qmt

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。

李可以量化

Redis 从了解到精通（三）上：量化交易场景下的数据备份与安全配置在前两篇内容中，我们已经梳理了 Redis 的基础功能与核心数据结构，足以支撑常规的缓存、计数等场景。但在量化交易系统中，Redis 往往承载着实时行情快照、策略运行状态、委托订单记录等核心业务数据，一旦发生数据丢失或服务被非法访问，极可能影响策略正常运行，甚至带来直接的资金风险。

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。

李可以量化

Redis 从了解到精通（二）下：发布订阅进阶命令、量化场景落地与避坑指南在上一篇中我们讲解了 Redis 发布订阅（pub/sub）的核心原理与基础实操，本篇继续深入拆解进阶细节：完整的核心命令用法、量化交易中的典型落地场景、功能优缺点对比，以及实际使用中最容易踩的几个坑。帮助大家全面掌握 Redis 发布订阅，在合适的场景下正确使用它。

MiniQMT停用？HTTP桥接拯救旧策略title: ‘MiniQMT 停用后的迁移实践：用 HTTP 桥接最大化复用旧策略代码’ date: 2026-08-16 11:00:00 tags:

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。

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。

QMT 知识库 XtQuant知识库使用文档 pdf今天分享下，讯投QMT和XtQuant知识库的使用文档。你可以前往他们的官方网站查看最新的文档。本次分享是我在20260205，前往他们的官网一页一页查看，然后另存为pdf格式的技术文档。

李可以量化

Python之如何做出交易日历（上）在量化交易的策略回测、实盘交易、因子计算等核心环节中，交易日历是最容易被新手忽略却直接决定系统准确性的底层基础模块。错误的交易日历会导致回测信号偏移、实盘下单失败、因子计算失真等一系列致命问题。本文系统梳理了 Python 生态中 5 大类交易日历解决方案，从开箱即用的第三方库、在线 API 接口，到本地化部署、高可用混合架构，覆盖单市场回测到多市场实盘的全场景需求，并给出了可直接落地的代码实现与选型决策指南，帮助量化开发者快速搭建稳定、精准的交易日历体系。

李可以量化

QMT 量化实战：用 Python 实现线性回归通道，精准识别趋势中的支撑与压力（下）书接上回，下面是python的实现，我们用上面 get_hq 方法获取数据，再用 scikit-learn 来做回归。