weixin_42480337的博客

原创 CAMP和风险平价联用下的投资组合构建【skills】

摘要：camp_portfilo 是中国商品期货投资组合自动化流程，采用80万方向组合（40万必选品种+40万其他品种）和20万套利组合（含Y-P等4个标准套利对）。流程包括数据更新、组合生成和报告输出，使用CAMP/CAPM模型和风险平价策略，保证金数据来自fee.xlsx。最终组合保证金使用率约99.5%，需注意品种重复和实盘风险控制。

原创 tqsdk-sim多账户如何用python驱动

需要设置环境变量或在代码中使用。

原创 claude实现缠论（买卖点）

原创 缓慢衰减Hawkes核的估计：应用于高频订单簿建模

有一类更简单的模型不考虑流动性数量，而仅关注资产价格，将价格描述为各类订单影响的结果：早期的模型仅考虑市价单的影响[6, 7, 25]，而一些最近的模型则考虑了所有类型订单簿事件的影响[11, 13]。订单簿形成的内在复杂性（它是大量匿名交易者的市价单、限价单和撤单的结果）意味着，尽管其具有巨大的实际和理论重要性，但完整的订单簿模型相对较少（参见文献[35, 37]了解“零智能”即纯随机的订单簿动力学模型，以及文献[10, 16, 24]了解订单簿的马尔可夫模型）。这是由于长滞后处的样本稀疏性导致的。

原创 tqsdk反查主力合约，以及下载tick数据

【代码】tqsdk反查主力合约，以及下载tick数据。

原创 tick库学习

根据我对 tick 库 examples 目录的分析，我为你详细讲解每个脚本的用处，按功能分类：基于你的订单流分析需求，以下脚本最相关：核心建模：模型诊断：优化加速：这些示例为你提供了完整的工具链：从数据拟合、参数估计到模型验证和性能优化。翻译一篇英文论文：我来为您翻译这篇学术论文。由于文章较长，我将分多次为您翻译。让我先开始第一部分：Hawkes过程的二阶统计量与非参数估计作者：E. Bacry 和 J.F. Muzy我们证明了多元Hawkes过程的跳跃相关矩阵与Hawkes核矩阵之间通过一组Wiener

原创 sdp_nhp 代码的实现

N(t): 到时间t为止的事件计数过程λ(t): 瞬时事件到达率论文核心: 通过PCT-LSTM并行结构+事件-状态交互机制，提升LOB事件预测精度代码风险: 最关键是验证model.py是否正确实现并行CT-LSTM结构ru2605适配: 必须重新估计订单价格/数量的幂律分布参数，不可直接套用美股参数仿真验证: 生成数据后需验证6大stylized facts（论文Fig.3），特别是波动率聚集和杠杆效应💡建议下一步获取完整model.py文件进行代码审查。

原创 windows tick安装过程与解决方案

tick python库，不支持win,那么就在docker desktop 里面安装,采用ubuntu+python3.7进行解决，把dockerfile写好，顺便把jupyter lab也安装好了。一次性就可以构建成功，然后就可以愉快的干活了。

原创 基于状态依赖的霍克斯过程对于LOB的预测和模拟

LOBSTER Level3 本质由逐笔事件日志档位快照（orderbook） 构成，提供订单全生命周期数据，是微观结构建模的基石。代码核心目标将原始非结构化数据 →标准化数值事件流订单簿偏移（避免未来信息泄露）事件重编码（6类→4类，聚焦核心行为）同时间戳规整（拆分+合并，保证时间唯一）状态特征衍生score→state，支撑状态依赖模型）输出数据价值生成30列结构化CSV4类数字编码事件（1–4）5档订单簿快照（20列）2个衍生特征（scorestate可直接用于。

原创 阅读高频论文并开发

EarnHFT是发表在AAAI 2024的一篇论文的实现项目，标题为（高频交易的高效分层强化学习）。论文链接：https://arxiv.org/pdf/2309.12891.pdf官方GitHub：https://github.com/qinmoelei/EarnHFT分层强化学习框架将高频交易分解为高层（策略选择）和低层（执行）两个时间尺度高层在分钟级别，低层在秒级别解决了高频环境下状态空间爆炸和信用分配问题动态规划Q-Table预训练使用后向递推计算理论最优Q值。

原创 Hawkes LOB Market从论文到生产

2.1. Limit Order Book Model. We model the LOB [28] using a d-dimensional mutuallyexciting Hawkes process as developed in [27, 29]. This process reproduces stylized facts of LOBdynamics such as realistic spreads, long-memory in returns, and clustered arri

原创 An Impulse Control Approach to Market Making in a Hawkes LOB Market从论文到生产

论文详细解析：复现所需数据与步骤流程我已经完整阅读了这篇论文 “An Impulse Control Approach to Market Making in a Hawkes LOB Market”。以下是对复现所需的详细解析：📋 论文核心信息标题: An Impulse Control Approach to Market Making in a Hawkes LOB Market。

原创 配对交易策略大观

配对交易（Pair Trading）完整策略指南配对交易是一种市场中性策略，通过挖掘两个或多个资产之间的统计关系来获利。以下是完整的策略分类：1️⃣ 按配对选择方法分类A. 基本面配对B. 统计学配对C. 距离配对（Distance Pair）2️⃣ 按信号生成方法分类A. Z-Score 策略。

原创 4维度做市与最有决策

【四维计数】AB: 1 AS: 3 PB: 0 PS: 0【四维成交量】【Hawkes强度 λ】【交叉激励】【核心信号】强度失衡: -0.0352 ⚪中性动量信号: -0.0064流动性比: 0.4694【异常检测】冰山得分: 0.0000幌骗得分: 0.0000【价格】O:95181.48 H:95181.49 L:95181.48 C:95181.48VWAP: 95181.48 | 波动率: 0.0043。

原创 随机过程与做市策略

decay = 0.1 # 衰减速度 (1/秒)alpha = 0.8 # 自激强度 (必须小于 beta 才能保证平稳)baseline = 0.5 # 基础到达率 (平均每秒 0.5 个订单)

原创 如何玩转ETF

ETF（交易型开放式指数基金）因其低成本、高透明、流动性好、可T+0（部分品种）等优势，已成为散户和机构的核心工具。以下是系统梳理的 ETF 主流玩法与交易策略，从入门到进阶，适合不同风险偏好的投资者。这是一个典型的 “自下而上（Bottom-up）” + “ETF轮动 + 网格增强” 的复合策略。通过全市场股票资金流 → 聚合到行业 → 选出资金流入最强的行业 → 买入对应行业ETF → 结合网格交易增强收益。恒生科技ETF 的成分股在港股/美股，而你的资金流数据是 A 股 5000 只股票，怎么对应？

原创 如何快速定位做市商经典论文

Consensus 用自然语言提问，返回经评分的论文（含“是否被引用”“是否开源”） https://consensus.app。如果你愿意提供具体研究方向（如“我想做加密货币做市”或“想用 LLM 做动态价差”），我可以进一步缩小范围，给出定制化文献列表！💡 技巧：点击任意论文 → 自动跳转到 AlphaXiv 解读页，含 “核心思想”、“公式”、“实验设置” 摘要。是 → 关注做市核心指标。Scite.ai 查看论文是否被“支持性引用”（vs 仅提及） https://scite.ai。

原创 python缠论形态分析过程

希望这个综合解释和代码示例能帮助你更准确地实现缠论的背驰判断。如果你在具体实现数据对接（如计算MACD）或判断逻辑时有进一步问题，可以随时提出。缠论原文是以价格走势为绝对核心，MACD作为最重要的辅助验证工具。两者出现共振时，背驰判断的可靠性最高。，而MACD是其最重要的辅助验证工具。这是一个需要多维度综合判断的概念。两种方法各有侧重，但都有局限性。下面详细解释图中的关键点，并说明你的Python代码应如何实现。类中，应该实现一个综合判断方法。简单来说，最核心的比较是。缠论中的“背驰”判断，

原创 5分钟和30分钟联立进行缠论信号分析

这是一个基于缠论的 双周期（30分钟+5分钟）量化交易策略实现，涉及顶底分型、笔、中枢、背驰信号检测和仓位管理。我将为你提供一个完整的Python实现框架。这个实现框架包含以下核心组件：BiAnalyzer（笔分析器）：ZhongshuAnalyzer（中枢分析器）：BeichiAnalyzer（背驰分析器）：DualTimeframeStrategy（双周期策略）：信号检测：仓位管理：回测框架：数据准备：参数优化：扩展功能：这个实现提供了一个完整的框架，你可以根据实际需求进行调整和优化。实际使用时需要确

原创 python期货量化交易--从入门到实践（祝学礼著）教学大纲

这个是一本书的目录，从python学习难度来说，把里面需要拿出来单独讲的内容有哪些？16.14　使用目标持仓TargetPosTask　258。17.8　目标持仓工具TargetPosTask　279。第　11章 多进程multiprocess模块　132。12.4　BoundedSemaphore类　162。13.1　asyncio异步协程的定义　173。13.4　创建Future和Task　182。19.1　QApplication类　305。10.2.4　timedelta类　130。

原创 利用qwen和豆包写个操盘计划（初稿）

把这套模式，放到我的风控软件里面；（基于多级别联动+仓位分层逻辑优化）核心原则：30分钟定趋势方向（主仓位锚定）、5分钟抓精准买卖（波段仓位优化），通过“大级别控风险、小级别提效率”实现高胜率。结合P2601当前日线偏空、30分钟震荡的特性，将仓位明确分为：当前P2601日线状态（2025年11月）：日线过滤规则：30分钟中枢由3段5分钟走势构成，当前P2601中枢区间为8450-8550元（动态调整）。必须依附30分钟趋势方向：30分钟做多时，仅做5分钟上涨波段；30分钟做空时，仅做5分钟下跌波段。以3

原创 千问和Kimi，豆包各自为Dragon读书会做的商业计划书

Dragon量化社区是专注于股票、期货、加密货币(crypto)投资及财商教育的垂直阅读社区，通过"图书+培训+资管"三位一体的商业模式，构建金融知识与实战的闭环。核心产品已出版《AI驱动下的量化策略构建》《AI驱动下的高频因子挖掘》等专业书籍线上课程与线下培训体系，覆盖从入门到高阶的量化投资技能私募资管产品，为高净值用户提供专业投资服务核心优势垂直领域深度：专注量化投资，构建专业知识壁垒内容与实战结合：理论与实操并重，解决投资者"知易行难"痛点。

原创 好用的AI网站收藏，撰稿dragon读书会商业模式

本报告旨在对中国知识付费领域的两个代表性企业——“樊登读书会”（现已品牌升级为“帆书”）与李国庆创办的“早晚读书”——在2025年的商业模式、运营逻辑及市场竞争力进行全面、深入的对比研究。通过分析现有数据、市场趋势及公开信息，本报告旨在为管理层提供关于该赛道的战略洞察与决策参考。

原创 期货风控模块化设计（claude帮忙）

总结我已经完成了完整的代码重构和审查，以下是关键要点：✅ 已解决的核心问题循环依赖 - 通过在 core.py 中创建快捷引用解决参数传递 - 统一方法签名，从 UI 变量获取数据消息处理 - 实现了完整的10种消息类型处理TqManager 逻辑 - 完整实现了150行核心逻辑模块耦合 - 通过依赖注入降低耦合度📁 最终文件列表创建这些文件即可运行：main.py - 启动入口（20行）app/core.py - 核心控制器（200行）

原创 期货风控中台设计（python带操作界面）

设计思想，通过tqsdk获取账户和订单，每次下单通过这个风控中台来校验订单是否符合风控。风控内容包括：仓位大小，止损空间，移动止盈。通过这个软件进行预埋单，以及防止手动乱操作，每次下订单必须有3个以上的理由。否则进不了市场。account.py 设计登录页面，输入参数，点击登录可以跳转到主界面；等待一会儿，就可以进入我们的权益账户；所有的风控是根据账户权益和订单预埋和审核，进行的。根据您提供的后台日志和 代码，这个程序是一个基于天勤量化（TqSDK）的期货风控中台应用。其启动过程和核心代码逻辑可以

原创 AI驱动下的（期现交易员的）基本面研究

AI系统自动从各方抓取、清洗并存储数据。NLP引擎自动解读最新产业政策，并将其情感评分输入预测模型。机器学习模型（如LightGBM）综合处理上百个变量，输出未来基差走势的概率分布。交易员结合AI的预测结果，运用自身对产业的深度理解，形成最终的交易逻辑。在历史数据上进行回测，评估策略的胜率、盈亏比、最大回撤。执行交易，并通过实时数据面板监控头寸和市场基本面的变化。系统自动预警，如“库存消费比突破阈值”、“预测模型置信度下降”等。核心优势：减少情绪和认知偏差的干扰。

原创 期现交易员岗位剖析

好的，这是一个非常专业和实用的分析方法。通过系统梳理招聘网站上的岗位信息，可以精准地把任期现交易员的岗位画像。其职业生涯发展路径通常是从研究员或交易助理开始，逐步成长为独立交易员、交易经理乃至衍生品部门的负责人。要胜任上述工作，期现交易员需要具备一个复合型的知识能力结构。以下是我基于对这类岗位的理解，并结合招聘网站的典型描述，从。优秀的期现交易员通常遵循一套系统化、流程化的工作方法。，并可能通过专业的市场研判为企业创造额外的贸易利润。综合来看，现代企业对期现交易员的要求是。

原创 股票与期货战法理论发展路径

这个阶段，市场数据开始被记录，交易者开始从历史价格中寻找规律。1. 道氏理论 (Dow Theory)19世纪末，由查尔斯·道提出，后经威廉·汉密尔顿等人发展。市场指数反映一切信息。市场趋势分为主要趋势、次要趋势和短期趋势。趋势需要通过价格和成交量的相互确认。趋势会一直持续直到发生反转信号。优势：奠定了现代技术分析的基础框架，是所有趋势跟踪理论的源头。帮助交易者抓住市场的主要运动，避免被短期波动迷惑。劣势：信号通常在趋势已经运行一段距离后才出现，“鱼头鱼尾”都可能错过。

原创 kaggle经典竞赛信用卡欺诈检测

虽然合成数据生成仍然存在挑战，但现在的先进水平比两年前我们启动 Tabular Playground 系列时要好得多，而我们的目标是生成包含更少伪影的数据集。），我们会安排不同时长的比赛，有时我们可能会同时举办多个比赛。我们去掉了名称中的“表格”一词，因为虽然我们预计本系列赛仍将包含大量表格形式的比赛，但我们也会加入一些其他形式的比赛。无论这些变化如何，Playground 系列赛的目标始终如一——为 Kaggle 社区提供各种相对轻松的挑战，用于学习和提升机器学习和数据科学各个方面的技能。

原创 DRW项目kaggle竞赛回归方案二

模块方法/技巧说明特征工程指数变换、乘积交互、差异项、幂次组合强化非线性与高维交互数据预处理KFold交叉验证、无显式归一化稳健评估、模型自适应特征尺度模型训练XGBoost、LightGBM、低学习率控制过拟合，增强稳健性模型融合Stacking 二层集成综合多模型预测提升性能评估指标皮尔逊相关系数 (pearsonr)强调预测值与真实值的线性相关阶段函数主要作用关键技术数据加载load_data读取与清洗原始数据pandas特征工程构造复杂非线性交互特征。

原创 DRW时间序列预测kaggle竞赛代码分析

阶段操作输入维度输出维度关键参数1数据加载(N,1000+)train_path2特征选择(N,1000+)(N,25)25个特征3-53个基础模型(N,25)3×(N,)各自的超参6AutoGluon导入(N,)预训练权重7Stacking准备4×(N,)(N,4)堆叠4个预测8Optuna搜索(N,4)Ridge参数500次试验9Ridge融合(N,4)(N,)最优alpha10生成提交(M,)CSV文件格式标准化。

原创 威科夫、缠论和订单流如何进行融合

威科夫操盘法与缠论分析框架对比摘要： 威科夫方法基于市场心理与供需关系，通过价量分析识别吸筹/派发阶段，核心是"努力与结果"原则判断趋势反转。其交易逻辑围绕聪明钱行为，关键信号包括弹簧效应、放量滞涨等。 缠论则从几何结构出发，通过分形理论分解走势类型（上涨/下跌/盘整），以中枢和背驰为核心工具。其精髓在于三类买卖点体系，强调"走势终完美"的自相似性。 两套体系分别从市场博弈和价格结构两个维度构建交易框架：威科夫侧重力量对比，缠论专注形态分解。威科夫更适合趋势转折判断，

原创 ATAS订单流软件重要图表和指标，微观结构指标和量化关系

下面我整理一下我调研到的资料 + 结合行业经验，给你一个比较清晰的框架 — 关于（Order Flow / Volume Analysis 平台）提供的主要，以及每种图表中最核心、最重要的指标／维度是什么。你可以据此对比自己用的版本（有可能不同的许可级别功能不同）看哪些功能可用。（说明：以下内容部分来源于 ATAS 官网上的功能介绍、用户评价、教程 + 社区经验）([Atas.net][1])

原创 xgboost参数含义以及应付金融数据中的类别不平衡的套路

翻译中文 claude推荐XGBoost完整参数详解I. 树结构参数（Tree Parameters）1. n_estimators含义：训练的树的总数（梯度提升的迭代次数）推荐设置：用法：2. max_depth含义：每棵树的最大深度推荐设置：说明：3. max_leaves含义：每棵树的最大叶子节点数说明：4. max_bin含义：特征离散化的最大桶数（直方图方法）说明：5. grow_policy含义：树生长策略说明：对于你的情况：II. 学习参数（Learning

原创 树模型优劣大比拼xgboost/lightgbm/RF/catboost,股价预测怎么选模型

树模型是机器学习中处理结构化数据的核心工具，尤其在分类、回归任务中表现突出。以下从算法原理、核心优劣、适用场景三个维度，系统对比CatBoost、XGBoost、LightGBM、RandomForest，并补充其他知名树模型的特点。除上述四大模型外，以下树模型在特定场景中表现优异，可根据需求选择：先判断数据规模与特征类型：再判断任务优先级：最后验证基线与调参成本：例如：电商用户购买预测（含用户性别、职业等10+类别特征，百万级样本）→ 优先选择CatBoost；金融风控（千万级交易数据，需实时预测）→ 优

原创 混淆矩阵在金融领域白话解说

优先级推荐指标目的1类别1、2的精确率和召回率直接评估核心业务需求，确保“上涨”和“下跌”趋势预测得准且全。2宏平均F1分数作为模型选择和调优的单一核心指标，因为它公平地对待了你关心的1和2类别。3归一化混淆矩阵进行错误诊断，理解模型在哪里犯错，以便有针对性地改进。4准确率仅作参考，不要作为决策依据。通过这套组合指标，你可以全面、准确地评估模型在金融趋势预测上的真实性能。混淆矩阵是一个表格，用于总结分类模型的预测结果，并将预测值与实际值进行对比。对于二分类预测为正例 (Positive)

原创 随机森林所有参数含义以及如何进行采样和网格搜索；

class RandomForestClassifier(n_estimators: Int = 100,/,criterion: Literal[‘gini’, ‘entropy’, ‘log_loss’] = “gini”,max_depth: Int | None = None,min_samples_split: float = 2,min_samples_leaf: float = 1,min_weight_fraction_leaf: Float = 0,max_features

原创 哪些指标具有预测功能 TA-Lib 100多个指标大比拼

TA-LIB有100多个指标，包括overlap，动量，形态等。那个指标更为有效，可以通过信息熵进行评估（针对离散的信号）；加上波动率、价格变化和大单冲击。

原创 机器学习之 预测价格走势(先保存再看，避免丢失)

成熟的分类器：SVM是一个强大且成熟的二元（或多元）分类算法。预测“涨”还是“跌”正好是一个典型的二元分类问题。非线性能力：通过使用核函数（如RBF核），SVM可以捕捉到输入特征之间复杂的非线性关系，这对于金融市场数据至关重要。特征驱动：模型的效果很大程度上取决于你喂给它的“特征”（Features）。现在计算的alpha因子就是一个很好的开始，我们可以构建更多这样的特征来提升预测能力。这次我最开始用到了3个特征大纲：1：高频订单流特征：alpha_1min: 基于过去1分钟所有tick计算出的订

原创 aws共享一个镜像并有画图功能

同时要给予 授予权限，这样另外的user 可以通过AMI来启动实例了。这样可以方便的把系统安装好，不会重复劳动了。在AWS上把已经安装好的环境共享给其他用户。现在登录其他user 账户来启动这个实例。这个是frequi 单独安装。