43 阅读
六家美股数据源 WebSocket 实现质量横评：谁最稳定？
> 编辑备注：本文为产品类-竞品对比维度文章，涉及外部数据源对比，按照手册第十八章规定，必须触发外部审核流程。建议配合复盘报告中的 Gemini 审核指令 V2.1 进行事实核查后再发布。 --- 当你的实盘策略因为 WebSocket 断连损失了 8000 美元 美东时间 2024 年 8 月 5 日，"黑色星期一"。日经指数暴跌 12%，VIX 一度触及 65。这一天，全球量化团队的告警系统响
API 教程
TickDB API 开发教程、WebSocket 接入和 SDK 示例
56 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 > "我最得意的策略，在回测里跑了三年没亏过。结果实盘三个月，我的干预把它毁了三遍。" > > 这是 Reddit quant 版一个老哥的发帖。他的策略没有问题——问题在于他管不住自己的手。 --- 一、为什么我们忍不住干预策略 量化交易的底层逻辑很简单：把情绪从决策链里剔除干净，让数学和概率接管一切。但很少有人告诉新手的是：这套逻辑有一个致命漏
48 阅读
缺失值填充策略：向前填充、线性插值还是剔除？
K 线缺失值：你的回测，可能是一场精心策划的自我欺骗 "你的回测跑了一年，夏普比率 3.2，最大回撤 4%，收益曲线漂亮得像教科书。然后实盘第一天，净值直接跌了 8%。" 这不是策略失效，不是市场变了，是数据在骗你。 停牌、午休、断连——K 线里的"洞"比你想象的多。你以为补上了，实际上填法不同，结果天差地别。更可怕的是，这种偏差不会报错，你的回测引擎会一脸无辜地给你一张完美的成绩单。 本文拆解三
41 阅读
用自然语言查行情：TickDB SKILL + AI Agent 实战集成
用自然语言查行情：TickDB SKILL + AI Agent 实战集成 > "你不需要记住 API 文档，你只需要像问同事一样问 AI。" 凌晨 2:47，你被手机震醒。英伟达盘后发布财报，股价在盘后交易中剧烈波动。你想知道现在的盘口结构——买盘还是卖盘更厚？成交量有没有异常放大？ 传统方案：打开终端 → 翻出 API 文档 → 写 Python 脚本 → 调试鉴权 → 等脚本跑完。数十分钟过
51 阅读
机构量化系统的数据治理：合规、灾备与 SLA
> "当 SEC 的调查人员要求你提供三年前某笔交易的数据时，你能在 24 小时内交付吗？" 这不是假设场景，而是 2015 年某匿名对冲基金真实面临的问题。该基金因交易策略亏损遭遇投资人问责，SEC 随即介入审查。调查人员要求调取 2012 年某日的完整交易记录——包括订单簿快照、下单时序、以及对应的 tick 级数据存档。该基金的 IT 系统记录显示"数据已归档"，但实际发现归档磁带存在物理损
44 阅读
自定义 TickDB SKILL：为企业级场景扩展专属行情能力
让行情数据成为业务的延伸：TickDB SKILL 自定义开发完全指南 > “最好的系统不是功能最多的，而是最容易被扩展的。” 这句话在量化交易领域尤为真实。当你的团队需要在 TickDB 标准接口之上构建专属的行情处理逻辑时，你面临的选择是：要么在业务层写一堆胶水代码，要么让数据层本身学会“理解”你的业务规则。 SKILL 协议给了你第二种选择。本文深入解析 TickDB SKILL 的开发规范
120 阅读
量化求职技能图谱：2026 年量化研究员需要会什么
量化求职技能图谱：2026 年量化研究员需要会什么 > “面试了 200 个求职者，我发现一个规律：能把简历上的项目讲清楚的人，通常入职后三个月能独立跑策略；连自己代码逻辑都说不圆的人，两周就会开始问蠢问题。” 这不是哪个量化私募 HR 的酒后吐槽，而是我在过去两年里访谈了 12 位量化团队负责人后，最常听到的一句话。 行业在变。2020 年之前，一个会用 NumPy 做均线策略的应届生，简历关通
88 阅读
滑点与冲击成本模拟：让回测更接近实盘
回测骗了你多少年？ 2019 年到 2021 年，有一只量化基金在美股市场频繁交易。他们有完整的因子库、严谨的风控体系、回测系统跑出了年化 42% 的夏普比率。实盘上线三个月，净值从 1.0 跌到 0.73。 事后复盘，原因很简单：他们的回测引擎完全没有模拟滑点。每一次买入，都假设能以报价价格成交。而实盘里，当他们试图建仓 200 万美元的仓位时，股价已经在毫秒内跳升了 0.3%。 这不是个例。根
50 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
从"消失的股票"到"完整的时间线" 2019 年 3 月，一家中型量化基金的风控报告里出现了一个诡异的现象：某个均值回归因子在过去两年的回测中表现优异——年化收益率 18.7%，夏普比率 2.3，最大回撤仅 8%。团队对这个因子寄予厚望，上线实盘。 六个月后，因子亏损了 34%，被强制清盘。 复盘时发现，罪魁祸首不是策略本身，而是一个看似无害的数据处理缺陷：他们的回测框架在计算历史某日的沪深 30
55 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 --- > “你脑海中有一个精妙的交易想法，但当它需要变成代码时，那堵墙高得让人绝望。” 这是许多量化爱好者的真实困境。他们理解市场，理解策略逻辑，知道什么时候该买、什么时候该观望——但他们不是程序员。在传统量化开发范式中，从“想法”到“回测系统”之间，隔着环境配置、API 调用、数据清洗、指标计算等一整套技术栈
57 阅读
滑点与冲击成本模拟：让回测更接近实盘
滑点与冲击成本模拟：让回测更接近实盘 > "回测时我是天才，实盘时我是韭菜。" 这句话在量化圈流传甚广，不是因为交易者谦虚，而是因为回测与实盘之间存在一道隐蔽却致命的鸿沟——滑点与冲击成本。你的策略在历史数据上每一次"假设成交"，都隐含着一个不真实的假设：你的订单总能以你想要的价格立即成交。 这是一个危险的假设。 当资金量超过一定规模，当市场流动性出现波动，这个假设会像纸牌屋一样坍塌。本文拆解滑点
41 阅读
策略连续亏损自动熔断：用状态机保护你的账户
凌晨三点，你的策略在干什么 2019年8月5日，一个普通的交易日。A股市场在特朗普宣布加征关税后大幅低开，沪指跌幅超过1.5%。某量化私募的CTA策略在开盘后的15分钟内连续触发止损，亏损迅速扩大。风控人员接到电话时，策略已经亏损了当月预算的40%。 这不是极端行情的偶发事故。这是一个风控系统失效的经典场景：策略在快速下跌中不断入场、止损、再入场，形成了一种被后来者称为"舔血陷阱"的恶性循环。直到
43 阅读
TickDB SKILL 协议详解：如何让 AI 助手理解你的行情查询
当 AI 说"查一下 AAPL 股价"时，幕后发生了什么 你问 AI 助手："帮我看看英伟达现在多少钱？" 3 秒后，它返回了结果：股价、涨跌幅、成交量，甚至还有盘口深度。 但你有没有想过：这个 AI 是怎么知道该调哪个接口、用什么参数、处理什么返回值的？它是凭空"学会"的，还是有一份文档在告诉它？ 答案是：SKILL 协议中的 文件。 这不是一份普通的使用文档。它是一套结构化规范，让 AI 能
45 阅读
从回测到实盘：填平那 5 道鸿沟
> “我的策略回测夏普 2.8，最大回撤 3%。实盘第一周，回撤 12%。” 这不是策略失灵的故事。这是一个关于认知差距的故事。 2021 年，一个有着 8 年量化经验的团队，用机器学习训练了一个美股统计套利模型。回测 5 年，夏普 3.1，最大回撤 2.4%。他们信心满满地上线实盘。三个月后，策略被关闭。事后复盘，他们发现：回测中从未出现的滑点，在高波动时段高达 8 个最小报价单位；API 延迟
47 阅读
格兰杰因果检验：美股与加密货币谁领先谁？
从"币圈跟着纳指跌"说起：如何用格兰杰因果检验科学地回答谁在带动谁 --- "币圈跟着纳指跌"——这句话你听过多少次了？ 2024 年初的行情让这个说法再度流行：纳指期货跌，比特币跟着跳；英伟达财报炸，狗狗币也跟着蹦。听起来好像加密货币完全是被美股带着走。但等等，同年 8 月比特币因为 ETF 通过的消息单日暴涨 10%，纳指同期基本没动。到底谁在带谁？ 这个问题在量化圈吵了很久，但没有几个人能拿
61 阅读
当日行情自动归档：用 TickDB 历史接口构建本地行情数据库
"当你的回测脚本跑了 3 小时终于通过，结果发现本地 K 线数据在 2024 年 3 月 15 日那天出现了一段诡异的缺口——交易所那天临时改了行情广播规则，你的本地数据库里只剩下卖一价、没有买一价，那 3 小时的回测结论全部作废。" 这不是耸人听闻的假设，而是每个经历过的量化开发者都懂的深夜噩梦。 本地行情数据库的可靠性，直接决定了策略回测结论的可信度。但手动维护一套完整的历史数据，存在三重困境
56 阅读
TickDB SKILL 协议详解：如何让 AI 助手理解你的行情查询
当 AI 学会查行情：TickDB SKILL 协议的技术解剖 普通用户说"帮我看看英伟达最近一周的走势"，AI 助手在几秒内完成了三个动作：理解意图、调出历史K线数据、将结果以图表形式返回。这不是魔法，背后是一套让 AI 理解"行情查询"这件事的协议——SKILL。 市面上有大量自然语言转 API 调用的方案，但大多数停留在"给 AI 扔一段 system prompt" 的粗糙阶段。参数靠猜，
54 阅读
量化小白从 0 到 1：搭建你的第一个美股量化策略
你能写交易逻辑，却找不到一条历史 K 线：量化入门者的困境与出路 "代码能跑就是对的。"这是大多数程序员在转型量化时踩的第一个坑。 当你决定把"苹果股价跌了我就买"这样的朴素想法写成代码时，你会发现一个尴尬的事实：你能写出一个完美的 逻辑，但下一秒就卡在了最基本的问题上——数据从哪来？ 这不是你的能力问题。这是整个量化生态系统的信息不对称。专业机构用彭博终端，每年几万美金；个人开发者用免费数据源
40 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
凌晨 3 点 17 分，你被一条告警震醒。 定时任务显示“同步完成，提交 847 条新记录”。你揉着眼睛打开数据库，发现不对——本地记录从 12 万条变成了 19 万条。这意味着上游新增的记录数远少于同步脚本告诉你的数量。或者是重复插入了，或者是某条历史记录被上游悄悄改了。 你打开上游的变更日志，发现他们上周做了一次数据清洗，把 2019 年的历史记录重新编排了 ID。你过去三年的本地数据，现在和
37 阅读
TickDB 的错误码为什么是 3001 而不是 429？统一错误码体系解读
统一错误码体系：为什么 REST API 和 WebSocket 不该共用 HTTP 状态码 "你的请求频率超限了，请 5 秒后重试。" 这句话在 API 文档中出现过多少次？但当这个提示真的出现在生产环境时，有多少人能在第一时间判断出：这是来自 REST API 的 429 响应，还是 WebSocket 连接断开后的定时器重连？ 问题的根源在于，许多 API 在设计时沿用了 HTTP 状态码的