fengzhuqiaoqiu的博客

原创 【终审稿】用 Python 做 CNN-RNN 时间序列预测，先别急着堆网络层

本文介绍了CNN-RNN混合模型在时间序列预测中的应用，重点阐述了数据预处理和模型分工的关键思路。文章指出时间序列预测的核心在于：将连续历史窗口作为输入，预测未来单点数值。通过滑动窗口技术将长序列转化为"历史窗口-未来点"的样本对，并强调必须按时间顺序划分数据集以避免数据泄露。 模型采用CNN提取局部波动特征（如上升、下降、波峰等），再由RNN按时间顺序处理这些特征，形成历史记忆。最后通过全连接层输出预测值。文章通过Python代码示例展示了数据从原始序列到预测结果的完整流程，包括窗口生成、CNN卷积、RN

原创 【终审稿】别再把时间序列预测当普通回归了：CNN-RNN 到底在学什么？

本文介绍了CNN-RNN混合模型在时间序列预测中的应用。时间序列数据具有顺序性特征，传统回归方法难以捕捉时序关系。文章以月度数据预测为例，详细阐述了数据处理流程：首先将长序列切分为固定长度的历史窗口样本（如12个月预测下个月），强调样本顺序不可打乱以避免数据泄露。模型采用CNN提取局部波动特征（如上升/下降趋势），再通过RNN（LSTM/GRU/BiLSTM）学习时序依赖关系，最终输出预测值。文中配图展示了数据在CNN（卷积核处理局部模式）、RNN（时序记忆）和全连接层的维度变换过程，并提醒注意训练测试集需

原创 【终审稿】CNN-RNN 通用分类算法及 MATLAB 实现

本文介绍了如何利用CNN-RNN混合模型处理人体活动识别任务。通过分析UCI HAR数据集中的9路传感器信号（9×128），模型先通过CNN提取局部动作特征，再经LSTM整合时序信息，最终分类6种日常活动。文章详细拆解了数据处理流程、模型结构设计原理（包括卷积核大小、池化策略等关键参数选择），并强调数据划分需按受试者隔离以避免数据泄露。实验结果显示测试集准确率达90.14%，但静态活动（坐/站）存在混淆。该方法可泛化至其他时序数据（如Iris、MNIST），但需注意数据必须具有有效的局部模式和时序关系。文章

原创 CNN-RNN 混合回归预测及 MATLAB 实现：从 13 个特征到一个房价（含CNN-LSTM、CNN-GRU、CNN-BiLSTM）

摘要：本文介绍了一种基于CNN-RNN混合神经网络的房价预测方法，将13个房屋特征通过CNN提取局部组合信息，再经LSTM整合为全局记忆，最后输出连续房价值。文章详细解析了数据预处理、网络结构设计、训练评估流程，并提供了MATLAB实现代码。实验结果显示该方法在测试集上R²达到0.8316，能有效预测房价但高房价区域仍有提升空间。作者将完整流程封装为单行调用函数，包含数据划分、归一化、模型训练和可视化功能。

原创 本以为浮动网格能完胜固定网格——直到我跑完 180 组回测

本文对比分析了固定网格和浮动网格两种交易策略的核心差异与适用场景。固定网格采用固定锚点和等宽层级，适合震荡偏强行情（标的B收益+14.13%），能充分捕捉价格往返波动；浮动网格的锚点随成交价漂移，在单边趋势中表现更好（标的C收益+16.02%），但会错过小幅震荡机会。实验显示，两种策略在180组回测中整体收益接近（浮动网格略高0.47%），但各有所长：固定网格擅长收割反复波动，浮动网格更适应趋势行情。关键结论是策略选择应基于行情预判——震荡市选固定网格，趋势市选浮动网格，但需注意网格策略在单边行情中必然跑输

原创 看海量化回测系统正式推出 CLI 命令行模式！量化回测进入“自动驾驶”时代

看海量化推出CLI命令行工具升级，实现量化研究自动化。新功能支持批量参数优化、数据自动同步和AI指令执行，大幅提升策略开发效率。用户可通过简单命令完成数据管理、策略回测和结果分析，还能结合AI助手实现自然语言交互。CLI版本现已开放内测，为量化研究带来革命性体验升级。

原创 高速量化回测：把你的复杂因子存进 DuckDB，一次计算永久使用

本文介绍了如何利用DuckDB数据库实现量化交易中自定义指标的高效存储与读取。通过"预计算+持久化"的方式，可以大幅提升回测效率，将原本需要数小时的计算缩短至几分钟。文章详细讲解了两种数据写入场景（基于现有行情计算衍生指标和外部数据导入）以及两种读取方案（推荐的内存优先方案和灵活的动态查询方案），并提供了配套案例代码。核心工具包括khDuckDB（读取）、khDuckWrite（写入）、khIndex（高效读取）和khAddExtraFields（预加载声明），这些功能已在V3.2内测版

原创 【T0 策略专栏】第一讲：如何量化筛选T0交易标的

本文介绍了T0交易策略中标的筛选的关键方法。针对A股市场T0交易的特殊性，作者聚焦跨境ETF等制度性T0品种，提出五大核心筛选指标：单调性、趋势性、可预测性、日内波动率和流动性。通过Python量化框架，作者展示了如何从震荡特性、流动性和风险控制维度筛选出最适合网格交易的ETF标的，并分析了优质标的的典型特征。文章还分享了完整的代码结构和数据获取方式，为读者实践T0交易策略提供了实用工具。

原创 【T0 策略专栏】第一讲：如何量化筛选T0交易标的

原创 重磅升级：T+0交易模式全面解锁，网格策略实战利器上线！——看海回测系统V3.1.1版本发布

看海量化系统重磅升级T0交易功能，推出日内回转交易解决方案。系统智能识别T0标的，自动切换交易模式，支持实时持仓更新和高精度报价。提供独家T0 ETF股票池和深度交易复盘工具，可逐笔分析交易细节。同时开源经典网格策略模板，帮助用户快速上手。本次更新还优化了系统稳定性和数据兼容性，为高频量化交易提供专业支持。

原创 AI量化的终极形态：打通“一句话生成策略-＞代码修改-＞bug调试-＞一键回测”的全链路闭环，看海量化回测系统实战

本文介绍了如何将VSCode内联到看海量化回测系统中，实现AI策略生成、修改、调试、回测的一站式操作。重点讲解了使用RooCode插件的配置步骤，包括获取API密钥、配置Claude和Gemini模型，以及如何通过AI提示词工程将策略思路转化为可执行代码。文章提供了从准备工作到实战演练的完整流程，强调清晰的策略描述对AI生成质量的影响，并展示了从提问到回测的具体案例。最后说明了版本更新情况和内测福利，公开版本可在官网免费获取。这套系统旨在帮助用户轻松实现策略灵感，降低量化交易门槛。

原创 重大更新！看海量化内联 VSCode 编辑器，策略开发调试从未如此丝滑！

看海量化客户端V3.1版本重磅更新，深度集成了VSCode编辑器，实现量化策略开发的"一站式"体验。新版本提供完整的VSCode核心功能，包括代码高亮、智能补全、AI辅助编程等，并与客户端无缝联动，支持设置断点、单步调试、变量查看等高级调试功能。系统自动配置Python环境和调试参数，确保开箱即用。该版本目前为内测阶段，用户可通过官方渠道申请体验，享受版本领先和专属社群服务。公开版本V2.1已提供回测历史管理等核心功能，可在官网免费下载。

原创 经典“绿叶”算法——SVM回归预测（SVR）算法及MATLAB实现

本文探讨了量化交易中回归问题的应用场景及其解决方案。以SVR（支持向量回归）为核心，分析了其相比传统分类方法的优势：通过ε-不敏感损失函数引入"容忍带"机制，对小误差不惩罚，在控制过拟合的同时刻画非线性关系。文章详细介绍了SVR的三个关键参数（ε、C、核函数）的作用机制，并通过波士顿房价预测案例展示了完整的MATLAB实现流程，包括数据预处理、模型训练、预测评估和结果可视化。该解决方案强调将技术指标转化为连续数值预测，为量化交易中的价格预测、收益预估等任务提供了实用框架。

原创 机器学习鼻祖级算法——使用SVM实现多分类及Python实现

本文介绍了支持向量机（SVM）在多分类问题中的应用。文章首先通过鸢尾花分类问题引出SVM算法，详细解释了从二分类到多分类的One-vs-Rest策略。核心原理部分重点讲解了最大化间隔的优化思想、核函数的应用（线性核、RBF核和多项式核）以及关键参数C和gamma的意义。通过完整的Python案例演示，展示了如何用封装好的FunSVMMultiClass函数实现鸢尾花自动分类，包括数据准备、参数设置、模型训练和结果分析，最终达到了100%的分类准确率。文章还介绍了封装代码的便利性和简单使用步骤，并提供了代码获

原创 SVM多分类算法及MATLAB实现

本文介绍了SVM多分类算法的原理与应用。SVM通过寻找最优分界线实现分类，采用One-vs-Rest策略扩展多分类问题。文章详细讲解了核函数、参数调优等核心概念，分析了SVM的优劣势及适用场景。通过鸢尾花分类案例，展示了MATLAB实现过程，包括数据准备、参数设置、模型训练和结果分析。作者将复杂算法封装为简单函数，只需一行代码即可完成多分类任务，并自动生成可视化结果。该算法在医学诊断、图像识别、金融风控等领域有广泛应用。完整代码及文档可通过文末链接获取。

原创 解锁100+技术指标：khQuant集成MyTT，策略开发全面提速

下边演示的是使用 MyTT.MA的例子，大家可以对比一下这两种函数的区别，使用MyTT.MA函数，需要提前获取收盘价数据。在此期间，我们的工作重心将是：丰富更多的策略案例，进一步完善和优化策略工具库，并持续修复潜在的BUG，进一步提升软件的稳定性和易用性，确保在正式发布时，能带来尽可能完善的功能和体验。前期开发精力主要在框架搭建上，目前系统公开发布在即，补充一个常用指标库对于大家的策略编写是十分必要的。需要强调的是，khQuant 已经将 MyTT 完整集成到系统中，所以在您的策略里使用这些指标时，

原创 看海量化使用手册(二)：安装、配置与首次启动

《看海量化交易系统使用指南：环境配置与系统安装》介绍了该交易系统的安装部署流程。系统需在Windows 10及以上64位系统运行，建议配备多核CPU、16GB内存和SSD硬盘，并需预先安装MiniQMT客户端和VC++运行库。安装过程包括下载安装包、解压运行、设置路径等步骤。首次启动时需完成MiniQMT路径配置，并注意必须按顺序先启动MiniQMT客户端再启动量化系统。文章还提供了连接状态检查方法和内测资格获取方式，为下一步量化交易操作做好准备。

原创 【内测报告】AI量化回测系统khQuant运行半月总结，你想了解的都在这了

看海量化软件经过两周内测后，已针对用户反馈完成多项重大升级。核心更新包括：1）彻底区分"数据补充"和"数据下载"功能，新增二进制数据可视化查看器；2）推出全自动定时数据补充功能；3）采用多进程架构解决界面卡顿问题；4）优化一键加自选、图表显示等细节。未来计划构建标准化数据中台、集成代码编辑器和AI辅助编程。目前内测仍在进行，欢迎通过公众号"看海的城堡"加入，体验超前版本并与开发者直接交流。

原创 看海量化系统使用手册：核心优势与必备技能清单

《看海量化交易系统使用手册》发布，开源免费助力国内量化投资。该系统具有六大核心优势：完全开源支持个性化修改；数据策略本地化确保安全；GUI与Python双操作模式；深度整合AI技术；专为A股优化设计；支持Python全生态库调用。系统提供三层学习路径：入门级可编写基础策略回测，进阶需掌握机器学习，高级支持平台二次开发。目前开放内测申请，参与者可抢先体验新功能并加入专属交流群。开发者承诺系统永久免费，未来将提供更深入的策略研究社区。

原创 内测开启！看海量化回测系统V2.0版本更新，基于miniQMT的回测系统问世！

《看海量化交易平台V2.0内测公告》 Mr.看海宣布其开发的KhQuant量化交易系统即将迎来V2.0重大更新。为保障稳定性，将优先向内部交流群成员开放内测资格。内测旨在发现兼容性问题、优化用户体验，并完善相关文档。参与方式为通过作者推荐渠道开通MiniQMT账户加入内部群。该免费开源项目未来计划集成AI策略生成、扩展交易品类和数据源支持。正式版发布时间将根据内测反馈决定，届时将同步开源全部代码。看海感谢用户支持，期待共同打造更强大的量化交易工具。

原创 万字干货：从0到1，这份Python量化策略编程终极指南请收好（适用于看海量化回测平台khQuant）

在开始编写代码之前，我们先来理解一个核心概念：什么是策略框架？早上9点前，查看昨夜的全球市场情况，准备今天的交易计划开盘后，实时关注行情变化，根据技术指标做出买卖决策收盘后，复盘今天的交易，记录盈亏和经验总结这个流程其实就是一个完整的交易"框架"。而量化交易的策略框架，就是将这个人工流程用代码的方式实现出来。策略框架的核心价值你可能会问：为什么不直接写一个完整的交易程序，而要用框架呢？这就像盖房子一样。如果每次盖房子都要从挖地基开始，那会非常耗时耗力。

原创 你的下一把量化“瑞士军刀”？KHQuant适用场景全解析【AI量化第32篇】

如果你不满足于跟踪市场上的主流指数，完全可以创建属于自己的"自定义指数"。在KHQuant中，你可以根据特定的投资理念（如高股息、硬科技）或行业偏好，筛选出一篮子股票，定义它们的权重分配方式（如等权、市值加权），从而构建一个自定义指数。然后，你可以回测这个指数的历史表现，甚至在此基础上进行Alpha增强，开发超越基准的策略。✅。

原创 回测效率提升500%！khQuant打板策略回测性能深度剖析——基于miniQMT的回测系统深度优化【AI量化第29篇】

看海量化交易系统运行效率对比

原创 打板策略实战对比，khQuant回测横评第三弹【AI量化第29篇】

从上表可以看出，虽然KhQuant和Supermind在参数的配置方式和展示细节上有所不同（例如KhQuant倾向于通过配置文件和GUI进行更细致的暴露，而Supermind则更多依赖API和平台默认设置），但在本次对比中涉及的核心策略参数，如回测区间、初始资金、涨跌幅触发阈值、手续费率、滑点的大致水平以及核心买卖逻辑等方面，我都已尽力确保两者在数值和目标效果上是基本对齐的。在之前的分享中，我们曾通过一个相对简单的双均线策略，对KhQuant回测引擎的基础准确性进行了初步的验证。投资者据此操作，风险自担。

原创 看海回测系统回测过程

使用打板策略测试khquant框架

原创 大量化平台也有坑？khQuant回测横评第二弹，一次“排雷”实录【AI量化第28篇】

这次 KhQuant 与聚宽的对比测试，虽然中间出了点小插曲，但最终结果令人满意，也很有启发。此次遇到的问题再次提醒我们，不能迷信任何平台，尤其是涉及到钱的时候。写策略的时候一定要多留个心眼，对关键的函数最好做点测试验证，发现不对劲的地方要知道怎么在自己的代码里去修正，这样才能保证回测结果靠谱。而 KhQuant 这次能和修正后的聚宽结果对得这么严丝合缝，也说明了我当初设计它的一些想法是对路的。比如，在框架底层就内置了精确的成本计算和下单量控制逻辑，这样用户写策略时就不用太操心这些细节。

原创 【AI量化第27篇】看海量化 vs. 同花顺 回测横评！以“双移动均线”策略为例的量化回测结果深度对比分析

看海量化交易系统回测第一篇

原创 【AI量化第26篇】以配置为核心的工程化研究管理——基于miniQMT的量化交易回测系统开发实记

量化交易研究，尤其在策略回测阶段，通常涉及大量的代码编写和反复实验。许多研究者初期采用零散脚本验证想法，虽然看似快捷，但随着策略复杂度和研究深入，很快会遇到瓶颈：代码结构混乱、难以维护、重复工作多、实验结果难以精确复现。

原创 【AI量化第24篇】KhQuant 策略框架深度解析：让策略开发回归本质——基于miniQMT的量化交易回测系统开发实记

日志系统是任何复杂软件不可或缺的组成部分，它记录着软件运行过程中的关键信息、用户交互、潜在问题以及发生的错误。尤其在量化交易这样对稳定性、精确性和可追溯性有着严苛要求的领域，一个设计精良的日志系统更是至关重要。看海量化交易系统（KhQuant）构建了一套全面且用户友好的日志体系，旨在帮助用户实时监控策略动态、高效诊断系统问题，并为优化交易流程提供数据支持。

原创 【AI量化第24篇】KhQuant 策略框架深度解析：让策略开发回归本质——基于miniQMT的量化交易回测系统开发实记

本篇要讲到量化的核心了——策略。说白了每个投资者在股市中都是有一套自己的经验模式的，策略代码是把这些经验的固化，在排除掉人的情感的程序系统中运行。对于AI炒股，策略是实现人类思想与机器精密执行的桥梁，这就需要一个既符合用户使用直觉，又能精确衔接量化交易系统的标准化框架。

原创 【AI量化第23篇】数据下载/补充模块升级，并与回测系统正式集成——基于miniQMT的量化交易回测系统开发实记

一直关注我的朋友们都知道，目前我正在开发量化回测系统，前期看海量化交易系统开源了数据获取的模块，不过大家在使用过程中也反馈了一些问题：一是数据在下载过程中，程序会进入未响应的状态，影响软件使用体验。二是数据下载过程中没办法操作停止，只能通过退出软件停止下载。三是对于“数据下载”和“数据补充”的区别不甚了解。本篇将解决上述问题。同时数据模块将会正式作为组件嵌入到量化主系统当中。

原创 【AI量化第22篇】如何轻松看懂回测结果——基于miniQMT的量化交易回测系统开发实记

之前文章讲到了评价回测效果的量化指标，不过仅靠指标数字来评估策略，往往会忽略掉至关重要的细节，如同盲人摸象，只知其一不知其二。量化指标，比如年化收益率、最大回撤、夏普比率等，本质上是对策略在整个回测期间表现的高度概括和总结。它们就像给策略拍了一张“证件照”，能看到大概轮廓，但很多生动的细节、动态的过程都被“压缩”掉了。对此需要更多工具揭示这些细节的“放大镜”和“显微镜”。下图就是回测结果分析模块，当策略运行完后，这个模块会自动弹出。

原创 【深度学习量化交易21】行情数据获取方式比测（2）——基于miniQMT的量化交易回测系统开发实记

之前在测试单股订阅 subscribe_quote时，仅订阅了10只股票进行测试，测试发现这种订阅方式，由于每只股票数据都要单独触发一次回调函数，该过程变得有些低效。对于少量股票订阅该效率尚可，股票数量多了后，可能会带来不能接受的低效。对于非研投版的MiniQMT，单股订阅的上线是300只，那么就需要测试一下在订阅了300只股票时，单股订阅的实际表现了。

原创 【深度学习量化交易20】量化交易策略评价指标全解析——基于miniQMT的量化交易回测系统开发实记

之前开发过程中，对于回测结果有一个初步的评估（主要是看收益率），为进一步丰富评估指标体系，又加入了本文中所提到的这些指标。为了便于大家理解和查阅，在本文中一并进行介绍。

原创 【深度学习量化交易19】行情数据获取方式比测（1）——基于miniQMT的量化交易回测系统开发实记

最佳方法：订阅全推行情 subscribe_whole_quote次选方法：单股订阅subscribe_quote也就是两种方式可兼具，根据订阅的股票数量和策略场景自由选择。其实所谓“订阅全推行情”，并不是一定要把沪深的股票全部订阅，是可以指定要订阅的股票代码的。

原创 【深度学习量化交易18】盘前盘后回调机制设计与实现——基于miniQMT的量化交易回测系统开发实记

盘前时间是交易者准备当日交易计划、分析隔夜数据和市场情绪的黄金时段，而盘后则适合总结当日表现、调整策略参数并为次日交易做准备。本文将详细介绍盘前盘后回调机制的设计与实现过程，探讨如何在量化交易框架中优雅地集成这一功能，使策略开发者能够充分利用非交易时段进行策略优化和执行。

原创 【深度学习量化交易16】触发机制设置——基于miniQMT的量化交易回测系统开发实记

触发模式设置了4种：tick触发、1分钟触发、5分钟触发、自定义触发时间。

原创 【深度学习量化交易16】韭菜进阶指南：A股交易成本全解析

最近很多朋友问我回测系统开发的怎样了，目前我正以最快的速度把它肝出来。今天我们来聊一个看似枯燥但实际上关乎每一分收益的重要话题——A股交易成本。这些成本就像是股市里的"隐形税收"，不知不觉中侵蚀着我们的投资回报。本文将详细解析量化交易框架中的交易成本计算机制，包括佣金、印花税、过户费以及滑点等各项成本的计算方法，帮助投资者更全面地理解交易成本对策略绩效的影响。

原创 【深度学习量化交易15】基于miniQMT的量化交易回测系统已基本构建完成！AI炒股的框架初步实现

我现在所做的工作，是为AI量化搭桥铺路，当前的技术路径中，实时数据获取免费、深度学习工具足够开放、并且代码完全开源，我希望能真正让大家使用较低的学习成本，就能开发属于自己的量化交易策略。

原创 【深度学习量化交易14】正式开源！看海量化交易系统——基于miniQMT的量化交易软件

看海量化交易系统正式开源！