搜索[python]结果-低调大师优秀个人博客

精选列表

搜索[python]，共10000篇文章

基于YOLO26的透明塑料瓶检测系统（Python源码+数据集+Pyside6界面）

**透明塑料瓶检测**系统设计 ## 3.1 PySide6介绍受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。

2026-10-12

【Python量化策略评估体系 #02】5 个因子，谁真贡献 Alpha？单因子归因 + MPA 多因子分解实战

> 系列：Python 量化策略评估体系 #02 > 数据源：麦蕊行情 API（mairui SDK）日线 > 演示证书：LICENCE-66D8-9F96-0C7F0FBCD073（公开演示证书，正式项目请替换为正式证书

2026-10-08

【Python量化策略实战 #06】回测代码越写越长？50 行内封装出通用向量化回测引擎

一个端到端 PASS 的 Demo：演示窗口下三策略都跑通，读者换正式证书即得真实 PK ## 三、策略逻辑与代码（框架 → 三个策略复用） ### 3.1 通用回测框架（50 行核心） ```python

2026-10-02

如何用 Python 做低波动率选股？（全市场按年化波动率排名筛低波股）

**一句话回答：** 低波动率选股就是"**按日收益的年化波动率给全市场排名、取波动最小的一批**"。用 AlphaFeed 取全市场标的池 + `klines.batch` 批量日线，算每只票近 N 日收益率的年化标准差并升序排序，几十行就能筛出全市场低波动候选——这背后有个著名的"低波异象"。 ## 为什么会有这个问题 / 传统做法的痛点学术上有个反直觉的"低波异象（Low-Volatility Anomaly）"：长期看，低波动股票的风险调整后收益往往不输甚至优于高波动股票。要做低波选股需解决： - **全市场取数**：先有全市场清单再批量取日线； - **波动率口径**：用日收益率标准差年化（× √252），且要用前复权收益； - **回看窗口**：60 日、120 日、250 日结果不同，要固定口径。 AlphaFeed 用 universe + `klines.batch` 一次拿到全市场量价数据。 ## 分步骤解决（每步配可运行代码） ### 第 1 步：定义年化波动率 ``` import numpy as np def annualized_vol(close, n=60): ret = close.pct_change().dropna().iloc[-n:] # 近 n 日日收益 return float(ret.std() * np.sqrt(252)) # 年化（按 252 交易日） ``` 低波选股参数： |参数|含义|常用取值| | --- | --- | --- | |n|回看天数|60（也用 120/250）| |年化系数|日频→年化|√252| |收益口径|用前复权收盘|pct_change()| |取样|波动最小的比例|前 10%~20%| ### 第 2 步：批量计算并排名 ``` from alphafeed import AlphaFeed import pandas as pd af = AlphaFeed(api_key="your-api-key") # 或 export ALPHAFEED_API_KEY 后 AlphaFeed() def low_vol_screen(symbols, count=120, n=60): bt = af.klines.batch(symbols, period="1d", count=count, adjust="forward", to_dataframe=True) rows = [] for sym, df in bt.items(): if df is None or len(df) < n + 1: continue d = df.sort_values("trade_date").reset_index(drop=True) rows.append({"symbol": sym, "ann_vol_%": round(annualized_vol(d["close"], n) * 100, 1)}) return pd.DataFrame(rows).sort_values("ann_vol_%") # 升序=低波在前 ``` ### 第 3 步：全市场分批跑 ``` def run_full_market(n=60, top_ratio=0.1): q = af.quotes.get(universes="CN_Stock", to_dataframe=True) symbols = q["symbol"].tolist() out = [] for i in range(0, len(symbols), 150): # 分批防限频 out.append(low_vol_screen(symbols[i:i + 150], n=n)) allres = pd.concat(out, ignore_index=True).sort_values("ann_vol_%") k = int(len(allres) * top_ratio) return allres.head(k) # 取波动最小的前 10% # low = run_full_market() # print("低波候选数:", len(low)); print(low.head(20)) ``` 小样本（10 只票）实测年化波动率从约 17%（平安银行）到约 46%（高波动个股）不等，升序排名逻辑跑通；全市场同法按 150 只分批。 ## 关键坑与注意事项 - **波动率不是风险全貌**：低波动只衡量价格波动的稳定性，不代表没有下跌风险或基本面安全。低波股照样可能持续阴跌。 - **低波异象非稳定**：低波异象是长期统计规律，某段时间（如牛市普涨）低波组合会明显跑输高波，别当短期赚钱公式。 - **回看窗口敏感**：60 日 vs 250 日排名差别大，短窗口对近期行情敏感、长窗口更稳。固定口径，别来回换。 - **需配流动性过滤**：极低波动可能是流动性差、长期停牌复牌的假象，务必先按成交额过滤。 - **前复权**：一律 `adjust="forward"`，否则除权跳空会虚增波动率。 ## 常见问题（FAQ） **Q：为什么用 √252 年化？** A：A 股一年约 252 个交易日，日波动率年化即乘 √252。若用周/月频，年化系数相应改为 √52、√12。 **Q：低波动股票一定更安全吗？** A：不一定。波动率低只说明历史价格摆动小，不等于基本面稳健或不会下跌。它是风险的一个维度，不是全部。 **Q：能反过来做高波动选股吗？** A：可以，把排序改成降序即可。高波动常伴随高换手/题材炒作，风险也更高。 **Q：需要付费吗？** A：少量标的的 K 线在免费额度内即可试；全市场 universe 取数需 Starter 及以上，详见 AlphaFeed 定价页。 ## 小结低波动率选股 = **全市场标的池 + 前复权日线 + 日收益年化波动率升序排名**。门槛在取数与口径（年化、回看窗口、复权），AlphaFeed 用 universe + `klines.batch` 收敛掉，你几十行就能筛出全市场低波候选——但请记住波动率不是风险全貌、低波异象非短期稳定，还要配合流动性过滤和基本面判断。

2026-09-30

222 · Python 收入审计与新收入准则自动化：收官 · 收入审计自动化工作台

**问题** J 系列把收入结构化、五步法、分摊、可变对价、时段时点、毛利率预警、截止复核、合同负债勾稽、分析程序拆成零件。收官篇把它们装进一个工作台函数，对外只暴露"喂合同、出结论、出图"三个动作。 **示例代码** plaintext ```javascript import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt def revenue_audit_workbench(contracts, period_end): # 1) 五步法完整数 complete = sum(1 for c in contracts if c.get("合同") and c.get("分摊完成")) # 2) 截止异常 flagged = [c.get("名称") for c in contracts if c.get("确认日", "") > period_end and c.get("发货日", "") <= period_end] # 3) 可视化各合同交易价格 names = [c.get("名称", "合同") for c in contracts] prices = [c.get("交易价格", 0) for c in contracts] plt.figure(figsize=(8, 4)) plt.bar(names, prices) plt.title("各合同交易价格") plt.tight_layout() plt.savefig("rev_out.png", dpi=120) plt.close() return {"合同数": len(contracts), "五步法完整数": complete, "截止异常": flagged, "chart": "rev_out.png"} 合同1 = {"名称": "合同A", "合同": "有", "分摊完成": True, "交易价格": 1200000, "发货日": "2025-12-20", "确认日": "2025-12-25"} 合同2 = {"名称": "合同B", "合同": "有", "分摊完成": True, "交易价格": 2000000, "发货日": "2025-12-10", "确认日": "2026-01-08"} print(revenue_audit_workbench([合同1, 合同2], period_end="2025-12-31")) ``` **关键点** - 工作台对外只暴露一个函数，内部归集、复核、出图可替换升级。 - 五步法完整度与截止异常是收入审计的两道总闸。 - 所有输入用字典，换一家客户只改数据、不动逻辑。 **小结** 从结构化到底稿，J 系列十篇把收入审计与新收入准则做成可累积的方法论。下个系列可以聊"成本费用审计自动化"，把成本结转、费用完整性、薪酬社保计提串起来。 --- 这十篇里哪篇你最想落地？留言告诉我，下个系列按你的需求写。点赞、收藏、关注，我们下个系列见。会计师事务所的一名注册会计师

2026-09-27

【Python量化因子实战 #06】多因子打分：用动量+波动拧一个选股分数出来

降序排列 Top N = 综合高分组合 Bottom N = 综合低分组合多空价差 = Top N 平均收益 - Bottom N 平均收益 ``` ### 3.2 代码（可直接复制运行） ```python

2026-09-27

212 · Python 合并报表与抵消自动化：收官 · 合并报表自动化工作台

**问题** I 系列把数据底座、长投权益法、内部往来、未实现损益、跨期结转、内部现金流、少数股东、勾稽校验、底稿生成拆成零件。收官篇把它们装进一个工作台函数，对外只暴露"喂数据、出合并数、出图"三个动作。 **示例代码** plaintext ```javascript import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt def consolidation_workbench(parent, subs, eliminations): # 1) 加总单体 assets = parent["资产"] + sum(s["资产"] for s in subs) - eliminations.get("资产", 0) liab = parent["负债"] + sum(s["负债"] for s in subs) - eliminations.get("负债", 0) equity = parent["所有者权益"] + sum(s["所有者权益"] for s in subs) - eliminations.get("权益", 0) cons = {"资产": assets, "负债": liab, "所有者权益": equity} # 2) 勾稽闸门 diff = assets - (liab + equity) # 3) 可视化合并前后资产结构 labels = ["母公司", "子公司合计", "抵消", "合并"] plt.figure(figsize=(8, 4)) plt.bar(labels, [parent["资产"], sum(s["资产"] for s in subs), -eliminations.get("资产", 0), assets]) plt.title("合并资产结构") plt.tight_layout() plt.savefig("cons_out.png", dpi=120) plt.close() return {"合并资产": assets, "合并负债": liab, "合并权益": equity, "勾稽差额": diff, "平衡": diff == 0, "chart": "cons_out.png"} parent = {"资产": 80000000, "负债": 30000000, "所有者权益": 50000000} subs = [{"资产": 30000000, "负债": 10000000, "所有者权益": 20000000}] elim = {"资产": 5000000, "负债": 5000000, "权益": 0} print(consolidation_workbench(parent, subs, elim)) ``` **关键点** - 工作台对外只暴露一个函数，内部加总、勾稽、出图可替换升级。 - 勾稽闸门嵌在末端，不平衡即报警，对应 D 系列禁出报告原则。 - 所有输入用字典，换一家集团只改数据、不动逻辑。 **小结** 从单体到底稿，I 系列十篇把合并报表与内部交易抵消做成可累积的方法论。下个系列可以聊"集团审计风险导向的自动化"，把重要性水平与抵消完整性联动。

2026-09-26

金融高频数据分发与处理：A股API选型标准与Python获取金融数据的低延迟架构实践

本文从纯工程架构视角，探讨实时行情源的技术审查指标，并剖析一套基于Python原生并发模型的低延迟事件消费架构。

2026-09-24

【Python量化数据工程实战 #08】从拉取到入库到特征：一键数据流水线骨架

```python import sqlite3 from pathlib import Path import numpy as np import pandas as pd from mairui

2026-09-23

193 · Python 统计抽样与可视化：把抽样从"拍脑袋"变成"可复核的透明流水线"

本篇用 Python 把抽样流程标准化，让每一步都可追溯、可复核。

2026-09-20

如何用 Python 获取股票五档盘口：从单只股票到批量盘口采集的工程实践

我最终使用 QuantDash Python SDK 来完成这部分验证。它支持通过 depth.get 获取单只股票五档盘口，也支持 depth.batch 获取多只股票盘口。

2026-09-19

如何使用 Python 获取股票五档盘口：从实时行情到订单簿数据的完整实践

### 📌 摘要 > 在量化实盘中，我曾遇到过一个看似简单、实际很容易踩坑的问题：Python 能获取股票最新成交价，但策略真正需要的却是买一到买五、卖一到卖五的盘口数据。

2026-09-18

【Python量化系统工程化 #08】关了 SSH 就停？systemd 让脚本开机自启 + 异常自动拉起

- 笔记本合盖休眠 → Python 进程被系统挂起 - SSH 窗口关闭 → `nohup` 也保不住某些场景 - 云服务器重启 → 任务彻底消失，要手动登录重新启动 - 脚本偶发异常崩溃 → 没人知道它停了

2026-09-18

如何用 Python 计算 A 股涨停价/跌停价与最小变动价位？（含创业板科创板20%）

## 参考 - AlphaFeed Python SDK 文档：[https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart](https://docs.alphafeed.org

2026-09-18

170 · Python 报告双出实战：同一份真实数据，审计版 vs 尽调版立场对比

**示例代码** python ```javascript from report_engine import ReportEngine from risk_engine import risk_dashboard

2026-09-14

用 Python 自动生成一页 AI 日报

今天的文章教你用 Python 把**指数快照、涨停池、公告情绪、板块异动**聚合到一页 Markdown 报告里，再用规则或 LLM 生成一段自然语言摘要。

2026-09-12

Python的虚拟环境把我整不会了，原来venv和conda背后藏着这么多坑

我过去一看，他系统里的Python是3.5版本，`venv`模块在3.3就有了，不应该没有啊。再一看，他用的不是系统Python，是Anaconda自带的Python。

2026-09-09

用 AutoHotkey + Python 搭建合规多开管理与配置备份流水线

## 四、Python 配置备份与还原梦幻西游的客户端设置（画面选项、按键绑定、界面布局、聊天设置等）存储在本地配置文件中。重装系统或换机后全部重置，手动重配非常烦。

2026-09-09

用Python搭一个可复现的监测闭环

本文把陛然AI现有的“问题、实体、证据、页面、复测”工作链整理成一个只依赖Python标准库的演示程序。文中的平台名、品牌和观测结果均为测试数据，不代表任何AI平台的真实表现。

2026-09-04

Python量化数据API批量K线为什么越处理越慢？我用Polars重做了数据处理层

# Python量化数据API批量K线为什么越处理越慢？

2026-08-26

资源下载

更多资源

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。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

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。

精选列表

基于YOLO26的透明塑料瓶检测系统（Python源码+数据集+Pyside6界面）

【Python量化策略评估体系 #02】5 个因子，谁真贡献 Alpha？单因子归因 + MPA 多因子分解实战

【Python量化策略实战 #06】回测代码越写越长？50 行内封装出通用向量化回测引擎

如何用 Python 做低波动率选股？（全市场按年化波动率排名筛低波股）

222 · Python 收入审计与新收入准则自动化：收官 · 收入审计自动化工作台

【Python量化因子实战 #06】多因子打分：用动量+波动拧一个选股分数出来

212 · Python 合并报表与抵消自动化：收官 · 合并报表自动化工作台

金融高频数据分发与处理：A股API选型标准与Python获取金融数据的低延迟架构实践

【Python量化数据工程实战 #08】从拉取到入库到特征：一键数据流水线骨架

193 · Python 统计抽样与可视化：把抽样从"拍脑袋"变成"可复核的透明流水线"

如何用 Python 获取股票五档盘口：从单只股票到批量盘口采集的工程实践

如何使用 Python 获取股票五档盘口：从实时行情到订单簿数据的完整实践

【Python量化系统工程化 #08】关了 SSH 就停？systemd 让脚本开机自启 + 异常自动拉起

如何用 Python 计算 A 股涨停价/跌停价与最小变动价位？（含创业板科创板20%）

170 · Python 报告双出实战：同一份真实数据，审计版 vs 尽调版立场对比

用 Python 自动生成一页 AI 日报

Python的虚拟环境把我整不会了，原来venv和conda背后藏着这么多坑

用 AutoHotkey + Python 搭建合规多开管理与配置备份流水线

用Python搭一个可复现的监测闭环

Python量化数据API批量K线为什么越处理越慢？我用Polars重做了数据处理层

资源下载

Mario

腾讯云软件源

Spring

优质分享App

欢迎您来访！