搜索[量化交易]结果-低调大师优秀个人博客

精选列表

搜索[量化交易]，共10000篇文章

噪声信号先过一道筛：Jev 帮量化把算力留给可信信号

量化链路里，策略输出的候选信号往往鱼龙混杂，其中不少是异常噪声。过去我不加区分地把它们全量送进后续复盘，噪声占用了大量计算。这一周我在复盘前加了一道 Jev 过滤，把明显无效的信号先筛掉，后续链路轻了

2026-09-23

Anthropic 提出三个度量指标，想量化“AI 发展到底有多快”

"我们芯片多、我们跑得快"——这种话听多了就容易变成营销。Anthropic 这次换了个思路：与其互相吹，不如直接把自家实验室的内部数据拿出来，给"AI 发展速度"这件事定一套可以测量的指标。它发了三份方法论性质的度量。第一份叫"AI 主导研发（AI-led R&D）"，借用 Epoch AI 的自动化分级（AL0 到 AL5，AL3 是 AI 协作、AL4 是 AI 主导）来统计 Claude 在自己公司内部研发里到底扮演什么角色。结论很克制：截至 2026 年 8 月，Claude 在任何抽样任务子集上都还没有做到完全自主，但已经主导了约 26% 的 AI 研发工作，处于"AI 协作"及以上水平的工作占比超过 90%。这组数字直接连着"递归自我改进"（RSI）这个悬案。Anthropic 想表达的是：AI 还没到完全自己改自己的程度，但"AI 参与研发"已经不是概念，是正在发生的日常。第二份量的是"对 AI 智能体的监督"。它说自己最常用的内部平台上，任意时刻都有约 3 万个智能体在做研究和工程。监督分两层——在线监视器实时看、覆盖率 100%，离线监视器事后翻。每周约 10 万份转录被审查，其中约 50 份升到人工处理。在超过 10 亿个决策里，只有 0.002%（约 1/47000）被拦截，监视器每千个会标记 1 到 2 个。第三份最有意思，量的是"算力分配"。Anthropic 抽查了 7 月 13 到 20 号那一周的全部算力，把工作负载分门别类，看有多少算力给了安全研究。结果：投入 AI 研发的算力里约 6% 给了安全方向，而 AI 主导研发的算力里约 12% 给了安全。它自己强调这些是"刻意保守"的估计——既推进能力又推进安全的任务不计入，模型安全分类器的算力也不算在内。深意在于：算力是 AI 研发流程里"最可验证的输入"，真要搞 AI 发展的调控（pacing），算力分配是最容易盯住的杠杆。配这几段数据的还有一个政策动作。Anthropic 明确提出要把独立的第三方评估者嵌入实验室、给予和内部团队对等的访问权限，也在推 AAIF 政策提案——Dario Amodei 之前公开呼吁过对整个行业的发展节奏做协调。 Anthropic 的立场很清楚：鼓励其他前沿实验室用同一套标准公布同样的数字。它承认安全研究与能力研究难以区分，开发者会有动力把界线画得对自己有利，所以举证责任该放在开发者身上，证明"这是安全相关工作"。这些数字绝对值未必多漂亮，价值在于给"怎么比较"定了一套统一标尺——这在"各家都在说自己最安全"的环境里，至少是个能对着谈的东西。来源：Measurements for understanding the pace of AI development inside frontier labs - Anthropic

2026-09-18

量化策略临时选股时，我为什么坚持先确定股票池再请求行情

程序启动后，先获取市场行情，然后把所有股票放进 Pandas DataFrame，再根据成交量、价格、涨跌幅等字段进行过滤。

2026-09-15

一根缺失K线，为什么会让我的量化回测结果失真

我曾经维护过一套股票量化回测框架，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和均线，再决定第二天是否调仓。

2026-09-13

量化程序部署到云服务器后，安全组别直接放通全部端口

把量化程序搬到云服务器时，大家通常先算 CPU 和内存够不够，安全组反而容易被顺手带过。最常见的做法是为了省事先选“放通全部端口”，想着程序跑起来再改，结果忙完部署就把这件事忘了。

2026-09-10

量化研究中如何处理数据缺口：从发现缺失到自动补洞的完整实践

策略本身并不复杂：每天收盘后计算过去一段时间的收益率、波动率和成交量指标，然后筛选股票进入下一交易日的候选池。

2026-09-09

# LLM 量化到底省不省电？我造了一个实测专家替你算

做 LLM 推理部署的人都会默认一件事：模型量化 = 省显存 = 省电。

2026-09-08

我用这套方法定位量化策略到底慢在哪

最初股票池只有大约 100 只股票，每隔一个固定周期获取数据，然后计算几个短周期指标。最开始运行得非常顺，单轮计算基本感觉不到延迟。

2026-09-07

Python 量化数据 API 怎么选？我认为稳定性比功能数量重要得多

对我来说，它比较适合研究代码的一点，是 Python SDK 可以直接返回 Pandas DataFrame。

2026-09-01

为什么个人量化者总在做数据工程：我踩过的三个坑

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。

2026-08-31

Python 量化入门：用 pandas 处理 A 股 K 线数据并计算技术指标

量化交易听起来很高大上，但本质就是用代码处理数据、发现规律。这篇文章从最基础的 K 线数据开始，教你用 pandas 完成数据获取、清洗、技术指标计算的全流程。

2026-08-25

【量化投资从入门到精通 #25】海龟法则：一套完整的趋势跟踪模板

很多策略只有"信号"，没有"怎么管仓位、怎么退出"。海龟法则（源自 1980 年代著名实验）把趋势跟踪做成可复制的完整系统，普通人照做即可。

2026-08-23

全球股票行情数据接入实战：一套 API 搞定多市场量化数据管道

最早接美股的时候用的某家老牌数据商，文档写得像天书，SDK 只支持 Python 2，光调通一个历史K线接口就花了我三天。后来业务扩展到港股和A股，又分别接了两个不同的数据源，三套接口、三种鉴权方式、两套字段命名，每天光维护数据同步脚本就要占掉半天。

2026-08-23

【量化投资从入门到精通 #24】事件驱动：公告 / 涨停池里的确定性机会

有些收益来自"信息差被消化"：业绩超预期、重组、政策利好，价格会在事件后修复。事件驱动就是系统化捕捉这类定价偏差修复。

2026-08-23

复权价 vs 原始价：量化回测中最容易被低估的“收益率杀手”

在量化交易的全链路中，价格数据的准确性直接决定了策略回测的可信度和实盘交易的盈利能力。然而，复权价格的处理却是量化开发中最容易被忽视、也最容易出错的环节。

2026-08-22

【量化投资从入门到精通 #21】均值回归：在布林下轨捡便宜的纪律

趋势策略在震荡市反复挨耳光。均值回归赌的是"跌狠了会弹、涨疯了会落"——适合没有方向的横盘市。

2026-08-22

大模型命名后缀解析：看懂参数、量化、蒸馏、微调标识，快速筛选适配本地模型19.6

最开始刚接触本地跑大模型时每次逛Hugging Face、ModelScope找权重，同一个基础模型能拉出十多个版本，后缀一串字母数字堆在一起，完全摸不着门道。当初不懂这些后缀含义，凭着感觉随便下模型，出过一堆哭笑不得的问题：

2026-08-16

基于腾讯云IoT的轻量化资产智能管控模式搭建与运维实践

为规范资产管控、优化运维流程，本文结合一线实操经验，依托腾讯云IoT、云数据库、COS对象存储等成熟云服务，结合RFID识别与磁吸U位传感技术，搭建轻量化云端智能资产管控模式，为行业运维数字化优化提供实操参考

2026-08-14

在云服务器上部署QUANTAXIS：国产开源量化框架全攻略（Docker实战）

在云服务器上部署 QUANTAXIS：国产开源量化框架全攻略（Docker 实战）这篇教程帮你解决什么问题： QUANTAXIS 是国产开源量化框架里功能最全的一个，但它依赖 MongoDB、Red

2026-08-11

被 AI 的"幻觉"坑过的量化人，都该立这 5 条铁律！！！

我是用 AI 辅助做量化策略的散户。一开始觉得：大模型这么强，让它帮我写回测、拉数据、算指标，效率起飞。结果效率是起飞了，翻车也起飞了。做量化最怕什么？不是回测亏钱——亏钱起码是真的。

2026-08-03

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。

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。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

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。

精选列表

噪声信号先过一道筛：Jev 帮量化把算力留给可信信号

Anthropic 提出三个度量指标，想量化“AI 发展到底有多快”

量化策略临时选股时，我为什么坚持先确定股票池再请求行情

一根缺失K线，为什么会让我的量化回测结果失真

量化程序部署到云服务器后，安全组别直接放通全部端口

量化研究中如何处理数据缺口：从发现缺失到自动补洞的完整实践

# LLM 量化到底省不省电？我造了一个实测专家替你算

我用这套方法定位量化策略到底慢在哪

Python 量化数据 API 怎么选？我认为稳定性比功能数量重要得多

为什么个人量化者总在做数据工程：我踩过的三个坑

Python 量化入门：用 pandas 处理 A 股 K 线数据并计算技术指标

【量化投资从入门到精通 #25】海龟法则：一套完整的趋势跟踪模板

全球股票行情数据接入实战：一套 API 搞定多市场量化数据管道

【量化投资从入门到精通 #24】事件驱动：公告 / 涨停池里的确定性机会

复权价 vs 原始价：量化回测中最容易被低估的“收益率杀手”

【量化投资从入门到精通 #21】均值回归：在布林下轨捡便宜的纪律

大模型命名后缀解析：看懂参数、量化、蒸馏、微调标识，快速筛选适配本地模型19.6

基于腾讯云IoT的轻量化资产智能管控模式搭建与运维实践

在云服务器上部署QUANTAXIS：国产开源量化框架全攻略（Docker实战）

被 AI 的"幻觉"坑过的量化人，都该立这 5 条铁律！！！

资源下载

Mario

Nacos

Rocky Linux

Sublime Text

欢迎您来访！