24 阅读
TickDB 能做什么、不能做什么：一份诚实的产品能力图谱
TickDB 能做什么、不能做什么：一份诚实的产品能力图谱 > “选型阶段没搞清楚能力边界，上线后才发现数据断了，这不是技术问题，这是项目经理的噩梦。” 做量化交易系统，数据源选型是所有技术决策中最昂贵的隐性成本。一次选型失误，可能导致整个系统重构；一份不准确的产品文档，可能让团队在错误的方向上跑三个月。 本文的目的很直接：不吹不黑，把 TickDB 的能力边界说清楚。我们覆盖哪些市场，支持哪些数
API 教程
TickDB API 开发教程、WebSocket 接入和 SDK 示例
26 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 + TickDB SKILL 实现自然语言行情查询 凌晨两点，你从床上坐起来。 不是失眠，是突然想到一个交易想法：最近港股科技股的财报季，买入那些营收增长超过 50% 但股价还没动的标的，胜率会不会更高？ 这个想法在脑子里盘旋了五分钟，然后你打开电脑—— 然后你发现，你不知道怎么查“港股科技股里，营收增长超过 50% 但近一个月涨幅小于 5% 的股票”。你去同花顺
28 阅读
技术指标计算优化：用 TA-Lib 还是自己写向量化？
技术指标计算优化：用 TA-Lib 还是自己写向量化？ 定价错了，再好的策略也是亏钱。 这不是因为你的因子不够聪明——而是因为系统在高并发场景下，技术指标计算成了瓶颈。你推算的 RSI 超买信号还没算完，价格已经跳了两档。等你反应过来，信号早已失效。 这是每个量化团队都会遇到的天花板：策略逻辑是对的，但计算延迟把边缘优势吃光了。 本文拆解三种主流技术指标计算方案——TA-Lib、Pandas 向量
20 阅读
TickDB vs Polygon：从架构到体验的深度对比
TickDB vs Polygon：从架构到体验的深度对比 文档性质：完整技术文章 选题ID：P-CMP-001 分类：产品类 / 竞品对比 适配账号：量化老白（兼顾机构决策者） 植入强度：强（独立章节 + 生产级代码 + 对比表格） 预计字数：4500-5000 --- 一、开头 "架构决定上限，数据决定下限。" 这是量化团队在选型时最容易忽视的一句话。选择数据供应商不仅仅是
31 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 --- 你亲手写的那套策略，过去 18 个月跑出了 3.2 倍夏普。你信心满满地跟几个朋友聊起这事，其中一个说：“要不我们正式搞起来？”你想想觉得可以，然后打开电脑开始搜：“量化基金怎么注册”“需要几个人”“法律上有什么要求”——然后发现，代码之外的东西比你想象的复杂十倍。 这不是一篇关于 alpha 的文章。这是一篇关于你准备好没有的文章。 --- 一、第一
18 阅读
事件驱动回测框架：从零搭建一个可扩展的回测引擎
当回测说"年化 80%"时，你在为什么付出代价？ "策略在回测里赚钱，在实盘里亏钱"——这不是策略的错，是你看不见回测框架的假设边界。 每一个量化交易者迟早会遇到这个时刻：对着历史数据跑出的漂亮曲线信心满满，结果一上实盘就被打得满地找牙。有人怪市场变了，有人怪滑点太狠，但真正的问题往往藏在回测框架的底层假设里——你用的是什么引擎，它牺牲了什么来换取速度？ 回测引擎主要分为两大流派：向量化回测和事件
25 阅读
TickDB 的延迟 SLA：99% 的请求在多少毫秒内返回？
延迟的艺术：当订单簿在 12 毫秒内完成重构 下单前的那一刻，你看到的行情是真实的吗？ 这不是一个哲学问题。2019 年 8 月，标普 500 指数在交易日最后 30 分钟闪崩 5%，事后调查发现，大量零售经纪商的行情推送延迟了 400-800 毫秒——也就是说，当散户以为自己看到的是"现价"时，订单簿已经在十几毫秒内完成了三次重构。 800 毫秒的延迟，在高频交易的世界里，已经足够让做市商的报价
29 阅读
学术量化论文复现指南：从阅读到代码实现
从灵感到代码：学术量化论文复现的系统方法论 2026 年的某天凌晨三点，你从 arXiv 上读到一篇论文，标题写着《基于机构订单流特征的短期股价预测》。核心逻辑清晰：利用主力单与散户单的比率，构建一个预测次日收益率的因子。回测显示夏普比率 1.8，最大回撤只有 8%。 你兴奋地打开笔记本，准备用周末两天把策略跑起来。 然后你发现：论文里的数据来源是个黑箱，提到“来自某匿名数据提供商”；因子定义中的
33 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
文章 价格之上，还有暗流 2010年5月6日，美股市场发生了著名的"闪电崩盘"（Flash Crash）。道琼斯工业平均指数在几分钟内暴跌近1000点，然后又几乎完全反弹回来。事后的调查报告中，有一幅图让所有量化研究员屏住了呼吸——那张图不是价格走势图，而是一张密密麻麻的散点图，每个点代表一笔成交，横轴是时间，纵轴是成交量，点被标记为红色（卖出）或蓝色（买入）。在那几十秒的崩盘窗口中，蓝色点几乎完
20 阅读
TickDB 的 WebSocket 单连接能订阅多少标的？压测报告
连接是有极限的。但你的策略可能还没摸到它。 凌晨三点，你的监控面板弹出一条告警——某只小盘股瞬间闪崩 23%。你下意识打开订单簿想复盘，结果数据卡在 5 秒前的快照上，等画面刷新出来，流动性已经消失了。 这不是网络问题。这是很多数据源在多标的并发推送时的真实表现：连接数不够用，报文在服务端排队，延迟像滚雪球一样越滚越大。 关于 TickDB 的 WebSocket 连接，官方文档写的是"单连接支持
15 阅读
为什么 TickDB 的 API Key 放 Header 而不是 URL？鉴权方式的安全性解读
为什么 TickDB 的 API Key 放 Header 而不是 URL？鉴权方式的安全性解读 一、一个真实的教训 2019 年，某金融科技公司在 GitHub 上泄露了一份代码。泄露的不是算法，不是策略，而是一个 URL： 这个 API Key 是生产环境的。 三小时后，攻击者用这个 Key 下单了 47 笔期权价差套利，锁定了 120 万美元的名义价值。攻击者知道这是真实的——因为订单簿和成
26 阅读
学术量化论文复现指南：从阅读到代码实现
你读了三遍的论文，还是不知道怎么写代码 第一次读，你被数学推导震撼。 第二次读，你试图理解核心假设。 第三次读，你决定动手实现——然后卡在了数据获取上。 你的屏幕左边是 PDF，右边是空白的 IDE。策略逻辑你已经倒背如流，但回测需要什么数据？Tick 数据还是 K 线？需要多久的历史？论文里的参数在代码里怎么初始化？ 这不是能力问题。这是方法论问题。 学术量化论文的复现，本质上是一场「从论文语言
27 阅读
低代码量化：用 AI Agent + TickDB SKILL 实现自然语言行情查询
你的策略不会说话，但 AI 可以替你开口 凌晨三点，你的手机震了。 你迷迷糊糊拿起手机，看到飞书推送：「AAPL.US 买盘压力比突破 2.5，建议关注」——这不是你自己写的监控脚本，是 AI Agent 在替你看着。 这不是科幻。是你接下来的 20 分钟能亲手搭出来的东西。 本文手把手演示：用 AI Agent 调用 TickDB 的行情 SKILL，把自然语言查询变成可执行的量化信号。不需要你
17 阅读
优雅关闭与状态持久化：如何让程序随时重启而不丢数据
程序员的午夜惊魂：那条没存进去的数据去哪了 凌晨 3 点，你的行情监控服务突然被云厂商重启了。WebSocket 断开的瞬间，最后一笔深度数据——买卖盘口里那个关键的 45,000 股卖压堆积——还没来得及落盘就没了。 重启后的程序空空如也。它不知道刚才发生了什么，订单簿初始化为零，从头开始重建。10 分钟后，它才重新捕捉到类似的价格信号，但彼时市场环境早已不同——那次机会窗口，就这样永远错过了。
28 阅读
策略连续亏损自动熔断：用状态机保护你的账户
开篇 凌晨 3:47 分，警报声打破了寂静。 一位量化工程师从睡梦中惊醒，手机屏幕上是一条异常通知：他的趋势策略在过去 4 小时内连续亏损 12 次，账户回撤达到了 8%。他翻身下床，手忙脚乱地打开终端，试图手动停止策略——但市场在那个瞬间已经崩了。他的策略继续开仓，仓位在一片混乱中被强制平仓。账户净值从峰值回撤了 23%。 这不是虚构的场景。这是 2010 年 5 月 6 日“闪电崩盘”中真实发
14 阅读
TickDB 为什么不支持美股 tick 数据？产品边界的坦诚解读
前言 凌晨两点，一位量化开发者盯着屏幕发呆。他的均值回归策略在过去三个月回测中表现优异，但实盘收益却持续亏损。他反复检查因子逻辑、订单路由、交易成本——一切看起来都没问题。 直到他意识到一个被忽视的细节：他的回测数据是分钟级 K 线，而他的实盘信号基于逐笔成交。分钟 K 线抹平了订单簿的微观结构——那些藏在买卖价差里的流动性陷阱、那些被快照遗漏的冰山订单。他需要 tick 数据，而且必须是美股的。
22 阅读
TickDB 的 WebSocket 单连接能订阅多少标的？压测报告
凌晨两点，告警拉响。延迟从 50ms 飙升至 800ms，内存占用率冲破 80%。根因查了一个通宵：策略监控系统订阅了 847 个标的，单连接每秒接收超过 3000 条消息。 这不是孤例。几乎所有构建实时行情系统的开发者，都会在某个节点面对同一个问题：一个 WebSocket 连接，到底能承载多少订阅量？ 官方文档写的“不限”二字，是技术宣言还是营销话术？代价是什么，边界在哪？ 本文的答案是：亲自
16 阅读
中小资金量化的数据源性价比选择：每月 100 美元怎么花
中小资金量化：100 美元 / 月的精确花法 --- 本文导航 - 你的预算正在被三种隐性成本吞噬 - 成本分配模型：三类资金的“黄金比例” - 实时数据 vs 历史数据：ROI 剪刀差 - 三种典型场景的选型决策树 - 生产级数据获取代码模板 - 100 美元 / 月预算分配方案（直接可抄） - 结语与分层行动引导 --- 你的预算正在被三种隐性成本吞噬 做量化的人常有一种错觉：只要找到“便宜的
18 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 价格是投资者看到的最终结果，而订单簿是所有结果的源头。 每一笔成交价背后，都有买方想要买入的数量、卖方想要卖出的数量、以及他们各自愿意接受的价格档位。盘口上密密麻麻的数字不只是静态的挂单，更是一个实时博弈的快照。但当你打开 Level 2 行情，看着十几档甚至几十档的挂单量，你可能会陷入一种熟悉的困境：数据太多，信号太少。 这就是买卖压力
16 阅读
Python 量化生态全览：从数据到回测到实盘的工具链
Python 量化生态全览：从数据到回测到实盘的工具链 > “工具选错，三周白干。” 这是我第三次听到朋友抱怨同样的事情：他花了整整三周学完 Backtrader，准备回测一个财报事件策略，结果发现数据源根本无法满足他的需求——不是精度不够，就是接口不支持实时推送。他最后不得不推翻重来。 这不是个例。Python 量化生态的现状是：工具太多，信息太杂，新人很容易在一个错误的地方消耗大量时间。 本文