暂无搜索历史
一个策略回测的时候表现非常漂亮,年化收益、最大回撤、换手率都在合理范围内。代码本身没有报错,数据也能正常加载,K 线数量甚至比策略需要的还多。
我在量化实盘中遇到过一个很典型的问题:策略代码没有改,因子计算也没有改,但是重新下载一批历史数据后,回测结果突然发生了明显变化。
我在做股票因子策略时,曾经遇到过一个看起来非常简单的问题:我要获取一批股票过去几年的历史 K 线,到底应该怎么做?
当时策略本身非常简单:每天收盘后计算过去一段时间的收益率、波动率和均线,然后按照条件进行选股。
我长期做量化数据工程,反而越来越觉得,真正难处理的不是“怎么拿到数据”,而是怎么证明拿到的数据是完整的。
我后来越来越觉得,Python 量化数据 API 推荐这件事,其实没有一个简单答案。对我来说,真正重要的不是“接口能不能返回一张 Pandas DataFram...
当时我负责一个日频选股策略。策略本身并不复杂,每天收盘后计算一批技术指标,第二天根据排名结果生成股票池。
我做量化以后最大的一个感受是:策略代码可能只有几百行,但真正让我花时间最多的,往往是数据清洗、接口维护、字段统一和异常排查。本文从我实际做策略研究时遇到的数据源...
我曾经遇到过一个非常典型的量化问题:回测结果看起来非常漂亮,策略上线以后却明显偏离预期。后来我发现,很多所谓的“策略失效”,根本原因并不在因子,而在于回测和实盘...
我曾经遇到过一个让我非常警醒的问题:同一套量化策略,回测结果看起来非常漂亮,但一进入实盘,收益曲线却完全变了形。后来我排查发现,真正的问题并不在策略逻辑,而在数...
我做量化系统这些年,最容易让人产生错觉的一件事,就是“回测跑通了,策略就完成了”。
我做量化系统的时候,有一个很容易被低估的问题:数据接口偶尔超时,到底算不算严重故障?
我在量化实盘中踩过一个非常典型的坑:策略逻辑没有改,回测结果却和实盘表现出现明显偏差。后来我排查发现,真正的问题并不一定出在策略本身,而可能来自行情数据的时间范...
回测与实盘收益严重背离,根源往往不在策略逻辑,而在数据质量。本文从实盘踩坑经历出发,系统梳理量化数据API在复权处理、数据一致性、多市场覆盖和批量性能四个维度的...
有一次,我的股票池正好扩大到300只。需求其实很简单:每只股票获取最近若干个交易日的日线,然后计算收益率、波动率和成交量变化。
每天交易时间内,我需要从整个 A 股股票池里筛选满足条件的股票,例如价格变化、成交量、换手率等指标。最初我的思路非常直接:
只要接口支持 AAPL 这类美股标的,能够返回实时价格和 K 线,我就认为它应该能够满足美股策略的数据需求。
本文会从我实际遇到的行情扫描问题出发,分析逐股票请求的工程痛点,并通过 Python 实战展示如何获取 A 股全量行情、筛选股票以及进一步进入策略计算。
官方文档明确提供了服务器端复权能力,因此回测系统不需要自己重新计算每一笔复权因子。
我在量化项目里有一个很典型的任务:每天收盘之后,把股票池里的历史 K 线拉下来,然后计算收益率、均线、波动率、成交量变化等指标,最后交给策略回测模块。
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