量化交易

茨球是只猫

A 股 AI 量化全链路系统技术拆解：分层架构、双引擎验证与低换手实盘闭环abq 是一套面向沪深 A 股的分层量化系统（自研核心约 5k 行 Python），覆盖：L0 数据 → L1 LLM 因子 → L2 Qlib 研究 → L3 Backtrader/UMP 验证 → L4 执行对账 → L5 运维看板

【聚宽 JoinQuant】聚宽如何获取持仓和订单？get_orders()与get_open_orders()教程本方案由 EasyQuant AI量化助手提供。聚宽策略实盘或模拟盘运行时，不能只依赖买卖信号，还需要知道当前持仓、当天已提交订单和未完成订单。通过查询账户状态，可以避免重复下单，并为止损、调仓和异常处理提供依据。

以AI量化为生：25.vnpy 4.4升级实战 - 魔改版框架如何安全跟进上游本文是《以AI量化为生》系列的第25篇，我们将从框架版本落后带来的实际困扰出发，把本地深度修改过的vnpy从4.1升级到4.4，聊聊通知系统重构、CTP拒单状态修复这些上游新特性，以及魔改版框架安全升级的一套打法。

李可以量化

量化高性能服务框架 Tornado 全面解析（上）：异步非阻塞的核心能力与场景落地在量化交易体系中，实时行情推送、高并发策略接口、异步数据处理这类场景对服务端性能有着严苛要求，传统同步 Web 框架往往难以承载海量长连接与低延迟诉求。本文将为大家拆解一款专为高性能场景设计的 Python 框架 —— Tornado，从基础定义、核心特性、模块组成到选型对比，系统讲解它为何成为量化高性能服务的主流选择。

量化交易中的数据复权：概念、原理与场景化选择一句话结论：不复权看的是"账面价格跳空"，前复权看的是"当前真实价下的图形连续性"，后复权看的是"从某基准日持有并红利再投的总收益"。三者的差别不在算法高低，而在你问的问题是什么。

【PTrade】PTrade如何进行盘后固定价委托？after_trading_order()完整教程本方案由 EasyQuant AI量化助手提供。普通股票委托主要在盘中执行，而盘后固定价交易可在指定时段内提交委托。PTrade 提供 after_trading_order() 接口，可用于提交股票盘后固定价买卖委托。

Python 量化核心基础：前复权、后复权与不复权有什么区别？基于 QuantDash 的数据处理与回测避坑指南本文深入剖析量化交易回测中极易混淆的“复权”概念，详细对比前复权、后复权与不复权的计算原理和适用场景，并展示如何使用 QuantDash API 快速调取不同复权类型的数据，避免回测过程中产生虚假的股价跳空或指标失真。

用 Streamlit + QuantDash 10分钟拼装一个跨市场持仓风险与相关性诊断面板无论你是多市场股票的价值投资者，还是活跃的量化多策略交易者，当你持有横跨 A 股（如贵州茅台）、港股（如腾讯控股）、美股（如特斯拉、苹果）的跨市场组合时，都会面临一个痛点：

如何用 Python + QuantDash 快速构建高胜率“配对交易（Pairs Trading）”策略？在单边波动剧烈或宽幅震荡的市场里，做多单只股票的风险巨大。这时候，配对交易（Pairs Trading）这一经典的“市场中性”策略便体现出独特的优势。配对交易的核心是：寻找两只具有强逻辑关联、价格走势呈现“协整性（Cointegrating）”的股票，在其价差发生异常偏离时买低卖高，等价差收敛后平仓获利。本篇将结合 Python 数理分析库与 QuantDash 平台的数据接口，带你完整跑通从协整性检验到交易信号生成的统计套利实战流程。

郭泽斌之心

让别人临时接管你的 AI 助手:分级授权的远程控制怎么设计作者 / 来源:Fay 数字人开源社区 · Agent 实验室一句话答案:"AI 自己动钱要不要权限"和"别人能不能远程操作你的 AI 助手"是两个不同的安全问题——前者管的是 Agent 对自己账户的边界,后者管的是跨用户委托*。做法:① 申请-审批-撤销三段式 grant,操盘手对某个客户账户的访问权必须先申请、客户批准才生效、随时可撤;② 权限分级(阶梯式):只读 ⊂ 管理 ⊂ 交易,高档天然含低档全部工具;③ 每次调用双重复查——不仅查 grant 的 scope,还要重新查操盘手自己的资格(订阅

不会编程也能做AI 量化交易工具：基于 MCP 协议的自然语言交易思路不会编程也能做AI 量化交易工具：基于 MCP 协议的自然语言交易思路很多人想做AI 量化交易工具，但一听说要学编程、要对接 API，就放弃了。其实借助 MCP 协议和大模型，已经可以尝试用自然语言描述策略，让 AI 协助完成行情查询、指标计算和交易执行。这篇文章记录我在这个方向上的学习与实践，仅供技术交流，不构成任何投资建议。

程序员量化交易实战 35：生成运维检查清单第 31-34 篇分别补了运行时间窗、日报归档、历史摘要和数据缺口计划。第 35 篇把这些状态合起来，生成一张最小运维检查清单。每日流程真正执行前，先看这张清单，而不是靠人脑记住所有前置条件。

Overlap：HWMA（Holt-Winter移动平均线）技术指标详解HWMA（Holt-Winter Moving Average，霍尔特-温特移动平均线）是一种基于三重指数平滑理论的高级移动平均线指标。该指标由平滑项（Level）、趋势项（Trend）和季节项（Seasonality）三者有机结合，通过递归迭代计算，生成比传统移动平均线更灵敏、更平滑的曲线。

波动率控制仓位系列（一）：满仓轮动的“过山车”困境摘要：本文是“波动率控制仓位”系列专题的第一篇。在之前的ETF轮动策略中，我们的仓位始终只有两种状态：满仓或空仓。这种“非黑即白”的模式虽然简洁，但在市场剧烈波动时，往往让投资者承受过山车般的净值体验。本文将深入剖析满仓轮动的固有缺陷，用真实回测数据揭示其在震荡市和极端行情中的困境，并引出一种更精细化的仓位管理思路——让仓位大小自动适应市场波动。

Momentum：TSI（真实强度指数）技术指标详解TSI（True Strength Index，真实强度指数）是由William Blau于20世纪90年代初在其著作《Momentum, Direction, and Divergence》中提出的一种先进动量震荡指标。该指标通过双重指数平滑技术处理价格动量，旨在过滤市场噪音，更准确地反映趋势的强度。

Momentum：UO（终极震荡指标）技术指标详解UO（Ultimate Oscillator，终极震荡指标）是由拉里·威廉姆斯（Larry Williams）于1976年发明的一种先进动量技术指标，并在1985年的《Technical Analysis of Stocks & Commodities》杂志上正式发表。该指标通过融合三个不同时间周期的价格动量来解决传统震荡指标对周期参数选择敏感的缺陷。

李可以量化

自建量化回测系统完全指南 (上)：四大技术栈与主流开源框架深度对比相信很多量化交易者都有过这样的困扰：市场上各类量化平台自带的回测功能要么限制过多，要么无法实现自定义的复杂交易逻辑，要么性能不足以支撑大规模参数扫描。这时，搭建一套属于自己的量化回测系统就成为了刚需。

行业ETF轮动策略实战（二）：精选候选池——打造你的赛道武器库摘要：本文是“行业ETF轮动”系列专题的第二篇。在上一篇中，我们理解了行业轮动的高弹性与高风险。今天，我们将从零开始，手把手构建一个用于实战的行业ETF候选池。文章将详解筛选候选池的四大硬性原则——流动性、规模、低相关性、足够历史，并给出完整的Python筛选代码。最终，你将得到一个包含8-12只核心行业ETF的优质候选池，为接下来的策略搭建打下坚实基础。

Momentum：SQUEEZE（挤压动量指标）技术指标详解SQUEEZE（挤压动量指标，全称TTM Squeeze）是由知名交易员John Carter在其著作《Mastering the Trade》（第11章）中正式推出的一种高级波动率与动量复合指标。该指标通过结合**布林带（Bollinger Bands）与肯特纳通道（Keltner Channels）**的特性，精准捕捉趋势启动前的蓄势阶段，旨在识别波动率收缩之后的爆发性行情。