登录社区云，与社区用户共同成长
邀请您加入社区
上一篇我们搭好了AI策略引擎的整体架构——数据怎么流、模块怎么分层、回测怎么跑。AI到底怎么做出交易决策的？它看到什么数据？它怎么"想"？它"说"出来的东西怎么变成实际的买卖指令？这篇专门拆解这件事。说实话，这是整个AI策略里最让我觉得有意思的部分。因为它跟传统量化策略的思路完全不一样——不是你写规则告诉程序"什么情况下买"，而是你描述场景让AI自己判断。从写if/else到写提示词，表面上看是换
2026 年散户平均亏 22%，主要是过年后天量新股民在 4000 点以上高位入场，碰上极端结构性行情 + 机构收割，直接被套 25%–30%，把整体亏损率拉高到 22% 左右。
本文详细介绍了「ETF双池动量轮动」策略的核心逻辑与实战表现。该策略创新性地采用静态精选池与动态流动性池相结合的方式，通过三重筛选机制（双均线趋势过滤、加权平滑动量打分、量价异动排雷）严格筛选标的，并配备8%止损、放量清仓等风控措施。回测显示，该策略近4个月收益达62.61%（年化453.97%），6年累计收益超11倍，展现出优异的爆发力与长期稳健性。实盘采用3只分仓模式以平衡收益与风险。文章还提
本文分享了期货历史数据管理的实践经验，对比了多种存储方案：CSV文件简单易用但效率低；SQLite适合中小规模数据；MySQL/PostgreSQL处理大规模数据；时序数据库更适合高频数据。在数据获取方面，分析了TqSdk、VnPy和第三方数据服务的优缺点，指出TqSdk数据服务完善、API简洁，但仅支持国内期货。文章强调不同方案适用于不同场景，为量化交易者提供了实用的技术参考。
本文展望了2026年期货量化交易的发展趋势。技术层面，AI/机器学习、云计算和实时数据处理将成为主流；市场环境方面，监管趋严、竞争加剧和品种丰富化是主要方向；工具层面开源框架和在线平台将更成熟。文章强调量化交易的核心（数据、策略、风控）不变，建议从业者持续学习新技术、关注市场变化并完善自身体系。文中代码示例展示了机器学习预测、分布式回测等技术应用，但声明内容仅供技术交流参考。
本文翻译自Adam King的《Optimizing deep learning trading bots using state-of-the-art techniques》，英语好的建议读原文，本译本只是学习记录，翻译水平有限，如果专业术语错误还望指正。教会我们的机器人用特征工程和Bayes优化赚更多的钱。在上篇文章中，我们创建了不会亏钱的BTC交易机器人。尽管agents是赚钱的，但...
作者：chen_h微信号 & QQ：862251340微信公众号：coderpai上一篇我们研究了用一些线性模型来做股票回报预测，在这篇文章中，我们将专注于将神经网络应用于市场，从而来获得回报。前馈神经网络我们的目标是预测接下来 5 分钟内股票的价格变化。我们可以使用简单的前馈神经网络（FNN）。FNN的损失函数保持不变。损失函数与我们在上一篇文章中的线性回归部分中看到的相同。..
本文介绍了使用Python进行期货数据分析的常用方法。首先通过TqSdk获取期货历史K线数据并转换为DataFrame格式，然后从价格分布、收益率、成交量等维度进行基础统计分析。文章还展示了技术指标分析方法，包括均线系统（金叉/死叉信号）和波动率计算。这些分析有助于建立期货交易的数据思维框架，为后续策略开发奠定基础。所有代码示例均可直接运行，适合量化交易初学者参考学习。
在期货量化这条路上，我已经走了整整二十年。做量化交易，服务器的稳定性至关重要。：本文基于个人学习经验整理，仅供技术交流参考，不构成任何投资建议。声明：本文为个人学习笔记，仅供技术交流，不构成任何投资建议。：敏感信息不要提交到Git，使用环境变量或单独的配置文件。：2核4G，5Mbps带宽，适合大多数策略。：大多数量化策略，云服务器足够。解决：添加重连机制和异常处理。今天这篇文章，我来分享一下。希望
另一方面，异常买入单是在9:24:59.220挂的，离集合竞价结束还有780ms，而对应的买单是在650ms之后才产生，对能拿到实时L2数据做套利的高频程序来说，这个时间似乎有些长了，而且只有一个套利单也比较奇怪，所以也可能是第一种情况。如果是个高频程序操纵低流动的ETF打出开盘跌停的价格，要实现收割必然有后手牌，但从前面的分析来看，特别是在9:25到9:30之间没有新卖单的情况，应该不是量化收割
在当今的金融市场中，数据的可视化和分析是至关重要的。Python以其强大的数据处理能力和丰富的库支持，成为了金融分析和自动化交易的首选工具。在这篇文章中，我们将探讨如何利用Python的Dash和Plotly库来构建一个交互式的股票数据可视化应用，以帮助投资者更好地理解和分析股票市场。
本文针对NPS内网穿透工具在Windows环境下部署的常见问题提供解决方案。重点分析了端口占用（建议改用8080等非特权端口）、服务启动失败（需检查配置路径和权限）以及配置文件路径变更（默认迁移至C:\Program Files\nps\conf）三大典型问题，并给出端口检测、日志分析等具体排查方法。实践表明，提前规划端口、确认有效配置路径及善用日志是确保NPS稳定运行的关键，可为量化交易等场景提
在这个数字化时代，炒股已经不再是专业人士的专利。随着Python编程语言的普及，越来越多的普通投资者开始尝试使用自动化工具来辅助他们的投资决策。今天，我们将一起探索如何使用Python中的Dash和Plotly库来构建一个交互式的股票数据可视化应用，帮助投资者更好地理解和分析股票市场。
传统股价预测依赖时间序列模型（比如ARIMA、LSTM），但股价涨跌从来不是孤立事件。图神经网络（GNN）的厉害之处在于，它能把这些杂乱的关系“画”成一张网——比如把上市公司、供应商、竞争对手甚至推特大V都变成图中的节点，用连边表示他们的关联强度。这时候预测宁德时代的股价，模型不仅看它的历史数据，还会参考特斯拉的动向和比亚迪的动静。：GNN不是来替代传统模型的，而是来告诉我们——“除了K线，世界还
在当今的股票市场中，数据可视化成为了投资者和交易者分析市场趋势、做出决策的重要工具。Python，以其强大的数据处理能力和丰富的库支持，成为了实现自动化炒股和数据可视化的首选语言。在这篇文章中，我们将探讨如何使用Plotly Express和Dash库来创建动态、交互式的股票数据可视化应用。
在当今这个信息爆炸的时代，股票市场的数据量日益庞大，对于投资者来说，如何从海量数据中快速获取有价值的信息，成为了一个重要的课题。Python作为一种强大的编程语言，结合Plotly Express和Dash库，可以有效地帮助我们实现股票数据的自动化可视化分析。本文将带你深入了解如何使用这些工具来提升你的炒股分析能力。
API是应用程序编程接口的缩写，它允许不同的软件系统之间进行数据交换和功能调用。在金融领域，API通常用于连接交易平台、数据分析工具和风险管理系统，使得投资者能够通过编程方式实现自动化交易。
在金融市场中，股票价格的异常波动往往预示着潜在的风险或机遇。随着深度学习技术的发展，我们可以使用这些先进的算法来检测股票市场的异常行为。本文将介绍如何使用Python和深度学习来构建一个股票市场异常检测模型，并提供一些优化策略。这些异常可能是由于市场操纵、重大新闻事件、经济数据发布或其他不可预测因素引起的。在开始构建模型之前，我们需要收集股票市场的历史数据。我们将使用一个简单的循环神经网络（RNN
量化交易涉及多种编程语言且各有特点，了解这些语言有助于选择合适的语言开展量化交易工作以提高交易效率和收益。
使用miniQMT实现版面数据获取。
第一版的奖励函数仅考虑第二天是否会涨跌，第二版加入了投资资金回报的计算。有意思的是，这两版后期验证的部分模型是重合的，但不是最好的。最近把用强化学习训练的第一版模型策略跟第二版模型策略交叉预测可买入的股票和转债，可以大大降低出现太多选择的问题。加上根据成交量选择活跃的股票和转债，然后根据其cci指标选取合适的时机买入，基本可以做大全胜。对转债和股票选取各自验证成功率比较高的模型，然后交叉使用，目前
我们今天使用qteasy来回测一个集合竞价选股交易策略，qteasy是一个功能全面且易用的量化交易策略框架，Github地址在这里。使用它，能轻松地获取历史数据，创建交易策略并完成回测和优化，还能实盘运行。项目文档在这里。为了继续本章的内容，您需要安装qteasy【教程1】，并下载历史数据到本地【教程2、），详情可以参考更多教程【教程3】。建议您先按照前面教程的内容了解qteasy的使用方法，然后
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
腾讯云开发者社区
