量化

量化交易防止Windows电脑自动更新并重启参考:https://quantkt.com/forumDetail?id=201243用户在量化策略实盘时一般都使用的是windows系统。

维克兜率天

5.3 宏观因子：抬头看天你花了三个月。选股模型调了又调。回测跑了一遍又一遍。年化收益25%。夏普比率1.8。完美。然后——2015年6月来了。

维克兜率天

【维克】特征归一化与标准化：为什么模型对数据的“尺度“很敏感？我第一次训练机器学习模型的时候，信心爆棚。花了三天选因子。量价因子、基本面因子、技术面因子，整整选了12个。

维克兜率天

4.3.2.1 日常监控：上线只是开始上线那天你最自信。三个月后你最慌。中间那段叫"没人看"。策略上线了。你发了个朋友圈。"量化交易，启动。"

地平线智能驾驶开发者

模型量化入门：从浮点模型到低比特表示随着深度学习模型不断发展，网络结构越来越复杂，参数规模和计算量也持续增长。大型神经网络虽然能够带来更强的特征表达能力，但同时也带来了更高的存储需求、更大的计算开销以及更高的部署成本。

量化数据管道为什么会出现历史 K 线缺口？从 API 请求到数据质量的完整排查方法一句话结论：量化系统中的历史 K 线缺口往往不是单点故障，而是“API 请求—数据解析—代码映射—时间处理—缓存落库”链路中的某一环出了问题，因此应该从数据管道而不是单个接口开始排查。

五档盘口数据对量化交易有什么价值？从信号判断到策略风险的完整分析一句话结论：五档盘口的核心价值不是“多了十个价格和数量字段”，而是让量化策略能够观察最优买卖价附近的订单供需结构，从而补充仅依赖 K 线和成交数据无法直接表达的市场微观信息。

K 线数据断层会对回测造成什么影响？从一个缺失交易日看懂量化策略为什么会失真一句话结论：K 线数据断层不仅会让回测少一根数据，更可能改变收益率、技术指标、持仓周期和交易信号，因此在量化回测前必须先检查数据连续性。

数据 API 稳定性为什么会影响量化策略？从数据获取到信号执行的完整分析一句话结论：量化策略的稳定性不仅取决于因子和模型，也取决于数据 API 能否持续、正确地把行情数据送到策略系统；数据请求失败、频率超限、数据缺失或更新时间异常，都可能进一步影响信号计算和交易决策。

Python量化实战：如何检测并剔除历史数据中的“闪崩/乌龙指”异常价格点？针对“如何检测并剔除历史数据中的闪崩/乌龙指异常价格点”这一问题，一个实用的工程方案是：先使用 QuantDash 获取统一格式的历史 K 线，再通过滚动收益率、MAD（Median Absolute Deviation，中位数绝对偏差）等鲁棒统计方法识别异常价格变化，最后结合 OHLC 结构进行二次确认。

实时行情中的成交量 Volume 到底是什么？包含盘中撤单量吗？从交易数据语义到 QuantDash 实战解析实时行情中的 Volume 是包含盘中撤单量，还是仅包含实际成交股数？首先要区分两个概念：撤单不是成交，因此不能简单把撤单数量理解为成交量 Volume 的组成部分。在量化数据处理中，Volume 应当按照数据源对“成交量”字段的定义进行理解，不能把委托、撤单和实际成交混为一谈。

9:25-9:30 如何获取 A 股开盘基准价？QuantDash Python SDK 实战初始化量化策略状态在 A 股 9:25-9:30 集合竞价阶段，如果策略需要获取当日开盘基准价，可以通过 QuantDash 的实时行情接口轮询目标股票；当行情快照中的 last_price 已反映当前市场状态时，可将其作为策略初始化阶段的价格输入。

维克兜率天

4.1.3 策略类型全景图：六大策略，你适合哪个量化策略有多少种？有人说上百种。有人说上千种。扯淡。扒掉所有花里胡哨的外衣，量化策略——就六大类。趋势跟踪。

维克兜率天

【维克】技术指标是什么：从均线到MACD的数学原理量化笔记系列 · 第63篇2015年A股牛市，我一个朋友小李，刚入市三个月。他在某股票论坛上看到一个"MACD金叉必胜法"——DIF上穿DEA就买，死叉就卖。帖子里晒了十几张截图，每张都精准抄底逃顶，回测年化收益80%。

网络工程小王

【LLM开发实验】LLM推理基本介绍目录显存需求估算：参数量经验法则基本计算激活内存激活占用显存 (VRAM)键值（KV）缓存关于权重 (weight)的考量

如何判断盘中最新价相对昨日收盘涨跌幅，并实时触发止盈止损条件单：QuantDash Python 实战针对“如何判断盘中最新价相对于昨日收盘价的涨跌幅，并实时触发止盈止损条件单？”这个问题，核心就是实时获取 last_price 与 prev_close，再计算 (last_price / prev_close - 1) × 100%，最后将结果与止盈、止损阈值比较。

【infra之路】AWQ 详解：激活感知权重保护，让 W4A16 量化精度超越 GPTQ在 LLM 量化领域，W4A16（权重 4-bit，激活 FP16）是当前显存受限场景下的最优解。但在 AWQ 出现之前，W4 量化面临一个根本矛盾：

如何利用 1 分钟 K 线在 14:50 精准捕捉尾盘异动？Python 量化实战：1 分钟 K 线 + 全市场扫描如何利用 1 分钟 K 线在 14:50 精准捕捉尾盘异动？核心不是“预测最后 10 分钟”，而是在 14:50 建立一个可量化的尾盘异常评分：用成交量放大、价格突破、相对前几分钟收益率等指标筛选候选标的，再结合盘口数据确认买卖盘是否出现明显倾斜。

Python 量化数据质量校验：如何确保股票历史日线数据不存在缺失交易日？针对“如何确保从第三方接口获取的股票历史日线数据不存在缺失交易日”这一量化开发中的核心痛点，本文给出直接结论：缺失交易日的根源在于数据源本身的完整性缺陷与本地缺乏系统性校验流程。解决方案是建立一套“获取 → 字段校验 → 缺失值统计 → 交易日完整性核查”的自动化流水线。QuantDash Python SDK 返回的 DataFrame 自带标准字段（trade_date、open、high、low、close、volume），配合 Pandas 数据质量校验与交易日历对齐，可在数行代码内完成全链路数据

PHP+ VUE3机构级股票分仓管理交易系统源码可出一、系统概述本系统是一套**机构级股票分仓管理交易系统**，面向"机构量化分仓、资管交易、多级代理风控、聚合券商通道交易"业务场景，100% 适配 A 股全品类交易规则（T+1 交易、涨跌停限制、板块权限、新股限售、两融规则）。