量化数据刚开始积累时，一个 daily.parquet 往往就够用。等年份、品种和字段越来越多，每次为了回测一个月的数据仍然把整张表读进内存，速度和内存占用都会...

AI 量化最普遍的失败不是模型不够聪明，而是回测里藏着未来信息、成本被忽略、模型一上线就衰减。专业做法是把整条链路拆成“无泄漏的特征—可验证的标签—带成本的回测...

一个常见情况是，盘中价格已经越过预设位置，用户过了十几分钟才看到提醒。复盘这类场景会发现，问题未必在判断本身，而在执行链路太长：先看行情，再核对持仓，随后打开交...

做横截面选股时，经常会用“因子排名前 20%”作为入选条件。样本足够大时，分位点的算法差异不明显；但股票数量较少、因子值重复较多，或者滚动窗口刚启动时，同样的 ...

最近，很多做量化的小伙伴们都在传一张图，说券商要对大 QMT 的文件读取和网络连接功能做限制了。量化圈里哀鸿遍野。猫哥则有几句话不吐不快。

做贵金属行情监控或者黄金期货量化策略的人，最后大概率都会走到同一条路上：用Python写一套行情采集程序，对接实时行情API，把国际金价、COMEX黄金期货数据...

我们刚接触网格交易时，很容易把程序理解成两句判断：价格跌一格就买，涨一格就卖。实际整理策略时会发现，触发条件只是最外层，真正影响结果的是系统能否记住当前状态。基...

新手第一次写量化策略，常见起点是一句话：价格跌下来就买，涨上去就卖。人能理解这句话，程序却无法执行，因为“跌下来”“涨上去”都没有明确边界。与其先找软件，不如先...

很多做短线量化的人卡在集合竞价阶段。 普通行情接口只能拿到开盘价，看不到竞价阶段真实撮合变化。 依靠滞后数据写出来的竞价策略，回测好看，实盘持续翻车。

量化策略失效的原因里，数据源问题占了很大比例。延迟、字段对不齐、复权口径不一致，任何一个都会让回测收益在实盘里蒸发。但选数据源不是“哪个最好”的问题——日频策略...

我最初只是想让一台云服务器上的 Node 进程别因为内存泄漏而OOM 死掉。它泄漏的速度是 56MB 每分钟，机器只有 4GB 内存，所以每小时大约崩一次。这个...

期货或者股票交易时大多数人亏在用一个信号做决策。本文应用AI回测给出一套可复用的五层验证框架，以及为什么每一层都不能省略——包括看起来最"没用"的那一层。

量化理财不是预测涨跌，而是用规则替代情绪，用分散替代押注，用再平衡替代追涨杀跌。一套专业的个人量化理财体系包含四层：资产配置、标的选择、再平衡策略、风险监控。核...