量化交易

李可以量化

Redis Client 从了解到精通（二）下：String 类型进阶操作全解书接上回，在上一篇中我们梳理了 redis-py 客户端针对 String 类型的基础读写操作。本篇继续深入讲解 String 类型剩余的核心方法，覆盖批量写入、数值原子增减、字符串追加、字节长度统计等高频场景，帮助大家完整掌握 redis-py 的字符串操作体系。

李可以量化

Redis Client 从入门到精通（一）下：redis-py 核心数据结构操作与连接管理在上篇内容中，我们完成了 Redis Client API 的概念讲解、redis-py 客户端的环境搭建，以及基础连接的创建与参数解析。本篇我们继续上手实操，详细讲解 redis-py 中最常用的两类数据结构 —— 字符串（String）与哈希（Hash）的代码操作，以及连接关闭与资源释放的规范用法。

从零搭建你的 A 股量化系统（二十四）：配置管理与日志系统：出问题时能查得到系列名：《从零搭建你的 A 股量化系统》｜专栏 S2 Python 工具链｜第 12 篇 / 共 14 篇标签：#量化投资 #工程实践 #配置管理 #日志系统 #Python #量化系统 #A股 #散户 #pydantic

李可以量化

Redis 从了解到精通（三）下：性能基准测试与量化场景性能避坑指南书接上回，在上一篇中我们讲解了 Redis 的数据备份恢复与安全密码配置，解决了量化交易系统中数据可靠性与访问安全的基础问题。但在实盘量化场景中，Redis 往往需要承载高频行情写入、策略状态读写、订单数据缓存等高并发请求，性能表现直接决定了策略的延迟与稳定性。

【迅投 QMT】QMT如何获取ETF申赎清单？download_etf_info()与get_etf_info()教程本方案由 EasyQuant AI量化助手提供。ETF 套利、申购赎回和成分股篮子分析，都需要获取 ETF 的申赎清单数据。QMT 提供 download_etf_info() 下载 ETF 申赎清单，并通过 get_etf_info() 读取本地数据。

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。