登录社区云，与社区用户共同成长
邀请您加入社区
例如图中可以看到，策略用5日MA和20日MA计算金叉死叉信号，然后金叉时买入；Skill和MCP安装方法：https://c.raqsoft.com.cn/article/1791798570019。策略生成后，输入回测参数自动回测，用真实历史数据验证这套思路到底靠不靠谱。风险提示：回测结果仅为技术科普，不构成投资建议，市场存在风险，投资需谨慎。AI 会自动触发技能，生成完整的中文策略逻辑，不需要
量化交易听起来高大上，但其实门槛并不高。一台电脑，加上一些编程知识，就可以实现量化交易。对于新手来说，完全没有必要一开始就搭建服务器。从一台电脑开始，逐步学习，逐步提高，你会发现量化交易其实并不难。希望这篇文章对你有所帮助。如果你有任何问题，欢迎在评论区留言，我会一一解答。我们下期再见！
股票行情对数据的实时性是有要求的，在数据同步时如果都从数据库中查询数据，对于股票行情数据来说是有些慢了，因此我们使用redis来存储常用数据：股票数据及近一个月的行情数据。参考菜鸟教程就可以完成在windows（开发环境）及linux（生产环境）的安装和使用。当需要平凡查询数据库或者数据库的记录非常多时，使用redis可以带来比较好的性能体验。
记得刚开始做期货程序化（量化）交易，那是在2013年，那个时候国内用这种交易方式的已经为数不少了，刚开始什么都不懂，写好交易代码，放家里电脑跑，用家用电脑跑程序那叫一个惨，不是断线就是停电。搞得自己只要交易时间啥事都不能做，盯着屏幕看。后来了解多了，才知道什么是云服务器，把程序放服务器上，无人值守放心了不少，记得第一台云服务器在某宝淘的，商家给出的配置看上去还算...
推荐一门课程：课程连接课程名称：死工资一党课程：小白量化投资入门课（python）课程定位：本课程为视频课程，全面覆盖Python核心编程知识与量化交易知识点，并结合机器学习于深度学习对数据进行解读，做数据的主人。参考课程章节如下表：课程章节课程内容与职业能力要求课时名称一、python入门准备工作第01课：python简介第02课：Python安装之Anaconda第03课：Py...
本文详细解析了如何从零构建基于miniQMT的量化回测引擎，旨在为AI策略提供高度灵活、透明的实战落地平台。文章深入探讨了引擎的核心模块化架构、事件驱动回测机制、AI策略（如LSTM模型）的集成方法，并分享了避免未来函数、滑点等常见陷阱的实战经验，助力策略研究者专注于模型优化与策略逻辑。
本文探讨了量化交易框架VNPy如何通过集成机器学习因子挖掘实现AI进化，提升A股实盘量化交易效率。文章详细介绍了从传统量化到AI增强的范式转变、因子工厂的工业化生产流程、模型训练优化技巧以及实盘部署的关键要点，为开发者提供了一套完整的开源框架解决方案。
【vn.py】开发环境搭建（windows）序言最近开始关注vn.py，如果你不是手抖才点进这个链接，那么一定不需要再去介绍这玩意儿了吧！如果是单纯的使用编辑测试你的策略，那么并不需要下面这么复杂的操作，直接参考官网文档即可！但我们今天要做的是基于vn.py进行定制的二次开发。那么就需要搭建一个开发环境供我们使用。接下来的操作就是基于这个目的，为了便于和我有同样需求的小伙伴，下文记...
Four Paradigms of Machine LearningConnetionism连接主义。Symbolism符号主义。可解释性FrequentistsBayesianConnetionism、Symbolism、Frequentists属同一类；Bayesian是单独的一类。60年代各类人工智能模型都已经出现了，70年代热度降低，80年代神经网络较热，但是黑盒属性导...
一、OpenDataToolsOpenDataTools开源的数据提取工具，专注在各类网站上爬取数据，并通过简单易用的API方式使用。install声明：本工具只支持 python3，请安装python3.6以上版本。没有支持python2的计划。1. 直接从pypi上安装：pip install opendatatools2. 下载源代码，运行下面的命令：p...
对上班、通勤或无法全天盯盘的用户来说，这种“设计与执行分离”的方式，更接近日常生活的节奏。使用前仍应把边界写清楚：监控哪些品种，什么条件触发，委托价格和数量如何计算，单次交易上限是多少，异常行情下是否暂停。首次运行时更适合从小范围、低频率开始，观察通知、成交和策略状态是否与预期一致，再逐步扩大使用范围。从产品角度看，全云端架构的价值并不是一句“7×24小时在线”，而是把设备维护、持续监控和跨端查看
量化离线回测引擎是一套融合**业务仿真、操作系统内核、内存架构、高性能并发、可观测监控**的复杂底层系统。 其核心逻辑区别于传统业务系统：**不以功能实现为核心，以绝对可复现性、高吞吐、低抖动、低碎片为核心目标**。从上层策略加载、集群任务调度，到中层行情零拷贝加载、双层内存池架构，再到底层巨页优化、CPU绑核、全维度监控体系，每一项技术选型都是为了解决回测行业的核心痛点——**消除一切不确定抖动
Superalgos 是「可视化 + 社区化 + 社交交易」的量化平台代表，零代码门槛与社区生态是核心价值。想系统了解其能力，可参考 skill 详情页：👉Superalgos skill 详情页—— 面向 EasyClaw 场景的能力梳理与封装说明。
一提起量化，大家只想到机构毫秒级的高频交易，然后误以为做量化必须大资金、开专户、配置专线服务器、精通代码，普通人根本碰不了。用大白话说出你的买卖逻辑，AI 自动生成规范中文策略，无代码，逻辑清晰人人能看懂。也就是基于日线数据，用计算机进行数据分析，策略运算，输出买卖信号然后手动下单。日线级股票回测，用历史数据验证策略好坏，不用实时盯盘，每日输出交易信号。别再被机构的高频交易误导，低频的离线策略才是
定义黑天鹅事件是构建模型的关键步骤。这通常需要专家知识和历史事件分析。# 定义一个函数来识别黑天鹅事件return data[data['return'] < -threshold] # 假设阈值以下为黑天鹅事件。
本文实战演示如何用Python高效获取美股行情与财报数据。通过FinRobot封装yfinance，解决接口分散、字段不统一问题，提供5个可直接调用的取数方法（行情、公司信息、三张财务报表、分红历史），并实测验证数据准确性。针对安装依赖繁琐、参数签名陷阱等常见坑点，提出使用EasyClaw自然语言自动化部署与技能固化方案，仅需两句话即可完成环境配置、接口测试与Skill生成，大幅提升开发效率。全文
QMT平台提供全面的K线（Bar）数据支持，涵盖tick、分钟线、日线等多周期行情数据。基础周期包括tick、1分钟、5分钟和日线，其他周期通过基础数据自动合成。数据获取通过download_history_data和get_market_data_ex接口实现，支持高频到低频各类策略开发。文章详细解析了不同周期数据的字段结构、合成规则和使用方法，并提供了代码示例。QMT历史数据覆盖2018年至今
在当今的金融市场中，数据可视化是理解股票市场动态的重要工具。Python，以其强大的数据处理能力，成为了金融分析师和交易员的首选语言。本文将带你深入了解如何使用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。
QuantDinger 是一款开源的 AI 交易操作系统，旨在解决量化工程中“拼凑式开发”的痛点。它以 Python 为核心，提供从策略开发、回测到实盘执行的整栈能力，通过清晰的进程分工（如 trading-worker、celery-worker）、双 Redis 架构与 PostgreSQL 状态管理，实现高可用与可审计。支持 MCP 集成，保障 AI 工具安全调用；内置多租户与 SaaS 运
在上篇内容中，我们完成了 Redis Client API 的概念讲解、redis-py 客户端的环境搭建，以及基础连接的创建与参数解析。本篇我们继续上手实操，详细讲解 redis-py 中最常用的两类数据结构 —— 字符串（String）与哈希（Hash）的代码操作，以及连接关闭与资源释放的规范用法。
本文深入解析pandas_ta策略引擎在量化交易中的高效应用，展示如何仅用3行代码批量计算50+技术指标。通过对比传统方法与策略引擎的性能差异，结合布林带、ATR和KDJ等指标的实战案例，揭示其在多因子策略构建和动态参数优化中的独特优势，助力开发者提升金融数据分析效率。
本文深入解析了Python技术分析库pandas_ta的核心机制与应用。通过介绍其独特的.ta访问器设计、模块化指标函数以及高效的策略引擎，展示了如何利用该库快速、简洁地计算移动平均线、RSI、MACD等上百种技术指标，从而大幅提升量化交易与金融数据分析的效率。
随着科技的发展，越来越多的投资者开始利用编程技术来辅助自己的投资决策。Python因其强大的库支持和易用性，成为了自动化炒股的热门选择。在这篇文章中，我们将探讨如何使用Python的Dash和Plotly库来构建一个交互式的股票数据可视化应用，帮助投资者更好地理解和分析市场动态。
Plotly Express是基于Plotly的Python库，它简化了创建交互式图表的过程。它支持多种图表类型，包括线图、散点图、柱状图等，非常适合用于金融数据的可视化。Dash是由Plotly团队开发的一个用于构建Web应用的框架。它允许你使用纯Python代码创建复杂的交互式Web界面。结合Plotly Express，Dash可以创建出既美观又功能强大的数据可视化界面。
我们定义了应用的布局，包括一个标题、一个图表和一个下拉菜单。
去年有个客户半夜给我打电话，声音都在发抖："王经理，我的策略今早自动平仓了全部头寸，可市场明明在上涨啊！"我让他把日志发过来一看，原来是价格波动触发了某个边界条件，导致风控模块误判。这种事情我见得太多了——很多量化新手把全部精力放在策略开发上，却忘了给代码穿上"防弹衣"。
Dash是一个用于构建Web应用的Python框架，它允许你使用纯Python代码来构建复杂的交互式Web界面。而Plotly是一个强大的图表库，支持多种图表类型，非常适合用于数据可视化。结合Dash和Plotly，我们可以创建既美观又实用的数据可视化应用。通过本文的实战案例，你可以看到如何使用Python、Dash和Plotly构建一个交互式的股票数据可视化应用。这只是一个起点，你可以根据需要扩
风险管理的数据结构就像是你的投资工具箱，每个工具都有其独特的用途。掌握它们，你就能在量化投资的战场上，更加游刃有余。记住，风险管理不是束缚，而是你通往成功的钥匙。下次见，我们将继续探索量化投资的奥秘！希望这篇教程能够满足你的需求，如果有任何问题或者需要进一步的解释，请随时告诉我！
在量化交易开发中，股票历史 K 线是回测、因子研究、技术指标计算和策略验证的基础数据。Python 虽然可以通过各种数据源获取股票行情，但真正进入策略系统后，还需要考虑统一标的代码、时间区间、K 线周期、复权方式、数据缺失以及 DataFrame 格式等问题。本文从一个实际的 Python 量化开发任务出发，介绍如何获取股票历史 K 线，并进一步说明 QuantDash（专业金融数据 API /
大多数人去 GitHub 搜股票项目，目的是找“圣杯”——那个传说中能精准预测第二天涨停的量化策略。结果通常是：Clone 下来跑不通，依赖装了一地
《QMT量化交易数据下载全攻略》摘要：本文系统介绍QMT量化平台的数据体系与下载方法。涵盖股票、期货、期权等全品种数据，包含tick至年线的多周期数据（基础周期+合成周期）。提供两种下载方式：代码自动下载（get_market_data_ex函数）适用于动态补数，客户端批量下载适合全市场大数据量场景。重点强调数据管理技巧：按需下载、盘后更新、存储优化，并指出高频策略应使用原始基础周期数据。最后提示
在数字化时代，炒股不再是专业人士的专利。Python作为一种强大的编程语言，为非专业人士提供了自动化炒股的可能。本文将带你了解如何使用Python、Streamlit和Heroku来部署一个股票数据分析仪表盘，让你的炒股之旅更加智能化和自动化。
计算5日均线斜率，其实就是看今天均线值比5天前高多少。假设5日均线今天收盘价是3520，5天前是3480，那么斜率=(3520-3480)/5=8点/天。均线斜率本质上就是看均线往上翘还是往下垂。这个指标比单纯看金叉死叉靠谱多了，毕竟均线交叉是滞后信号，而斜率变化能提前预警。当斜率绝对值仍在增大但增速放缓时，往往对应着行情末段，这个技巧在期货夜盘特别管用。比如当前斜率是过去一年均值的1.5倍标准差
我们继续 Alphalens 因子分析报告的解读。在过去的两篇笔记中，我们都提到，运用 Alphalens 进行因子分析步骤很简单，但是如果不了解它背后的机制与逻辑，很容易得到似是而非的结论。
Hummingbot 是一套支持纸面交易的开源量化机器人框架，专为在不碰真钱的前提下验证策略执行逻辑而设计。其组件化架构（策略、连接器、核心引擎）实现解耦，可模拟真实市场环境下的下单、撮合与风控行为。通过 EasyClaw 工具，用户仅需一句自然语言指令即可快速启动模拟盘策略，大幅降低上手门槛。相比手动搭建，使用现成 Skill 能更快验证策略可行性，适合希望高效试错的交易者。核心价值在于：先模拟
本文对比分析了2026年国内主流量化交易平台的特点和使用体验。作者从20年从业经验出发，将平台分为Python专业型（TqSdk、VnPy）、传统程序化（文华财经、TB）、综合终端型（掘金量化）和券商合作型四大类，详细介绍了各平台的核心功能、优缺点及适用人群。重点推荐了TqSdk的数据服务和开发效率，VnPy的开源生态，以及文华财经的易用性。文章指出Python已成为主流，数据服务和回测实盘一致性
大宗交易折价10%，简单说就是有人以比当天收盘价低10%的价格，一次性卖出大量股票。2021年1月折价9%大宗交易，接盘方为高瓴资本，次日股价微跌后一周内反弹12%，因市场解读为长线资金入场。大宗交易折价10%不是洪水猛兽，但一定是信号灯——它提醒你：查清楚谁在卖、谁在买，比预测第二天涨跌更重要。2017年频繁出现折价15%的大宗交易，接盘方为“神秘营业部”，随后股价阴跌，实为大股东变相减持。折价
举例：某个策略需要购买某股1百万股，那么被动型算法交易软件呢开始根据当前的交易量情况分析在未来一段时间交易量的分布，从而在流动性好的时候挂出较大的委托单，在流动性差的时候呢挂出较小的委托单，这样也使得冲击成本出现了大幅的降低。，这类算法交易一般会根据市场的状况做出实时的决策，判断是否交易、交易的数量、交易的价格等等，我们要知道很多交易指令是根据市场的即时状况下达，这也导致了其实其存在无法完成。来估
<think>我们根据用户要求，生成≤150字的文章摘要。内容是关于通达信分时主力启动指标的安装教程，需要概括主要步骤和注意事项，包括风险提示。字数限制严格。摘要应简洁，包含关键点：安装步骤（Ctrl+F、其他类型、主图叠加、用户标签）、坑点（括号缺失、PC专用）、风险提示（不构成投资建议）。控制在150字内。</think>摘要：本文为通达信「分时主力启动」指标PC端安装
funcat，量化交易
zipline安装教程
TensorTrade 是一个基于强化学习的开源交易算法框架。它通过环境模拟、策略训练与奖励机制，让AI在历史数据中自主学习买卖时机，构建逻辑自洽的交易策略，助力量化研究。
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
量化交易与投资社区
乐奇 Rokid 开放社区
EazyDevelop社区
openEuler 社区
AI Agent技术社区
天工造物局
DAMO开发者矩阵
AtomGit开源社区
