正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

量化必备：几何布朗运动从理论到向量化实现之前分享过从零到一的 Python 量化回测、真实数据清洗避坑，以及 Fama-French 多因子模型实操。今天粉丝问我：Ace 还有没有把几何布朗运动（GBM）从数学公式一路讲到可交互模拟仪表盘的完整视频？我去找了这支来自 Daniel Boctor 的优质实战教学。视频真正的价值在于：它把量化金融中最基础也最重要的随机模型——几何布朗运动，讲得既有理论深度，又有工程落地感。核心内容包括： 1️⃣ 清晰拆解 GBM 公式 dStSt=μdt+σdWt \frac{dS_t}{S_t} = \mu dt + \sigma dW_t StdSt=μdt+σdWt，把漂移项、扩散项和随机项讲透 2️⃣ 特别纠正离散模拟时必须使用几何复利收益、而不是简单算术收益的常见错误 3️⃣ 用 NumPy 向量化彻底摆脱 for 循环，瞬间生成成百上千条随机路径 4️⃣ 用 ipywidgets 搭建可实时调节参数的交互仪表盘，直观观察资产增长曲线和终端财富分布 5️⃣ 末尾额外演示了 Fama-French 因子滚动回归分析这是一支从理论到可视化都做得很扎实的量化随机过程教学，适合想系统学习蒙特卡洛模拟和向量化编程的朋友。强烈建议跟着敲一遍代码收获会很大。

爱吃折耳根的Ace

4,059 subscribers

98,322 次观看 • 2 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

前HFT量化交易员：真正的均值回归策略是这样写的前段时间遇到一位前高频交易（HFT）量化交易员，主讲如何真正创建均值回归策略。我直接问他，网上那些用布林带做的「均值回归」是不是专业量化机构的真实做法？他明确指出，很多教程只是简单用布林带或均线标准差，这并不是专业量化的做法。真正的均值回归策略需要用统计学和数据科学来挖掘并严格验证。核心内容包括： 1️⃣ 用对数收益率（Log Returns）建模价格变动，而不是直接用价格 2️⃣ 自回归与方向编码：把收益率拆成方向和幅度，探索「跌久必涨」的统计概率 3️⃣ 严格的样本外验证（In-Sample 75% + Out-of-Sample 25%），防止过拟合和市场体制转换 4️⃣ 计算胜率、复合收益和年化夏普比率，并用 Python 绘制净值曲线最终结论很明确：真正的均值回归不是简单套用布林带，而是一套完整的统计建模与样本外验证流程。这是一支非常标准的硬核量化教学，完全属于专业量化交易范畴。建议收藏。

前HFT量化交易员：真正的均值回归策略是这样写的前段时间遇到一位前高频交易（HFT）量化交易员，主讲如何真正创建均值回归策略。我直接问他，网上那些用布林带做的「均值回归」是不是专业量化机构的真实做法？他明确指出，很多教程只是简单用布林带或均线标准差，这并不是专业量化的做法。真正的均值回归策略需要用统计学和数据科学来挖掘并严格验证。核心内容包括： 1️⃣ 用对数收益率（Log Returns）建模价格变动，而不是直接用价格 2️⃣ 自回归与方向编码：把收益率拆成方向和幅度，探索「跌久必涨」的统计概率 3️⃣ 严格的样本外验证（In-Sample 75% + Out-of-Sample 25%），防止过拟合和市场体制转换 4️⃣ 计算胜率、复合收益和年化夏普比率，并用 Python 绘制净值曲线最终结论很明确：真正的均值回归不是简单套用布林带，而是一套完整的统计建模与样本外验证流程。这是一支非常标准的硬核量化教学，完全属于专业量化交易范畴。建议收藏。

爱吃折耳根的Ace

27,053 次观看 • 2 个月前

这可能是目前最完整的Python量化交易入门教程了遇到一位真正把 Python 量化交易从零到一讲透的老师。我问他，完全没有编程基础、也没有金融背景的人，能不能真正写出一套能跑通的量化回测系统？他不仅给了肯定的回答，还亲自录制了这支时长约 3 小时的完整实战教程。他从零开始，一步步手把手教你完成： 1️⃣环境搭建（Anaconda + Jupyter）与基础语法 2️⃣批量下载股票数据、数据清洗与归一化对比 3️⃣简单收益率 vs 对数收益率的核心区别 4️⃣风险收益指标、协方差、最大回撤计算 5️⃣手写双均线策略（做多+做空 & 仅做多） 6️⃣把整个回测逻辑封装成可复用的面向对象类（SMABacktester） 7️⃣最后接入 Alpha Vantage API，为后续实盘打基础这不是半成品代码演示，而是真正完整的 Zero to Hero 路径。只要跟着敲一遍，就能掌握量化数据处理和基础策略回测的全流程。时长虽然有 3 小时，但非常值得一看。建议直接收藏，回家安静保存着慢慢看，认真跟着做一遍，收获会远超预期。

这可能是目前最完整的Python量化交易入门教程了遇到一位真正把 Python 量化交易从零到一讲透的老师。我问他，完全没有编程基础、也没有金融背景的人，能不能真正写出一套能跑通的量化回测系统？他不仅给了肯定的回答，还亲自录制了这支时长约 3 小时的完整实战教程。他从零开始，一步步手把手教你完成： 1️⃣环境搭建（Anaconda + Jupyter）与基础语法 2️⃣批量下载股票数据、数据清洗与归一化对比 3️⃣简单收益率 vs 对数收益率的核心区别 4️⃣风险收益指标、协方差、最大回撤计算 5️⃣手写双均线策略（做多+做空 & 仅做多） 6️⃣把整个回测逻辑封装成可复用的面向对象类（SMABacktester） 7️⃣最后接入 Alpha Vantage API，为后续实盘打基础这不是半成品代码演示，而是真正完整的 Zero to Hero 路径。只要跟着敲一遍，就能掌握量化数据处理和基础策略回测的全流程。时长虽然有 3 小时，但非常值得一看。建议直接收藏，回家安静保存着慢慢看，认真跟着做一遍，收获会远超预期。

爱吃折耳根的Ace

34,760 次观看 • 2 个月前

强烈推荐给想系统入门量化交易的朋友。这套《Algorithmic Trading Using Python》全长 4 小时 33 分钟，是目前比较完整的 Python 量化从基础到实战课程之一。为什么值得看？最大特点是没有刻意剪掉错误，而是完整展示真实开发过程：API 报错、数据缺失、逻辑调试，直到策略最终跑通。对于新手来说，这种带着问题一起解决的学习方式，比只展示最终结果的教程更有价值。课程直接落地三类真实策略： 1️⃣ 等权重标普500（规避市值加权偏差） 2️⃣ 高质量动量选股（多周期 + 百分位评分） 3️⃣ 复合多因子价值筛选（避免单一估值陷阱）完整流程覆盖：真实金融数据获取 → 因子清洗 → 截面排序 → 股票分配 → 生成交易方案整套流程可以作为学习量化研究框架的参考。建议收藏，配合代码边看边练。它最大的价值不是教你一个赚钱策略，而是让你理解专业量化研究从数据到策略的完整流程。周末学起来吧。

强烈推荐给想系统入门量化交易的朋友。这套《Algorithmic Trading Using Python》全长 4 小时 33 分钟，是目前比较完整的 Python 量化从基础到实战课程之一。为什么值得看？最大特点是没有刻意剪掉错误，而是完整展示真实开发过程：API 报错、数据缺失、逻辑调试，直到策略最终跑通。对于新手来说，这种带着问题一起解决的学习方式，比只展示最终结果的教程更有价值。课程直接落地三类真实策略： 1️⃣ 等权重标普500（规避市值加权偏差） 2️⃣ 高质量动量选股（多周期 + 百分位评分） 3️⃣ 复合多因子价值筛选（避免单一估值陷阱）完整流程覆盖：真实金融数据获取 → 因子清洗 → 截面排序 → 股票分配 → 生成交易方案整套流程可以作为学习量化研究框架的参考。建议收藏，配合代码边看边练。它最大的价值不是教你一个赚钱策略，而是让你理解专业量化研究从数据到策略的完整流程。周末学起来吧。

爱吃折耳根的Ace

160,702 次观看 • 2 个月前

全球最贵的金融团队都在 GitHub 上开源了什么？普通人怎么了解量化？直接上手是最快的 Jane Street、Goldman Sachs、J.P. Morgan 等顶级量化与高频交易机构，都放出了代表性的金融/工程工具，帮助普通量化爱好者免费学到机构级的定价模型、实时数据可视化和高精度性能调试能力👇 1. Jane Street magic-trace（5.4k stars）基于 Intel Processor Trace 的高精度进程追踪工具。普通 profiler 看不清调用栈的时候，它能以纳秒级分辨率记录 CPU 每一条指令的完整执行过程。想深入调试性能、搞清楚程序到底卡在哪里的同学，强烈推荐试试 2. Goldman Sachs gs-quant（10.2k stars）高盛交易员日常使用的衍生品定价和风险管理 Python 工具包。包含期权、掉期等常见衍生品的完整定价模型和风险计算模块。直接 pip 安装就能用，适合想系统学习机构级量化定价的同学，实用性很强 3. Perspective（原 J.P. Morgan 项目，10.5k stars） J.P. Morgan 开源的实时数据可视化利器，特别擅长处理海量流式行情数据。能快速搭建漂亮的交互式仪表盘和实时监控界面，支持 Jupyter，比很多付费终端还灵活。对做数据分析和行情可视化的朋友非常友好这三个开源项目，能让你直接用上机构级的定价模型、实时行情仪表盘和高精度性能调试工具，帮普通开发者提升量化分析、数据可视化和代码优化能力，完全免费

全球最贵的金融团队都在 GitHub 上开源了什么？普通人怎么了解量化？直接上手是最快的 Jane Street、Goldman Sachs、J.P. Morgan 等顶级量化与高频交易机构，都放出了代表性的金融/工程工具，帮助普通量化爱好者免费学到机构级的定价模型、实时数据可视化和高精度性能调试能力👇 1. Jane Street magic-trace（5.4k stars）基于 Intel Processor Trace 的高精度进程追踪工具。普通 profiler 看不清调用栈的时候，它能以纳秒级分辨率记录 CPU 每一条指令的完整执行过程。想深入调试性能、搞清楚程序到底卡在哪里的同学，强烈推荐试试 2. Goldman Sachs gs-quant（10.2k stars）高盛交易员日常使用的衍生品定价和风险管理 Python 工具包。包含期权、掉期等常见衍生品的完整定价模型和风险计算模块。直接 pip 安装就能用，适合想系统学习机构级量化定价的同学，实用性很强 3. Perspective（原 J.P. Morgan 项目，10.5k stars） J.P. Morgan 开源的实时数据可视化利器，特别擅长处理海量流式行情数据。能快速搭建漂亮的交互式仪表盘和实时监控界面，支持 Jupyter，比很多付费终端还灵活。对做数据分析和行情可视化的朋友非常友好这三个开源项目，能让你直接用上机构级的定价模型、实时行情仪表盘和高精度性能调试工具，帮普通开发者提升量化分析、数据可视化和代码优化能力，完全免费

梭哈.AI

99,500 次观看 • 4 个月前

兄弟们这个牛P 学习“神器”来了！把任何书本上的图表、公式变成互动实验物理知识轻松掌握！能让普通物理教材中的静态图表变成互动的、动态的模拟器，让你可以动手操作，甚至实时看到物理现象的变化。不需要编写代码，只需点击几下，就可以自己“动手”做实验！ Augmented Physics 可以将静态图表（如光学、运动学、摆、电路等）变成可以操作的动态模拟实验。比如，你可以调整镜片位置，看看光线如何变化。这款工具的核心功能包括： -自动提取课本中的物理图表，让你轻松从PDF教材中获取需要的图表。 -生成交互式模拟，你可以像做实验一样调整图表中的物体和参数，观察变化。 -动态可视化数据，比如让摆动的物体展示角度随时间的变化，或者看到电路中电流和电压的变化。

兄弟们这个牛P 学习“神器”来了！把任何书本上的图表、公式变成互动实验物理知识轻松掌握！能让普通物理教材中的静态图表变成互动的、动态的模拟器，让你可以动手操作，甚至实时看到物理现象的变化。不需要编写代码，只需点击几下，就可以自己“动手”做实验！ Augmented Physics 可以将静态图表（如光学、运动学、摆、电路等）变成可以操作的动态模拟实验。比如，你可以调整镜片位置，看看光线如何变化。这款工具的核心功能包括： -自动提取课本中的物理图表，让你轻松从PDF教材中获取需要的图表。 -生成交互式模拟，你可以像做实验一样调整图表中的物体和参数，观察变化。 -动态可视化数据，比如让摆动的物体展示角度随时间的变化，或者看到电路中电流和电压的变化。

小互

57,310 次观看 • 2 年前

🚨 卧槽！终于有一个把量化全流程打通的开源平台了 Qbot 是一个支持完全本地部署的 AI 量化投研平台，从数据获取、策略开发、回测、模拟交易到实盘交易，形成完整闭环 Qbot核心特点： > 支持股票、基金、期货和加密货币 > 内置大量因子和策略模型，还支持自动化因子挖掘 > 支持机器学习、深度学习和强化学习策略 > 提供 GUI 和 Web 界面，操作相对友好 > 支持邮件、飞书、微信等实时通知 > 持续更新中，功能已经比较完善简单来说，它把量化交易中最麻烦的「数据 → 策略 → 回测 → 实盘」这一整套流程，打造成了一个相对完整的本地化平台我是 Ace，这边平时也会整理一些 AI / Web3 / 加密市场的新工具和实测体验，不整太多术语。感兴趣的朋友可以顺手关注一下，下次见！

🚨 卧槽！终于有一个把量化全流程打通的开源平台了 Qbot 是一个支持完全本地部署的 AI 量化投研平台，从数据获取、策略开发、回测、模拟交易到实盘交易，形成完整闭环 Qbot核心特点： > 支持股票、基金、期货和加密货币 > 内置大量因子和策略模型，还支持自动化因子挖掘 > 支持机器学习、深度学习和强化学习策略 > 提供 GUI 和 Web 界面，操作相对友好 > 支持邮件、飞书、微信等实时通知 > 持续更新中，功能已经比较完善简单来说，它把量化交易中最麻烦的「数据 → 策略 → 回测 → 实盘」这一整套流程，打造成了一个相对完整的本地化平台我是 Ace，这边平时也会整理一些 AI / Web3 / 加密市场的新工具和实测体验，不整太多术语。感兴趣的朋友可以顺手关注一下，下次见！

爱吃折耳根的Ace

15,243 次观看 • 3 个月前

做股票量化，其实真不一定非得拉一整支团队。我把几个成熟的开源项目拼起来，一个人也能搭出一套比较完整的股票量化工作流：数据获取 → 因子/模型研究 → 回测验证 → 模拟/实盘执行我目前重点看的 5 个： Qlib 48k star 微软出的 AI 量化投研平台。因子研究、机器学习、Walk-forward 都比较完整，适合把一个交易想法真正做成预测模型。 vnpy 44.8k star 中文量化里绕不开的框架。股票、期货都能做，回测和实盘基本是一套逻辑，网关和文档也很成熟。 AKShare 22.3k star A股 / 港股 / 美股的数据入口。行情、基本面、指数成分这些都能拉，很多国内量化项目的数据层就是从它开始。 QuantConnect Lean 21.4k star 偏机构级的多资产量化引擎。事件驱动、历史数据、回测和券商对接都比较完整，美股生态尤其成熟。 easytrader 10.1k star 偏 A 股实盘执行。可以接同花顺、miniQMT、雪球组合，把策略最终落到真实交易这一步。这 5 个组合起来，大致就是： AKShare 负责数据 → Qlib 负责研究和模型 → vnpy / Lean 负责回测与交易框架 → easytrader 负责 A 股执行。它们当然替代不了专业量化团队，但对个人来说，已经足够把一套股票量化流程真正跑起来。想自己系统搭一套股票量化工作流的，这几个项目值得收藏跑一下的。

做股票量化，其实真不一定非得拉一整支团队。我把几个成熟的开源项目拼起来，一个人也能搭出一套比较完整的股票量化工作流：数据获取 → 因子/模型研究 → 回测验证 → 模拟/实盘执行我目前重点看的 5 个： Qlib 48k star 微软出的 AI 量化投研平台。因子研究、机器学习、Walk-forward 都比较完整，适合把一个交易想法真正做成预测模型。 vnpy 44.8k star 中文量化里绕不开的框架。股票、期货都能做，回测和实盘基本是一套逻辑，网关和文档也很成熟。 AKShare 22.3k star A股 / 港股 / 美股的数据入口。行情、基本面、指数成分这些都能拉，很多国内量化项目的数据层就是从它开始。 QuantConnect Lean 21.4k star 偏机构级的多资产量化引擎。事件驱动、历史数据、回测和券商对接都比较完整，美股生态尤其成熟。 easytrader 10.1k star 偏 A 股实盘执行。可以接同花顺、miniQMT、雪球组合，把策略最终落到真实交易这一步。这 5 个组合起来，大致就是： AKShare 负责数据 → Qlib 负责研究和模型 → vnpy / Lean 负责回测与交易框架 → easytrader 负责 A 股执行。它们当然替代不了专业量化团队，但对个人来说，已经足够把一套股票量化流程真正跑起来。想自己系统搭一套股票量化工作流的，这几个项目值得收藏跑一下的。

爱吃折耳根的Ace

20,323 次观看 • 1 个月前

量化交易必懂：MDP 如何让 AI 学会动态决策？昨天粉丝问我：有没有把马尔可夫决策过程（MDP）讲得既清晰又扎实的课程？最好是从确定性搜索过渡到不确定环境的完整推导。我去找了斯坦福 Percy Liang 教授主讲的《Markov Decision Processes》。他清晰地拆解了 MDP 的完整逻辑：从引入随机性与马尔可夫假设，到策略（Policy）、折扣因子、Q 值、策略评估，再到价值迭代求解最优策略。核心内容包括： 1️⃣ 从 Search 到 MDP：动作结果从确定变为概率分布，经典 Flaky Tram 示例 2️⃣ 策略与折扣因子 γ：为什么解不再是一串固定动作路径 3️⃣ Q 值与 Bellman 方程：精确计算策略价值 4️⃣ 价值迭代（Value Iteration）：通过迭代求解最优策略 π* 最终结论很明确：MDP 是所有强化学习算法（Q-Learning、PPO、DQN）的数学基础，也是理解市场交易、动态资产配置和期权行权等随机决策问题的核心框架。对正在学强化学习或量化交易的朋友，这是非常扎实的理论基石。建议收藏。

量化交易必懂：MDP 如何让 AI 学会动态决策？昨天粉丝问我：有没有把马尔可夫决策过程（MDP）讲得既清晰又扎实的课程？最好是从确定性搜索过渡到不确定环境的完整推导。我去找了斯坦福 Percy Liang 教授主讲的《Markov Decision Processes》。他清晰地拆解了 MDP 的完整逻辑：从引入随机性与马尔可夫假设，到策略（Policy）、折扣因子、Q 值、策略评估，再到价值迭代求解最优策略。核心内容包括： 1️⃣ 从 Search 到 MDP：动作结果从确定变为概率分布，经典 Flaky Tram 示例 2️⃣ 策略与折扣因子 γ：为什么解不再是一串固定动作路径 3️⃣ Q 值与 Bellman 方程：精确计算策略价值 4️⃣ 价值迭代（Value Iteration）：通过迭代求解最优策略 π* 最终结论很明确：MDP 是所有强化学习算法（Q-Learning、PPO、DQN）的数学基础，也是理解市场交易、动态资产配置和期权行权等随机决策问题的核心框架。对正在学强化学习或量化交易的朋友，这是非常扎实的理论基石。建议收藏。

爱吃折耳根的Ace

20,741 次观看 • 2 个月前

遇到一场由顶级量化基金 Two Sigma 举办的高阶研讨会，主题是《金融数据的机器学习模型》。主讲人 Justin Sirignano 同时来自 Two Sigma 和牛津大学，讲的不是普通技术指标，而是直接深入高频交易和限价订单簿。我问他，顶级对冲基金现在到底在用机器学习研究什么？视频给出了三个前沿方向： > 用 RNN / LSTM 分析高维订单流，预测下一次价格变化 > 用数百只股票训练通用模型，效果优于单只股票独立建模 > 用强化学习优化订单执行，降低滑点和市场冲击最有意思的是，通用模型在较长时间的样本外测试中，依然保持不错的准确率。不过这不是零基础教程。整场几乎没有代码演示，默认观众已经理解订单簿、RNN / LSTM 和强化学习。更适合有一定量化基础，或准备申请 Two Sigma、Citadel、Jane Street 等 Quant 岗位的人观看。虽然你可能是量化小白，但是在以后的时候绝对会用到的

遇到一场由顶级量化基金 Two Sigma 举办的高阶研讨会，主题是《金融数据的机器学习模型》。主讲人 Justin Sirignano 同时来自 Two Sigma 和牛津大学，讲的不是普通技术指标，而是直接深入高频交易和限价订单簿。我问他，顶级对冲基金现在到底在用机器学习研究什么？视频给出了三个前沿方向： > 用 RNN / LSTM 分析高维订单流，预测下一次价格变化 > 用数百只股票训练通用模型，效果优于单只股票独立建模 > 用强化学习优化订单执行，降低滑点和市场冲击最有意思的是，通用模型在较长时间的样本外测试中，依然保持不错的准确率。不过这不是零基础教程。整场几乎没有代码演示，默认观众已经理解订单簿、RNN / LSTM 和强化学习。更适合有一定量化基础，或准备申请 Two Sigma、Citadel、Jane Street 等 Quant 岗位的人观看。虽然你可能是量化小白，但是在以后的时候绝对会用到的

爱吃折耳根的Ace

15,460 次观看 • 2 个月前

卧槽！有人把机器学习做量化这件事，直接拆成了 27 章、9 个真实市场案例，再把代码、数据、回测和实盘部署全部开源了项目叫 Machine Learning for Trading，GitHub 21.1K+ Stars，也是量化 ML 圈的圣经。而且刚刚重做了第三版，不再只是教你训练几个模型，而是从一条交易想法开始，一路做到数据、因子、模型、回测、成本、风控，最后真正接到 Live Trading。核心能力： 1️⃣ 数据这层非常硬：市场微观结构、SEC 财报、另类数据、订单簿、Crypto 链上数据，甚至合成金融数据都覆盖 2️⃣ 模型从 LightGBM、XGBoost 一路做到 Transformer、Mamba、TabPFN、因果机器学习和强化学习，不只是传统 ML 3️⃣ 9 个完整案例直接跑 ETF、Crypto 永续、美股日内、期权、外汇、期货和股票因子，不是只拿玩具数据演示 4️⃣ 回测不只看收益，还专门处理 Walk-forward、交易成本、过拟合、多重检验、Deflated Sharpe Ratio 这些量化最容易踩的坑 5️⃣ 新版把 RAG、知识图谱、Multi-Agent 金融研究也加进来了，还提供 61 个 Agent Skills 给 Coding Agent 直接用 6️⃣ 最后还有完整生产链：Portfolio、Risk、MLOps、漂移监控、熔断机制，以及 Interactive Brokers、Alpaca、QuantConnect 实盘方向我觉得它真正厉害的地方，不是“教你哪个模型最准”。而是逼你把一套量化策略真正走完整：数据有没有未来函数？因子是不是碰巧有效？回测有没有过拟合？交易成本算没算？市场环境变了以后什么时候该停？最后才轮到“这个模型赚不赚钱”。现在第三版还配了 6 个独立的 ml4t Python 库和大量预计算案例数据，很多实验不用自己从头跑几天。如果你想系统学机器学习量化，而不是东拼西凑几十篇教程，这个仓库真的值得啃。

卧槽！有人把机器学习做量化这件事，直接拆成了 27 章、9 个真实市场案例，再把代码、数据、回测和实盘部署全部开源了项目叫 Machine Learning for Trading，GitHub 21.1K+ Stars，也是量化 ML 圈的圣经。而且刚刚重做了第三版，不再只是教你训练几个模型，而是从一条交易想法开始，一路做到数据、因子、模型、回测、成本、风控，最后真正接到 Live Trading。核心能力： 1️⃣ 数据这层非常硬：市场微观结构、SEC 财报、另类数据、订单簿、Crypto 链上数据，甚至合成金融数据都覆盖 2️⃣ 模型从 LightGBM、XGBoost 一路做到 Transformer、Mamba、TabPFN、因果机器学习和强化学习，不只是传统 ML 3️⃣ 9 个完整案例直接跑 ETF、Crypto 永续、美股日内、期权、外汇、期货和股票因子，不是只拿玩具数据演示 4️⃣ 回测不只看收益，还专门处理 Walk-forward、交易成本、过拟合、多重检验、Deflated Sharpe Ratio 这些量化最容易踩的坑 5️⃣ 新版把 RAG、知识图谱、Multi-Agent 金融研究也加进来了，还提供 61 个 Agent Skills 给 Coding Agent 直接用 6️⃣ 最后还有完整生产链：Portfolio、Risk、MLOps、漂移监控、熔断机制，以及 Interactive Brokers、Alpaca、QuantConnect 实盘方向我觉得它真正厉害的地方，不是“教你哪个模型最准”。而是逼你把一套量化策略真正走完整：数据有没有未来函数？因子是不是碰巧有效？回测有没有过拟合？交易成本算没算？市场环境变了以后什么时候该停？最后才轮到“这个模型赚不赚钱”。现在第三版还配了 6 个独立的 ml4t Python 库和大量预计算案例数据，很多实验不用自己从头跑几天。如果你想系统学机器学习量化，而不是东拼西凑几十篇教程，这个仓库真的值得啃。

爱吃折耳根的Ace

34,158 次观看 • 10 天前

量化交易核心难题：如何应对 Market Regime Change？之前遇到一位做高频交易的朋友，他问了我一个问题：为什么很多量化策略回测表现完美，但一到实盘遇到市场风格切换就失效？我直接推荐了前HFT顶级量化交易员的《How to handle Regime Changes》的硬核视频。它直击量化交易中最常见的问题——为什么策略在历史数据里有效，但遇到市场状态变化（Regime Change）后会大幅失效？视频系统讲解了 4 种工业级解决方案，核心内容包括：什么是体制切换：均值、方差、偏度、峰度随时间剧烈变化 1️⃣ 方案一：滑窗重训练（作者坦言不推荐） 2️⃣ 方案二：特征工程 + 隐状态/相对记忆编码，让简单线性模型自适应切换动量与均值回归 3️⃣ 方案三：在线流式学习（Passive-Aggressive），根据误差实时调整权重 4️⃣ 方案四：强化学习 + 香农熵正则化，防止策略陷入局部最优最终结论很明确：金融数据不是静态的，真正有效的方法是让模型具备感知误差并动态更新权重的能力，而不是依赖全量静态训练。对正在做量化策略的朋友，这是非常深度的生产环境避坑指南。建议收藏。

量化交易核心难题：如何应对 Market Regime Change？之前遇到一位做高频交易的朋友，他问了我一个问题：为什么很多量化策略回测表现完美，但一到实盘遇到市场风格切换就失效？我直接推荐了前HFT顶级量化交易员的《How to handle Regime Changes》的硬核视频。它直击量化交易中最常见的问题——为什么策略在历史数据里有效，但遇到市场状态变化（Regime Change）后会大幅失效？视频系统讲解了 4 种工业级解决方案，核心内容包括：什么是体制切换：均值、方差、偏度、峰度随时间剧烈变化 1️⃣ 方案一：滑窗重训练（作者坦言不推荐） 2️⃣ 方案二：特征工程 + 隐状态/相对记忆编码，让简单线性模型自适应切换动量与均值回归 3️⃣ 方案三：在线流式学习（Passive-Aggressive），根据误差实时调整权重 4️⃣ 方案四：强化学习 + 香农熵正则化，防止策略陷入局部最优最终结论很明确：金融数据不是静态的，真正有效的方法是让模型具备感知误差并动态更新权重的能力，而不是依赖全量静态训练。对正在做量化策略的朋友，这是非常深度的生产环境避坑指南。建议收藏。

爱吃折耳根的Ace

18,197 次观看 • 2 个月前

终于有人把华尔街 20 年真实交易经验，拆成 13 章 Python 量化实战配方，连代码都一起开源了。 Python for Algorithmic Trading Cookbook，1.2K Stars，MIT 开源，Packt 官方配套代码仓库。作者 Jason Strimpel 干过芝加哥对冲基金交易、摩根大通风险管理，还做过 APAC CIO，这套内容明显不是拿几个 Demo 拼出来的。以前学量化，经常是数据一套教程、因子一套、回测一套，真正到 Broker 实盘又得重新找资料。它不一样，直接按完整交易链路往下教：拿数据、做因子、回测、评估风险，最后接 Interactive Brokers 真正部署。核心能力： 1️⃣ 市场数据：OpenBB、免费行情、期权等数据获取和清洗直接实战 2️⃣ 因子研究：从金融数据里构建 Alpha Factors，再把因子变成交易信号 3️⃣ VectorBT 回测：批量测试参数，还专门讲 Walk-forward Optimization 4️⃣ Zipline Reloaded：用事件驱动框架做更接近真实交易的策略回测 5️⃣ Alphalens + Pyfolio：因子表现、收益、Sharpe、回撤、风险全部继续拆 6️⃣ Interactive Brokers：从 API 配置、账户订单一路做到策略部署和真实交易环境我觉得这套最有价值的，不是哪一个策略。而是它把“一个 Python 量化策略到底怎么从想法走到市场”完整走了一遍。数据 → 因子 → 回测 → 风险 → Broker → Live。如果你正在学 Python 量化，又不想东拼西凑几十篇教程，这个仓库很适合从头啃一遍。仓库：

终于有人把华尔街 20 年真实交易经验，拆成 13 章 Python 量化实战配方，连代码都一起开源了。 Python for Algorithmic Trading Cookbook，1.2K Stars，MIT 开源，Packt 官方配套代码仓库。作者 Jason Strimpel 干过芝加哥对冲基金交易、摩根大通风险管理，还做过 APAC CIO，这套内容明显不是拿几个 Demo 拼出来的。以前学量化，经常是数据一套教程、因子一套、回测一套，真正到 Broker 实盘又得重新找资料。它不一样，直接按完整交易链路往下教：拿数据、做因子、回测、评估风险，最后接 Interactive Brokers 真正部署。核心能力： 1️⃣ 市场数据：OpenBB、免费行情、期权等数据获取和清洗直接实战 2️⃣ 因子研究：从金融数据里构建 Alpha Factors，再把因子变成交易信号 3️⃣ VectorBT 回测：批量测试参数，还专门讲 Walk-forward Optimization 4️⃣ Zipline Reloaded：用事件驱动框架做更接近真实交易的策略回测 5️⃣ Alphalens + Pyfolio：因子表现、收益、Sharpe、回撤、风险全部继续拆 6️⃣ Interactive Brokers：从 API 配置、账户订单一路做到策略部署和真实交易环境我觉得这套最有价值的，不是哪一个策略。而是它把“一个 Python 量化策略到底怎么从想法走到市场”完整走了一遍。数据 → 因子 → 回测 → 风险 → Broker → Live。如果你正在学 Python 量化，又不想东拼西凑几十篇教程，这个仓库很适合从头啃一遍。仓库：

爱吃折耳根的Ace

28,774 次观看 • 5 天前

🚨兄弟们！28K Star 的量化金融资源大全，基本把能用到的工具都收全了 awesome-quant 是一个长期维护的 Awesome List，专门收集量化金融相关的优质资源。仓库里按类别整理了大量书籍、论文、工具库、数据源、课程和社区链接，覆盖了从入门到进阶的各个方向，核心亮点： > 覆盖量化全链路：数值计算、金融定价、技术指标、回测框架、组合优化、风险管理、因子研究等 > 多语言支持：Python、R、Julia、Java、JavaScript 等主流量化语言工具一应俱全 > 经典与现代并存：包含 QuantLib、Zipline、Backtrader 等老牌工具，也收录大量机器学习与另类数据项目 > 实用资源丰富：市场数据源、时间序列分析、情绪分析、预测市场等分类清晰 > 同时整理了大量书籍、论文复现和商业工具，适合不同阶段的学习和实践 > 社区活跃，持续更新，是目前开源里最全面的量化资源合集之一对想系统学习量化交易、构建交易系统，或者做量化研究的开发者、研究员和学生来说，这份列表目前是最好的起点资源库。

🚨兄弟们！28K Star 的量化金融资源大全，基本把能用到的工具都收全了 awesome-quant 是一个长期维护的 Awesome List，专门收集量化金融相关的优质资源。仓库里按类别整理了大量书籍、论文、工具库、数据源、课程和社区链接，覆盖了从入门到进阶的各个方向，核心亮点： > 覆盖量化全链路：数值计算、金融定价、技术指标、回测框架、组合优化、风险管理、因子研究等 > 多语言支持：Python、R、Julia、Java、JavaScript 等主流量化语言工具一应俱全 > 经典与现代并存：包含 QuantLib、Zipline、Backtrader 等老牌工具，也收录大量机器学习与另类数据项目 > 实用资源丰富：市场数据源、时间序列分析、情绪分析、预测市场等分类清晰 > 同时整理了大量书籍、论文复现和商业工具，适合不同阶段的学习和实践 > 社区活跃，持续更新，是目前开源里最全面的量化资源合集之一对想系统学习量化交易、构建交易系统，或者做量化研究的开发者、研究员和学生来说，这份列表目前是最好的起点资源库。

爱吃折耳根的Ace

17,664 次观看 • 2 个月前

手机AI量化参数设置教程300U一周左右滚仓到382U。因为每天我收到一两千的私信实在回复不过来。想看我参数如何调的仔细看以下视频操作即可。 1：量化模式 2：我跑的是USDC市场异动 3：最大持仓数6 4：杠杆1 5：亏损上限20% 6：盈利目标40% 7：高级模式止盈波动率倍数0.5 我一天看两次左右未设置止损，因为只是一倍的去跑的比较放心。提醒：任何量化程序都会有风险，量力而行！个人操作分享，非投资建议！

手机AI量化参数设置教程300U一周左右滚仓到382U。因为每天我收到一两千的私信实在回复不过来。想看我参数如何调的仔细看以下视频操作即可。 1：量化模式 2：我跑的是USDC市场异动 3：最大持仓数6 4：杠杆1 5：亏损上限20% 6：盈利目标40% 7：高级模式止盈波动率倍数0.5 我一天看两次左右未设置止损，因为只是一倍的去跑的比较放心。提醒：任何量化程序都会有风险，量力而行！个人操作分享，非投资建议！

DeFi狙击手 | Ai🕊️

47,275 次观看 • 17 天前

做加密量化，如果你不想回测一套、调参一套、实盘又重写一套，Freqtrade 基本把整条链路都给你接起来了。 freqtrade，54.3K stars，支持币安/OKX/Bybit 等所有主流交易所现货+合约，回测、FreqAI 机器学习、Telegram/网页控制全都有！以前写币圈交易机器人，得自己接交易所 API、做回测、做风控、做告警，一堆坑要踩。 freqtrade 不一样，开箱即用的完整交易机器人，交易所支持最全、社区最大、文档最全，全球量化玩家都在用。核心能力： 1️⃣ 策略回测：直接用交易所历史 OHLCV 数据测试策略，手续费也会计入结果 2️⃣ Hyperopt 调参：可以自动搜索入场、出场、ROI、止损、移动止损等参数 3️⃣ Dry-Run 模拟盘：先用实时行情跑模拟交易，不碰真钱，验证回测和真实市场之间的差距 4️⃣ 实盘自动交易：支持 Binance、Bybit、OKX、Gate、Kraken、Hyperliquid 等，覆盖现货和多个期货市场 5️⃣ FreqAI：可以训练自适应机器学习模型，并定期重新训练，让模型跟随市场变化 6️⃣ 风控与交易对管理：支持白名单、黑名单、动态交易对、仓位管理和保护机制 7️⃣ WebUI + Telegram：直接查看持仓、盈亏、交易记录，也能远程启动、停止和管理 Bot 它是一个 Python 开源量化交易框架，从历史数据、策略开发、回测、参数优化，到模拟盘和实盘交易，都可以在同一套系统里完成。做 Crypto 量化、策略回测、自动交易或者机器学习交易的，这个基本属于绕不开的项目。

做加密量化，如果你不想回测一套、调参一套、实盘又重写一套，Freqtrade 基本把整条链路都给你接起来了。 freqtrade，54.3K stars，支持币安/OKX/Bybit 等所有主流交易所现货+合约，回测、FreqAI 机器学习、Telegram/网页控制全都有！以前写币圈交易机器人，得自己接交易所 API、做回测、做风控、做告警，一堆坑要踩。 freqtrade 不一样，开箱即用的完整交易机器人，交易所支持最全、社区最大、文档最全，全球量化玩家都在用。核心能力： 1️⃣ 策略回测：直接用交易所历史 OHLCV 数据测试策略，手续费也会计入结果 2️⃣ Hyperopt 调参：可以自动搜索入场、出场、ROI、止损、移动止损等参数 3️⃣ Dry-Run 模拟盘：先用实时行情跑模拟交易，不碰真钱，验证回测和真实市场之间的差距 4️⃣ 实盘自动交易：支持 Binance、Bybit、OKX、Gate、Kraken、Hyperliquid 等，覆盖现货和多个期货市场 5️⃣ FreqAI：可以训练自适应机器学习模型，并定期重新训练，让模型跟随市场变化 6️⃣ 风控与交易对管理：支持白名单、黑名单、动态交易对、仓位管理和保护机制 7️⃣ WebUI + Telegram：直接查看持仓、盈亏、交易记录，也能远程启动、停止和管理 Bot 它是一个 Python 开源量化交易框架，从历史数据、策略开发、回测、参数优化，到模拟盘和实盘交易，都可以在同一套系统里完成。做 Crypto 量化、策略回测、自动交易或者机器学习交易的，这个基本属于绕不开的项目。

爱吃折耳根的Ace

23,631 次观看 • 26 天前

🚨 卧槽！终于有开源项目把量化交易全流程打通了 QuantConnect Lean 目前 GitHub 上已有 20k+ star，是一个成熟的开源算法交易引擎。它把数据接入、策略开发、回测、模拟盘和实盘执行全部整合在一起，形成了一套完整的量化闭环，而不是只做其中某一块，核心能力： > 支持股票、加密货币、外汇、期权、期货等多个资产 > 高性能事件驱动回测引擎，可精准模拟滑点、交易成本和市场冲击 > 支持 Python 和 C# 编写策略 > 可直接对接多家券商和数据源，实现从回测到实盘的一条龙 > 内置丰富的绩效分析和可视化工具它真正有用的地方，是把量化交易最麻烦的工程底座标准化：你负责策略逻辑，它负责回测、撮合、组合、交易执行这些脏活。做股票、期货、期权、加密货币量化研究，或者想让 AI Agent 写策略、回测策略的人，建议保存看看

🚨 卧槽！终于有开源项目把量化交易全流程打通了 QuantConnect Lean 目前 GitHub 上已有 20k+ star，是一个成熟的开源算法交易引擎。它把数据接入、策略开发、回测、模拟盘和实盘执行全部整合在一起，形成了一套完整的量化闭环，而不是只做其中某一块，核心能力： > 支持股票、加密货币、外汇、期权、期货等多个资产 > 高性能事件驱动回测引擎，可精准模拟滑点、交易成本和市场冲击 > 支持 Python 和 C# 编写策略 > 可直接对接多家券商和数据源，实现从回测到实盘的一条龙 > 内置丰富的绩效分析和可视化工具它真正有用的地方，是把量化交易最麻烦的工程底座标准化：你负责策略逻辑，它负责回测、撮合、组合、交易执行这些脏活。做股票、期货、期权、加密货币量化研究，或者想让 AI Agent 写策略、回测策略的人，建议保存看看

爱吃折耳根的Ace

59,785 次观看 • 3 个月前

Python量化交易：教你从数据到买卖信号的完整实操遇到一位用 Python 把经典量化交易策略讲得非常清晰的老师。我就直接去问他，有没有从数据加载到信号生成、可视化再到策略评估的完整实操？他直接向我展示了一个非常经典的 Dual Moving Average Crossover（双均线交叉）框架：用 Python 在 Google Colab 上，以苹果股票（AAPL）为例，计算短期（SMA 30）与长期（SMA 100）简单移动平均线，生成买卖信号，并完整可视化策略表现。你在网上很难找到比这更适合入门算法交易的 Python 量化实操例子了。里面有什么： 1️⃣ 数据加载与可视化（2006–2011 年苹果历史股价） 2️⃣ 短期与长期简单移动平均线计算 3️⃣ 买卖信号生成逻辑（金叉买入、死叉卖出） 4️⃣ 策略表现可视化与优缺点评估（趋势行情表现好，震荡行情易产生 whipsaw）建议收藏，跟着敲一遍代码，快速理解 Python 量化交易策略的基本构建方式。

Python量化交易：教你从数据到买卖信号的完整实操遇到一位用 Python 把经典量化交易策略讲得非常清晰的老师。我就直接去问他，有没有从数据加载到信号生成、可视化再到策略评估的完整实操？他直接向我展示了一个非常经典的 Dual Moving Average Crossover（双均线交叉）框架：用 Python 在 Google Colab 上，以苹果股票（AAPL）为例，计算短期（SMA 30）与长期（SMA 100）简单移动平均线，生成买卖信号，并完整可视化策略表现。你在网上很难找到比这更适合入门算法交易的 Python 量化实操例子了。里面有什么： 1️⃣ 数据加载与可视化（2006–2011 年苹果历史股价） 2️⃣ 短期与长期简单移动平均线计算 3️⃣ 买卖信号生成逻辑（金叉买入、死叉卖出） 4️⃣ 策略表现可视化与优缺点评估（趋势行情表现好，震荡行情易产生 whipsaw）建议收藏，跟着敲一遍代码，快速理解 Python 量化交易策略的基本构建方式。

爱吃折耳根的Ace

20,825 次观看 • 2 个月前

🚨 学 AI 量化的第一本书就是它 — Machine Learning for Trading，19.6K stars，第三版刚出！ Machine Learning for Trading 是 Stefan Jansen 写的实战交易开源书籍，不是纸上谈兵，是代码+案例直接跑给你看。它系统地讲解了如何将机器学习应用到量化交易的完整流程，从数据获取、特征工程、模型训练、回测优化，一直到投资组合管理。核心亮点： > 27 章一条龙：数据获取 → 特征工程 → 模型训练 → 回测 → 实盘执行，全链路覆盖 > 9 个跨资产案例：ETF、加密货币永续合约、日内股票、期权、外汇、期货——不是只讲美股 > 第三版新增：生成式 AI + 自主交易 Agent、因果 ML、强化学习、合成金融数据 > Polars + PyTorch + LightGBM + Optuna 全现代技术栈 > 实盘对接 Interactive Brokers、Alpaca、QuantConnect，不是玩具 > Google 高级总监 Antonio Gulli 作序推荐以前学 AI 量化：看论文 → 看不懂 → 看 CSDN → 跑不通 → 放弃。这本书从理论到代码到实盘，一条路走到底。量化入门的信息差，终于有人填平了。

🚨 学 AI 量化的第一本书就是它 — Machine Learning for Trading，19.6K stars，第三版刚出！ Machine Learning for Trading 是 Stefan Jansen 写的实战交易开源书籍，不是纸上谈兵，是代码+案例直接跑给你看。它系统地讲解了如何将机器学习应用到量化交易的完整流程，从数据获取、特征工程、模型训练、回测优化，一直到投资组合管理。核心亮点： > 27 章一条龙：数据获取 → 特征工程 → 模型训练 → 回测 → 实盘执行，全链路覆盖 > 9 个跨资产案例：ETF、加密货币永续合约、日内股票、期权、外汇、期货——不是只讲美股 > 第三版新增：生成式 AI + 自主交易 Agent、因果 ML、强化学习、合成金融数据 > Polars + PyTorch + LightGBM + Optuna 全现代技术栈 > 实盘对接 Interactive Brokers、Alpaca、QuantConnect，不是玩具 > Google 高级总监 Antonio Gulli 作序推荐以前学 AI 量化：看论文 → 看不懂 → 看 CSDN → 跑不通 → 放弃。这本书从理论到代码到实盘，一条路走到底。量化入门的信息差，终于有人填平了。

爱吃折耳根的Ace

12,692 次观看 • 3 个月前

最近axis robotics其实有一些非常amazing的进展。还没形成paper，但是先简单分享一下激动的心情。简单来说，过去一年，通过axis社区的数据贡献，我们其实积累了大量manipulation的动作轨迹数据。但是我们逐步发现，这些数据更大的价值不是直接拿来训练某一个通用大模型，而是作为先验，告诉我们哪些特别的动作和状态值得探索。最近，我们依靠 LLM 自动化生成场景和任务，然后在这些用户数据和少量自动生成数据的基础上，我们可以用高速、低成本的 RL，把每一个任务快速训练成一个接近 100% 成功率、覆盖大量状态变化的专项 Expert。这个expert，你可以理解为是axis自研的针对某个特别的动作的专用模型，它专门针对这个任务场景可以取得非常强的泛化能力。这些 Expert不仅具备很强的泛化能力，同时也可以通过物理和视觉随机化充分利用 Simulation，并进一步迁移到真实机器人，同时持续生成大量高质量、多样化的训练数据。当我们把这个过程复制到成百上千个任务以后，就得到了一整个专家模型的Network：装箱、分拣、抓取等不同任务都有自己的强专家模型，再把这些 Expert 的能力和数据统一蒸馏、fine-tune 到一个共享的 Foundation Model 里。也许有一天，axis也拥有属于自己的海量专家模型甚至做出来属于我们的foundation model。how exciting it is

最近axis robotics其实有一些非常amazing的进展。还没形成paper，但是先简单分享一下激动的心情。简单来说，过去一年，通过axis社区的数据贡献，我们其实积累了大量manipulation的动作轨迹数据。但是我们逐步发现，这些数据更大的价值不是直接拿来训练某一个通用大模型，而是作为先验，告诉我们哪些特别的动作和状态值得探索。最近，我们依靠 LLM 自动化生成场景和任务，然后在这些用户数据和少量自动生成数据的基础上，我们可以用高速、低成本的 RL，把每一个任务快速训练成一个接近 100% 成功率、覆盖大量状态变化的专项 Expert。这个expert，你可以理解为是axis自研的针对某个特别的动作的专用模型，它专门针对这个任务场景可以取得非常强的泛化能力。这些 Expert不仅具备很强的泛化能力，同时也可以通过物理和视觉随机化充分利用 Simulation，并进一步迁移到真实机器人，同时持续生成大量高质量、多样化的训练数据。当我们把这个过程复制到成百上千个任务以后，就得到了一整个专家模型的Network：装箱、分拣、抓取等不同任务都有自己的强专家模型，再把这些 Expert 的能力和数据统一蒸馏、fine-tune 到一个共享的 Foundation Model 里。也许有一天，axis也拥有属于自己的海量专家模型甚至做出来属于我们的foundation model。how exciting it is

郡主Christine (✱,✱)

19,739 次观看 • 23 天前

做量化最烦的不是写策略，是搭数据管道。 zvt 这个开源框架把"数据采集 + 因子 + 回测 + 机器学习 + 可视化"全焊死了，4.2K stars，A 股美股全覆盖。作者自己说的核心思路就一句话：一行代码完成数据抓取、持久化、增量更新、机器学习、预测、展示。 Stock.record_data() 拉全 A 股 4000 多只票，Stock1dHfqKdata 拉 K 线，MaStockMLMachine 直接训练预测画图——全是模块化封装好的。核心亮点： 1️⃣ 一套代码同时支持 A 股和美股，数据源东方财富/同花顺等国内渠道直连 2️⃣ 数据、因子、信号、交易、ML 五大模块解耦，每个都能独立用 3️⃣ 内置机器学习机器（Machine），MA 策略等经典模型开箱即练 4️⃣ Dash + Plotly 可视化界面，回测和研究场景够用 5️⃣ REST API + 独立前端，配合动态标签系统做 AI + 人工结合的实盘 6️⃣ 支持 QMT 行情和 tick 数据，实盘路径清晰它的本质，是给 A 股量化研究者一个"从数据到模型"的完整底座。不用再自己拼 yfinance、AkShare、backtrader，zvt 一套框架把这条路铺好了。做 A 股量化、想快速验证想法的，值得试试。

做量化最烦的不是写策略，是搭数据管道。 zvt 这个开源框架把"数据采集 + 因子 + 回测 + 机器学习 + 可视化"全焊死了，4.2K stars，A 股美股全覆盖。作者自己说的核心思路就一句话：一行代码完成数据抓取、持久化、增量更新、机器学习、预测、展示。 Stock.record_data() 拉全 A 股 4000 多只票，Stock1dHfqKdata 拉 K 线，MaStockMLMachine 直接训练预测画图——全是模块化封装好的。核心亮点： 1️⃣ 一套代码同时支持 A 股和美股，数据源东方财富/同花顺等国内渠道直连 2️⃣ 数据、因子、信号、交易、ML 五大模块解耦，每个都能独立用 3️⃣ 内置机器学习机器（Machine），MA 策略等经典模型开箱即练 4️⃣ Dash + Plotly 可视化界面，回测和研究场景够用 5️⃣ REST API + 独立前端，配合动态标签系统做 AI + 人工结合的实盘 6️⃣ 支持 QMT 行情和 tick 数据，实盘路径清晰它的本质，是给 A 股量化研究者一个"从数据到模型"的完整底座。不用再自己拼 yfinance、AkShare、backtrader，zvt 一套框架把这条路铺好了。做 A 股量化、想快速验证想法的，值得试试。

爱吃折耳根的Ace

17,575 次观看 • 1 个月前