登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍如何利用Python编程思维快速掌握大智慧公式语法，帮助量化交易者高效上手。通过对比Python与大智慧公式系统的变量声明、流程控制和函数使用，提供实战案例和调试技巧，让开发者轻松实现金融量化分析。
本文详细介绍了如何使用Python构建一个年化收益超40%的Fama-French三因子选股策略。通过理论解析、数据获取、策略实现、回测优化等步骤，手把手教你掌握量化交易核心技术，特别适合A股市场的多因子选股实践。
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
《海龟交易法则》Python 量化交易程序实现
本文仅为个人方法研究与经验分享，不构成任何投资建议或职业指导，无任何标的推荐。市场有风险，决策请结合自身情况独立判断。文中代码均为示意版（模拟数据），非实盘交易建议，请结合自身情况独立判断后使用。 为什么大多数人量化入门卡在第一步 很多人以为入门量化要先啃完数学和Python，于是收藏夹里躺着十几篇《量化入门》，一篇都没真正开始。我做了5年量化，陪过十几个零基础读者跑完30天，结论是：入门最大的敌
2026年了，Python在期货量化领域的地位已经非常稳固，越来越多的交易者开始用Python开发和部署自己的策略。这篇文章我来盘点一下目前市面上几款主流的Python期货量化工具，按照我个人的使用体验做一个排名，希望对正在选择工具的朋友有一些参考价值。作为我目前日常使用的主力工具，TqSdk在期货量化领域的表现确实不错。我目前主要使用TqSdk做策略研究和回测，这只是我个人的选择，每个人需求不同
本文教你用Python重构筹码获利比(Winner函数)，打破大智慧、通达信等商业交易软件的数据黑箱。通过详细解析筹码分布计算原理，提供可自定义的Python代码实现，帮助投资者掌握透明、可控的获利比分析工具，优化交易决策。
拼表或者循环时极易错乱。今天我们用 Python 配合专业的量化接口 QuantDash，写一个**“多头排列 + 均线金叉”**的自动选股脚本。每天收盘后只需一键运行，它就会自动扫描我们关心的多市场股票池，筛选出均线形态良好的潜力股，并生成一个干净的表格。有了这个脚本，你可以把全市场的绩优股都丢进 STOCK_POOL，每天收盘后跑一次，省下的人肉看盘时间，可以多看几本经典的量化交易书！炒股或者
本文对比了2026年主流Python量化框架，从易用性、功能完整性、性能和社区支持四个维度进行评分。TqSdk以4.6分位居榜首，其简洁API和高开发效率适合期货量化；VnPy功能全面但配置复杂，适合深度定制；掘金量化作为云端平台易用但功能有限。建议根据具体需求选择框架，优先考虑易用性和功能完整性，并注意量化交易风险。本文仅作技术交流参考，不构成投资建议。
本文介绍了一种基于QuantDash接口的量化选股方法，帮助投资者高效筛选A股市场中的优质标的。传统人工选股方式在5000多只股票的市场中效率低下，而程序化选股能快速处理全市场数据。文章详细讲解了如何利用QuantDash接口获取全市场行情快照，并构建多因子选股系统，包括基础筛选（涨幅+成交额）、量价异动（放量突破）、动量选股（20日涨幅排名）和技术面选股（均线多头排列）。此外，还介绍了组合条件选
量化交易是通过数学模型和计算机程序执行交易决策的数据驱动方法，其核心原理基于历史数据分析和统计规律。这种技术能够避免人为情绪干扰，实现系统化的交易执行，在加密货币等高波动性市场中具有显著优势。量化交易的技术价值在于能够处理海量数据，快速识别交易机会，并严格执行预设策略。在工程实践中，Python因其丰富的数据分析库成为量化交易的首选语言，结合pandas数据处理和numpy数值计算，可以构建完整的
本文提供了一份详细的Python量化交易教程，教你如何使用Pandas构建ETF网格交易回测脚本。从环境配置、数据准备到核心回测逻辑实现，再到策略优化与参数调校，全面解析网格交易策略的设计与实施。文章包含完整代码示例，特别适合Python爱好者和量化交易初学者实践ETF网格策略。
国债逆回购是一种低风险的短期理财工具，通过国债抵押实现资金出借，安全性高、门槛低（1000元起投）。本文提出基于国信iQuant平台的自动化策略，在14:55自动交易1天期GC001逆回购，解决手动操作效率低的问题。策略优势是自动执行、资金T+1可用，适合上班族和量化投资者。当前版本存在每分钟交易1000元的不足，需进一步优化交易频率和金额设置。
核心：自定义一个，实现reset()和step()方法。"""量化交易环境""""""初始化交易环境Args:price_data: DataFrame，包含股票价格数据（columns: ['open', 'high', 'low', 'close', 'volume']）initial_cash: 初始资金（默认 10 万）transaction_fee: 交易手续费（默认 0.1%）"""#
本文介绍了如何在星图GPU平台自动化部署【ollama】GLM-4.7-Flash镜像，实现量化交易策略的智能生成。该模型能基于自然语言描述快速生成多因子选股、风险控制等金融量化代码，大幅提升策略开发效率，降低金融科技领域的开发门槛。
为了追求极致的速度，华尔街经历了一场惨烈的“人才大换血”：传统的金融背景人才被大批裁撤，90%以上的核心岗位被数学、物理和计算机顶级天才占据。如果你的投资逻辑还停留在低频买入、靠直觉看盘的“前现代”阶段，那你正在遭遇的，是现代化AI智能体全天候、毫秒级的“降维打击”。2009年下半年，随着算法交易和物理硬件的飞跃，量化进入了“物理学取代金融学”的2.0时代，即高频交易（HFT）的鼎盛期。对于渴望挤
本文深入解读 TradingAgents 开源项目，揭示 AI Agent 如何重塑量化交易系统。它打破传统静态规则局限，带你掌握多智能体协作架构与动态决策逻辑，助你抢先一步构建下一代智能交易框架 🚀。
同时，它要求你用“博学通才”的视角（法则4）和“练级”的心态（法则5）积累长期资本，并通过成为“算法合伙人”（法则6）来放大你的价值。本文将为你提炼其中最核心、最具冲击力的8条法则，它们共同构成了一套重塑自我的“思维操作系统”，帮助你打破定式，唤醒内心的“独狼”，开启一条自我主导的职业道路。你的薪水只是公司暂时发放给你的“游戏币”，而你在工作中解决问题、推进项目、与人协作所获得的技能和经验，才是真
