暂无搜索历史
我曾经同时维护 A 股、美股和港股策略时,遇到过一个比策略本身更麻烦的问题:不同市场的数据格式、时间粒度和复权口径很容易产生差异,最终导致回测与实盘出现偏差。本...
我曾经以为 Python 获取一只股票的 1 分钟 K 线已经是量化数据工程的全部问题,后来真正做多标的策略时才发现,单只股票能跑通和整个数据管道稳定运行完全是...
我在把量化系统从单一 A 股市场扩展到多个市场时,真正遇到的难题并不是“怎么请求数据”,而是“怎么保证不同市场的数据进入同一套策略框架后仍然语义清晰”。本文从我...
当量化策略从单一 A 股扩展到美股、港股时,真正棘手的问题往往不是 API 调用,而是不同市场的数据结构和代码规则如何统一。本文从我实际搭建跨市场量化数据层的经...
我以前做量化选股时,最开始把“扫描股票”和“计算策略”写在了一起,结果股票池一扩大,代码很快变得难以维护。本文以我实际做过的量化扫描任务为例,使用 Python...
我曾经花了很长时间排查一个看似复杂的策略问题,最后发现真正的原因不是策略公式,而是回测和实盘使用的数据口径并不一致。本文从我实际处理过的数据问题出发,拆解复权、...
当量化策略从单一市场扩展到 A 股、美股和港股以后,我发现真正麻烦的往往不是策略本身,而是不同市场的数据接口和代码体系。本文从我做多市场研究时遇到的数据标准化问...
我在排查量化策略的回测与实盘差异时,发现很多人会直接从收益率、滑点和参数开始找原因,但数据标识本身往往更容易被忽略。本文从一次典型的数据链路排查出发,说明为什么...
我曾经把一个需要监控几千只股票的策略,简单改造成循环请求单只股票行情,结果程序运行效率和稳定性都很差。本文从这个实际踩坑出发,介绍我如何使用 Python 批量...
我曾经在一个盘中策略里发现,策略日志显示“当前价格满足条件”,但实际提交订单后的成交结果却与预期差异很大。后来我才发现,问题并不完全在策略,而在于数据层只保存了...
买一数量 = 123买二数量 = 2买三数量 = 1买四数量 = 1买五数量 = 1
当时策略使用日线数据计算过去一段时间的价格动量。离线回测的时候,策略表现正常,但是上线以后,同样的股票、类似的参数,实际运行出来的信号却和回测记录对不上。
我后来使用 QuantDash Python SDK 做这类实验时,它可以直接返回 Pandas DataFrame,因此我可以把数据获取和策略计算拆开。
我曾经在盘中策略里只使用最新成交价判断市场状态,结果发现很多异常波动无法从价格本身解释。后来我把实时行情、日内分时和五档盘口拆开处理,才真正理解三类数据分别描述...
对我来说,这种设计最大的价值不是少写几行代码,而是让策略层和数据源之间的边界更加清晰。
最初的代码只处理 A 股,所以股票代码、交易时间、DataFrame 字段都已经默认固定下来。
但是实盘在这个 5 分钟周期没有结束之前,程序看到的只能是当前已经发生的价格状态。
例如 A 股策略通常会大量使用复权价格计算长期收益率和技术指标,而不同市场的公司行为、交易时间和价格体系又存在差异。
直到我把回测使用的历史 K 线和实盘每天保存下来的数据按照日期逐行对齐,我才发现某个历史区间少了几根 K 线。
我曾经遇到过回测逻辑和实盘代码完全一致,但结果仍然明显偏离的情况。后来我把问题拆成数据周期、时间范围、复权方式和实时行情四部分重新检查,才发现很多所谓的“策略问...
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