diff --git a/Strategy_BbiBiasTradeNumStd.py b/Strategy_BbiBiasTradeNumStd.py
new file mode 100644
index 0000000000000000000000000000000000000000..6e7b3b27550de8cedfef1605279b174c60af0c60
--- /dev/null
+++ b/Strategy_BbiBiasTradeNumStd.py
@@ -0,0 +1,162 @@
+# -*- coding: utf-8 -*-
+"""
+中性策略框架 | 邢不行 | 2024分享会
+author: 邢不行
+微信: xbx6660
+"""
+import os
+
+# 取出策略文件名中_后的部分
+stg_name = os.path.basename(__file__).split('.')[0].split('_')[1]
+
+# 持仓周期。目前回测支持日线级别、小时级别。例：1H，6H，3D，7D......
+# 当持仓周期为D时，选币指标也是按照每天一根K线进行计算。
+# 当持仓周期为H时，选币指标也是按照每小时一根K线进行计算。
+hold_period = '1H'.replace('h', 'H').replace('d', 'D')
+# 配置offset
+offset = 0
+# 是否使用现货
+if_use_spot = True  # True：使用现货。False：不使用现货，只使用合约。
+
+# 多头选币数量。1 表示做多一个币; 0.1 表示做多10%的币
+long_select_coin_num = 0.1
+# 空头选币数量。1 表示做空一个币; 0.1 表示做空10%的币
+# short_select_coin_num = 0.1
+short_select_coin_num = 'long_nums'  # long_nums意为着空头数量和多头数量保持一致。最多为所有合约的数量。注意：多头为0的时候，不能配置'long_nums'
+
+# 多头的选币因子列名。
+long_factor = '因子'  # 因子：表示使用复合因子，默认是 factor_list 里面的因子组合。需要修改 calc_factor 函数配合使用
+# 空头的选币因子列名。多头和空头可以使用不同的选币因子
+short_factor = '因子'
+
+# 选币因子信息列表，用于`2_选币_单offset.py`，`3_计算多offset资金曲线.py`共用计算资金曲线
+factor_list = [
+    ('BbiBiasTradeNumStd', True, 336, 1)  # 因子名（和factors文件中相同），排序方式，参数，权重。
+]
+
+# 确认过滤因子及其参数，用于`2_选币_单offset.py`进行过滤
+filter_list = [
+    ('Rsi', 336),
+]
+
+
+def after_merge_index(df, symbol, factor_dict, data_dict):
+    """
+    合并指数数据之后的处理流程，非必要。
+    本函数住要的作用如下：
+            1、指定K线上不常用的数据在resample时的规则，例如：'taker_buy_quote_asset_volume': 'sum'
+            2、合并外部数据，并指定外部数据在resample时的规则。例如：（伪代码）
+                    chain_df = pd.read_csv(chain_path + symbol)  # 读取指定币种链上数据
+                    df = pd.merge(df,chain_df,'left','candle_begin_time') # 将链上数据合并到日线上
+                    factor_dict['gas_total'] = 'sum' # 链上的gas_total字段，在小时数据转日线数据时用sum处理
+                    data_dict['gas_total'] = 'sum' # 链上的gas_total字段，在最后一次resample中的处理规则
+    :param df:
+    :param symbol:
+    :param factor_dict: 小时级别resample到日线级别时使用(计算日线级别因子时需要，计算小时级别因子时不需要)
+    :param data_dict: resample生成最终数据时使用
+    :return:
+    """
+
+    # 专门处理转日线是的resample规则
+    factor_dict['taker_buy_quote_asset_volume'] = 'sum'  # 计算日线级别因子前先resample到日线数据
+    factor_dict['trade_num'] = 'sum'
+
+    return df, factor_dict, data_dict
+
+
+def after_resample(df, symbol):
+    """
+    数据重采样之后的处理流程，非必要
+    :param df:          传入的数据
+    :param symbol:      币种名称
+    :return:
+    """
+
+    return df
+
+
+# =====================以上是数据整理部分封装转的策略代码==========================
+# ============================================================================
+# ============================================================================
+# ============================================================================
+# ============================================================================
+# =======================以下是选币函数封装的策略代码=============================
+
+
+def calc_factor(df, **kwargs):
+    """
+    计算因子
+
+    多空使用相同的两个因子
+
+        1。多空相同的单因子选币，不需要编写代码
+
+        2。多空相同的复合因子，本案例代码不需要修改，直接使用即可。《本案例代码就是多空相同的复合因子选币》
+
+    多空使用不同的两个因子
+
+        1。多空不同的单因子选币，不需要编写代码
+
+        2。多空分离选币，需要根据具体因子具体改写
+            !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
+            !!!!!这里改写需要一定的代码能力!!!!!
+            !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
+            多空存在某一方是复合因子，另一方是单因子，则只需要计算一个复合因子即可。代码可以参考下方案例代码
+
+            如果多空都是复合因子，多空需要分别是计算复合因子。
+
+    :param df:          原数据
+    :return:
+    """
+    # 接受外部回测的因子列表，这里主要是去适配`4_遍历选币参数.py`
+    external_list = kwargs.get('external_list', [])
+    if external_list:  # 如果存在外部回测因子列表，则使用外部因子列表
+        _factor_list = external_list
+    else:  # 如过不存在外部回测因子列表，默认使用当前策略的因子列表
+        _factor_list = factor_list
+
+    # 多空相同的复合因子计算
+    if long_factor == short_factor == '因子':
+        df[long_factor] = 0
+        for factor_name, if_reverse, parameter_list, weight in _factor_list:
+            col_name = f'{factor_name}_{str(parameter_list)}'
+            # 计算单个因子的排名
+            df[col_name + '_rank'] = df.groupby('candle_begin_time')[col_name].rank(ascending=if_reverse, method='min')
+            # 将因子按照权重累加
+            df[long_factor] += (df[col_name + '_rank'] * weight)
+
+    return df
+
+
+def before_filter(df, **kwargs):
+    """
+    前置过滤函数
+    自定义过滤规则，可以对多空分别自定义过滤规则
+
+    :param df:                  原始数据
+    :return:                    过滤后的数据
+    """
+    # 接受外部回测的因子列表，这里主要是去适配`5_查看历年参数平原.py`
+    ex_filter_list = kwargs.get('ex_filter_list', [])
+    if ex_filter_list:  # 如果存在外部回测因子列表，则使用外部因子列表
+        _filter_list = ex_filter_list
+    else:  # 如过不存在外部回测因子列表，默认使用当前策略的因子列表
+        _filter_list = filter_list
+
+    df_long = df.copy()
+    df_short = df.copy()
+
+    # 如果过滤列表中只有一个因子
+    if len(_filter_list) == 1:
+        filter_factor = _filter_list[0][0] + '_' + str(_filter_list[0][1])
+        # 配置了过滤因子信息，则进行过滤操作
+        df_long['filter_rank'] = df_long.groupby('candle_begin_time')[filter_factor].rank(ascending=True, pct=True)
+        df_long = df_long[(df_long['filter_rank'] < 0.8)]
+
+        df_short['filter_rank'] = df_short.groupby('candle_begin_time')[filter_factor].rank(ascending=True, pct=True)
+        df_short = df_short[(df_short['filter_rank'] < 0.8)]
+    else:  # 如果使用多个因子进行过滤，在这里进行填写
+
+        pass
+
+    return df_long, df_short