quantitative

摘要： 上篇定了"数据源要程序化"。这篇直接上手——取数是每个策略的第一步。 一、这个方法解决什么投资问题 新手卡在「环境装好，但不知道怎么把行情变成代码里的变量」。这篇把取数讲透，顺带把证书 / 额度这两个绕不开的事说清。 二、核心思想：三类调用覆盖 90% 场景 麦蕊行情 API 的取数，日常就三类： 阅读全文

摘要： 工具篇开篇。量化要"可复现、可程序化"，第一步就是搞对数据来源。 一、这个方法解决什么投资问题 你研究出一个策略，同事按你的步骤却得出不同结果——多半是数据源不一致、手工抄表有误差。量化的命根是「同样输入 → 同样输出」，Excel 手抄做不到这点。 二、核心思想：可复现性 量化 = 用代码把「输入 阅读全文

摘要： 📚 本系列进度：#01–#05 ✅ #06 ✅ #07–#48 ⏳ 上篇聊了量化的边界。这篇回答一个最根本的疑问：既然市场"有效"，散户用量化还有没有搞头？ 一、这个方法解决什么投资问题 很多新手刚学量化就灰心："有效市场假说说价格已经反映一切，那我还分析个啥？"——这是对有效市场的误读。先搞清" 阅读全文

摘要： 📚 本系列进度：#01–#04 ✅ #05 ✅ #06–#48 ⏳ 前几篇你学会了写规则、跑回测、识破回测陷阱。这篇聊点"务虚但关键"的：量化到底强在哪、又会栽在哪。 一、这个方法解决什么投资问题 很多人要么神化量化（"程序自动赚钱"），要么贬低它（"不就是写代码"）。两种都偏。先看清边界，才知道 阅读全文

摘要： 📚 本系列进度：#01 ✅ #02 ✅ #03 ✅ #04 ✅ #05–#48 ⏳ 上篇 #02 你跑通了第一个回测。这篇先给你打三剂"防骗疫苗"——回测赚钱 ≠ 实盘能赚。 一、这个方法解决什么投资问题 新手最容易犯的错：回测曲线漂亮，实盘亏成狗。原因往往不是策略差，而是回测本身"作弊"了。这三 阅读全文

摘要： 一、这个方法解决什么投资问题 上一篇你把"活跃股"写成了一条规则、并用真实行情跑了出来。下一步自然要问：这条规则（或者说，任何策略）到底行不行？ 这里最容易踩的坑，是只看一个数字——"赚了多少"。但"赚 20%"可能是靠满仓押一只、途中回撤 40% 熬回来的；也可能是稳稳涨上来的。只看收益，等于只看 阅读全文

摘要： 上篇 #01 我们把"我觉得要涨"变成了一条规则。这篇把它升级成一笔能算账的策略——双均线金叉。 一、这个方法解决什么投资问题 很多人炒股的痛点是：买在高点、卖在低点，情绪被盘面牵着走。双均线金叉是量化里最经典的"择时"入门套路——它用两条均线把"趋势转强"这个模糊的感觉，变成一个机械的、可回测的买 阅读全文

摘要： 一、这个方法解决什么投资问题 很多人对"量化投资"的想象是：写一堆代码、跑出一堆曲线、然后躺着赚钱。 真实情况没那么玄，也没那么难。量化投资干的第一件事，特别朴素：把你脑子里那句"我觉得某某要涨"，翻译成一条计算机能执行、能重复、不带情绪的规则。 "我觉得今天活跃的票有意思" → 规则：成交额 > 阅读全文

摘要： 一、为什么写这篇 你买基金、看策略，是不是常被一串指标砸脸：「年化夏普 2.3」「最大回撤仅 8%」？ 这些数字到底是算出来的，还是写出来的？很多人信了一辈子，却从没自己算过一遍。 这一篇，我们拿麦蕊的真实历史 K 线，把累计收益、最大回撤、年化波动、夏普、胜率这五个「宣传页常客」亲手算一遍。算完你 阅读全文

摘要： 一、为什么写这篇 很多人想用 Python 做量化，第一步就卡在「环境装好了，代码也抄了，一跑全是 401 / 证书错误」。 问题往往不在代码，而在证书怎么放、接口字段怎么读。这篇就把这两件事一次讲透：从装 SDK、配证书，到打出你的第一笔真实实时行情，全程可复制、全程跑通过。 读完你会发现——所谓 阅读全文