登录社区云，与社区用户共同成长
邀请您加入社区
摘要 QuantDash Python SDK 的 klines.batch() 方法支持单次 API 调用获取多只跨市场股票（A股/美股/港股）的 K 线数据，简化批量数据获取流程。传统方案存在爬虫限流、多市场代码不统一、复权计算复杂等问题，而 QuantDash 提供稳定数据源、统一代码格式、服务端自动复权（支持前复权等四种方式），并原生返回 Pandas DataFrame。5 行代码即可实
DuckDB 是一款高性能嵌入式列式数据库，专为数据分析优化。它支持标准SQL，可直接查询CSV/Parquet文件而无需导入，与Python生态无缝集成（Pandas/Polars/Arrow）。核心特点包括零配置、进程内运行、列式存储和向量化执行引擎。本文涵盖从基础安装、表操作到高级功能（窗口函数、嵌套数据处理、JSON查询）的全方位指南，并深入探讨性能优化技巧（分区、索引、查询分析）。Duc
本文介绍如何利用Python编程思维快速掌握大智慧公式语法，帮助量化交易者高效上手。通过对比Python与大智慧公式系统的变量声明、流程控制和函数使用，提供实战案例和调试技巧，让开发者轻松实现金融量化分析。
量化软件推荐可以先按三种使用方式来选：牛股王股票这类面向普通投资者的量化辅助软件，方便把股票和ETF规则、历史回测、盯盘提醒与风控复盘连起来；聚宽适合愿意写Python、需要检查数据和中间结果的人；QMT靠近券商侧本地终端，适合已经具备相应账户条件并愿意维护运行环境的人。真正影响长期使用的，是规则、数据、结果和账户记录最后由谁保管。
本文为金融数据分析师提供了使用Python实现EMA指标的最佳实践指南。文章深入解析了EMA的指数衰减权重本质、偏差修正的重要性，并详细对比了pandas中alpha、span等不同参数化方法的差异。针对不同频率的金融数据，探讨了EMA窗口期选择、参数优化及自适应EMA的实现，并与SMA进行了实战对比，帮助读者将EMA从简单曲线转化为可靠的决策工具。
2026年Python期货开发工具选择，天勤量化+主流IDE综合表现最佳，开发效率高、调试方便。Python期货开发涉及IDE、量化库、数据工具等。2026年了，不同工具组合在开发效率、调试体验、生态完善度方面差异很大。今天这篇文章，我从开发工具链角度，对几款主流Python期货开发方案做个排名对比。：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。天勤量化配合主流IDE是Pyth
本文分享了期货量化策略优化的实用技巧，涵盖信号优化、参数优化和风控优化三个维度。作者提供了Python代码示例，包括信号过滤优化、参数稳定性检验和动态仓位调整等方法。文章还演示了如何在TqSdk框架中实现优化后的策略，通过多重信号确认、波动率调整仓位等技术提升策略表现。这些技巧基于作者20年期货量化经验，旨在帮助开发者改进策略性能。
本文通过Python编程思维解析大智慧公式系统的核心语法，包括变量定义、循环结构和数组操作。文章对比了Python与大智慧公式的异同，帮助量化交易爱好者快速掌握大智慧公式的编写技巧，提升开发效率。
本文详细介绍了如何使用Python处理腾讯股票API分时数据，从数据解析、清洗到均价线计算和可视化呈现的全过程。通过完整代码示例，帮助读者掌握股票数据分析的核心技术，特别适合量化交易初学者和金融数据分析师参考实践。
本文详细介绍了pandas_ta这一Python量化分析工具，它作为Pandas的扩展，能一键计算上百种技术指标，极大简化了量化交易分析流程。文章通过双均线、RSI等实战案例，展示了如何快速实现策略信号生成与可视化，是量化新手提升效率的利器。
摘要：针对2026年Python量化交易需求，推荐使用QuantDash（pip install quantdash）作为A股日线/分钟K线数据源。其优势包括： 开箱即用：原生支持Pandas/Polars，自动统一股票代码格式（如600519.SH），简化清洗流程； 高效复权：服务器端提供5种复权模式（如adjust='forward'前复权），避免本地计算误差； 稳定高并发：商业级API稳定性
📌 专业量化数据源解决方案摘要 核心痛点：传统数据源（如Tushare/Yahoo/爬虫）存在高维护成本、积分限制、复权计算冗余等问题，严重影响量化开发效率。 解决方案： QuantDash 提供开箱即用的 Python SDK（pip install quantdash），支持： 多市场统一接口：A股（.SH/.SZ）、港股/美股标准化代码格式。 服务端复权：直接获取前复权/后复权数据，节省本
系列名：《从零搭建你的 A 股量化系统》｜ 第 3 篇 / 共 100+ 篇标签：#量化投资 #Python #pandas #matplotlib #A股 #散户 #零基础 #实战上篇《半小时装好环境》里，我们把 Python + conda + Git 这套地基打好、自检通过了。但说实话——你那时候大概率还是"照着敲、能跑、但不知道为啥"。量化 90% 的日常工作，不是在写算法，而是在"摆弄数
本文提供了一套高性能Python代码，用于实时计算股票KDJ指标（K、D、J值）并准确识别J值的超买（J>100）、超卖（J<0）及连续多日的高低位“钝化”状态。通过QuantDash Python SDK，开发者可一键获取服务器端前复权行情数据，免除数据清洗烦恼。代码包含KDJ计算函数和钝化状态检测函数，支持多市场统一调用。文章还对比了传统方案与QuantDash的优劣，并给出量化交易中的避坑指
本文介绍了量化投资中的配对交易策略，以贵州茅台和五粮液为例，演示如何利用QuantDash获取历史数据并实现该策略。配对交易通过统计方法寻找价格偏离均值的高相关性股票组合，在价差回归时获利。文章详细拆解了策略的数学逻辑、数据准备方案对比（传统爬虫vs QuantDash SDK），并提供了完整的Python代码实现，包括数据获取、价差计算、Z-Score信号生成等关键步骤。最后解答了前复权价格的重
本文仅为个人方法研究与经验分享，不构成任何投资建议或职业指导，无任何标的推荐。市场有风险，决策请结合自身情况独立判断。文中代码均为示意版（模拟数据），非实盘交易建议，不涉及任何具体策略参数。 一组北向数据，我先泼盆冷水 很多人每天开盘第一件事，就是看"北向资金净流入多少亿"，然后据此决定今天该贪婪还是恐惧。我把这套逻辑反复拆过，结论有点扎心：大部分人盯的那根"净买额"，和北向真正做了什么，根本不是
本文详细介绍了如何使用Python和TA-Lib库计算RSI指标，并应用于量化交易策略。从环境配置、数据获取到RSI指标的原理与实现，再到交易信号识别和策略回测，提供了完整的代码示例和实战建议，帮助开发者快速掌握量化交易中的RSI应用。
本文通过Python的NumPy和Pandas库，详细讲解了量化交易中线性代数与统计学的实际应用。从投资组合优化到时间序列分析，再到蒙特卡洛模拟和卡尔曼滤波，手把手教你用代码实现量化交易中的关键数学概念，帮助开发者轻松掌握量化交易的核心技术。
本文详细介绍了如何使用Python从零开始实现经典的双均线量化交易策略。通过获取股票数据、计算移动平均线、识别金叉死叉信号，并模拟交易回测，系统性地解析了该策略的构建逻辑、实战应用与收益表现。文章旨在为开发者和投资者提供一个完整的Python股票分析实战案例，并强调了策略的适用场景与风险。
本文是PTrade量化交易系列第七篇，重点讲解Python函数基础及PTrade核心内置函数的使用。文章首先通过股票收益计算案例展示Python函数的定义与调用方法，然后详细解析PTrade策略开发中的四大核心函数：initialize（策略初始化）、handle_data（周期执行）、run_daily（定时执行）和order（交易下单），并配以均线突破策略等实战代码示例。最后提出"积
在量化交易与数据分析领域，数据是驱动决策的核心。网络爬虫技术作为获取公开数据的关键手段，其原理在于模拟浏览器行为，通过HTTP请求从目标网站获取HTML、JSON或PDF等格式的原始数据，再经由解析库提取结构化信息。这项技术的价值在于能够自动化、低成本地构建专属数据集，尤其对于基本面分析至关重要。在金融数据分析的应用场景中，股东与股本信息是评估公司治理、股权稳定性和潜在风险的重要因子。本文聚焦于使
在量化研究和数据分析领域，获取准确、结构化的历史行情数据是构建策略回测和价格分析的基础。其核心原理是通过程序化接口或数据抓取技术，从权威或第三方数据源提取标准化信息，实现数据获取的自动化与可重复性。这一技术对于提升研究效率、构建稳定数据管道具有重要价值，广泛应用于个人量化策略开发、商品价格跟踪和投资研究等场景。本文聚焦于**大连商品交易所（DCE）** 期货数据，针对**指定日期**行情获取这一具
本文详细介绍了如何使用Python进行股票数据分析与策略优化，涵盖数据获取、指标计算、均线策略实现及回测优化等核心技巧。通过Pandas、Tushare等工具，开发者可以高效处理金融数据，构建量化交易策略，提升投资决策效率。文章还分享了实战经验与常见问题解决方案，适合金融数据分析初学者和量化交易爱好者。
本文介绍了一种利用配对交易策略在波动市场中实现套利的方法，重点分析了白酒行业龙头股贵州茅台与五粮液的协整关系。通过Python和QuantDash平台，文章详细展示了从数据获取、协整检验到交易信号生成的全流程：1. 获取两只股票历史数据并进行协整性检验 2. 计算滚动价差和Z-Score指标 3. 设置±2为交易阈值信号（Z>2做空高价股/做多低价股，Z<-2反向操作） 4. 价差回归
本文分享了Python期货策略单元测试的常见方法，重点介绍了如何对信号函数、仓位计算、止盈止损等关键逻辑进行测试。作者以双均线信号函数为例，演示了如何编写测试用例，并建议使用pytest框架定期验证策略逻辑的正确性。文章强调单元测试能减少回测与实盘中的错误，但指出测试仅是验证手段，策略和风控才是核心。全文基于个人经验，仅供技术交流参考，不构成投资建议。
这篇文章介绍了一个用Python编写的股票实时异动监控工具，帮助上班族在不盯盘的情况下及时获取股票价格波动提醒。文章首先指出上班族盯盘的痛点，然后介绍了解决方案：利用Python的plyer库和QuantDash的Python SDK开发一个自动监控系统。该系统每15秒获取一次股票实时数据，当价格波动超过设定阈值时触发电脑弹窗通知。文章详细讲解了代码实现逻辑，包括初始化基准价格、监控循环和弹窗提醒
本文介绍了在QMT量化交易平台中获取个股上市日期的两种方法：1）在QMT内置Python环境中使用C.get_instrumentdetail()接口，2）在原生Python环境中通过xtquant库调用xtdata.get_instrument_detail()接口。两种方式都需要输入带交易所后缀的股票代码（如000001.SZ），返回结果中的OpenDate字段即为上市日期。文章详细说明了两种
本文介绍了一个用Python和QuantDash平台开发的"个股多维度体检报告生成器"。该工具能快速分析股票四个关键指标：1)均线趋势健康度(MA20/MA60位置)；2)历史价格相对位置(120日高低位百分比)；3)波动率状态(14日ATR)；4)量能强弱(成交量/20日均量)。用户只需输入股票代码，1秒内即可获得包含价格位置警示、均线状态、波动率评估和量能分析的完整报告。该
本文分享Python期货量化项目的代码组织最佳实践，提出分层清晰的项目结构方案。推荐目录包含策略、工具、配置、数据等独立模块，并设计了策略基类统一接口。具体实现展示了均线策略示例，包含K线回调处理逻辑。文章强调合理的项目结构能提高开发效率和代码质量，同时提醒量化交易风险，声明内容仅供技术交流参考。项目结构包含config配置、strategies策略实现、utils工具、data数据等标准目录，建
量化交易是通过数学模型和计算机程序实现投资决策自动化的方法，其核心原理是将交易策略转化为可执行的算法。这项技术的价值在于能够克服人为情绪干扰，实现7x24小时不间断监控与毫秒级响应，从而在波动剧烈的市场中捕捉稍纵即逝的机会。在加密货币等高频交易场景中，自动交易系统通过整合行情获取、策略引擎、订单执行和风险控制等模块，构建了一个严谨、高效的交易闭环。本文以OKX交易所为例，深入解析如何利用Pytho
本文介绍如何利用Python和TA-Lib自动化识别缠论K线形态，提升技术分析效率。通过实战代码演示，从基础形态识别到高级策略优化，帮助投资者构建全自动分析系统，替代传统手动标记，实现量化交易决策。
本文详细介绍了如何使用Python的TA-Lib库快速计算K线技术指标，包括移动平均线、动量指标和复合指标等。通过完整的代码示例和实战策略，帮助量化交易者高效实现技术分析，提升交易决策的准确性和效率。
本文详细介绍了如何使用Python 3.11开发东方财富实时数据接口的高性能轮询系统，实现每秒10只股票的并行数据获取。通过多线程架构、请求优化和异常处理机制，提升数据采集效率和稳定性，为量化交易提供可靠的数据支持。
本文详细介绍了如何使用Python复现基于50ETF期权偏度指数（SKEW）的择时策略，从数据获取、SKEW计算到策略回测全流程。通过Backtrader框架实现极值+动量策略，并提供了参数优化、滑点处理等实战技巧，帮助量化交易者有效捕捉市场尾部风险。
本文详细介绍了如何从Anaconda环境搭建到使用掘金量化终端3.0进行Python量化交易策略开发的全流程。涵盖环境配置、SDK安装、策略回测及优化技巧，帮助开发者快速上手量化交易，实现从零到实盘的完整策略跑通。
本文深入探讨了CTP-API报撤单实战，重点解析了如何用Python处理分笔成交与订单状态跟踪。通过详细的状态机解析、分笔成交监控策略以及生产环境中的边缘场景应对方案，帮助开发者构建高性能的订单管理系统，确保量化交易的精准执行。
本文介绍如何为量化交易系统封装可靠的金融行情API客户端。针对生产环境中常见的网络抖动、限流和效率问题，提出基于Python的解决方案：1. 使用装饰器实现指数退避重试机制；2. 采用ThreadPoolExecutor实现多线程并发请求；3. 内置频率限制保护。文章详细展示了ReliableQuantClient类的实现代码，包含安全获取K线和实时行情的方法，以及支持批量下载的BatchData
本文详细介绍了如何使用Python和掘金量化SDK从零开始构建并运行第一个量化交易策略。内容涵盖Anaconda环境配置、掘金终端设置、策略部署、回测优化及实战案例，帮助读者避开常见陷阱，快速掌握量化交易的核心流程。
本文详细介绍了如何使用Python构建一个年化收益超40%的Fama-French三因子选股策略。通过理论解析、数据获取、策略实现、回测优化等步骤，手把手教你掌握量化交易核心技术，特别适合A股市场的多因子选股实践。
本文分享了一套基于Python的N字板潜力股筛选策略，通过涨停板、BIAS乖离率和成交量缩量三重条件识别短线反包机会。策略核心逻辑包括：近5日有且仅有一次涨停（涨幅≥9.8%）、当日BIAS<-5显示超卖、成交量低于5日均量表明抛压减弱。文章提供了完整的MySQL数据库连接和数据处理代码，包含指标计算、条件筛选及结果输出功能。该策略适合捕捉涨停回调后的二次拉升机会，但需注意策略存在市场适应性
《海龟交易法则》Python 量化交易程序实现
本文仅为个人方法研究与经验分享，不构成任何投资建议或职业指导，无任何标的推荐。市场有风险，决策请结合自身情况独立判断。文中代码均为示意版（模拟数据），非实盘交易建议，请结合自身情况独立判断后使用。 为什么大多数人量化入门卡在第一步 很多人以为入门量化要先啃完数学和Python，于是收藏夹里躺着十几篇《量化入门》，一篇都没真正开始。我做了5年量化，陪过十几个零基础读者跑完30天，结论是：入门最大的敌
2026年了，Python在期货量化领域的地位已经非常稳固，越来越多的交易者开始用Python开发和部署自己的策略。这篇文章我来盘点一下目前市面上几款主流的Python期货量化工具，按照我个人的使用体验做一个排名，希望对正在选择工具的朋友有一些参考价值。作为我目前日常使用的主力工具，TqSdk在期货量化领域的表现确实不错。我目前主要使用TqSdk做策略研究和回测，这只是我个人的选择，每个人需求不同
本文教你用Python重构筹码获利比(Winner函数)，打破大智慧、通达信等商业交易软件的数据黑箱。通过详细解析筹码分布计算原理，提供可自定义的Python代码实现，帮助投资者掌握透明、可控的获利比分析工具，优化交易决策。
拼表或者循环时极易错乱。今天我们用 Python 配合专业的量化接口 QuantDash，写一个**“多头排列 + 均线金叉”**的自动选股脚本。每天收盘后只需一键运行，它就会自动扫描我们关心的多市场股票池，筛选出均线形态良好的潜力股，并生成一个干净的表格。有了这个脚本，你可以把全市场的绩优股都丢进 STOCK_POOL，每天收盘后跑一次，省下的人肉看盘时间，可以多看几本经典的量化交易书！炒股或者
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
亚马逊云科技技术品牌专区
AI硬件创业社区
CSDN-OPC开发者社区
AI Agent技术社区
龙虾开发者社区
