46 阅读
事件驱动回测框架：从零搭建一个可扩展的回测引擎
代码跑得通，和回测能信是两回事 2019 年，一个基于 MACD 金叉的策略在某社区流传。回测曲线漂亮得像是印钞机——夏普比率 3.2，最大回撤不到 8%。作者说这是"躺赚策略"，评论区涌入上百条"求代码"。 三个月后，同样的代码跑实盘，同一套参数，有人亏损 60% 清仓离场。 问题不在策略本身，而在于回测引擎的假设与现实之间存在一道裂缝：成交、滑点、信号延迟——这些在回测中"自动完成"的动作，在
API 教程
TickDB API 开发教程、WebSocket 接入和 SDK 示例
32 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 开篇：一笔回测从不告诉你的事 你盯着屏幕上的收益曲线，回测年化 47%，夏普 2.3，最大回撤 8%。然后上线实盘，第一周盈利 12%，第二周亏损 6%，第三周——策略停了。不是因为市场变了，是因为滑点把每笔交易的利润吃光了。 这不是策略失效，是回测假设欺骗了你。回测引擎里，每一笔买单都以信号触发时的价格成交，卖单同理。现实是：信号在 t=0 发出，
36 阅读
TickDB 如何处理停牌、退市、成分股调整？历史数据的完整性保障
退市、停牌、成分股调整：历史数据质量的三场硬仗 --- 2019 年 4 月，一个量化团队的因子模型在美股小盘股因子回测中出现了 23% 的年化收益。团队花了两周时间排查因子逻辑、订单簿数据和财报质量——一切正常。最后发现：回测区间内，有 17 只股票在当年发生了退市，而回测系统对退市股票的定价返回了零值或错误值，导致价格类因子在这部分样本上产生了严重的伪信号。 这不是个别案例。几乎所有历史数据库
60 阅读
策略容量估算：你的策略能承载多少资金
你的策略能承载多少资金？量化交易的容量陷阱与工程化估算方案 > "回测年化 78%，夏普 3.2。模拟盘跑了三个月稳如老狗。然后你信心满满地入金 50 万，三个月后年化变成了 12%。" 这不是策略失效了。这是你的策略在资金规模面前，遭遇了教科书级别的流动性瓶颈。 每一个量化交易者在回测阶段都会遇到一个甜蜜的烦恼：曲线太漂亮了。但几乎没有人会在实盘之前认真问自己一个问题——这 78% 的收益，是在
39 阅读
asyncio 实战模式：协程任务的生命周期管理
代码在凌晨崩溃，而不是在白天 凌晨 3:17，你的交易监控系统告警响起。500 个协程正在运行，其中 3 个因为网络抖动永久挂起，既不报错也不退出。内存持续增长，但你不知道哪一部分在泄漏。你尝试发信号取消，但主进程无响应——它不知道如何正确地等待子协程结束。 这不是想象中的场景。这是每一个用 asyncio 构建过生产级系统的人迟早会遇见的问题。 协程的生命周期不只是 和 。当你需要管理 100
39 阅读
TickDB 的延迟 SLA：99% 的请求在多少毫秒内返回？
TickDB 内容战略专家 · 内容创作对话框 --- 创作任务书 - 选题ID：P-PERF-001 - 标题：TickDB 的延迟 SLA：99% 的请求在多少毫秒内返回？ - 适配账号：两者均可（本文以技术类为主，兼顾决策者视角） - 植入强度：中（代码部分使用 TickDB，展示实测方法） - 一句话创作要点：用“量化团队深夜收到告警”的场景开篇，引出 SLA 不仅是数字承诺，更是工程契约
47 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
中小资金量化的数据源性价比选择：每月 100 美元怎么花 开篇 “你的策略收益率不错，但，数据费比利润还高。” 这句话不是段子，是很多个人量化交易者真实的财务报告。 我见过有人花 200 美元/月买行情数据，结果策略年化收益只有 150 美元。也见过有人为了省数据费，用延迟 15 分钟的免费数据，回测曲线漂亮得像艺术，实盘亏得像灾难。 每月 100 美元，是很多个人量化开发者愿意投入的预算上限。怎
120 阅读
自然语言行情查询：TickDB SKILL 协议的 AI Agent 集成
凌晨三点，你被手机震醒——某个你追踪了半年的波动率策略触发了告警。你迷迷糊糊摸过手机，打开交易终端，输入代码，等待数据刷新。整个过程花了 45 秒，而你的策略信号窗口只有 30 秒。 这不是某部悬疑片的桥段。这是每一个曾经依赖 GUI 交易终端的量化开发者都经历过的场景。 问题不在于数据不够快——而在于人机交互的方式太慢了。当你需要查一串股票的实时价格时，你需要切换到终端、输入代码、解析响应、然后
127 阅读
TickDB 的历史数据清洗对齐到底做了什么？对比原始数据的 5 个维度
同样的代码，截然不同的回测结果 2019 年，一个量化团队用同一套动量策略，在两套数据源上做了为期三年的回测。一套来自某数据商，另一套来自 TickDB。结果让人后背发凉：前者夏普比率 2.1，后者 0.85。策略参数几乎一样，只是数据不同。 这不是某一方算错了。这是"脏数据"和"清洗数据"之间的差距。 回测是量化策略的基石。如果数据本身就是歪的，那所有基于数据的结论——因子 IC、仓位权重、止损
105 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
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，你被一条告警推送叫醒。揉了揉眼睛，打开手机看了一眼——策略还在跑，订单正常执行，没有发生你想象中的爆仓惨剧。 这是你独立运行的量化系统，连续稳定运行第 847 天。 没有交易团队，没有基础设施团队，没有 24 小时值班运维。你只有一台月均 40 美元的云服务器，和一套自己从零搭建的量化系统。 这不是天方夜谭。这是每个个人量化开发者都
58 阅读
生产者-消费者模式在行情分发中的应用
削峰填谷：生产者-消费者模式下的行情分发架构 凌晨 3:47，美股期货夜盘开盘。 前一秒订单簿还波澜不惊，下一秒——英伟达盘后财报超预期，机构算法在 200 毫秒内完成了从「数据接收到订单成交」的全流程。你的策略刚刚收到第一条推送，队列里已经堆了 1,247 条待处理的行情消息。 这不是技术故障，这是速度战争中的结构性劣势。 行情数据的到达速率从来不是恒定的。财报发布、央行决议、流动性收紧——任何
71 阅读
策略连续亏损自动熔断：用状态机保护你的账户
策略连续亏损自动熔断：用状态机保护你的账户 --- 凌晨三点，你设置的“趋势跟踪策略”正在自动运行。 然后，连续亏损。 3 次。5 次。8 次。 你的账户在黑暗中被一点点侵蚀，而你正在睡觉。 这不是恐怖故事。这是每一个没有熔断机制的量化工程师迟早会踩的坑。 --- 一、为什么你需要一个熔断机制 先说个真实发生的事。 某私募的量化团队在 2022 年有个策略，专门做期权波动率回归。回测数据漂亮得不行
68 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
69 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
74 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
49 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
77 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
57 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
55 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
68 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