TickDB API 开发教程、WebSocket 接入和 SDK 示例
凌晨 3 点 17 分，服务器日志里突然涌入一片连接断开的记录。你的量化策略刚刚错过了过去 4 分钟的行情数据——而你甚至不知道连接是什么时候断的。 这不是个案。在高频交易系统、数据监控服务、实时流处理平台中，WebSocket 连接“静默死亡”是工程团队最头疼的问题之一：连接看起来还活着，但数据已经停了；TCP 层面没有报错，但应用层已经彻底失联。 问题的根源往往不在网络本身，而在你是否正确实现
策略容量估算：你的策略能承载多少资金 三个资金量，同一个策略，截然不同的命运 2023 年夏天，一位量化交易者带着他的均值回归策略进入实盘。 回测 5 年，年化收益 82%，夏普比率 3.2，最大回撤 6.3%。一切看起来近乎完美。 第一阶段，他放入 20 万。收益曲线与回测几乎重合，月胜率稳定在 68%。 第二阶段，他追加到 50 万。前两个月正常，第 91 天开始，滑点从预期的 0.02% 悄
多源数据融合实战：用 TickDB 作为第二路行情交叉验证 > “量化策略的死法只有两种：一种是策略本身失效，另一种是数据源背叛了你。” 这不是危言耸听。2019 年某头部量化私募的技术事故至今仍被圈内反复讨论——主数据源在美股开盘瞬间出现 47 秒延迟，依赖单一数据源的 CTA 策略在毫无察觉的情况下追高杀跌，单日亏损超过策略历史最大回撤的两倍。 事故报告写得很清楚：不是策略错了，是数据骗了你。
企业级行情扩展：从标准 API 到自定义 SKILL 的实战指南 想象一个场景：你的量化团队需要实时监控 200 个标的的异常波动，当检测到流动性枯竭时自动触发对冲信号，同时将这些数据同步到内部的数据仓库。当团队规模从 3 人扩展到 30 人时，每个人都在重复造轮子——有人封装了 WebSocket，有人写了 K 线缓存，有人做了告警推送。 这是企业级行情系统的典型困境：标准 API 能解决 80
从 Python 到 Go：量化行情网关的性能跃迁 凌晨三点，你的 Python 脚本又超时了。 这不是你第一次在半夜被监控告警吵醒——订单流分析脚本在处理 burst 行情时，Python 的 GIL 像一道无形的墙，把你的四核 CPU 变成了单核跑道。G event/s 的消息量，脚本处理不过来了，延迟从 5ms 飙升到 200ms，等你反应过来，套利窗口早就关闭了。 这不是你的策略有问题，是
缺失值填充策略：向前填充、线性插值还是剔除？ 一、开篇 > "一只股票停牌三个月，期间指数上涨 30%。你用前值填充跑回测，策略夏普 2.4；你用线性插值跑回测，策略夏普 1.1。你相信哪个数字？" 这不是一个学术问题。这是每一个量化工程师在清洗数据时都会遇到的真实困境。 A股的午休断连、港股的半天交易、美股的盘前盘后——当你的时间序列被这些"空洞"打断时，选择何种填充策略，直接决定了你的回测结果
数据源选型地狱：一个 API，六个市场，十二个坑 凌晨两点半，你坐在屏幕前，面前是三份数据供应商的文档和两份 GitHub issue——一份是对方用户抱怨接口不稳定，另一份是你自己在两个月前写的，同样的问题。 这不是能力问题，是信息不对称问题。 你不知道那个 API 声称支持的"美股全市场数据"其实只到日线级别；你不知道"实时流"在极端行情下会退化成 30 秒轮询；你更不知道那个看起来很美的"t
五年实盘经验总结：回测与实盘的五大鸿沟 > "我的策略在回测中夏普比率 3.2，最大回撤 8%。上线实盘第一周，净值跌了 15%。" 这不是你策略的问题。这是回测与实盘之间的结构性鸿沟，每一位量化交易者都必须跨越的认知深坑。 本文拆解从回测到实盘的五大核心鸿沟：滑点、延迟、断连、过拟合、心态。每一个都配有可落地的工程解决方案，以及一段可以直接拷贝到生产环境的代码。 这不是理论课。这是一份实盘避坑指
当回测骗了你：向量化的甜蜜陷阱与事件驱动的真实代价 凌晨两点，你盯着屏幕上的夏普比率 3.27，心跳加速。这是三个月心血换来的成果——一个基于 MACD 金叉的策略，在过去五年的美股数据上跑出了惊人的回测曲线。你截图保存，发给朋友，准备第二天开始实盘。 一周后，账户亏掉了 12%。 这不是因为策略失效，而是因为你的回测框架从根上就是错的。它用"收盘价成交"的假设，掩盖了订单根本不可能在那个价格全部
前言 > "数据的选择决定了策略的天花板。" 在中文量化社区，这个问题几乎是每个入门者都会面对的：Tushare 还是聚宽？ 随着 A 股量化内卷加剧、跨境策略需求增加，这个问题的答案正在变得复杂。 Tushare 以其丰富的数据品类和零门槛的免费层，稳坐 A 股数据获取的"社区标准"。但当你的策略需要同时覆盖港股、追踪数字货币事件、或者需要实时监控订单簿深度时，Tushare 的边界开始显现。
> "你的策略能不能赚钱我不知道，但你的工具链选错了，下班时间肯定赔进去。" 这不是夸张。我见过太多量化新手，花三周时间折腾了一个回测框架，才发现它根本不支持自己想要的数据频率；也见过老手在实时信号触发时，因为代码没有异步处理，眼睁睁看着滑点从 0.02% 变成 0.5%。 Python 量化不是一门技术，而是一套工具链。工具链的核心在于分层——每一层都有它的使命、它的边界、以及它与其他层的衔接方