搜索[api]结果-低调大师优秀个人博客

精选列表

搜索[api]，共10000篇文章

手机号二次放号 API：账号安全风控场景、T+5/T+7 延迟与落地实践

## 一、接口简析 **探数API**的手机二次放号查询接口，传入手机号码查询是否二次放号，返回有首次放号、二次放号、是否携号转网等状态信息，直连运营商查询，支持携号转网查询。 ### 请求参数 !

2026-09-17

回测数据正常、实盘却出问题：我如何处理量化 API 超时造成的数据不一致

后来我发现，问题并不一定来自策略本身，API 延迟、数据时间窗口、复权方式和失败重试都可能让策略拿到“看起来正确、实际上不属于当前时刻”的数据。

2026-08-30

用本地数据构建 ETF 折溢价实时监控 Agent，工程实践分享 IG50免费开源股票数据API接口

# 用本地数据构建 ETF 折溢价实时监控 Agent，工程实践分享做 ETF 套利这几年，我越来越觉得"看折价就买"的时代已经过去了。真正能稳定套利的人，靠的不是盯盘，是**一套能自动识别真折溢价信号的 Agent 系统**。这篇把基于本地股票数据的 ETF 折溢价实时监控 Agent 完整分享。整套系统在单机上跑，单只 ETF 信号识别 0 else -1 ``` 特征 Agent 是一个纯计算型 Agent，不依赖任何外部服务。**每个特征的计算都在 1ms 以内完成，3000 只 ETF 的特征计算单机 3 秒搞定。** 特征 Agent 的输出是 5 维向量 + 元数据（ETF 代码、名称、类型）。 **Agent 3 - 决策 Agent** 决策 Agent 是核心。它基于特征打分，输出建仓信号： ```python class DecisionAgent: def __init__(self): self.weights = { 'premium_size': 0.25, 'reversion_speed': 0.30, 'shen_shu_state': 0.20, 'liquidity': 0.15, 'zl_direction': 0.10 } def decide(self, features, etf_type): """决策打分""" score = 0 # 折溢价大小（0-100 分） ps = features['premium_size'] if 0.0015 0.01: score += 30 * self.weights['premium_size'] # 过大反而不可信 # 回归速度（0-100 分） rs = features['reversion_speed'] if rs and rs > 0.0005: score += 100 * self.weights['reversion_speed'] elif rs and rs > 0.0002: score += 70 * self.weights['reversion_speed'] else: score += 30 * self.weights['reversion_speed'] # 申赎状态 if features['shen_shu_state'] == 0: return {'action': 'DROP', 'reason': '申赎关闭'} # 流动性 if features['liquidity'] 80: return {'action': 'EXECUTE', 'score': score} elif score > 70: return {'action': 'OBSERVE', 'score': score} else: return {'action': 'DROP', 'score': score} ``` **决策 Agent 输出的 3 类信号：** - `EXECUTE`：总分 > 80，进入执行队列 - `OBSERVE`：总分 70-80，进入观察池 - `DROP`：总分 30: self.close_position(code, current_data, '超时') # 平仓条件 3：14:50 强制平仓 if current_data['timestamp'].endswith('14:50:00'): self.close_position(code, current_data, '尾盘平仓') # 平仓条件 4：申赎关闭 if current_data['shenShuState'] == 0: self.close_position(code, current_data, '申赎关闭') ``` 执行 Agent 维护当前持仓列表，每个 tick 检查平仓条件。 **Agent 协作流程** ``` [本地数据接口] ↓ (每 3 秒) [数据 Agent] → Redis Queue ↓ [特征 Agent] → Redis Queue ↓ [决策 Agent] ↓ (EXECUTE 信号) [执行 Agent] ↓ [Redis Hash 持仓状态] ``` 整个流水线 3 秒一个周期。3000 只 ETF 的全市场扫描耗时 < 5 秒。 **踩过的 3 个坑** 第一个坑是**消息队列的可靠性**。我一开始用 Redis 做消息队列，但 Redis 重启会丢消息。改成 RabbitMQ 持久化队列之后稳定了。第二个坑是**特征计算的时间窗口**。折溢价回归速度需要 30 分钟历史数据，但每只 ETF 的窗口起点不一样。改成按 `cjsj` 时间戳对齐后，特征计算准确度提升 12%。第三个坑是**跨境 ETF 的海外市场状态**。跨境 ETF 的折溢价与海外市场强相关。我一开始没考虑这个，胜率只有 62%。加入海外交易日判断后，胜率提升到 71%。 **实盘运行数据** 这套系统我从 2024 年 1 月开始跑，到现在已经稳定运行 8 个月。每天交易 50-80 笔。实盘数据： - 总信号数：287,432 - EXECUTE 信号数：31,247 - 实际成交笔数：28,341 - 胜率：76.2% - 平均单笔收益：+0.08% - 最大单笔亏损：-0.38% - 最大单日回撤：-1.1% **为什么用 Agent 架构** Agent 协作在金融数据处理里有两个核心价值：第一个是**容错性**。单体脚本一个失败全盘崩溃，多 Agent 单点失败不影响全局。第二个是**可扩展性**。新增一个数据源只需要加一个数据 Agent，不用改其他模块。但 Agent 架构也有缺点：**复杂度高**。如果你的数据规模不大（< 100 只 ETF），单体脚本就够了。Agent 架构适合全市场级别的场景。 **未来优化方向** 下一步我想把决策 Agent 的规则引擎替换成本地微调的小模型。现在用的规则引擎准确率 76%，响应延迟 5ms。如果能微调一个 7B 的本地模型专门做 ETF 套利决策，理论上可以把准确率提升到 82%。这个方向上的关键挑战是数据标注——需要积累大量"已发生交易决策"的数据集来训练模型。短期看规则引擎还是最实用的方案。 **总结** Agent 协作的本质是把"复杂业务"拆成"独立单元"。每个 Agent 只关心自己的输入输出，不需要知道其他 Agent 的实现细节。这种松耦合设计让整个系统可维护性大大提升。 ETF 折溢价监控是 Agent 架构最适合的场景之一——数据维度多、决策规则清晰、需要 7x24 不间断运行。**把数据搬本地、把决策拆 Agent**，这是 ETF 套利系统从"手动盯盘"到"自动运行"的必经之路。资料参考：ig50 [gitee开源地址](https://gitee.com/igtrade/ighub) [github开源地址](https://github.com/ig50-service/ig50-official)

2026-08-26

B2B电商图像检索实践：1688拍立淘API货源溯源与供应链数据处理方案

1688拍立淘API（1688.item_search_img）是B2B电商专属图像检索能力，依托视觉特征匹配，可通过图片批量溯源工厂货源、同款批发商、梯度价格与起订门槛。

2026-08-20

qModel 开源 v1.4.0 发布：一键发布 API 服务，全链路计算任务让算法模型真正“动起来”

已发布模型支持一键发布 API 服务 qModel算法模型平台v1.4.0 新增模型 API 服务发布能力。

2026-08-11

Micro-One-API v0.6.1 ~ v0.8.0 发版公告:从品牌落地到大仓重构与客户端体验

本版为纯结构性重构,不涉及 API 破坏性变更,不新增数据库迁移。

2026-07-16

企业纳税人信用查询—一般纳税人信用查询-纳税人信用等级查询API接口介绍

[](https://developer.qcloudimg.com/http-save/yehe-12007261/07474af083a6156c51045ff6889dd3e5.png) # API

2026-07-15

安全管理最佳实践系列：给ECS实例配置一个RAM角色身份（使用动态STS-Token访问云服务API）

问题描述 AK(AccessKey)是代表用户身份的钥匙，是用户访问阿里云API的身份认证密钥。

2018-01-06

谷歌公布 Video Intelligence API 助力视频内容搜索；Facebook 开源新一代机器学习 GPU 服务器 Big Ba...

▲内容预览： ●谷歌收购大数据竞赛平台 Kaggle ●谷歌公布新机器学习 API：从视频中识别物体 ●Facebook 开源新一代机器学习 GPU 服务器 Big Basin ●IBM InterConnect

2017-08-01

IP 归属地查询 API｜宝塔数据源，Redis 缓存 1 小时，IPv4 地址定位，含经纬度运营商

IP 归属地查询接口，PHP 开发，对接宝塔 IP 数据源，内置 Redis 缓存（1 小时），自带 IPv4 校验、跨域、调用统计，输入 IPv4 即可查询国家、省市区、经纬度、运营商等信息，适合后台登录日志、风控、访客统计场景。

2026-11-08

Kimi K3.1 Pro 权重开源了：怎么下载、要什么显卡、本地部署还是调 API 更划算（2026 年 11 月）

在此之上加了两条限制，只针对大公司： - **做模型 API 服务的大公司要另签协议**。

2026-11-05

Agent驱动的解禁日历助手从股本结构事件到风险分层简报 IG50免费开源股票数据API接口

# Agent驱动的解禁日历助手从股本结构事件到风险分层简报 IG50免费开源股票数据API接口限售解禁是A股确定性最高的事件之一：解禁时间提前可查、规模事先披露，市场对它的恐惧却常常与真实风险错位—

2026-10-12

Agent驱动的AH溢价监控用比价数据捕捉跨市场定价分歧 IG50免费开源股票数据API接口

# Agent驱动的AH溢价监控用比价数据捕捉跨市场定价分歧 IG50免费开源股票数据API接口同一家公司，A股一个价格、H股一个价格，两个市场的定价差就是AH溢价——全市场少有的、可以直接观测的"同一资产两种意见

2026-10-12

AnswerBit GEO排名和通搜GEO哪个上手快：零代码SaaS与工程化API的接入效率之辨

AnswerBit以零代码SaaS界面主打“即开即用”，通搜GEO则以API/SDK交付形态强调“深度集成”。

2026-09-30

车辆里程数据查询 API 接入教程：VIN 查询维保年检里程，识别二手车调表风险

二手车交易过程中，车辆行驶里程是评估车辆残值的核心指标。 - 低里程车辆：零部件磨损更小，剩余使用寿命更长，交易价格更高； - 高里程车辆：部件老化速度更快，后续维修成本更高，车辆折价更明显。部分不良商家会进行**调表操作**，修改车辆仪表盘里程，人为压低表显里程抬高售价，给买家、汽车金融机构带来经济损失。 ## 一、接口基础信息输入 VIN 车架号，可以查询车辆的综合精准里程情况及车辆信息，如里程情况、里程状态、存在调表风险等详细参数。 - 请求方式：GET / POST 请求参数 |参数|是否必填|说明| |:-:|:-:|:-:| |key|是|接口访问密钥| |vin|是|17 位车辆 VIN 车架号| |img_url|否|行驶证图片地址，可选参数| 返回示例 ``` { "code": 1, "msg": "操作成功", "data": { "vin": "WBA56666666661797", "brand_name": "宝马", "manufacturer_date": "2023", "last_driving_date": "2026-06-01", "display_mileage_by_actual": "58500", "driving_date_by_actual": "2026-06-01", "suspected_adjust": "0", "suspected_mileage_before_adjust": "", "suspected_before_adjust_month": "", "suspected_mileage_after_adjust": "", "suspected_after_adjust_month": "", "history_display_mileage_list": "[{\"displayMileage\":58500,\"hasErr\":false,\"month\":\"2026-06\",\"remark\":\"正常数据\"}]", "check_display_mileage_attention": "[\"车辆存在调表风险\"]" } } ``` ## 二、核心返回参数解读 1. **`display_mileage_by_actual`** 最近一条维保 / 年检档案登记的表显里程。**不等于车辆当前仪表盘里程**，属于历史业务存档快照。 2. **`suspected_adjust`** 系统自动检测里程是否倒退，判断是否疑似调表。`0=否`，`1=是`。当该值为 0 时，4 个`suspected_xxx`调表相关字段为空，代表未检测到里程倒减记录。 >⚠️仅依靠此字段不足以完整评估风险，必须结合下面这条历史里程列表综合判断。 3. **`history_display_mileage_list`** 历史里程明细数组（JSON 字符串格式），是判断调表的核心原始数据，保存历次维保 / 年检里程与时间线。 - 正常车辆：时间越靠后，里程持续递增； - 疑似调表特征：后一次存档里程＜前一次存档里程，里程反向下降。 >如果列表只有单条记录，缺少前后对比数据，无法验证里程变化趋势。 4. **`check_display_mileage_attention`** 风险备注数组，存放提示文案，可直接在前端展示。如示例中`["车辆存在调表风险"]`，含义是**历史记录不足，无法排除调表可能性**，不等于已经确认车辆调表。 ## 三、业务应用场景 1. **二手车交易** 核验车辆历史里程，筛查调表嫌疑车辆，辅助二手车估价；平台车源上架前置风控，减少交易纠纷。 2. **汽车金融贷前风控** 车贷、车辆抵押业务，核验客户申报里程真实性，防止虚报车况；评估抵押车辆残值，高风险车辆可下调估值或拒贷。 3. **保险定损** 承保前评估车辆损耗程度；车辆发生重大事故推定全损时，依托存档里程核算车辆剩余残值。 ## 四、Python如何接入 ```import requests import json key = "你的key" vin = "WBA5xxxxxxxxx21797" url = "https://www.tanshuapi.com/market/detail-163"#接口地址 params = { "key": key, "vin": vin } resp = requests.get(url, params=params) result = resp.json() print(json.dumps(result, ensure_ascii=False, indent=2)) ``` ## 五、开发注意事项 1. `history_display_mileage_list`、`check_display_mileage_attention`为 JSON 字符串，业务代码需要二次 JSON 解析； 2. 字段存在空字符串，转换数值前必须增加判空逻辑，避免程序异常； 3. 风控判断优先级：优先读取历史里程列表，不能仅依赖`suspected_adjust`标签； 4. 数据局限性：仅能识别**两次存档记录之间**发生的调表；如果调表发生在第一条存档记录之前，接口无法检出。

2026-09-21

GitHub把覆盖率门禁开放给API后，最先暴露的可能不是低覆盖，而是各仓库标准完全不同

9月18日，GitHub宣布可以通过REST API管理Restrict code coverage规则：既能要求最低行覆盖率，也能限制一次PR允许下降的最大幅度。

2026-09-20

量化数据 API 怎么选？我用一场回测与实盘的偏差，整理了一份技术选型 Checklist

("QUANTDASH_API_KEY") if not api_key: raise RuntimeError("请先设置 QUANTDASH_API_KEY 环境变量") qd = QuantDash

2026-09-11

#WorkBuddy# 我用 AI 把掘金每日签到+抽奖做成了一键自动跑：API 优先 + 模拟点击兜底的完整方案

# #WorkBuddy# 我用 AI 把掘金每日签到+抽奖做成了一键自动跑：API 优先 + 模拟点击兜底的完整方案 > 摘要：掘金每天签到能拿矿石、免费抽奖能白嫖奖品，但天天手动点很烦，还容易断签。

2026-09-07

个人量化者应该如何选择金融数据 API？我踩过回测与实盘数据不一致的坑

api_key: raise RuntimeError("请先设置 QUANTDASH_API_KEY 环境变量") qd = QuantDash(api_key=api_key) try: df =

2026-08-30

我从一次回测数据事故开始重新设计API Benchmark

后来我把注意力从单纯的API响应速度转向了批量请求、时间区间、复权方式和数据校验，并用 Python 建立了一套300只股票日线数据的完整测试流程。

2026-08-29

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。