量化

美股-后端服务模块FastAPI 后端负责加载离线快照数据，提供查询、过滤、排序等 API，支持实时数据推送、预警系统、信号产品系统、因子回测和宏观/板块数据接口。

学Linux的语莫

大模型量化知识总结模型量化（Model Quantization）就是把模型中原本用 FP32、FP16、BF16 等高精度格式保存或计算的数值，压缩成 INT8、INT4、NF4、FP4 等更低位宽格式。

美股项目设计--数据管线模块数据管线负责从外部数据源获取股票行情和财务数据，计算技术指标和基本面评分，并构建离线快照文件供后端服务使用。同时包含宏观指标、板块数据、信号候选池和信号绩效的构建脚本。

是阿千呀！

A股市场风格切换研究：基于 Barra 风险模型的量化框架基于盘面量价信号的多层级风格轮动分析数据区间以沪深300代表大盘风格、中证1000代表小盘风格，计算两者120个交易日的滚动累计收益差。正值表示过去半年大盘累计跑赢，负值表示小盘累计跑赢。数据覆盖2010年1月至2026年6月，共3985个交易日。

美股日线选股器 — 项目概览美股日线选股器（US Stock Screener）是一个基于技术形态和价值指标的股票筛选工具。系统从 yfinance 获取约 200 只美股的日线数据，计算 80+ 个技术指标和形态信号，通过 FastAPI 后端和 React 前端提供交互式筛选、排序和对比功能。

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。

李可以量化

量化迅投 QMT vs 聚宽 (JoinQuant)全面分析本文从技术架构、运行模式、数据体系、开发环境、回测引擎、交易能力、权限体系、运维成本、生态体系九大专业维度，对券商本地化量化终端迅投 QMT 与云端 SaaS 量化投研平台聚宽（JoinQuant）进行客观技术对标。全文剔除营销导向表述，聚焦底层技术逻辑、功能边界、性能指标、适用技术场景，为量化研究员、策略开发者、实盘交易者提供中立的平台选型技术依据。两款产品分属本地实盘交易终端与云端投研回测平台两大赛道，技术路线、设计目标、性能侧重存在本质差异。

李可以量化

量化之MiniQMT 实战：一键读取通达信自选股并实时监控涨跌幅（附完整可运行代码）本文解决了通达信选股与 MiniQMT 交易之间的数据互通痛点，教你如何用 Python 读取通达信ZXG.blk自选股文件，自动转换为 QMT 标准代码格式，并通过 QMT 原生 API 实时获取自选股的最新价、涨跌幅、股票名称等核心行情数据。文章附带完整可运行且修正了语法错误的代码，同时提供自动交易、消息推送、概念关联、分时均线监控等进阶扩展功能思路，特别适合同时使用通达信做策略选股、MiniQMT 做量化交易的投资者和量化入门学习者。

李可以量化

MiniQMT 量化实战：尾盘交易系统本文基于 Python+MiniQMT 实现 A 股经典尾盘策略的全自动化，完成14:55 同花顺问财选股→CSV 存盘→14:57 自动读取并批量下单的完整流程。提供修正后可直接运行的精简代码，同时给出核心优化方向，适合上班族及量化入门者快速上手。

李可以量化

QMT 实战：自定义绘制专属 K 线（下篇）—— 国产库与高性能库全解析专栏：【量化学习】书接上回，在上篇文章中我们详细讲解了如何使用mplfinance和plotly在 QMT 环境中绘制 K 线图，解决了不同软件 K 线不一致的核心问题。本篇将继续介绍另外两款极具特色的 Python 绘图库：国产中文友好的 pyecharts和专为金融数据优化的 finplot，并给出四大库的终极选型指南，帮你找到最适合自己量化场景的绘图工具。

如何速成LLM以伪装成一个AI研究者（6）——LoRA，Adapter，P-tuning，量化，QLoRA如何速成LLM以伪装成一个AI研究者（1）——循环，卷积，编解码器，注意力，Transformer 如何速成LLM以伪装成一个AI研究者（2）——Pre-LN，KV-Cache优化，MoE 如何速成LLM以伪装成一个AI研究者（3）——预训练，监督微调，强化学习RLHF/DPO 如何速成LLM以伪装成一个AI研究者（4）——PPO，GRPO，DAPO，GSPO 如何速成LLM以伪装成一个AI研究者（5）——显存估算，显卡选择

深度学习量化技术全景解析：从校准算法到量化算子的完整指南本文系统梳理神经网络量化中的核心概念，并通过一个完整的数值示例，展示从 FP32 到 INT8 的完整转换过程。

【量化】ERQ: Error Reduction for Post-Training Quantization of Vision Transformers.【PTQ】ERQ (ICML 2024)问题: 激活量化和权重量化之间的误差存在相互依赖性，现有方法通常独立优化两者。

多模态模型Qwen-3.5在Llama-Factory使用+llama.cpp量化导出+部署流程（含报错处理）可以去huggingface或hf-mirror镜像站等下载Qwen3.5的模型，比如https://huggingface.co/Qwen/Qwen3.5-0.8B/tree/main 或https://hf-mirror.com/Qwen/Qwen3.5-0.8B/tree/main下载模型相关文件，保存到合适路径，比如/Users/Zhuanz/Desktop/work/Qwen3.5/model

大模型轻量化：模型格式选型（ONNX/GGUF/TFLite） + 压缩三剑客（量化/剪枝/蒸馏）+ 大模型推理执行流程介绍三种大模型部署时用的文件格式 / 载体：ONNX、GGUF与TFLite。真实场景应基于部署设备去选择模型：

三、AI量化投资：使用akshare获取A股主板20260430所有的涨停股票使用akshare库的stock_zt_pool_em接口获取指定日期的涨停股票数据验证数据是否存在，若为空则终止程序

量化：LLM与CV模型的极致压缩艺术2023年，GPT-4的参数量传闻超过1.8万亿；2024年，Llama 3.1 405B开源；2025年，Qwen3-VL-2B试图在手机上运行多模态推理。模型规模的指数级增长与硬件资源的线性增长之间，横亘着一道名为推理成本的鸿沟。

二、AI量化投资：沪市主板A股所有股票20250430到20260430双均线（MA5/MA20）回测结果获取沪市主板A股所有股票20250430至20260430的日线行情数据，包括开盘价、收盘价、最高价、最低价和成交量。下面直接上代码。

企业定制金融数据 API：从架构设计到 Python 接入实战在金融行业数字化转型的浪潮中，数据已成为企业的核心资产。无论是量化交易、风险管理还是智能投顾，都离不开高质量、低延迟的金融数据支持。然而，通用数据 API 常常无法满足企业的个性化需求——字段不全、更新频率不匹配、数据规则不一致等问题频出。因此，越来越多企业开始构建或采购定制化金融数据 API。