python自动化工具-CSDN博客

原创音频转文字与说话人识别部署与使用指南

本方案在 CentOS 7.6 纯 CPU 服务器上部署了一套完整的通话音频处理流水线音频转文字（FunASR）+ 说话人角色识别（3D-Speaker CAM++），输入一段客服/双人通话录音，输出带说话人标注、时间戳的中文对话稿。

2026-10-16 17:33:06 200

原创 AI直接操作windows电脑插件安装与使用指南

ZCode Computer Use（简称 CUA）是 ZCode 官方插件，允许 AI 智能体通过Windows UIA 无障碍树（Accessibility Tree）操作桌面应用程序。它不依赖截图视觉识别，而是直接读取操作系统的语义控件树，通过元素索引精确点击、输入、选择，实现比坐标点击更可靠、更高效的桌面自动化。

2026-10-16 16:38:14 40

原创 ETF轮动策略基于ATR、均线、RSI三重止损，年化超280%

之前的策略, 但是最大回撤达到了36%，为了降低回撤，通过基于ATR、均线、RSI的三层防护体系，实现了近90%的绝对收益，年化超280%，同时控制最大回撤在24%以内，夏普比率高达4.42，说明单位风险收益极佳。虽然胜率仅略高于50%，但盈亏比高达2.02，说明“小亏大赚”特征明显。目前的ETF轮动策略的核心逻辑并不复杂：每天从固定的ETF/LOF候选池中，通过一套打分机制选出得分最高的两只标的持仓，持仓期间持续监控风险，一旦触发止损条件就立即平仓，并且被止损的标的在7天内不再买入。

2026-09-19 20:04:31 88

原创不改策略，把 PTrade 策略搬到本地回测和AI驱动

平台策略本地化的核心，不是把所有代码重写一遍，而是把平台提供的“隐形运行环境”显式实现出来。当gcontext、调度器、行情接口和订单系统都有了本地对应物，原 PTrade 策略就可以保持原貌运行。本地环境由此能够承担快速调试、批量研究和逻辑回归；而平台环境继续负责官方撮合验证和实盘执行。KHQuant是一套本地Python量化回测工具，可连接miniQMT行情，读取CSV行情，模拟账户、持仓、订单、费用和滑点，并生成净值与交易报告。

2026-09-19 20:04:09 39

原创目前最强的价格行为技术分析AI！大A也能用！还免费！

有球友推荐了一个历史最强的价格行为技术分析AI工具，使用下来确实很惊艳，解决了很多AI工具黑盒过程，难以回溯的问题，他的决策过程可解释，提供决策树、诊断结果、原始响应、调试信息和未来走势预期。用户能够看到模型为什么选择“做多、做空或不下单”。会检查置信度、入场条件、盈亏比、结构失效和冷却期。最大的优点不是“预测一定准确”，而是把主观的价格行为分析整理成了可重复、可解释、可校验、可持续跟踪的工程化流程。本文记录本项目在 Windows 上的实际部署与启动方法。

2026-09-19 20:03:39 41

原创 ETF轮动采用Huber回归算法优化，五年回测达2.5倍

这套Huber+Sigmoid评分框架总体而言比普通线性回归稳定，在避免过度拟合极端行情的方面效果显著。但参数敏感性和多周期适配的细节仍需在实盘和回测中反复验证。而且在近一年半的效果远好于2021年-2023年，策略年化收益率达79.38%，年化超额收益达到66.21%，最大回撤为28.30%，其中一个原因也可能是沪深300从2021年到2023年的基准收益率也只有-30%多，轮动策略再怎么轮动，也是受到标的池中最好的收益的限制。

2026-09-16 21:07:59 127

原创历史最强价格行为技术分析AI工具回测改造

之前文章中介绍了，基于当前最新的数据去做分析，但是作为多疑的量化人员，肯定还是想要验证一下历史回测数据，所以本文中增加了获取数据的日期范围，对AI的历史表现进行验证。

2026-09-16 21:07:51 22

原创 PTrade回测一轮十几分钟？我用AI加本地回测把迭代速度提了一个量级

在 PTrade 上写过策略的人多半有过这种体验：改一个参数，提交官方回测，等几分钟到十几分钟出结果，看完发现还有一处要改，再提交再等。一个想法的验证被拆成一天里若干次等待，试错速度跟不上思路。这次换了个流程：把 ETF 轮动 V20 策略整个搬进本地的 MTZQuant 回测平台，AI 负责读日志、找问题、改代码、跑验证，本地一轮几十秒，改到满意再拿回 PTrade 官方回测对账。

2026-09-16 21:07:42 24

原创回撤30.3%的ETF轮动策略,让AI查库、找证据、改代码,压到23.8%

在PTrade或者聚宽上做策略的人,对下面这个循环都不陌生:跑回测,看结果,不满意,改两行代码,再跑一遍。难受的地方不在跑,而在中间那一步。净值曲线为什么这个月大幅回落,成交记录里哪几笔拖了后腿,参数动了之后别的月份会不会变差,这些问题光靠平台页面给的展示往往答不上来,只能一页页翻成交明细,肉眼对净值,拿计算器敲。一轮下来半天没了,结论还不一定站得住。我把回测搬到了本地,自己搭了一个框架 mtzQuant,聚宽和 PTrade 的原生策略不改一行代码直接跑。

2026-09-16 21:06:57 845

原创本地回测Ptrade和聚宽的量化平台的Web页面是怎样的

经过两个周的编写,消耗13.5个亿的token之后,mtzQuant 的 Web 控制台终于初具雏形。并不只是单纯把回测结果做成网页，而是把一次完整的策略验证过程搬进浏览器里：从新建任务、上传策略、实时监控、动态回撤观察，到历史复盘与再次迭代，都可以在同一套界面内完成，驱动也可以采用AI的指令去实现。兼容的策略接入PTradenative实时回测可视化CLI命令化。

2026-09-16 19:54:27 33

原创我为什么要自己开发一个本地回测Ptrade和聚宽的量化平台

mtzQuant 是一个本地优先、事件驱动、多策略平台兼容的量化研究与回测平台底座。它以本地 CSV 数据起步，目标是让聚宽 / PTrade 原生策略代码零改动地在本地回测，让回测过程实时可视，并把每一次运行的完整记录保存下来，做到可查询、可比较、可重放、可追溯。最初的想法来源是有球友偶然一句"是不是可以把ptrade在本地回测，让AI辅助"，现在已经进入 AI 时代，Agent 可以直接阅读本地代码、修改策略、运行测试、分析日志，甚至围绕一个目标持续迭代；

2026-09-16 19:54:18 34

原创研报收藏吃灰？我用AI把一篇券商策略变成了可回测代码

看到广发金工一篇神经网络ETF绝对收益策略的月度跟踪，今年以来收益26.42%，曲线平滑，回撤可控。想复现，翻完全文发现研报只给了框架：AGRU神经网络做大盘择时，个股Alpha因子聚合到指数层面做ETF轮动，两路信号叠加。模型结构、因子定义、训练超参一概没有。现在把链接交给AI编程助手，从解析研报到产出一份可以本地回测的策略代码，一个下午全部跑完，中间还修了三个数据层面的坑，做了一轮优化。这篇文章记录完整过程，重点不是代码，是每一步的判断依据。

2026-09-16 19:21:30 31

原创 AI 大模型 API 中转站，兼容 OpenAI + Anthropic 双格式

local-api是一个简易但完整的 AI 大模型 API 中转站，参考one-api架构，兼容 OpenAI Chat Completions 和 Anthropic Messages 两种 API 格式。用户只需修改 base_url 和 api_key 即可接入，支持流式和非流式响应。

2026-09-14 22:16:42 45

原创 [QMT和ptrade量化交易小白入门]-132、ETF轮动策略：把止损止盈交给分钟bar，收益变+47.64%，回撤35.40%压到12.62%（量化python代码解析）

移动止盈要先把峰值定义清楚。这里的峰值取持仓期内的最高分钟收盘价，初始化时把成本价也放进候选，防止刚入场时峰值被低估；持仓期间每分钟刷新，现价较峰值回落 8% 就离场。阈值扫描做了 5%、7%、8%、10% 四档（消融编号 M1）：5% 太紧，正常波动就能把持仓打掉，利润跑不远；10% 放得太宽，单标的的回撤被放大；7% 到 8% 一带卡玛比率最优，定稿取 8%。

2026-09-14 22:05:32 844

原创 [QMT和ptrade量化交易小白入门]-131、ETF轮动策略加了持仓优化，回撤升高2%，收益升高了10%

本专栏主要是介绍QMT和ptrade的基础用法，常见函数，写策略的方法，也会分享一些量化交易的思路，大概会写200篇左右。QMT的相关资料较少，在使用过程中不断的摸索，遇到了一些问题，记录下来和大家一起沟通，共同进步。

2026-06-08 19:19:40 238 1

原创 [QMT和ptrade量化交易小白入门]-130、ETF折价套利与轮动策略，ETF轮动策略加了分钟级风控，回撤从45%降低到了9%

2026-06-01 13:59:56 194

原创别人家涨得熔断了，回来看了下回测结果，原来早就在

2026年5月27日，韩国股市因芯片板块爆发触发熔断机制，KOSPI指数盘中涨幅达5%。市场分析认为这是泡沫加速期的典型表现，受美股科技股带动及资金推动影响。量化模型显示，尽管5月19日已捕捉到信号，但因45%的回撤幅度过大而错失机会。文章详细介绍了ETF打分方法，通过年化收益率、R2值、风险调整收益和动量因子进行综合评分，强调模型识别机会与策略执行间的差距。这一事件凸显了市场"肥尾效应"，也为量化策略提供了宝贵的压力测试案例。

2026-05-27 23:01:17 319

原创 [QMT和ptrade量化交易小白入门]-129、ETF折价套利与轮动策略，年化156.49%，是否有未来函数

2026-05-25 16:05:11 315

原创 [QMT和ptrade量化交易小白入门]-128、ETF轮动固定池，更具实用性，年化也能到128%

2026-05-25 16:04:24 152

原创 [QMT和ptrade量化交易小白入门]-127、五福闹新春简化固定池，总收益率反而从 43.72% 升到了 74.17%

2026-05-11 15:15:36 200

原创 [QMT和ptrade量化交易小白入门]-126、五福闹新春策略迁移ptrade：286%年化收益是否包含未来函数(一)

2026-05-11 15:13:38 381

原创 [QMT和ptrade量化交易小白入门]-128、五福闹新春添加本地市值文件，年化收益率为 45.23%

由于ptrade平台没有提供净值数据的接口，上一篇文章中在本地获取 1457 只 ETF 的历史净值数据，今天我们将历史净值数据的csv文件上传到ptrade平台上，补全溢价率的指标，策略的年化收益率为 45.23%，但超过26%的回撤意味着波动较大。之前的回测中数据请求模式存在三个主要问题：重复请求导致API调用次数过多、高频请求增加网络延迟、循环中逐个获取数据造成性能瓶颈。五福闹新春V2策略通过引入市场数据缓存类，系统性地解决了这些问题。

2026-04-25 17:26:23 241

原创 [QMT和ptrade量化交易小白入门]-125、菜场大妈加上四大现金行业指数风控，最大回撤从22%减少了一半

群里面有人建议，在菜场大妈策略的基础上，加入申万的行业指数（银行，钢铁，有色，煤炭）测算其宽度，当这四大行业其中有一个高就会清仓（用来控制回撤）。这背后的逻辑是，在存量资金博弈的市场环境中，资金总量相对固定，当银行、钢铁、有色、煤炭等大市值周期行业因基本面改善（如涨价、政策催化）或避险需求而走强时，会吸引大量资金涌入，导致其他板块（尤其是小市值股票）面临流动性虹吸。经过回测，对比上一个版本发现确实是可以降低一半的回撤，最大回撤从22.3%降到了11.4%，而且有很多时间是空仓等待。

2026-03-31 20:23:24 226

原创从付费安装到付费卸载，字节也来“收割“龙虾用户了，太快了。。

现在是全员“养龙虾”了，有人付费安装，有人被偷摸赔了真金白银，有人付费卸载，龙虾不知道养肥了没有，卖铲子的是养肥了。现在飞书推出了一个更简单、更神奇的方法，真正实现“小白狂喜、不花钱、不配置、自动集成”。的推出彻底改变了游戏规则，卖铲子的人可能要哭了。从您的第一张图可以看到，这是“飞书妙搭”与“OpenClaw”的官方合作页面。您需要：访问找到“OpenClaw智能助手”卡片点击那个醒目的按钮（图片中红色边框的黑色按钮）2.

2026-03-20 14:48:20 947

原创量化交易策略中的卖出认沽策略从保险思维到博弈思维的逻辑转换

值得注意的是，该策略的风险敞口呈非线性特征，最大亏损可能达到行权价与权利金之和，需严格匹配风险承受能力。这种思维模式强调确定性收益，例如某投资者以50元/股持有股票，同时卖出行权价45元的认沽期权，若股价维持在45元以上，即可获得全部权利金；例如，当VIX指数处于历史低位时，认沽期权隐含波动率往往被低估，此时卖出认沽可获得超额权利金。将波动率σ分解为历史波动率与隐含波动率之差，构建波动率偏差指标。关键结论：博弈思维通过主动管理波动率偏差，在保持风险可控的前提下，实现了收益质量的实质性提升。

2026-03-13 09:57:52 613

原创卖出认沽期权策略的权利金收入最大化定价模型与市场情绪的协同效应

卖出认沽期权（Short Put）是量化交易中经典的现金流生成策略，其核心功能是通过承担标的资产下跌风险，获取权利金收入。3）作为波动率套利工具，捕捉市场情绪错定价机会。Delta（Δ）：衡量权利金对标的资产价格变动的敏感度，卖出认沽的Δ∈[-1,0]，当|Δ|>0.3时需警惕尾部风险。Vega（ν）：反映波动率变化的影响，ν>0意味着波动率上升将导致权利金损失，需结合VIX指数进行反向对冲。Theta（Θ）：时间衰减速率，在到期前30天达到峰值，此时每日权利金损耗可达初始价值的2%-3%。

2026-03-13 09:57:13 540

原创震荡市与低波动率环境下卖彩票策略的适配性分析及实现

其核心逻辑是：在标的资产价格波动率被高估时，卖出看涨或看跌期权，赚取时间价值衰减带来的收益。当市场处于震荡市时，投资者往往过度担忧未来波动，导致虚值期权（OTM Options）的隐含波动率显著高于历史波动率，形成“波动率微笑”现象。在低波动率环境中，不同期限的期权隐含波动率呈现特殊形态：短期期权（<30天）因流动性不足常被高估，而长期期权（>90天）则相对低估。统计结果显示，在震荡市中，“卖彩票”策略的月均收益率为1.8%-2.5%，显著高于趋势市中的0.6%-1.2%。

2026-03-11 11:24:08 520

原创卖出认沽策略中波动率与时间价值的量化收益机制分析

卖出认沽策略的本质是通过精准度量波动率与时间价值的动态平衡，实现风险补偿与资本效率的最优化。相较于单纯的趋势跟踪策略，其优势在于能够在震荡市中创造稳定的现金流，但也对风险管理能力提出了更高要求。未来的发展方向在于融合机器学习算法，构建自适应的波动率预测模型，以及开发更精细化的时间价值管理工具。

2026-03-11 11:23:29 392

原创卖出认沽期权策略的盈利逻辑与风险量化分析

历史数据显示，VIX指数突然飙升至30以上时，近月虚值认沽期权的隐含波动率可能较远期合约高出15%-20%，形成波动率期限结构倒挂。以标普500指数为例，单日下跌超过4%将导致原本delta≈0.2的虚值认沽变为平值期权，此时Gamma值可达原先的8-12倍。设随机过程dS/S = μdt + σdW，构造自融资组合Π= C(S,t) - D(t)，其中D(t)为债券头寸。其中d₁=[ln(S/K)+(r+σ²/2)T]/(σ√T), d₂=d₁-σ√T。边界条件：C(S,T)=max(K-S,0)

2026-03-11 11:22:30 425

原创量化交易策略中的策略基础与市场逻辑原理

本文系统阐述了量化交易策略开发的完整链条，从底层的市场逻辑抽象到上层的风险管控体系，每一个环节都需要扎实的理论支撑和细致的工程实现。值得强调的是，任何策略都不存在永恒有效的圣杯，唯有持续迭代的认知能力和严格的纪律执行，才能在这个充满不确定性的市场中长期生存。对于初学者而言，建议从小资金实盘开始，逐步积累经验；而对于专业机构，则需要建立完善的投研平台，整合大数据挖掘、人工智能预测等功能模块，形成差异化竞争优势。

2026-03-11 11:21:51 450

原创基于Black-Scholes模型的月度深度虚值指数ETF期权卖方策略

本代码实现量化交易策略中每月卖出深度虚值指数ETF期权的核心模块，主要包含以下功能：1）自动获取标的指数ETF（如SPY、QQQ）的历史期权数据；2）筛选符合"深度虚值"标准的月度合约；3）计算隐含波动率曲面并评估定价合理性；5）统计策略的收益分布特征。该策略通过收取权利金获得收益，但需承担潜在的尾部风险。适用于具备期权保证金账户的专业投资者，要求最低资金门槛通常为50万美元等值。建议实施严格的仓位控制，单月名义敞口不超过本金的15%，同时建立波动率熔断机制，当VIX突破40时暂停开新仓。

2026-03-11 11:20:54 337

原创指数期权指标与市场恐慌指数的关联性研究

本策略通过分析VIX指数（恐慌指数）与标普500指数期权隐含波动率之间的关系，构建基于市场情绪变化的量化交易模型。2. 期权偏度指标计算；该策略主要用于捕捉市场极端情绪下的价格回归机会，适用于机构投资者的风险对冲和相对价值交易场景。主要风险包含模型过拟合、流动性枯竭时的滑点扩大，以及尾部事件中相关性失效导致的对冲成本激增。历史数据显示，当VIX突破布林带上轨（如高于35）时，标普500指数未来20个交易日出现均值回归的概率达78.6%。其中BR为基准择时贡献，SR为证券选择贡献，AR为交互作用贡献。

2026-03-10 10:00:01 430

原创指数期权指标在量化交易中的应用多空力量对比指标解读

指数期权作为一种重要的金融衍生品，其交易量和持仓量的变化往往反映了市场参与者对未来市场走势的预期。多空力量对比指标通过分析期权市场的买卖力量分布，为量化交易者提供了判断市场情绪的重要参考。该指标主要基于期权成交量、持仓量以及买卖价数据，通过特定算法计算出多空双方的力量对比，帮助交易者识别潜在的市场转折点。在实际量化交易中，多空力量对比指标可以作为独立的策略信号源，也可以与其他技术指标结合使用。

2026-03-10 09:59:22 618

原创指数期权指标里的套期保值比率计算理论与实践

作用在于优化资本配置，减少潜在损失，但存在风险，如模型误差导致过度对冲或不足，引发额外成本或残留风险，尤其在高波动性市场中。Delta作为主要指标，表示期权价格对标的资产价格变动的敏感度，计算公式为N(d1)，其中N是标准正态累积分布函数，d1涉及标的价、行权价、无风险利率等参数。初始参数：ETF价格=4.0元，期权行权价=3.8元，期限=3个月，波动率=20%。假设标的指数当前价格S=1000点，行权价K=1020点，到期时间T=0.5年，无风险利率r=2%，年化波动率σ=15%。本节以虚构案例说明。

2026-03-09 09:57:01 626

原创 4000行的openclaw，如何运行

nanobot是一个受Clawdbot启发的超轻量级个人AI助手项目，由HKUDS团队开发并维护。该项目以其极简的设计理念和高效的性能表现，在AI助手领域树立了新的标杆。项目采用MIT开源协议，目前已在GitHub上获得30.6k星标，显示出强大的社区影响力。

2026-03-09 09:56:15 418

原创 OpenClaw爆火背后：“聊天”回测自己的期权量化交易策略

深圳腾讯大厦北广场排起了近千人的长队，队伍从清晨一直延续到傍晚，为了OpenClaw这个最新一代人要排队领的“鸡蛋”。现场甚至有一位68岁的非遗文化从业者，坐车一个多小时专程赶来，有店家近期累计售出超3000单服务，近一个月获益超30万元，这只被称为“龙虾”的AI工具，正以惊人的速度从极客圈走向大众视野。GitHub数据显示，OpenClaw在短短3个月内星标数突破24.1万，成为GitHub历史上增长最快的开源项目。

2026-03-09 09:44:40 1976

原创指数期权交易中相关性系数指标的量化策略构建与实证分析

本文构建的相关性系数交易体系，本质上是通过量化手段固化主观经验判断的过程。从实践角度看，该策略的成功依赖于三个核心要素：①高质量的微观结构数据处理；②严谨的统计推断流程；③灵活的资金管理规则。未来改进方向包括引入机器学习方法预测相关性拐点，以及探索加密货币等新兴资产类别的应用可能性。

2026-03-06 10:17:21 658

原创指数期权风险溢价指标的量化建模与实证分析

RPErm−rfRPErm−rf其中ErmErm为市场预期收益率，rfr_frf为无风险利率。波动率风险溢价：IV-HV（隐含波动率-历史波动率）偏度风险溢价：SKEW指数与理论值的差异期限结构溢价：不同到期合约的RP梯度变化波动率溢价特征：平均IV-HV差值为+2.3%，表明市场持续存在正风险溢价偏度溢价规律：熊市期间偏度溢价可达+5.7%，牛市期间降至+1.2%期限结构效应：近月合约溢价普遍高于远月，最大差值达3.8%

2026-03-06 10:13:47 541

原创指数期权指标下的市场趋势判断依据及Python实现

本代码旨在通过分析指数期权市场的隐含波动率、未平仓量等关键指标，构建一套量化交易策略，用于判断股票市场的趋势方向。该策略主要面向中短期交易者，通过对期权数据的深度挖掘，捕捉市场情绪变化，为投资决策提供数据支持。以2022年10月市场低点为例，当时SPX指数跌至3500点附近，对应的1个月ATM IV飙升至35%，而3个月IV仅为28%，形成明显的"倒挂"。2023年4月，创业板指(CYB)持续走弱，但对应的平值看涨期权OI却逆势增加，且IV曲线呈现"微笑"形态。反之，低IV环境往往伴随市场冷淡。

2026-03-06 10:13:00 541

原创指数期权指标下的市场趋势判断依据及Python实现

2026-03-06 10:11:30 537

Python实现策略模式、观察者模式和责任链模式.md

设计模式 Python实现策略模式、观察者模式和责任链模式.md Python实现策略模式、观察者模式和责任链模式.md Python实现策略模式、观察者模式和责任链模式.md Python实现策略模式、观察者模式和责任链模式.md

2024-03-21

Python实现命令模式、中介者模式和解释器模式.md

Python实现命令模式、中介者模式和解释器模式.md Python实现命令模式、中介者模式和解释器模式.md Python实现命令模式、中介者模式和解释器模式.md Python实现命令模式、中介者模式和解释器模式.md Python实现命令模式、中介者模式和解释器模式.md Python实现命令模式、中介者模式和解释器模式.md

2024-03-21

Python实现外观模式、桥接模式、组合模式和享元模式.md

Python实现外观模式、桥接模式、组合模式和享元模式

2024-03-21

Python实现适配器模式、装饰器模式、代理模式.md

Python实现适配器模式、装饰器模式、代理模式

2024-03-21

成本管理的理论.doc

计算机软件论文范文，相同背景不同主题的论文。计算机软件论文范文，相同背景不同主题的论文。计算机软件论文范文，相同背景不同主题的论文。计算机软件论文范文，相同背景不同主题的论文。计算机软件论文范文，相同背景不同主题的论文。计算机软件论文范文，相同背景不同主题的论文。计算机软件论文范文，相同背景不同主题的论文。

2024-03-21