暂无搜索历史
对于量化研究员而言,常常会遇到这样一个工程尴尬: 写好了一个技术指标策略或相关性扫描算法,想要做个简单的可视化界面进行日常复盘,但如果去写 React / Vu...
在量化多因子策略研究中,数据清洗与特征工程(Feature Engineering)占用了研究员 80% 以上的时间。当我们面对成百上千只股票、几年的日线甚至分...
在量化策略开发的过程中,很多新手习惯用简单的 for 循环遍历 Pandas 的 DataFrame 甚至是 List 来做回测。这种做法虽然直观,但在处理复杂...
在日内策略、网格交易或算法执行(例如 TWAP / VWAP)中,单纯的日K线数据已经无法满足高频决策的诉求[8]。交易员需要捕捉更细颗粒度的盘口深度信息(Le...
长久以来,“量化交易”都是一个门槛极高的行业。你需要熟练掌握 Python、Pandas 数据清洗、各类复杂的第三方 API 参数设计,还要懂回测引擎(如 Ba...
在设计分布式量化交易系统(如多策略并行、多容器运行)时,我们经常会遇到一个棘手的网络吞吐瓶颈:多个独立的策略进程盘中需要高频获取同一批热门股票的最新价格。
在量化交易系统的工程实践中,维护一个“历史日K线数据库”是进行回测与多因子选股的基础。
对于个人量化研究者或中小策略团队而言,将行情数据从“远端 API”同步到“本地/云端私有数据库”是一项核心的基础设施工作。如果只是在本地电脑上手动运行脚本下载,...
很多行情数据项目一开始是在本地脚本里跑的:手动执行 Python,拿到一份 K 线或行情快照。但只要进入长期使用阶段,就会遇到几个问题:
在量化研究、行情看板、风控监控或投研系统中,股票行情数据通常不是“调用一次接口”这么简单。真正落地时,我们更关心的是:数据如何稳定获取、如何标准化、如何缓存、如...
在构建个人量化研究系统或轻量级量化交易平台的初期,开发者面临的最大痛点往往不是策略算法本身的复杂性,而是数据源的接入与数据管道的清洗维护。
暂未填写公司和职称
暂未填写个人简介
暂未填写技能专长
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市