2 阅读
六家美股数据源 WebSocket 实现质量横评：谁最稳定？
六家美股数据源 WebSocket 实现质量横评：谁最稳定？ 凌晨 3 点 17 分，你的趋势策略在纳斯达克期货市场悄然运行。 你设定的逻辑清晰：监测 AAPL 订单簿的买卖压力比，当买盘堆积超过卖盘 2.5 倍且价格突破关键阻力时，触发顺势入场。回测结果漂亮——年化 23%，夏普 1.8。 然后，你的 WebSocket 连接断了。 不是用户误操作，不是服务器宕机，是你没注意到的网络抖动、代理超
API 教程
TickDB API 开发教程、WebSocket 接入和 SDK 示例
2 阅读
低代码量化：用 AI Agent + TickDB SKILL 实现自然语言行情查询
低代码量化：用 AI Agent + SKILL 协议实现自然语言行情查询 > "给我查一下英伟达最近一个月的走势，顺便告诉我波动率有没有异常。" 这句话，你说出口用不了 5 秒。但在传统量化流程里，从写代码到跑数据再到出结果，没有两个小时下不来。 这不是在抱怨。传统量化工具链的本质是"给程序员用的"，而真正需要量化能力的人——券商研究员、财经自媒体作者、主动型基金经理、甚至是一名认真做资产配置的
1 阅读
实盘滑点监控：当成交价偏离信号价超过阈值时告警
实盘滑点监控：当成交价偏离信号价超过阈值时告警 一笔不该亏的钱 2024 年 9 月一个普通的交易日。北京时间凌晨两点，你被飞书告警震醒。 你的趋势策略在纽交所收盘前捕捉到一个突破信号，模型发出做多指令，券商通道在 14.98 美元执行了买入。回测系统显示，这一信号的期望收益是 0.8%，按历史胜率统计，这笔交易应该在收盘前带来约 150 美元的利润。 第二天复盘，你发现实际成交均价是 15.21
1 阅读
异常值检测与修正：价格跳空、成交量突增的自动化处理
价格不会说谎，但数据会。 凌晨 3:17，你的 Slack 收到了告警：某小盘股在盘后交易中下跌了 63%。你的第一个念头是——这家公司发生了什么灾难性事件？是破产传闻？是做空报告？你下意识打开彭博终端，却发现新闻流静悄悄的。 15 分钟后，你发现那根刺眼的阴线消失了，价格回到原点。交易所后来确认：这是一笔错误订单触发的前后撮合，属于数据异常，而非真实市场异动。 你虚惊一场。但如果这个信号进入你的
3 阅读
3 个人的量化团队，如何搭建生产级数据基础设施
代码能跑和系统能跑，是两件事 凌晨两点，老张被飞书消息炸醒。 他睡眼惺忪地摸出手机，看到的是合伙人的一连串感叹号：回测系统崩了，数据对不上，净值曲线全是尖刺——过去三周的历史数据全废。那是老李刚同步过去的，他用自己本地的 MySQL 导了一份，结果字段类型不兼容，timestamps 全乱了。 老张坐起来，叹了口气，打开电脑。 这不是技术问题。这是协作问题。 三个人的量化团队，技术栈可能不差——P
4 阅读
加密货币跨交易所价差套利：BTC 在币安和 Coinbase 的价差监控
加密货币跨交易所价差套利：BTC 在币安和 Coinbase 的价差监控 --- 摘要：本文聚焦加密货币跨交易所价差套利的核心技术实现——如何用一套监控系统实时捕捉 BTC 在币安（Binance）与 Coinbase 之间的价格偏差，并判断是否存在可执行的套利空间。内容包括：跨交易所价差的形成逻辑与瞬时机会窗口、基于 WebSocket 的多交易所数据流架构、生产级 Python 代码（心跳保活
3 阅读
TickDB 如何做到单一连接跨市场？统一行情网关的技术解密
同一行代码，接入全球六个市场 2019 年，一个量化开发者花了三周时间对接七家数据供应商。他的代码库里散落着： - 一个 Poloniex 的 WebSocket 封装（用的是自己的心跳实现） - 一个 Interactive Brokers 的 TWS API 适配层（异步回调嵌套回调） - 两套美股聚合数据 feed，各有各的字段命名：一个是 ，另一个是 - 一个 HTTP 轮询脚本塞在角落
3 阅读
增量更新与去重：如何确保本地数据库与数据源同步且不冗余
数据同步的沉默杀手：重复记录与回溯修改 凌晨 3:17，告警短信响起。 你揉着眼睛打开监控面板，发现定时任务报错——数据库连接超时。更糟糕的是，之前几次重试后的数据堆积在内存里，重复写入了几十万条记录。你花了两个小时手动清理，然后开始怀疑人生：为什么这么简单的事情，做了三次还是会出问题？ 这不是你的代码写得烂。这是数据同步领域的核心矛盾：增量不增量，取决于你如何定义"增量"。 本文拆解三个实际问题
7 阅读
TickDB 的延迟 SLA：99% 的请求在多少毫秒内返回？
文章内容 TickDB 的延迟 SLA：99% 的请求在多少毫秒内返回？ 开篇 > "SLA 不是承诺给你的数字，是你在生产环境中实际量出来的分布。" 做量化系统的工程师大概都见过这样的场景：供应商拍着胸脯说"延迟 < 50ms"，结果盘前试了一下还行，财报季一跑——连接断了，数据丢了，P99 直接飙到两秒开外。合同里的 SLA 是一回事，生产环境里真实的尾延迟分布是另一回事。 本文不对任何竞品做
2 阅读
过拟合防范：样本外验证、交叉验证与复杂度惩罚
过拟合防范：样本外验证、交叉验证与复杂度惩罚 > "A model that fits the past perfectly is usually a poor predictor of the future." 这句话出自统计学泰斗 George Box 之口，却在量化交易社区被引用到几乎令人麻木。问题是：真正在构建策略时，大多数人依然在重复这个错误——用全部可用数据调参，然后惊讶于实盘结果的断
7 阅读
从个人量化到团队创业：技术之外的挑战
策略跑通那年，我认识一个上海的量化开发者。他的商品期货趋势策略夏普 3.2，年化收益 41%，最大回撤 8.7%。按理说，这是一份可以写进简历的成绩单。 但他找到我时，问的问题和代码毫无关系：“我现在想发产品，找了两个人，一个写交易系统，一个做风控。但三个月下来，效率反而不如我一个人干。是我选人眼光不行，还是这个方向本身有问题？” 这个问题的答案，我花了两年才真正想清楚。 --- 从个人量化到团队
10 阅读
一个人、一台云服务器、一套量化系统：个人开发者全栈指南
凌晨三点，你的策略还在跑，但你不敢睡 凌晨三点，屏幕泛着幽蓝的光。回测引擎刚刚跑完过去五年的数据，胜率 63%，夏普比率 2.1——看起来很美。但你知道这只是开始。 实盘的那一刻，所有纸面数字都会变得具体而残酷：行情延迟导致滑点扩大，网络抖动让你的限价单永远差那么几分钱，服务器内存告警在半夜三点把你叫醒，而你的策略正在亏损。 这不是你一个人的故事。这是每一个独自搭建量化系统的开发者都会遇到的十字路
19 阅读
业绩归因分析：你的收益来自 alpha 还是 beta？
业绩归因分析：你的收益来自 alpha 还是 beta？ > “收益率只是一个结果，理解它背后的来源才是区分职业选手和赌徒的关键。” 2024 年上半年，一位量化基金经理向笔者展示了他的策略监控面板：年化收益 23.6%，夏普比率 2.1，最大回撤仅 8%。数据漂亮，但他自己的问题是：“这 23.6% 里，有多少是市场 beta，有多少是行业轮动的 beta，有多少是真正的选股 alpha？” 他
12 阅读
六家美股数据源 WebSocket 实现质量横评：谁最稳定？
六家美股数据源 WebSocket 实现质量横评 开篇 凌晨两点，你的策略正在追踪财报后的行情波动。 盘后交易的流动性本就稀薄，API 返回的数据突然停了——不是数据延迟，而是连接直接断开。你盯着屏幕上的告警通知，发现 WebSocket 在财报发布后 87 秒处断开，而那时候恰好是波动最剧烈的窗口。 这不是孤例。根据多个量化开发社区的反馈，WebSocket 连接稳定性是生产环境中的高频痛点：断
15 阅读
Python 量化生态全览：从数据到回测到实盘的工具链
数据是原材料，工具链才是护城河 凌晨两点，你盯着屏幕上的回测曲线。 曲线很漂亮——年化 42%，夏普 2.1，最大回撤 8%。你心潮澎湃，复制代码，点下"实盘"按钮。 三周后，账户腰斩。 问题不在策略。问题在于：你的工具链从一开始就是建立在沙滩上的。回测引擎用 的 做偷价，走势图用 在日内精度上根本看不出滑点，实盘数据源和回测数据源是两套口径不同的系统——这一切叠加在一起，制造了一个永远无法
18 阅读
复权处理流水线：从原始价格到 CRSP 标准总收益
当你的回测收益多了一个零：拆解股票复权处理的工程迷雾 > "你以为你在 2015 年买入了茅台 100 股，持有到今天价值 50 万。但实际上，如果你按原始价格计算，100 股茅台早已不存在——它经历了多次送股和分红，如果不做复权处理，你的回测引擎会把你带进一个从未存在过的平行世界。" 这是每一位量化开发者迟早会踩到的坑：原始价格数据在经过拆股、分红、派息之后，数据本身已经发生了根本性变化。如果直
26 阅读
TickDB vs Tushare：A 股数据源的跨市场能力对决
> "选择数据源，本质上是在选择你的策略边界。" 如果你在构建 A 股量化策略，大概率绕不开 Tushare。这几乎是社区的事实标准——大量开源量化框架默认集成，教程、书籍、课程里到处都是它的身影。 但问题来了：你的策略真的只需要 A 股吗？ 当你想同时覆盖港股、美股、数字货币，做跨市场套利或宏观对冲时，Tushare 的边界就显现出来了。它为 A 股优化得很好，但跨出这片水域，能力骤降。 Tic
31 阅读
从回测到实盘：填平那 5 道鸿沟
从回测到实盘：填平那 5 道鸿沟 > “回测曲线是理想国，实盘曲线是现实。” 2019 年，Man Group 的一篇研究报告指出：量化对冲基金中，约有 70% 的策略在实盘表现不如回测。其中近一半的差距来自三个可量化的原因——滑点、延迟、断连；另外两成则隐藏在更难对付的领域：过拟合与心态。 这不是散户才有的问题。Two Sigma、Citadel 级别的机构，每年花费数百万美元在交易基础设施上，
30 阅读
Embedding 股票相似度：从价格序列到向量检索
股票相似度：从价格序列到向量检索 "走势相似"是量化分析中最朴素的假设之一。 如果两只股票的收益率序列在历史上高度相关，那么当其中一只出现异常波动时，另一只是否也会随之调整？这个假设构成了配对交易、风险平价、因子暴露分析的理论基础。 但"相似"究竟如何量化？简单的皮尔逊相关系数只能捕捉线性相关，无法处理非线性变换后的相似性。举例来说，茅台和五粮液的股价都随白酒板块涨跌，但它们的绝对价格水平、波动幅
17 阅读
TickDB 的历史数据存储架构：10 年数据如何做到秒级查询
一块行情数据的"时间旅行" 凌晨 3:17，某量化基金的因子系统触发了一次罕见查询：回溯苹果公司 2015 年以来的全部日线数据，叠加 2016 年几次财报的分钟级快照，交叉比对波动率因子的失效时点。 这个查询涉及的数据点超过 2.3 亿行，跨 8 年时间窗口。系统返回结果的时间：1.4 秒。 这个数字背后不是运气，是一套经过精细设计的存储架构在支撑。本文不聊玄学，从原理层面拆解 TickDB 的