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

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

本文介绍了利用Python和scikit-learn实现股票回归分析的方法，通过get_hq获取数据后绘制回归通道（红色回归线及上下虚线）。该工具可辅助判断压力位（接近上轨警惕回调）、支撑位（接近下轨可能反弹）及趋势方向（通过回归线斜率）。建议结合成交量、基本面分析，并调整标准差参数（±1.5-2.5）适配不同股票波动率。文中强调该方法仅为技术学习参考，提醒投资者市场有风险，需谨慎决策。

本文介绍了基于Python和miniQMT实现线性回归通道的方法，用于动态识别趋势行情中的支撑位和压力位。文章分为上下两篇，上篇重点讲解原理和数学推导，下篇将实现代码和策略回测。主要内容包括： 环境准备与行情获取：使用xtquant获取历史行情数据 线性回归通道原理： 由回归线（中轨）、上轨（压力位）和下轨（支撑位）组成 相比静态支撑阻力，能动态适应趋势变化 与布林带的区别： 中轴来源不同（回归线

本文深入探讨了量化投资中量价因子的优化方法，针对基础因子提出两个实战验证的扩展方案。首先介绍了短中期量价结构差因子，通过5日和20日窗口的相关系数差值捕捉短期资金异动机会，特别适合A股短线交易。其次提出基于收益的量价动能因子，将开盘价替换为收益率，更精准判断趋势质量。文章详细解析了每个因子的数学原理、市场逻辑和Python实现代码，并提供了可视化示例。最后比较了两个因子的适用场景，建议组合使用以提

本文基于 akshare 实现了 A 股交易日历的精准获取与校验，解决了传统交易日历方案的诸多痛点，同时基于 Streamlit 搭建了完整的 A 股涨停情绪分析工具，实现了从底层数据获取到指标计算、可视化展示的全流程闭环。代码完全开源，可直接复制运行，也可根据自身的量化交易需求进行二次开发，适合 A 股短线交易者、量化分析新手学习与使用。本文为原创技术文章，转载请注明出处。风险提示：本文内容仅为

摘要： 交易日历是量化交易系统的核心基础模块，直接影响回测准确性、实盘交易和因子计算。本文系统梳理了Python生态中5种交易日历解决方案： 开箱即用的第三方库（如pandas_market_calendars、exchange_calendars），适合快速验证策略； 在线API接口（如TusharePro、AKShare），提供实时数据校准； 本地化部署方案（基于交易所官网CSV或SQL数据库

神奇九转策略是基于TD序列理论开发的A股技术分析指标，通过连续9日价格突破特定阈值识别市场反转点。该策略包含上涨九转（卖出信号）和下跌九转（买入信号）双重验证机制，2023年券商回测显示在沪深300成分股中有效触发率达68.3%。Python实现方案包含核心算法、A股数据获取和可视化模块，支持结合均线过滤假信号。策略优点在于简单直观适合波段交易，但存在趋势市假信号多、信号滞后等缺点，建议配合均线、

本文详细讲解了VWAP（成交量加权平均价）和锚定VWAP的Python实现方法，包括指标计算、可视化展示及实战应用。文章提供了完整的代码实现，支持日线和分钟线数据，并修复了常见错误。重点阐述了机构实战中利用VWAP/AVWAP识别支撑位和阻力位的五大核心原则：价格位置判断多空方向、触碰次数验证强度、量化偏差带定义有效区间、成交量确认信号有效性以及多维度共振提升胜率。通过对比常规VWAP和锚定VWA