quantitative

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：脚本能跑了，但离开电脑就停 上一篇我们给脚本加上了定时调度。现在它能每天自动执行数据拉取和归档，看起来万事大吉。 但还有一个隐藏风险：运行环境不稳定。 笔记本合盖休眠 → Python 进程被系统挂起 SS 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：脚本写完，定时任务却不知道怎么挂 前六篇我们把数据落盘、增量更新、并发加速、自动重试、断点续跑都讲完了。现在你的脚本已经能高效、稳健地拉取全市场 K 线并存入本地数据库。 但还有一个工程问题没解决：怎么让它 阅读全文

摘要： 痛点开场 上篇我们让网络抖动不再"一报错就全盘失败"——tenacity 把 503 自动重试，4xx 直接跳过。 但有个更隐蔽的杀手——进程崩了。 真实场景： 你凌晨 2 点跑一个"全市场 5000 只股票拉 250 日 K 线"任务 跑到第 4237 只时，Windows 自动更新重启了你的机器 阅读全文

摘要： 痛点开场 上篇我们把并发跑起来了——50 只股票从 12 秒压到 1.5 秒。 然后你周一早上到公司，跑一次全市场 5000 只的拉取——跑到第 3800 只崩了。 报错像这样： HTTPServerError: 503 service unavailable 进程退出。剩下的 1200 只一只没拉 阅读全文

摘要： 痛点开场 上篇我们把数据存好了、索引建好了、分区表也切好了。 然后你跑了第一个"全市场"脚本——拉 50 只自选股的历史 K 线，准备算个均线： for code in codes: rows = api.stock_history(code=code, period="d", ...) 跑去泡了杯 阅读全文

摘要： 痛点开场 上两篇我们把数据落下来了，也知道怎么增量更新、不重复拉取。 然后你写了第一个"真正的"查询： SELECT AVG(c) FROM klines WHERE code = '600519.SH' AND t BETWEEN '2025-01-01' AND '2025-06-30' 本地测 阅读全文

摘要： 痛点开场 上次我们把数据存下来了，SQLite / Parquet / CSV 各种爽。 然后你加了个定时器——crontab -e 加一行 0 18 * * 1-5 python run.py。第一周一切顺利，5000 只股票每天 18 点拉一次、增量落 SQLite、回测一点不卡。 然后…… 某 阅读全文

摘要： 痛点开场 "我这脚本今天终于跑出第一份回测了！"——你兴奋地把 10 只股票、250 天的 K 线落盘，准备明天再跑一次。然后你打开了"脚本输出"文件夹，看到： klines.csv：177 KB klines.db：324 KB klines.parquet：104 KB "……我该用哪个？明天再 阅读全文

摘要： 风险提示：本文仅用于技术演示，不构成投资建议。策略回测结果不代表未来表现，任何代码上线实盘前必须人工复核。 让 AI 帮你写量化策略，是「AI+量化」里最诱人的一步：一句自然语言，几秒就给你一段能跑的 Python。但 AI 生成的代码，你敢直接拿去实盘吗？本系列收官篇，讲清楚「自然语言 → 策略代 阅读全文

摘要： 风险提示：本文仅用于技术演示，不构成投资建议。AI 生成的任何结论都只是研究辅助，不能替代独立判断。 很多人以为 AI 量化的风险是「AI 不够聪明」，其实恰恰相反——AI 太「自信」了。它会一本正经地用错数据、编造数字、给任何结果都配上看似合理的解释。这三种「幻觉」才是 AI 量化里最危险的坑。 阅读全文