quantitative

摘要： 你做过几个数据项目后，是不是经常在这种场景里挣扎： 数据来了用 pandas 拼一下，写到 SQLite，跑了 —— 三天后重启脚本发现 row 又重了一倍。 突然发现某天的数据漏了，但不知道是拉漏了还是合并时丢了 —— 没有监控，你永远不知道数据在哪一步坏的。 加新因子要改三段代码、改三个 SQL 阅读全文

摘要： 你做完特征工程，是不是经常陷入这种纠结： 十几个因子看起来都"有用"，哪个也不敢删，最后模型跑出 200 列特征矩阵——训练慢、过拟合严重，部署到生产就翻车。 因子 A 和因子 B 几乎一模一样（相关性 0.95），你当成两个用，模型以为这是两倍信号。 想从 100 个候选因子里挑 10 个，靠肉眼 阅读全文

摘要： 你跑回测的时候，有没有遇到过这种诡异情况： 某只股票昨天收盘 150 元，今天开盘直接跳到 100 元——没跌停，但跌了 33%。 策略信号在除权日疯狂触发，买入卖出全乱套。 同一段代码，Tushare 拉的数据收益 20%，自己拉的数据收益 -5%——数据来源一样，只是没复权。 问题出在除权除息。 阅读全文

摘要： 你回测策略的时候，是不是经常遇到这种尴尬： K线里明明涨得好好的，一查当天发布了业绩预减公告——你根本没把公告算进去。 想做个"季报超预期"策略，但季度利润表的日期和日线对不上，不知道该填到哪一天。 行情、财务、公告三个数据源各拉各的，最后靠 Excel 手动 VLOOKUP，一改数据源全崩。 这篇 阅读全文

摘要： 本文是「Python 量化数据工程实战」系列第 4 篇。前面三篇我们把数据拉下来、清洗、验证、做特征——全链路就位。但每次跑脚本都"全量重拉 5000 只 × 120 日"，10 分钟过去了，进度条还在 30%——这种浪费每天都在发生。真相是：每天真正新增的数据只有 5-50 条/只。本文教你用 S 阅读全文

摘要： 本文是「Python 量化数据工程实战」系列第 3 篇。前两篇我们把数据拉下来、清洗干净、做了特征，但这只是万里长征第一步——你真的信任这份数据吗？回测时策略表现亮眼，一上实盘就亏钱，90% 的根源都在"数据本身有 bug"或者"训练时偷看了未来"。这篇给出数据工程师每天必跑的三道验证：多周期交叉校 阅读全文

摘要： 本文是「Python 量化数据工程实战」系列第 2 篇。上篇我们把原始 K 线清洗完了，但清洗后的 OHLCV 对模型来说还是"太原始"。真正能产生预测力的，是从原始价格中提炼出来的"特征"——动量告诉你趋势有多强，波动告诉你风险有多大，资金流告诉你谁在进场谁在离场。这篇用 pandas 从零构造三 阅读全文

摘要： 本文是「Python 量化数据工程实战」系列第 1 篇。做量化的人都有这样的经历：兴冲冲拉了一年的日线，跑回测时发现某只股票中间缺了 30 天——原来那段时间停牌了；又或者某天收益率突然跳到 +900%，查了半天发现是除权没处理。数据清洗是量化工程里"最不起眼、最耗时间、最容易出 bug"的环节。这 阅读全文

摘要： 系列定位：让"写一个能稳定跑半年的量化脚本"这件事，从散落的经验贴变成可复制的流水线。 痛点：脚本跑通了，但只有你自己能看到结果 回顾前 9 篇：数据存好了（#01-#03）、并发拉快了（#04）、重试容错了（#05-#06）、定时调度了（#07）、守护进程了（#08）、日志结构化了（#09）。整套 阅读全文

摘要： 系列定位：让"写一个能稳定跑半年的量化脚本"这件事，从散落的经验贴变成可复制的流水线。 痛点：脚本稳定跑了，但日志成了新的噩梦 上一篇我们用 systemd 给脚本加了守护，现在它能 7×24 不停跑。但新问题来了： 日志文件越来越大：跑了一个月，app.log 从几 KB 长到几百 MB，打开就卡 阅读全文