API接口，方便user管理（manage）和检索（retrieve）自己的数据。数据装载好后依据实际需求和任务目标收益率搭建模型进行回测或实盘进行下单操作，同时需要进行风控和指标分析。

----------------------------------------------金融基础概念-------------------------------------------------------

本节目录：1、前沿介绍2、各软件的使用比较3、变成环境的搭建4、集成开发环境的介绍（IDE）5、python常用库的介绍5.1、numpy5.2、scipy5.3、pandas6、可视化分析6.1、实时行情，历史行情，Tick行情，公司公告，股指行情获取（接口介绍）6.2、K线图、折线图、散点图、条形图、直方图、饼图、函数图、热力图、可交互K线图

均值﹣方差理论的核心思想是同时考察资产组合的预期收益和风险。研究当我们有一系列可选资产的时候，应如何对其配置资金权重，从而可以得到最好的收益风险比？现代资产组合理论（Modern Portfolio Theory,MPT）是金融理论的重要基础。这一理论是由马克威茨（Harry Markowitz）首先提出的，因为这一理论，马克威茨荣获了1990年的诺贝尔经济学奖。当然，这里介绍的模型是最基础的模型

本篇内容将处理量化交易系统框架的搭建。

本节目录数据准备（数据源与数据库）CTA策略数据源：在进行量化分析的时候，最基础的工作是数据准备，即收集数据、清理数据、建立数据库。下面先讨论收集数据的来源，数据来源可分为两大类：免费的数据源和商业数据库。免费数据源包括新浪财经、Yahoo财经等。这些数据源提供的接口比较复杂，不是很好用。好消息是，Python中有对应的开源工具可以让数据获取变得简单。比如，akShare 能够获取新浪财经的数据，

这种局部异常检测的方法，比如LOF，DBSCAN，KNN，在基于特征的非结构化的数据集上往往有不错的表现。基于神经网络的异常检测方法，由于有标注的异常点数据有限以及其主要是针对如图像数据的高维度结构化数据集的原因，在基于特征的低结构化数据集上的表现始终不尽人意。训练数据标准化至的范围。LUNAR在聚合时，并没有对k个近邻传来的信息采取统一的最大池化将其转化为一个最终信息，而是将这k个信息编码为一个

前面谈到了简单的一个示例代码，实际上里面的策略源码和模型回测源码都需要好好了解，他这个回测系统和我之前用到的回测策略代码有不一样的地方，作为一个量化策略攻城狮，掌握源码是基本的技能。Qlib内置的数据采集里，已经支持了采集基金数据，是网上收集公募基金的数据，由于我们量化仅需要ETF的数据，所以。Qlib内置了A股、美股两个市场的历史数据，上一篇文章也谈到过，可以通过运行如下的脚本把数据自动获取到本

梯度提升模型特别适用于处理复杂的数据集，可以处理大量特征和特征之间的交互，并且对过度拟合也很稳健，同时能够处理缺失值。在大多数时间序列预测中，尽管有Prophet和NeuralProphet等方便的工具，但是了解基于树的模型仍然具有很高的价值。ARIMA 模型使用过去的值来预测未来的值，因此过去的值是重要的候选特征，可以创建许多滞后回归因子。创建基于时间的特征，包括日期、星期、季度等各种特征，通过

----------------------------------方法一：jieba分词提取文本（句子赋分法）------------------------------------------------------------方法二：封装成界面（句子赋分法）-------------------------这部分要安装的库包括：jieba，re，这部分作用是利用正则表达式把文本去除类似于：[