42 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 > “回测时我的夏普比率是 4.2，实盘跑了三个月，变成了 -0.8。” > > 这不是段子。这是每一个量化交易者都踩过的坑。 2019 年，全球量化基金行业管理的资产规模突破 1 万亿美元。但另一组数据更值得关注：根据 Lipper 的统计，超过 60% 的量化对冲基金在实盘表现显著低于其历史回测。差距不是 10%、20%，而是直接跑出负阿尔法。 问题出在哪？不
API 教程
TickDB API 开发教程、WebSocket 接入和 SDK 示例
37 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
数据的沉默累积：一个凌晨三点的告警 凌晨三点，某金融数据系统的告警划破了寂静。监控大屏上，某个数据表的总行数在一夜之间从 2,300 万跳到了 2,580 万——增量高达 280 万行，远超日均 30 万行的正常水平。 这不是数据源在放量。这是历史数据回溯（backfill）。 上游数据供应商发现了三年前一批数据的计算错误，重新清洗后推送到数据管道。一场看似正常的“数据同步”，在缺乏保护机制的系统
36 阅读
量化数据源的定价模式拆解：按次、按月、按量，哪种适合你？
定价模型选错：一场财报季让你的量化账户归零 一个常见的故事：开发者花了三周搭建趋势跟踪策略，回测年化 23%，夏普 1.8。财报季一来，策略崩溃——不是因为因子失效，而是数据账单先爆了。 每天 8 万次 API 调用，月末账单 340 美元。原本预期 500 美元的月利润，变成亏损。这是大多数量化个人投资者在数据成本上踩过的第一个坑：把定价模型当次要变量，等到账单来才反应过来。 这不是个例。数据源
41 阅读
学术量化论文复现指南：从阅读到代码实现
学术量化论文复现指南：从阅读到代码实现 价格是结果，订单簿是原因。 这句话几乎出现在每一篇关于市场微观结构的论文里。但当你真正试图把这句话变成可运行的策略时，你会发现：从论文到代码的距离，远比想象中遥远。 2017 年，著名量化博客 Quantitative Trading 做过一项调查：超过 70% 的量化研究者表示，他们曾在复现他人论文时遭遇重大困难。其中近一半人最终放弃了。失败的原因不是数学
46 阅读
买卖压力比计算：从 depth 快照到实时信号
订单簿里的权力游戏：买卖压力比的科学计算与实时落地 > “价格是交易所里所有未成交订单的共识投票。你看到的每一个报价，都是有人在用自己的真金白银投票——而订单簿，就是这场无声选举的实时计票板。” --- 2024 年 8 月 5 日，日经 225 期货在亚市早盘触发熔断机制，跌幅一度超过 12%。如果你当时盯着订单簿，会发现一个清晰的预警信号：在价格加速下跌前的 3 分钟内，买卖压力比从 0.8
41 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
历史数据清洗对齐：TickDB 工程师亲述我们如何让 10 年行情“说同一种话” 当你的回测收益在实盘中消失：这不是策略问题，是数据问题 2019 年秋天，一个使用均值回归策略的量化团队遇到了诡异的情况：回测年化收益 34%，实盘运行三个月，最大回撤直接击穿风险阈值。团队花了六周排查因子逻辑、交易滑点、市场冲击——最后发现问题出在数据源。 他们用的免费数据 API，在处理 2020 年 3 月美股
48 阅读
量化求职技能图谱：2026 年量化研究员需要会什么
当量化猎头说"不合适"时，他们到底在说什么 "您的简历很优秀，但这个岗位需要的是能独立完成因子挖掘全链路的人选。" 这不是客气话。这是 2026 年量化求职市场的真实淘汰语——它精准地指出了一个被大量求职者忽视的结构性错位：你以为「会编程 + 爱炒股」等于量化入场券，但机构的评估维度是另一套完全正交的能力坐标系。 本文不是一碗关于"Python 是刚需"的鸡汤。我们来拆解一份量化研究员 offer
42 阅读
统计套利配对筛选：协整检验与卡尔曼滤波实战
市场在波动，但价差总会回归 凌晨三点，你的监控系统尖叫了一声。 不是暴跌，不是熔断，是两只看起来毫无关系的股票——它们之间的价差突然突破了历史均值三个标准差。你盯着屏幕，手悬在鼠标上方，脑子飞速运转：这是假信号还是真的套利机会？这个价差会回归吗？回归的速度够快吗？ 大多数量化新人会在这一步做出错误的判断：要么因为数据挖掘偏误过度自信，要么因为缺乏系统方法而错过真正的机会。而成熟的统计套利者，知道问
53 阅读
TickDB 如何做到单一连接跨市场？统一行情网关的技术解密
凌晨三点，你被手机告警惊醒。某个加密货币在美股财报发布后出现了瞬时暴跌，你在 200 毫秒内完成了做空，然后——什么也没发生。 你的行情源只支持数字货币。隔壁团队的消息比你早 800 毫秒，因为他们接的是彭博终端。 这不是你的策略不够好，是你的数据管道设计从根上就输了。 --- 量化交易的核心竞争力早已不是策略模型，而是信息抵达的速度与广度。一个能同时捕获美股财报冲击波、港股衍生品异动、加密市场闪
37 阅读
缺失值填充策略：向前填充、线性插值还是剔除？
缺失值填充策略：向前填充、线性插值还是剔除？ 凌晨 3 点，你的回测系统跑完了一个月的实盘模拟。 胜率 67%，夏普比率 2.1，最大回撤 8.3%。漂亮的数字。你信心满满地在模拟盘复现，结果三个月亏损了 23%。 这不是策略失效。这是数据在骗你。 具体来说，是那些你从没仔细看过的"缺失值"。停牌、午间休市、网络抖动——K 线数据中散布着这些空白，而你的填充方式，正在悄悄扭曲回测结果。 本文拆解
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 问你"想买点英伟达"时，你知道它有多狼狈吗 一个真实场景：你在 Cursor 里随口说"帮我看看英伟达最近的走势"，AI 助手大概率会回复一段关于如何申请 API Key 的废话，或者直接告诉你"我无法获取实时数据"。 这背后不是一个能力问题，而是一个协议问题——AI 不知道如何将"英伟达的走势"这个模糊意图，转化为结构化的行情查询请求。它没有统一的方式理解：查询哪个标的？用什么时间周期
62 阅读
策略容量估算：你的策略能承载多少资金
策略容量估算：你的策略能承载多少资金 > “回测是过去，容量是未来。” 2019 年，一家管理 2000 万美元量化基金的团队，凭借一套年化 47% 的策略登上了业内论坛。但到 2020 年底，他们的旗舰产品清盘了——不是因为策略失效，而是因为规模从 2000 万膨胀到 1.2 亿美元后，冲击成本吃掉了全部利润。 这不是个例。大多数量化新手在回测报告中看到漂亮的夏普比率时，从未问过一个问题：这套策
43 阅读
生产者-消费者模式在行情分发中的应用
当 100 万条消息撞上你的策略：生产者-消费者模式在行情分发中的实战 > "Every blocking call is a wasted cycle." 凌晨 3:47，你被一条 PagerDuty 告警叫醒。 生产环境监控面板显示：消息队列积压 47,000 条，历史最高。你的量化策略容器 CPU 飙到 98%，但吞吐量纹丝不动。重启服务后，队列瞬间清空——然后在 30 秒内再次积满。 这不
39 阅读
如何估算你的 TickDB 月消费？用量预测与成本优化指南
先问自己一个问题 你上周调用 TickDB 的费用超了，还是还有余量？ 大多数人在正式接入之前，不会去想这个问题。等收到账单的那一刻，才发现自己低估了调用量——100 只股票、分钟级数据、7×24 小时运行，三个条件叠加在一起，一个月轻轻松松就是几十万次请求。 这不是 TickDB 的问题，是估算方法的问题。 本文给出两件事：第一，一个你能在接入前就算清楚的用量公式；第二，一套让实际调用量远低于理
41 阅读
从回测到实盘：填平那 5 道鸿沟
> "2012 年 8 月 1 日，骑士资本（Knight Capital）的新版算法上线。由于部署脚本中的一行代码忘记被注释，某个交易所的做市标志被设为 false。在 45 分钟内，系统向纽交所发送了大量错误的市价单，买入而非对冲了数万只股票。当天收盘时，骑士资本损失了 4.6 亿美元——约占公司市值的 75%。 > > 这不是市场出了错。这是回测与实盘之间那堵墙，第一次被炸药级别的巨响炸开给
39 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
信号、缓冲区与 SQLite：构建可随时重启的量化数据管道 开篇 凌晨 3:47，你被一条告警震醒：数据管道在服务器例行更新后丢掉了重启前最后一小时的订单簿快照。 这不是"有可能发生"的边缘场景。这是每一个长期运行的数据采集系统必然遭遇的宿命：程序总会在最糟糕的时刻被中断——系统更新、资源告急、容器漂移、Kubernetes 优雅终止。区别只在于，你是否为此做好了准备。 大多数量化开发者的第一反应
44 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
行情数据的宿命：要么实时，要么归档 一个老问题：你在交易日收盘后，想复盘当天的分钟级走势，却发现数据要么散落在交易所的 CSV 里，要么干脆就没有保存。 实时数据靠 WebSocket 推送能拿到，但断网怎么办？凌晨服务器重启了怎么办？TickDB 的 REST 历史接口为此设计——让盘后归档成为一个可重复的、受控的管道工程，而不是靠手工导出和 Excel 拼凑。 本文的目标很具体：每天定时拉取
39 阅读
自定义 TickDB SKILL：为企业级场景扩展专属行情能力
企业级量化数据能力扩展：从数据孤岛到统一行情平台 > “你团队的行情数据，有多少个'烟囱'？” 每家量化机构都有自己的数据故事。有的团队用 Polygon 做美股，用 Binance 接入加密货币，用自有爬虫抓港股 level 2——三个月后，他们的行情系统里躺着 4 个 API 密钥、3 套鉴权逻辑、2 种数据格式，和无数个凌晨 3 点因为某个数据源宕机而被叫醒的夜晚。 这不是能力问题，是架构问
94 阅读
零成本量化方案：免费数据源 + 开源回测框架 + 免费云资源
从零到策略：零成本量化系统搭建完整指南 > "我的第一个量化策略，是在一台 2015 年的 MacBook Air 上跑完的。那时候账户里没有钱，脑子里没有框架，手里只有一根网线和一堆问号。五年后回头看，那台 Air 上跑的东西虽然粗糙，但它让我真正理解了：量化这件事，门槛从来不在钱，在于你有没有把链路跑通的决心。" > > 以下是一份完整的零成本量化系统搭建指南——从数据源到回测框架，从本地运行
70 阅读
统计套利配对筛选：协整检验与卡尔曼滤波实战
当价差不再随机：统计套利配对筛选的工业级实现 "价差收窄了 3 个标准差，你开仓了——然后它继续扩大，你爆仓了。" 这不是运气问题，是模型问题。大多数配对交易的失败，不是因为协整关系不存在，而是因为交易者把"历史协整"当成了"未来协整"。协整是动态的，hedge ratio 是漂移的，而你的固定阈值正在被市场的结构性变化悄悄杀死。 本文拆解一套工业级配对筛选流水线：从协整检验的统计过滤，到半衰期估