30 阅读
实盘交易的心理陷阱：算法没有情绪，但写算法的人有
实盘交易的心理陷阱：算法没有情绪，但写算法的人有 凌晨 3 点，你从睡梦中惊醒。 不是被闹钟叫醒——是你自己设的告警。手机屏幕上，策略净值曲线在 20 分钟内下跌了 3.7%。你的手指本能地点开了券商 App，准备手动平仓。 然后你停住了。 你看着那条下跌的曲线，想起三个月前回测报告中同样的回撤——那一次，策略在 15 个交易日后创了新高。但现在，你不确定这次是否一样。你不确定自己是否应该相信那个
API 教程
TickDB API 开发教程、WebSocket 接入和 SDK 示例
21 阅读
多云灾备架构：当 AWS 美东宕机时，30 秒内切换到备用数据源
多云灾备架构：当 AWS 美东宕机时，30 秒内切换到备用数据源 凌晨三点，你的手机响了。 Slack 上跳出一条告警："AWS us-east-1 区域服务不可用，影响行情数据订阅"。 你揉了揉眼睛，打开 Grafana。订单簿频道的延迟从 80ms 飙升到 8000ms，然后彻底归零。某家头部云厂商的公开状态页显示：S3 存储服务出现异常，影响多个可用区。 这不是演习。这是真实发生的 2021
28 阅读
TickDB 为什么不支持美股 tick 数据？产品边界的坦诚解读
TickDB 为什么不支持美股 tick 数据？产品边界的坦诚解读 --- > “我调研了 8 家数据供应商，最后发现一个残酷的事实：没有一家能同时满足我的所有需求。” 这是我在一个量化社群看到的帖子。发帖的人是一名从互联网大厂转行量化的工程师，他花了三周时间对比各家的数据 API，整理了一张 47 行的对比表，最后的结论是：数据供应商之间存在不可调和的能力边界，选择哪家，本质上是选择接受它的局限
37 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 3 点，你被手机震醒。 Slack 频道弹出红色告警：你的服务器 CPU 占用 98%，进程全挂。你从床上爬起来，SSH 登录，手忙脚乱地敲命令。重启服务，祈祷数据没丢，打开 Grafana 看损失——还好，只是丢了几分钟的tick数据。 这不是段子。这是每个个人量化开发者都经历过的噩梦。 问题不是你的策略不行，是你的系统太脆弱。 一个人做量化，最难的不是因子挖掘，不是回测调参，而是：用有限
29 阅读
订单簿买卖压力比：从 depth 数据到交易信号的完整实现
订单簿买卖压力比：从 depth 数据到交易信号的完整实现 当订单簿开始倾斜 > "价格是市场共识的快照，订单簿是这种共识的解剖图。" 想象一个场景：苹果发布会散场后 15 分钟，库克站上舞台的那一刻，某只苹果供应链股票的买一价挂着 500 手，卖一价挂着 200 手。看起来多方占优。但如果你看到第五档、第十档的数据——卖方像一道缓缓上升的冰山，买方却在每一档都薄薄一层——你的判断会完全不同。 这
38 阅读
TickDB vs Tushare：A 股数据源的跨市场能力对决
> "你用了三年 Tushare，忽然发现你的策略在美股上跑不起来。" 这不是一个假设场景。这是很多 A 股社区的量化开发者，在尝试做跨市场策略时都会撞上的那堵墙。 Tushare 在 A 股数据领域几乎没有对手——财务数据、因子库、指数成分、Level 2 快照，它几乎覆盖了一个 A 股宽客需要的一切。但它的设计从一开始就是围绕 A 股展开的。一旦你的策略需要横跨港股、数字货币甚至美股，你会发现
29 阅读
3 个人的量化团队，如何搭建生产级数据基础设施
三个人的量化团队，如何搭建生产级数据基础设施 三个人的量化团队，第一年往往死于内耗。 不是策略失效，不是市场恶化，而是三个人写了三套回测框架、每人守着各自的数据源、API Key 硬编码在代码里随着代码 push 到了 GitHub 公开仓库，然后被调用量告警淹没。 这不是段子，是 2024 年 GitHub 官方统计出的真实安全事故：全球公开仓库中，有 23% 的项目至少泄露过一次 API Ke
21 阅读
限频自适应处理：当 API 返回 3001 时，你的代码该做什么
当 API 返回 3001 时，你的系统还在盲目重试吗 凌晨三点，你的行情监控系统触发了 15 次告警。 不是价格异动，不是成交量暴涨，而是一个你从未仔细想过的错误码——。 你的重试逻辑在 5 分钟内发出了 847 次请求，试图"绕过"限频。结果是 IP 被临时拉黑，整个监控体系瘫痪到次日开盘前。 这不是极端案例。这是每一位接入高频行情 API 的工程师，几乎都会踩的坑。 --- 限频的本质：为什
34 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 开篇 > “价差不会消失，但会惩罚那些等待的人。” 2024 年 3 月的一个深夜，BTC 在币安的价格短暂触及 $67,200，而 Coinbase 上的价格仍在 $67,050 徘徊。150 美元的价差持续了不到 3 秒——对于手动交易者，这是一道无法跨越的天堑；对于搭建了实时监控系统的量化开发者，这是可捕捉的信号。 价
29 阅读
自定义 TickDB SKILL：为企业级场景扩展专属行情能力
从数据消费到智能协作：企业级 SKILL 扩展实战指南 > “你们的风控系统能不能在流动性枯竭时自动告警？同时考虑不同市场的正常波动范围。” > > 这是一个量化风控总监在凌晨 3 点向 AI 助手发出的指令。如果 AI 能理解这句话并直接执行，这意味着什么？ > > 传统方案需要：写定时任务轮询 API → 解析数据 → 实现告警逻辑 → 维护告警阈值配置 → 处理各种边界情况。整个流程需要数周
55 阅读
3 个人的量化团队，如何搭建生产级数据基础设施
3 个人的量化团队，如何搭建生产级数据基础设施 你一定听过这个故事。 三个程序员凑在一起，决定做点不一样的事——用量化策略在市场里捞金。A 股、港股、数字货币，策略文档写得漂亮，代码跑得通，历史回测数据也调得漂亮。然后呢？ 然后各自用自己的电脑跑策略，数据各自存一份，API Key 藏在本地 文件里，代码通过微信发来发去，版本号靠文件名后缀——。 三个月后，他们发现策略回测结果对不上。不是策略的
36 阅读
心跳与指数退避重连：生产级 WebSocket 的必修课
凌晨 3:47，你的手机震了一下。 飞书消息：你的策略监控脚本异常退出。错误日志写着 。 你揉着眼睛爬起来看了眼 AWS CloudWatch：负载正常，内存正常，网络正常。那为什么断的？ 答案是：你的 WebSocket 客户端从来没写过心跳。 这不是小概率事件。在我们服务的量化团队中，十个接入实时行情的脚本，有七个在最初版本里没有心跳机制。它们在测试环境跑得好好的，一上生产就频繁断连——因为测
41 阅读
TickDB vs Polygon：从架构到体验的深度对比
数据战争的隐形战场：Polygon vs TickDB 全维度实测报告 --- 开篇：为什么这个对比值得花 4000 字 选数据 API 这件事，比选数据库更难受。 数据库选错了，顶多换库重写。行情 API 选错了，你的策略可能在关键时刻拿到错误数据，或者直接被限频卡死，或者回测时发现历史数据根本对不上——而你上线前根本不知道。 Polygon 和 TickDB 是目前量化开发社区里讨论度最高的两
66 阅读
从个人量化到团队创业：技术之外的挑战
从个人量化到团队创业：技术之外的挑战 写出一个夏普比率 2.0 的策略花了 18 个月。跑通第一个外部账户，又花了 6 个月。账户翻了两倍，你觉得时机到了——该上大仓位，该组团队，该把这件事做成一家真正的公司。 然后你发现，代码能力只是那张牌桌上最基本的一张。真正的挑战，是从"一个人写代码"切换到"带领一群人做事"。融资、法务合规、团队激励、品牌背书，每一项都是独立的专业领域，每一项做错都是致命的
45 阅读
时区标准化：UTC、EST、HKT 统一的最佳实践
时区标准化：UTC、EST、HKT 统一的最佳实践 > “你的回测曲线看起来完美，但实盘亏损了 30%。你以为是策略问题，实际上可能是时间戳差了 6 个小时。” 这不是夸张。我在一家量化基金的回测复盘会上，亲眼见过这样的案例：团队用港股财报时间（港交所 16:00 发布）和美股盘前数据做套利策略回测，胜率 78%。上线三个月后，策略持续亏损。最后定位到的问题是——他们以为港股财报在 UTC 16:
39 阅读
TickDB REST vs WebSocket：什么场景用哪个？接口设计的取舍
凌晨三点，策略的实时监控模块突然报了一条告警——某个期货品种的买卖价差在 3 秒内扩大了 40%。你打开日志，发现 WebSocket 连接在 6 分钟前悄无声息地断开了。 你的第一反应是什么？很多人会想：为什么不直接用 REST 轮询？反正我每小时才查一次历史数据，现在查一次实时快照应该也够用吧。 不够用。 这不是因为 REST "不够好"，而是因为它的设计初衷和实时行情的物理需求根本不在同一个
71 阅读
Python 量化生态全览：从数据到回测到实盘的工具链
当你的回测曲线漂亮得像假数据 凌晨三点，你盯着屏幕上那条完美的夏普比率曲线，心潮澎湃。5.2，最大回撤只有 3%，你甚至已经在脑海里规划法拉利选配了。 然后你打开实盘。 三个月后，你终于明白了一件事：回测是历史，回测是你用后视镜开车，而市场是一条永远不重样的路。 这不是你的策略有问题。这是你的工具链从一开始就走偏了——你用教学级的库做生产级的梦，用玩具级的数据做实盘级的决策。 Python 量化生
63 阅读
逐笔成交方向推断：用 tick 数据还原每笔交易的买卖方向
逐笔成交方向推断：用 tick 数据还原每笔交易的买卖方向 一、为什么这件事不简单 你有 10 年的美股 tick 数据，每一笔成交记录包含：时间戳、成交价、成交量。 你的任务是：给每一笔成交打上标签——这笔是主动买入还是主动卖出。 听起来是个简单的分类问题。价格上涨 → 买方推动 → 主动买入；价格下跌 → 卖方推动 → 主动卖出。 但实际数据会立刻给你一个下马威：超过 40% 的成交恰好发生在
29 阅读
如何估算你的 TickDB 月消费？用量预测与成本优化指南
你以为 API 调用是免费的？一位量化工程师的血泪账单 凌晨两点，你被一条告警推送惊醒。 不是策略亏损，不是数据延迟——是云账单。系统提示你这个月的 TickDB 用量已经超过了预期预算的 340%。 你盯着后台的调用日志，陷入了沉思：明明只接入了 100 只股票，为什么调用量会爆炸到 900 万次？哪个环节出了问题？ 这不是孤例。在量化开发者的社群中，每个月都会有人发出类似的灵魂拷问。我见过有人
931 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 > "回测年化 87%，实盘三个月亏 12%。" > > 这是我见过最让人沮丧的量化交易结局。不是策略本身的问题，而是那个人从一开始就没搞清楚回测系统和真实市场之间横亘着多少条鸿沟。 回测是一个完美的实验室。数据干净，延迟为零，成交无限快，滑点可以忽略不计。而实盘呢？每一笔挂单都要经过交易所的订单匹配引擎，每一笔成交都要排队等撮合，网络链路上的每一个节点都在产生时