登录社区云，与社区用户共同成长
邀请您加入社区
本文详细介绍了如何使用Python和NumPy处理股票CSV数据，从数据读取、清洗到多维度排序分析的完整流程。通过实战案例，帮助读者掌握金融数据分析的核心技术，包括涨跌幅计算、成交量分析和多条件筛选策略，提升量化投资效率。
本文详细介绍了如何利用Python和Tushare构建一个高效的多因子选股数据工厂，涵盖数据获取、清洗、存储和因子计算等关键环节。通过工程化封装Tushare接口、优化数据存储方案（如Parquet+SQLite组合）以及实现高性能计算（向量化和多进程加速），帮助量化投资者解决80%的数据准备难题。文章还提供了完整的代码示例和避坑指南，特别适合量化投资初学者和希望提升数据工程效率的从业者。
本文以20日收益率因子为例，详细解析量化投资中单因子检验的三大常见陷阱及解决方案。通过Python实战代码演示，重点解决数据对齐、股票池筛选和收益计算等核心问题，帮助投资者避免因子检验中的常见错误，提升多因子选股策略的可靠性。
这张图是把成交额集中度（蓝线）、45%线（红虚线）、上证/中证1000/中证2000的归一化走势（橙/绿/紫）叠在一起，底下标注的，是历史上几个比较像"邢大这次没瞎说，至少大框架对得上，具体月份会有0~1个月的小偏移，毕竟数据口径、是否含bj/退市股/新股这些细节都会产生一点差异，但整体轮廓确实是有的。你会发现，市面上很多月份虽然没到45%，但早就已经远超自己所在时代的95%分位了，也就是说，那条
本文详细介绍了如何使用Python和LSTM神经网络预测数字经济板块的5分钟成交量，涵盖数据清洗、特征工程、模型构建与训练、预测分析及策略回测全流程。通过实战案例和完整代码，帮助读者掌握量化投资中的高频数据处理技巧和LSTM模型应用。
本文详细介绍了如何利用Python和LSTM模型复现数学建模竞赛中的量化策略，涵盖从数据处理到交易回测的全流程。通过工程化实现和优化，帮助读者将学术模型转化为可运行的量化交易系统，提升量化投资实践能力。
本文详细介绍了如何使用Python和Tushare Pro免费获取A股行情与财务数据，并构建自动化采集系统。通过Tushare Pro的稳定数据接口，开发者可以轻松获取实时行情、财务报告和市场参考数据，结合SQLite等本地存储方案，形成个人金融数据库。文章包含完整代码示例，帮助读者快速实现数据采集与分析。
本文为量化投资新手提供了用Python构建因子体检系统的完整指南，涵盖数据准备、单因子检验、可视化分析和实战案例。通过详细代码示例，教你如何计算IC、IR等核心指标，并进行分组回测，科学评估因子有效性，助力多因子选股策略开发。
本文详细介绍了如何使用Python实现蒙特卡洛模拟来复现雪球产品的定价过程。通过手把手教学，帮助读者理解雪球产品的路径依赖特性，并提供了完整的代码实现、误差分析及性能优化技巧，特别适合金融工程和量化投资领域的从业者学习参考。
本文介绍如何利用Python集合运算（交集、并集、差集）挖掘股票数据中的隐藏关联，超越传统涨跌分析。通过实战代码演示，帮助投资者发现量价齐升、无量上涨等市场信号，构建更全面的股票分析框架，提升量化投资策略的有效性。
本文详细介绍了如何使用Python自动化抓取通达信财务与收盘数据，构建本地量化数据库的完整解决方案。通过系统架构设计、自动化数据采集实现、数据存储方案选型、数据处理与标准化等步骤，帮助投资者高效获取并管理量化研究所需的核心数据，特别适合需要自动下载财务数据的量化开发者。
大家好，我是fairyran，上一篇我们搞定了Python量化开发环境的搭建，相信很多朋友已经成功运行了测试代码，获取到了上证指数的数据～ 今天我们进入核心基础环节，也是量化开发的“基本功”——Python数据类型。很多新手会觉得“数据类型很简单，没必要专门学”，但在量化开发中，数据类型用错，轻则导致代码报错、计算出错，重则影响策略逻辑（比如把股价字符串当成数字计算，把股票代码当成数值处理）。
本文详细介绍了如何使用Python构建LSTM模型，从数学建模到量化投资，预测‘数字经济’板块成交量。通过数据清洗、特征筛选、模型构建和交易策略实现，手把手教你打造一个可落地的量化预测方案，帮助投资者掌握市场情绪，提升交易决策效率。
本文详细介绍了如何用Python复现通达信winner函数，帮助投资者估算A股收盘获利比例。通过筹码分布理论和完整代码实现，读者可以理解并应用这一量化投资工具，提升股票分析能力。文章涵盖数据准备、核心算法实现及验证测试，适合对量化投资和Python编程感兴趣的投资者。
本文详细介绍了如何用Python复刻通达信Winner函数，手把手教你估算股票收盘获利比例。通过筹码分布模型和换手率衰减算法，实现股票获利比例的精准计算，并提供完整代码示例，帮助量化投资者构建自主分析工具。
缩进错误：if/for/while下方代码必须缩进，否则直接报错或逻辑错乱条件写反：把“大于均线写成小于均线”，直接导致策略完全反向死循环：while循环忘记设置终止条件，程序卡死重复交易：判断条件不结合持仓状态，导致一直触发买入信号遍历索引混乱：for循环遍历列表时不要手动写索引，直接遍历元素最稳。
本文详细介绍了如何利用Python多进程技术加速Tushare金融数据获取，解决量化投资中数据准备效率低下的问题。通过构建工业级多进程下载框架，实现A股行情数据的并行下载，大幅提升数据获取速度，为量化投资和多因子选股提供高效数据支持。文章包含完整代码实现和性能优化技巧。
本文深入探讨了如何用Python复现尾盘选股策略，并通过历史数据验证其有效性。文章详细解析了策略原理、Python实现方法、回测框架搭建以及常见误区，如过拟合和未来函数问题。同时提供了优化思路，包括动态止损机制、多因子过滤和参数自适应优化，帮助投资者提升量化策略的实战表现。
本文通过Python复现热门选股公式'尾盘买入神器'，揭示了通达信公式迁移中的技术陷阱与未来函数风险。文章详细分析了指标计算精度差异、参数敏感性过拟合等问题，并提供了性能优化与逻辑改进建议，帮助量化投资者避开常见坑。
在人工智能技术快速发展的背景下，大语言模型（LLM）与智能体（Agent）框架正成为推动行业智能化转型的关键技术。其核心原理在于通过赋予AI自主感知、决策与行动的能力，使其从被动的预测工具转变为能主动执行复杂任务的研究伙伴。这一技术范式在提升自动化水平、挖掘高维信息方面展现出巨大价值，尤其在需要处理多步骤逻辑推理与动态决策的场景中优势明显。在量化投资研究领域，传统方法常面临流程繁琐、非结构化信息处
本文详细介绍了如何使用Tushare Pro和Python快速分析上证50成分股的历史收益率。通过Tushare Pro获取金融数据，结合Python的数据处理和可视化工具，5分钟内即可完成从数据获取到分析的全流程，为量化投资提供数据支持。文章包含完整代码示例，适合金融数据分析初学者快速上手。
本文详细介绍了如何利用Python和Baostock免费接口构建A股历史数据库，包括数据获取、存储优化和交易日历生成等全流程解决方案。通过实战代码示例，帮助量化研究者零成本获取金融数据，大幅降低研究成本。
01 某神秘指标有这么一个神秘指标，虽然15年来只产生过5次信号，但每次信号后市场都发生了翻天覆地的变化，无一例外。下图中的蓝色曲线就是这个神秘指标，从2007年开始至今。指标波动范围介于20%—50%该指标每个月有一个数据，我们会在每月底计算。如2007年1月底算出来是32.05%。1.对比沪深300光看上图，大家可能觉得也平平无奇。我们把这个指标和沪深300指数放在一起对比看。2007年1月-
想参与打新股，首先你得有个A股账户，其次账户里得有股票——不是现金，是股票市值。证监会规定，打新股的门槛是按你账户里股票的市值来分配额度，没市值就没资格。比如你想打沪市的新股，账户里至少得有1万元沪市股票（股票代码60开头）；打深市新股（代码00或300开头），同样需要1万元深市股票。注意：科创板（688开头）和创业板（30开头）的额度分别算在沪市和深市里。
在当今快节奏的金融市场中，自动化炒股已经成为许多投资者的首选策略。Python，作为一种强大的编程语言，结合Keras这一深度学习库，为股票价格预测提供了一个强大的工具。本文将带你深入了解如何使用Python和Keras进行股票价格预测，让你在股市中占据一席之地。
好了，今天的分享就到这里。希望这个简单的板块强度指标计算方法能帮到大家。记住，量化炒股不是一蹴而就的，需要我们不断学习和实践。下次，咱们再聊聊其他量化炒股的小技巧。以上就是我为新手股民准备的板块强度指标选热点的分享。希望这篇文章能让大家在量化炒股的道路上更进一步。记得，投资有风险，操作需谨慎。我们下次再见！
Python作为一种强大的编程语言，因其简洁、高效和丰富的库支持，被广泛应用于股票市场的机器人分析。本文将带你了解如何利用Python进行股票市场的机器人分析，包括数据获取、数据处理、策略开发和回测等关键步骤。在进行股票市场的机器人分析之前，首先需要获取股票数据。策略开发是机器人分析的核心，我们需要根据市场数据和交易逻辑开发交易策略。获取到数据后，我们需要对数据进行预处理，包括数据清洗、特征提取等
量化投资与机器学习简介术语模型简介1术语超参数在机器学习的上下文中，超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。相关性分析与回归分析1、相关性分析相当于先检验一下众多的自变量和因变量之间是否存在相关性，当然通过相关分析求得相关系数没有回归分析的准确。如果相关分析时............
DeepSeek是一种基于深度学习的量化交易系统，它通过模拟人类交易者的决策过程，同时利用机器学习算法来优化交易策略。这种系统能够处理大量的市场数据，识别模式，并预测市场趋势，从而为交易者提供决策支持。
本文介绍了如何在星图GPU平台上自动化部署 📈 AI 股票分析师daily_stock_analysis 镜像，快速搭建基于随机森林的智能选股模型。该镜像能够自动分析股票技术指标与基本面数据，预测股价走势，并生成投资策略建议，帮助投资者进行数据驱动的量化决策。
量化投资通过数学模型和计算机程序来制定交易策略，其核心在于从海量数据中挖掘有效的市场规律。随着人工智能技术的发展，大语言模型（LLM）为量化系统带来了新的可能性，它能够处理和理解非结构化的文本信息，如新闻、财报和舆情，从而辅助或增强传统的量化模型。在工程实践中，将多个具备不同专业能力的LLM智能体（如宏观分析、因子挖掘、风险控制）组织起来协同工作，构成了多智能体系统。这种架构的核心技术价值在于能够
量化投资
——量化投资
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
DAMO开发者矩阵
脑启社区
