很多人选数据源的过程是这样的：“搜一下 Python 股票数据 → 看到 akshare 免费 → 装上了 → 能跑就行。跑了三个月之后发现：我需要五档盘口数据，akshare 的盘口接口不太稳定；我需要周线数据，akshare 只有日线要自己合成；我需要批量拉 500 只票，akshare 只能循环加 sleep……这篇文章帮你做一件事：先列出做量化选股需要的所有数据类型，然后对照几个主流数据源

文章摘要 通过Python模拟散户5种典型操作模式，揭示了亏损的真实原因： 追涨杀跌：连涨3天买入/连跌3天卖出，结果买高卖低，净值表现最差 频繁换股：5天不涨就换股，交易成本累积且错过潜在反弹 全仓单吊：高波动下难以承受大回撤（40%-60%），多数人中途割肉 其他模式（未展示）：逆势补仓、听消息炒股等同样表现不佳 关键结论： 散户亏损主因是行为模式缺陷，而非市场或运气问题 简单持有指数（如沪深

摘要： 量化策略跨市场适配面临数据源不统一、代码冗余等问题。AlphaFeed通过统一标的代码格式（如600519.SH、AAPL.US）和标准化接口，实现A股、美股、港股数据无缝获取，避免条件分支编码。示例展示如何用同一套代码对多市场标的执行动量策略回测，并支持跨市场组合分析（如按市场分组统计收益、夏普比率），帮助开发者快速验证策略在不同市场的表现差异，优化资产配置。核心优势：一套接口覆盖三大市

本文介绍了如何使用AlphaFeed获取数据并结合backtrader框架进行回测。通过封装数据加载函数将AlphaFeed数据转换为backtrader兼容格式，实现了双均线策略的框架化改写，并展示了完整的回测流程。相比手动回测，backtrader提供了事件驱动机制、自动仓位管理和丰富分析工具等优势。文章还演示了如何添加止损止盈逻辑，通过cerebro.plot()可视化包含K线、买卖点和资金

摘要： 本文介绍了一个利用Python在A股收盘后5分钟内快速扫描全市场量价异动的方法。通过AlphaFeed接口获取全市场行情数据，结合历史K线分析，实现五种异动信号的自动筛选：1）当日放量（成交量突增）；2）缩量后突然放量（底部信号）；3）大涨但未涨停（有后续空间）；4）连续下跌后企稳（可能见底）；5）突破近期新高。该方法能高效覆盖5000多只股票，帮助投资者发现隐藏的市场动向，避免遗漏重要交

本文介绍了使用Python和pandas处理A股K线数据并计算技术指标的入门方法。主要内容包括： K线数据结构：包含开盘价、最高价、最低价、收盘价和成交量等基础字段 数据获取：通过alphafeed等数据源获取股票历史数据 数据预处理：检查数据类型、处理缺失值、设置时间索引等 技术指标计算： 涨跌幅计算 移动平均线(MA) MACD指标 RSI相对强弱指标 布林带 成交量分析 交易信号生成：以双均

文章摘要：本文介绍了多因子选股框架的构建方法，通过组合多个维度因子（如动量、波动率、换手率等）来提升选股稳健性。具体步骤包括：1）获取全市场行情数据；2）计算单个因子（如20日动量）；3）扩展为多因子体系；4）因子标准化与方向对齐；5）加权计算综合得分。文章使用Python+pandas实现，不依赖第三方因子库，适合量化投资初学者实践多因子策略。

文章摘要： 本文介绍了一种基于多周期K线共振的选股方法，通过同时分析日线、周线和月线数据来提高趋势判断的准确性。核心逻辑是"大周期定方向，小周期找时机"：当月线、周线均呈多头排列且日线刚转多时，形成最佳买入信号。文章详细演示了如何使用Python获取不同周期的K线数据，并构建趋势评分系统（均线排列+价格位置），最后通过批量分析股票池筛选三周期共振标的。该方法能有效避免单一周期分析的局限性，帮助投资

本文介绍了一个利用AlphaFeed和Python构建的自动股票复盘脚本，可生成结构化复盘报告。主要内容包括： 市场概况分析：统计全市场涨跌家数、涨停跌停数量及成交额，判断市场整体情绪。 关键指数表现：监控上证指数、创业板指等主要指数的涨跌情况。 自选股追踪：记录用户关注股票的当日表现，标注显著涨跌。 量价异动检测：识别成交量异常放大的个股，提示潜在机会或风险。 趋势状态评估：通过均线排列判断各标

【摘要】本文介绍了一个适合量化新手的ETF轮动策略，通过选择近期表现强势的ETF进行定期轮换。文章详细展示了从数据获取、信号生成到回测评估的全流程：使用AlphaFeed获取ETF日K线数据，基于60日动量指标选择表现最佳的ETF，计算组合收益并考虑交易成本，最终输出净值曲线和持仓报告。该方法避开了复杂的股票筛选，以简单的趋势跟踪逻辑为核心，便于初学者理解量化策略的基本框架。文中还建议通过参数扫描