登录社区云，与社区用户共同成长
邀请您加入社区
看海量化推出CLI命令行工具升级，实现量化研究自动化。新功能支持批量参数优化、数据自动同步和AI指令执行，大幅提升策略开发效率。用户可通过简单命令完成数据管理、策略回测和结果分析，还能结合AI助手实现自然语言交互。CLI版本现已开放内测，为量化研究带来革命性体验升级。
这篇文章摘要总结了第七天的编程实战内容，重点介绍了使用金融数据集进行多模型训练与比较的过程。文章展示了如何导入必要的Python库（如numpy、pandas、sklearn等），获取并预处理股票数据（包括计算收益率、RSI指标、MACD等技术指标），以及设置预测目标（次日股价涨跌）。通过代码示例详细说明了数据生成和分析方法，包括特征工程、目标变量定义和数据可视化准备。这个实战项目旨在比较不同机器
本文是第一周机器学习课程的复习与模型比较教程，主要包含以下核心内容： 知识点系统回顾：从Day1到Day6的核心概念梳理，包括监督学习、正则化、分类评估指标、KNN算法和决策树原理。 模型比较方法论：提出多维度评估框架，涵盖预测性能、稳定性、计算效率等关键维度，强调公平比较原则和统计显著性检验。 量化交易特殊考量：针对金融数据特点，分析时间序列处理、过拟合风险和业务指标优先等专业评估要求。 实战决
第23篇讲完 AI 策略引擎，有读者在问了个很实在的问题：AI 每根 K 线怎么想、下了什么单，事后去哪查？批量优化出来的参数，下次打开回测界面还要不要重新填？所以这一篇专门讲两块基础设施。一块管细粒度流水：每一笔成交、每一轮 AI 决策，都存进 MySQL，事后能按品种、按时间拉出来复盘。另一块管可复用的策略参数：每个品种一组最优参数，批量优化完直接写 JSON，实盘启动时自动加载，不用手动敲。
上一篇讲了指标计算引擎的重构，让策略能直接复用图表指标的计算逻辑。有读者问了个很关键的问题：复用指标计算确实方便了，但策略的逻辑还是得自己写——金叉买、死叉卖，或者RSI超买做空、超跌做多。这些规则写死了，市场一变，策略就不管用了。这个问题困扰了我很久。说实话，刚开始做量化的时候，我觉得只要找到"对的指标参数"，就能稳定盈利。于是花大量时间调参，MACD的(12,26,9)换成(5,13,5)，R
本文摘要： 组合优化框架研究如何将理想权重转化为可执行交易方案，解决A股市场中的高换手成本、小市值股票流动性差等问题。核心采用均值-方差优化方法，平衡收益、风险和交易摩擦。主要创新点包括：1) 改进协方差矩阵估计，结合指数加权移动平均和结构化模型；2) 建立A股特有的交易成本模型，考虑佣金、印花税和市值相关的冲击成本。通过构建带约束的损失函数最小化问题，实现从理论权重到实际交易的转化，特别针对A股
摘要：本文介绍了一种基于量价分析的突破交易策略，该策略通过价格突破关键位配合成交量放大来识别趋势信号。策略核心包括：收盘价突破20日高点且成交量达到5日均量1.5倍时买入，跌破10日均线时卖出。通过量化回测显示，该策略在上海电力股票上两年获得53.94%收益。进一步优化加入3%止损后收益提升至56.92%，AI建议增加趋势过滤器和突破确认条件后收益继续提升。文章指出该策略在趋势行情中表现良好，但需
错误原因：你电脑的时间比UTC标准时间块一秒！这个是 币安的 时间戳 校验 报错问题， 这个 您手动校对下 托管者所在系统时间， 就调整成 当地标准时间 就可以了， 时间戳 是全球统一的。当地时间 会自动 换算成 统一的时间戳。错误代码：GetAccount: 400: {“code”:-1021,”msg”:”Timestamp for this request was 1000ms ahead
随着深度学习技术的发展，越来越多的投资者和交易者开始利用这些技术来预测股票市场的趋势，以期获得更高的回报。本文将介绍如何使用Python和深度学习来构建一个股票市场趋势预测模型，并提供一些优化和实现的最佳实践。在开始构建模型之前，我们需要理解股票市场数据的基本结构。对于股票市场趋势预测，我们可以使用多种深度学习模型，如循环神经网络（RNN）、长短期记忆网络（LSTM）或卷积神经网络（CNN）。我们
在当今这个数据驱动的世界中，股票市场分析已经从传统的基本面分析和技术分析，逐渐转向了更为高级的量化分析。智能物流分析是一个不断发展的领域，随着技术的进步，我们可以期待更准确、更高效的分析方法。Python是一种强大的编程语言，它拥有丰富的库和框架，如Pandas、NumPy、Scikit-learn等，这些工具可以帮助我们轻松地处理和分析数据。通过这篇文章，我们不仅学习了如何使用Python进行股
上一篇讲了交易图表的AI分析功能集成，有读者私信问：图表里那些指标（MACD、RSI、SuperTrend这些）能不能直接在策略里用？现在写策略要用指标，要么自己重新算一遍，要么只能用vnpy自带的那几个简单函数。这个问题其实挺普遍的。你看，图表系统里已经实现了20多个指标，从基础的MACD、RSI、布林带，到高级的SuperTrend、WaveTrend、斐波那契入场带，每个指标都有完整的计算逻
因子纯化：从Barra CNE5模型提取纯净Alpha 本文介绍了利用Barra CNE5风险模型进行因子纯化的方法。通过将股票收益分解为国家、行业和风格因子，我们可以识别并剥离系统性风险暴露。文章详细展示了三个关键步骤：构建CNE5近似框架、行业中性化和风格正交化，并提供了Python实现代码。这一过程能有效区分真正的Alpha与市场Beta，避免策略收益被行业配置或公共风格因子所主导，确保投资
在这个数字化时代，自动化炒股已经成为许多投资者的首选。Python以其强大的数据处理能力和丰富的库支持，成为了自动化炒股的热门工具。本文将带你了解如何使用FastAPI和Kubernetes来部署一个股票数据服务，让你的自动化炒股策略更加高效。
Caffe是一个开源的深度学习框架，由加州大学伯克利分校的贾扬清博士开发。它支持多种深度学习模型，包括卷积神经网络（CNN）、循环神经网络（RNN）等。Caffe以其速度快、易于使用和灵活性而受到广泛欢迎。量化交易是一种基于数学模型和算法的交易策略，通过分析大量历史数据来预测市场趋势和价格变动。量化交易者利用统计学、机器学习和深度学习等技术来构建交易模型，以实现自动化交易。
本文分享了Python量化交易技术栈的实践经验。重点介绍了TqSdk期货量化框架的使用方法，包括数据获取、策略开发和回测功能，其API简洁且支持国内期货市场。文章还涵盖了数据处理（Pandas/NumPy）、技术指标计算（TA-Lib）、回测优化（Backtrader/Optuna）以及可视化工具（Matplotlib/Plotly）的应用。此外，简要提及了机器学习（Scikit-learn）和统
这两周太累了。没时间更新文章，因为把绝大部分时间都投入在AI分析和AI交易引擎的思考设计和开发中。从架构设计到提示词优化，从数据采集到多模型协同，整个过程挺折腾的，但看到效果出来还是很有成就感。上一篇讲了实时图表交易系统的开发，交易面板、风控监控这些功能都基本完善了。有朋友问，现在系统能交易了，但怎么做出交易决策呢？每天盯着K线图看指标，还是容易错过机会或者判断失误。这个问题确实很实际。做交易，信
上一篇讲了多周期K线系统的完善，图表可以实时更新了，指标也能正常显示了。有朋友留言问，这些图表看起来挺专业的，但怎么在上面下单交易呢？总不能看着图表，再切到别的软件下单吧。这个问题确实很实际。做日内交易，看到机会要马上下单，在图表和交易界面之间切来切去，效率太低。而且官方的ChartWizard虽然能看实时K线，但没有下单功能，只能看不能交易。所以这篇就来讲讲怎么把ChartWizard改造成Ch
本文针对个人量化交易者面临的行情数据难题，提供了完整的免费API解决方案。文章首先分析了85%量化策略失效的数据根源，指出专业数据源成本高昂与免费渠道不稳定的矛盾。随后从数据源选型、iTick API实战接入、性能优化三个维度展开： 数据源选型：对比开源库、商业API免费层和交易所直连三种渠道的优缺点，推荐组合使用策略 API实战：详细讲解如何通过REST API获取实时报价、批量行情、历史K线及
上一篇讲了实时K线图表的开发，有读者私信问：“能不能支持30分钟K线？我的策略用的是半小时周期。说实话，一开始觉得这不就是加个按钮的事吗？结果一细想，问题来了。中国期货市场10:15-10:30休市，11:30-13:00午休。如果按自然半小时切分，10:00-10:30这根K线会包含15分钟的休市时间，数据就不准了。这跟之前做小时K线时遇到的问题一样——得按实际交易时段合成，而不是按时钟时间。顺
在当今的金融市场中，自动化交易已经成为一种趋势，许多交易者和投资者都在寻求通过技术手段来提高交易效率和盈利能力。Python作为一种强大的编程语言，因其丰富的库和框架，成为了自动化炒股的首选工具。本文将介绍如何使用FastAPI和Kubernetes来部署一个股票数据服务，以实现自动化炒股的最佳实践。
在当今数字化时代，自动化炒股已成为许多投资者的首选。Python以其强大的数据处理能力和丰富的库支持，成为自动化炒股的理想工具。本文将带你深入了解如何使用FastAPI和Docker Compose部署一个股票数据服务，为你的自动化炒股之旅提供实战案例。
本文介绍了量化交易日志系统的重要性及设计方法。日志系统对问题定位和策略分析至关重要，能帮助快速诊断交易异常、评估策略表现。文章详细讲解了日志系统的三个关键设计要素：1) 合理设置日志级别(DEBUG/INFO/WARNING等)；2) 按功能分类管理日志(信号、订单、持仓等)；3) 采用RotatingFileHandler实现日志轮转存储(10MB/30天)。此外，还展示了交易记录的JSON结构
在当今的金融市场中，自动化交易变得越来越流行。Python，以其强大的库和框架，成为了自动化炒股的首选语言。本文将带你了解如何使用FastAPI创建一个股票数据服务，并使用Kubernetes进行部署。这不仅能让你的交易策略更加高效，还能确保服务的高可用性和可扩展性。
最近有读者私信问：图表看起来挺完整了，但实盘的时候能不能实时更新K线？还有成交量怎么总是跳来跳去，一会儿特别大一会儿又是0？这确实是个绕不开的问题。回测的时候数据都是历史K线，直接加载就完事了。但实盘就不一样了，tick数据不停地过来，你得把tick合成到K线上，还得保证成交量算得对。听起来简单，实际做起来坑可不少。这篇文章就讲讲怎么把ChartWizard接入主系统，让图表支持实时tick更新，
使用miniQMT进行实时行情获取的教程
目录结构更清晰扩展机制更灵活兼容性更好macOS不崩溃了本文是《以AI量化为生》系列文章的第17篇，完整代码已开源至GitHub：https://github.com/seasonstar/atmquant本文内容仅供学习交流，不构成任何投资建议。交易有风险，投资需谨慎。
上一篇讲了双图和四图视图的开发，有读者私信说，多周期图表确实方便了，但还是有个问题：K线图右边总是紧贴着最新价格，想在右边标注点什么都没空间。这个问题说实话我也遇到过。做复盘的时候，经常想在最新K线右边画几根预测线，或者标注一下关键价位，但图表右边界总是死死卡在最后一根K线上。还有个事，就是副图太多的问题。系统里现在有MACD、RSI、DMI、成交量好几个指标，全开的话每个都挤成一条缝，想仔细看某
摘要： 随着AI编程工具提升开发效率，程序员需未雨绸缪发展副业，量化交易凭借技术优势成为高性价比选择。程序员在策略实现、系统搭建、数据分析等方面具有天然优势，但也面临过度拟合、金融知识欠缺等挑战。建议分阶段推进：补金融基础→搭建回测系统→验证策略→寻找边缘优势→小资金实盘→多策略自动化。关键要摆正心态，量化副业的核心是"不亏钱→稳定→盈利"，而非替代主业。作者作为资深码农兼量化
上一篇讲了Order Block，有读者私信说：“Order Block确实能找到机构建仓区域，但有时候价格回到Order Block附近就反转了,有时候却直接穿透。怎么判断Order Block的有效性？这个问题问到点子上了。Order Block告诉你机构在哪里建仓，但不能告诉你趋势有多强。价格回到Order Block区域，是会获得支撑反弹，还是会直接穿透继续下跌？这需要其他信号来确认。Fa
深夜三点，台灯微弱的光影里，无数散户正屏息凝神地复盘K线图，在社交媒体的喧嚣中寻找那个所谓的“内幕消息”，试图凭直觉在明日开盘时抢占先机。在AI与大数据主导的金融新纪元，交易的本质已经从“博弈人心”演变为“算力与逻辑的竞赛”。当机器识别出搜索热度与股价波动之间的毫秒级相关性时，它不需要理解背后的原因，只需要在你的大脑作出反应之前，完成一次收割。面对这种系统性的范式转移，每一位投资者都必须直面那个残
摘要 本项目基于阿里云JVS和OpenClaw构建了一套自动化沪深300晨间投研日报系统，主要解决传统股市分析中数据分散、耗时、滞后等问题。系统通过以下流程实现： 数据采集：自动获取沪深300成分股行情数据（新浪财经API） 智能分析：计算技术指标（MA/MACD/RSI）+多因子量化模型 报告生成：包含7大模块的专业Markdown报告 定时推送：每日9:00前通过钉钉机器人发送 核心价值： 效
短线需紧盯集合竞价强弱（如龙头封单量、板块溢价率），盘中关注资金切换信号（如机器人分歧时算力/基建异动），及时止盈止损。
本文系统梳理了A股量化研究的核心数据源，包括专业商用（Wind/Choice）、开源社区（TuShare/AKShare）和量化平台（优矿等）三类工具，分析其适用场景和优劣势。文章强调数据质量是量化研究的基石，必须严格处理时间对齐和生存偏差问题，杜绝"未来函数"。建议根据研究阶段和预算选择工具：个人研究者可从开源工具入手，专业机构需投资商用数据源。最后提出标准化数据处理框架，包
Fama-French等资产定价模型回答了“
量化交易
——量化交易
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
量化交易与投资社区
魔珐星云开发社区
开源鸿蒙跨平台开发者社区
九章云极普惠算力
2048 AI社区
