<fontcolor="brown"一、引言</font <fontcolor="red"Python的核心不是“炫技”，而是“实用”</font  到此，我们已探讨完Python核心且重要的知识点，涵盖数据结构、流程控制、函数用法、类与对象，以及Numpy、Pandas等常用库。而在本次“Python进阶2”的内容中，我们将进一步介绍Python的其他高级用法与科学计算库——不仅会讲解Python风格（Pythonic）及各类高级编程技巧，还会重...

一、引言： 在进行回测系统的搭建中，了解指标评估因子的质量的意义是重要的，现在写出一篇帖子用于评估策略。 本文采用的策略指标复现源自PandaAi开源项目截取。 量化策略的回测评估依赖多项绩效指标。通过分析年化收益率、超额收益率、最大回撤、波动率、夏普比率和信息比率等指标，可以全面了解策略的收益能力与风险特征。例如，夏普比率是一种衡量单位风险所获超额收益的指标，而超额收益表示相对于选定基准的附加回报。 此外，因子质量指标（如信息系数IC、IC信息比率ICIR、秩相关系数等）可用于评估单个因子的预...

<fontcolor="brown"一、开篇</font <fontcolor="red"一切任务都可以抽象成一个工作流！</font  要踏入量化投资的复杂领域，本需艰难拼凑编程、交易实操、高阶数学、AI算法、金融市场等知识拼图。但掌握已专业定制的“工作流”这一核心绝技，就能直接复用专业投资者的经验路径——像搭积木般调用现成流程，把复杂任务拆解成清晰步骤，让新手也能快速对齐专业视角，少踩坑、少绕路，高效逼近量化投资的核心能力。 在20...

踏入天山老妖QuantFabric教程的技术巅峰——HFTrader高频交易系统，这是整个学习旅程中最激动人心的核心篇章。如果说前面的环境搭建、工具配置是在打地基，那么HFTrader就是真正的速度与技术的终极较量。在这个以纳秒计算的高频交易世界里，1008纳秒的最小延迟和4184纳秒的最大延迟，每一个数字都代表着技术实力的极致展现。 HFTrader作为QuantFabric量化交易系统的高频核心，承载着将毫秒级市场机会转化为实际收益的重任。从四线程架构设计到CPU亲和性绑定，从无锁队列优化到多层风控体系，每一个技术细节都在诠释什么叫"细节决定成败"。这不仅仅是一个交易系统，更是现代金融科...

<fontcolor="brown"一、引言</font <fontcolor="red"文科生学量化需要学编程吗？</font  上次我们已经学习了Python安装与配置的相关内容。这次将运用已学的编程知识，简要介绍Python的4个基础模块：数据结构、流程控制、函数用法、类与对象。在开启编程学习之旅前，我们需要明确为什么要学编程，以及该怎么学。 <fontcolor="brown"二、编程</font <fontcolor="darkblue"为什...

<fontcolor="brown"一、引言</font <fontcolor="red"Python是一种“胶水语言”，能够整合多种库与工具！</font  Python是“胶水语言”，能够将各种不同的库和工具粘合在一起，创造出强大的解决方案。 在上一次的介绍中，我们已经讲解了Python基础的4个模块（数据结构、流程控制、函数用法、面向对象）；本次将聚焦Python的进阶使用方法，以及数据分析领域的核心工具库。对于刚开始接触量化分析或数据分析初...

概述 最近由于Tushare服务故障，导致无法获取到行情数据，捉急之下，笔者想起miniqmt也是可以获取数据的，而且还能拿到一年的分钟频率数据，刚好最近也想着复现下高频数据的研报。那么，下面笔者就简单介绍下miniqmt如何获取数据。 1.开通账户 在使用miniqmt之前，需要找券商开通相关的服务，各位可以联系pandaai官方小助手，他们有开通的渠道，一般审核验证大概2-3个工作日就差不多了。开通成功之后，对接人员也会给相应的教程，指导如何使用，大家开通之后，直接参考教程即可。 2.数...

<fontcolor="brown"一、背景</font <fontcolor="red"谁是西蒙斯？</font  2019年，我天天对着堆成山的财务报表加班，眼睛都快看花了。Excel和财务软件上跳动的数字突然变得陌生——难道我的人生就要永远困在这些冰冷的账目里？难道我就这样替人做利润表一辈子，自己的财务人生却还是空白？ 想起大学时炒股的“黑历史”，看了两本技术指标书后，啥也不懂就瞎买，最后被割得干干净净，成了妥妥的韭菜。但心里一直藏着个梦想：...

1.概述 前段时间搭好了一个多因子框架，从几十个因子里面挑出了5个表现比较好的因子，先进行了MLP的训练，但是因为因子数据太少，模型基本上没学习到什么东西，迭代一次，损失就不再下降了。于是决定采用随机森林模型来训练，这个系列将把自己学习模型过程中的经验分享出来，与大家一同交流。大家都知道，随机森林是由若干决策树组成的，所谓几十个臭皮匠，顶个诸葛亮。那么本文就先分享决策树模型，我们将从零开始实现完整的代码。 2.决策树 我们以下面这个例子为例，假如我们要租房，需要根据西区还是东区以及房间的数量来...

继续跟着天山老妖的QuantFabric教程深入学习，这次聚焦于开发环境搭建的核心组件——Qt和CMake的安装配置。如果说前面的基础环境搭建是地基，那么Qt和CMake就是框架的主体结构。没有稳固的开发工具链，再好的策略想法也无法落地实现。 这次的学习让我深刻体会到，量化交易系统开发不仅需要扎实的金融知识和编程技能，更需要对开发工具有深入的理解。特别是在Linux环境下配置图形化开发环境，每一个细节都可能影响后续的开发效率。从版本选择到环境变量配置，从账户验证到套件检测，看似简单的安装过程实际上蕴含着丰富的技术细节。 Qt安装：图形化开发的基石 版本选择的策略考量 在Qt的版本选择上...

<fontcolor="brown"一、开篇</font <fontcolor="orange"Lifeisshort,youneedPython!</font <fontcolor="red"人生苦短，我用Python!</font  文科生学习量化投资，确实存在诸多门槛。在前文提及的数理、代码、金融、交易这四个维度里，我觉得数理当属最为关键且难度最高的部分。毕竟里面有线性代数、统计、概率论、计量经济这些硬核内容，咱可以先Pass这部分。...

-----想定制魔改qlib因子计算和改用小型数据文件的，希望有帮助----- 今年深圳课上接触到的alphagen,最吸引人的部分是：仅通过表达式就可以快速生成相应因子可在表达式层面高效开展因子探索。意识到引入这个部分对我当前投研数据工作会是一个很大提升。初步了解这部分内容是使用qlib实现的而qlib使用的是MongoDB数据库。初步了解MongoDB后决定暂时放弃（目前只做股票日间交易，A股全市场daily数据1GB左右目前的parquet够用）。 细化一下研究工作域边界和内容：研究q...

引言 金融世界本质上是一个由不确定性驱动的大规模、实时的“数据实验室”。每一天，全球市场都在产生海量的数据——股票价格如心跳般起伏，宏观经济指标牵动着亿万资金的流向，公司财报则像一次次突然的“压力测试”。在这个充满“噪声”的复杂系统中，一个核心问题始终萦绕在每一位投资者、分析师和风险经理的心中：我们如何从这些随机波动的数据中，提取出有价值的信息，从而做出更明智的决策？统计就是核心。我计划写一个系列，尽可能帮助大家详细理解。（我自己顺便复习一下） 为什么要统计推断（StatisticalInference）？ 统计推断是统计学的一个核心分支，它让我们能够利用从样本数据中计算得出的统计量，去...

一一级标题 1.1二级标题 xxxx; xxxx; 1.2二级标题 1.xxxx; 2.xxxx; 3.

 

一、引言 在A股量化投资中，构建完善的因子库对于策略研发和回测效率至关重要。传统基于CSV文件存储因子数据存在冗余、跨周期计算效率低和扩展性差等问题，而通过建立数据库式的因子库，可以显著提升数据管理和检索效率。本项目旨在基于AkShare和MongoDB构建一个A股的价格-成交量因子库，将常见的技术指标和量价指标按日保存，为选股和策略开发提供数据支持。借助开源工具，我们可以批量获取数据、自动清洗和计算因子，并方便地存入数据库，为后续的回测与分析打下基础。 二、技术架构与依赖工具 2.1该项目采用...

<fontcolor="brown"一、引言</font <fontcolor="red"想成为王者，必须懂统计</font  此前已经写过几个关于量化分析“代码篇”的分享，接下来要进入的，既是量化领域的核心内容，也是我们很多文科生觉得难度最大的“数理”部分，而我们“数理”的第一站，就是“统计学”。  在量化分析的数理基础里，线性代数、微积分、概率统计、计量经济等缺一不可，但其中统计检验直接关系到数据结论的可靠性——...

继续深入天山老妖的QuantFabric教程学习之旅，这次的内容涵盖了两个关键主题：Git子模块的管理实践和C单例模式的设计实现。看似技术细节各异，但实际上都体现了系统工程中的核心思想——模块化管理和资源统一控制。 在量化交易系统开发中，代码组织和架构设计的重要性不言而喻。Git子模块解决了多团队协作中的代码复用问题，而单例模式则确保了系统关键组件的唯一性和一致性。工程实践中的每一个设计决策，都直接影响着系统的可维护性和稳定性。 这次学习让我深刻认识到，量化交易系统的复杂性不仅体现在算法策略上，更体现在工程架构的精细化管理。从版本控制到设计模式，从编译构建到资源管理，每一个环节都需要深入的...

<fontcolor="brown"一、开篇</font <fontcolor="red"工作流解锁量化大众化，全民玩转量化时代已来！</font  上篇文章详细介绍了PandaAI线性模型工作流的完整流程，同时也阐述了策略回测分析与因子相关性分析的具体步骤。正如我们之前所强调的——任何任务都能拆解为清晰可控的工作流，因此我们将进一步把机器学习相关工作流应用到量化分析场景中。 在下面连接中可以看到关于PandaAI工作流的详细介绍和多因子模...