈止损、移动止损；网格模式支持分层加仓和震荡/趋势两种子模式。

策略的最后一道安全防线。包含清仓线（整体浮亏阈值触发强制平仓）和冷却期（清仓后暂停交易的时间）两个参数。

策略的执行终端，将交易信号转化为实际订单。支持回测、模拟交易和实盘三种运行模式。

使用历史数据模拟策略交易，验证策略有效性。支持 bar 级（基于K线的 OHLC 模拟成交）和 tick 级（分钟级插值模拟）两种精度。

基于K线数据回测，使用每根K线的 OHLC 四个价格模拟成交。速度快但精度较低，适合策略初步验证。

基于分钟级 OHLC 数据 + 智能插值进行回测，最大限度模拟真实 tick 价格变化。精度高但速度较慢，适合策略精细调优。

使用虚拟资金在真实市场环境中测试策略。实时接收行情数据并模拟下单，验证策略的实盘适应性，无资金风险。

连接交易所 API，使用真实资金执行策略交易。需要配置 API 密钥。建议经过回测和模拟交易验证后再启用实盘。

交易所提供的身份认证凭证（API Key + Secret），用于程序化访问交易所下单接口。实盘交易时需在平台中安全绑定。