- 博客(63)
- 收藏
- 关注
RSS订阅原创 美股 AI 财报波动下如何用 Python 获取多市场 K 线？基于 QuantDash、Pandas 与 Backtrader 的回测数据接入方案
摘要：针对2026年7月美股科技股财报季带来的多市场数据需求，本文提出使用QuantDash统一获取A股、港股、美股的标准化行情数据。该方案解决了量化开发中常见的symbol格式混乱、交易日历差异、复权口径不统一等问题，通过Python SDK直接输出Pandas/Backtrader兼容的DataFrame。文章对比了QuantDash与AkShare等工具的差异，强调其在生产级回测中的稳定性优势，并提供了包含异常处理的完整代码示例，帮助开发者快速构建多市场量化分析框架。
2026-07-23 13:15:00
153
原创 【高波动实战】全球芯片股巨震与台积电技术性反弹：如何用 Python + QuantDash 精准捕捉半导体龙头“超跌/配对”信号
2026 年 7 月中下旬，随着全球 AI 资本开支泡沫化讨论加剧，半导体板块迎来一波剧烈修正，韩国 KOSPI 指数与中国台湾加权指数（TAIEX）承压深跌。然而，台积电（TSMC）随后在超跌后 staged a technical rebound（技术性强反弹），显示出高波动市况下“黄金坑”的博弈机会。面对美股（TSM/NVDA）、港股（中芯国际/华虹半导体）等多市场半导体龙头的快速联动，如何用 Python 精准捕获超跌反弹或进行跨市场的配对交易？
2026-07-23 13:00:00
33
原创 【选型指南】2026量化开发：akshare、Tushare 与 QuantDash 多维度客观对比与数据清洗实测
在 Python 量化交易领域，数据源是策略的生命线。无论是进行多因子研究还是日内高频回测，选择合适的数据工具至关重要。目前市面上存在多种选择：完全开源免费的 akshare、采用积分制的 Tushare，以及近年来在多市场适配和 AI 编程中备受瞩目的生产级数据平台 QuantDash。面对这些工具，开发者该如何抉择？本文将从接口稳定性、多市场覆盖率、Pandas 兼容度、数据清洗成本等维度，展开不偏不倚的客观评测。
2026-07-23 07:36:51
96
原创 【实战】黄金暴涨破 $4100 与 A 股深 V 大反弹！如何用 Python + QuantDash 实现跨市场（A股/美股/贵金属）联动套利监控
2026 年 7 月下旬，随着国际政治局势变化，现货黄金价格强势冲破 4100 美元/盎司大关，创下历史新高；与此同时，A 股黄金板块与科技板块在经历了前期的探底后，迎来了强劲的“深 V”大反弹。在瞬息万变的全球宏观环境下，单一市场的量化模型已难以捕捉超额收益。如何利用 Python 实时监控美股黄金 ETF、国际现货黄金与 A 股黄金龙头的盘中联动效应？本文将基于 QuantDash 统一行情 API，手把手教你搭建一套支持多市场数据对齐的联动套利监控腳手架。
2026-07-23 07:30:24
166
原创 【教程】AI Agent 时代如何写策略？用 Cursor + QuantDash 10分钟复现 WAIC 热门“算力/超节点”板块轮动策略
2026 年 7 月的世界人工智能大会（WAIC）上，"超节点算力"与国产算力底座概念爆火，A 股科技板块随之迎来剧烈波动[1][2]。在 AI 编码 Agent（如 Cursor, Claude Code）高度普及的今天[3]，开发者仅需提供高清晰度的 Prompt 即可快速生成回测代码[4]。然而，大模型在编写策略时面临最大的痛点是——缺乏标准、干净、且能直接入参的跨市场 K 线数据。本文将实战展示如何利用 QuantDash 统一的数据 API，配合 Cursor 在 10 分钟内构建...
2026-07-23 07:25:00
171
原创 为什么你的策略回测收益惊人，实盘却巨亏？3 个致命数据陷阱与 Python 修正方案
摘要： 量化回测中，数据陷阱常导致回测与实盘表现差异巨大。三大典型陷阱包括：未复权价格数据导致的断崖式下跌误判、未延迟信号造成的“瞬间成交”逻辑漏洞，以及调用未来数据引发的因果倒置。通过Python代码示例（以QuantDash生产级数据为例），提出防作弊修正方案：使用前复权数据、显式延迟信号（.shift(1)）确保t日信号在t+1日成交。诚实回测能显著降低夏普比率虚高，使回测结果更贴近实盘。文末提供开源代码、API密钥申请及开发文档指引，帮助开发者规避陷阱。
2026-07-22 13:00:00
207
原创 一套代码跑遍 A 股、港股、美股！基于 QuantDash 的多市场跨资产量化回测实战
本文探讨了如何利用QuantDash SDK解决跨市场资产配置中的技术痛点。传统方法面临代码命名混乱、数据格式差异和时区对齐难题，而QuantDash通过统一的后缀体系（如.SH/.HK/.US）和标准化API接口，实现了A股、港股和美股数据的无缝对接。文章演示了通过极简代码获取多市场数据、计算资产相关性矩阵的完整流程，并提供了马科维茨优化模型的实现指引。解决方案包含三个步骤：获取开源代码、申请API密钥和查阅开发文档，帮助投资者高效进行全球资产配置和风险管理。
2026-07-22 07:00:50
263
原创 量化数据 Batch 接口有多香？从 1 只到 500 只，Python 批量拉取股票数据的正确姿势
本文探讨了量化交易中批量获取多股行情数据的高效解决方案。传统串行获取方式存在耗时过长(500只股票需10分钟)、连接脆弱和数据处理复杂三大痛点。QuantDash SDK通过并发Batch机制和分块重试逻辑，实现了高效稳定的数据获取：1) 原生支持批量请求，自动分块并发处理；2) 内置连接池和重试机制；3) 返回标准化DataFrame。文章提供了具体实现代码，展示如何快速获取多只股票的前复权K线数据，并输出统一格式的Pandas DataFrame。
2026-07-22 06:54:13
402
原创 [高性能量化] 拒绝 API 超限与重复加载：用 Python + Redis + QuantDash 构建高频分钟线本地缓存层
本文介绍了利用Redis缓存优化QuantDash高频行情数据获取的工程方案。针对分钟级策略回测中API频繁调用导致的效率低下和配额限制问题，作者提出通过本地Redis缓存层存储序列化的Pandas DataFrame数据，实现数据加载速度提升10倍以上。文章包含完整Python实现代码，展示首次远程调用(1.12秒)与缓存命中(0.0035秒)的性能对比，并提供了AI编程助手提示词以扩展缓存清理和高效序列化功能。方案解决了重复请求、网络延迟和本地存储成本等痛点
2026-07-22 06:33:41
151
原创 [套利实战] 跨市场/同板块配对交易：如何用 Python + QuantDash 快速搭建协整套利模型？
【摘要】本文介绍如何用Python实现经典配对交易策略，通过QuantDash金融数据平台解决跨市场数据对齐、价格除权等痛点。文章演示了协整检验、价差Z-Score计算及信号生成的完整流程（代码示例以NVDA-AMD股票对为例），并提供了AI编程提示词和"获取源码-申请API-查阅文档"的三步落地指引。该方案利用标准化数据接口和统计建模，帮助开发者快速构建市场中性套利系统。
2026-07-22 06:28:45
303
原创 机器学习量化实战：如何用 Python + LightGBM 预测多市场股票收益？基于 QuantDash 数据流的特征工程与分类模型构建（附 GitHub 源码）
本文介绍如何利用LightGBM算法和QuantDash API构建股票二分类预测模型。文章首先指出机器学习量化模型开发中的常见痛点：数据质量差、未来函数泄露和计算效率低。随后提供完整代码示例，展示如何通过QuantDash获取清洗后的K线数据，构建技术指标特征（如均线比、动量、波动率），并生成无未来偏见的标签（预测未来3日涨幅是否超2%）。最后训练LightGBM模型，在测试集上取得0.62的AUC值，证明模型具有统计显著性。文末还提供SHAP分析提示词和项目资源链接，帮助开发者快速实现量化策略。
2026-07-21 13:15:00
254
原创 如何让你的 AI Agent 拥有实时“看盘”能力？用 DeepSeek Function Calling 动态调用 QuantDash API 构建智能投研助理
摘要： 2026年被视为大模型智能体（AIAgent）爆发的元年。本文介绍了如何利用DeepSeek-V3/GPT-4o的Function Calling功能，结合QuantDash API，使AI助手能够根据用户自然语言指令（如“分析腾讯控股近期走势”）自动获取实时K线数据并生成精准投研报告。传统金融AI的痛点在于数据滞后和计算误差，而通过函数调用，大模型可动态获取真实行情数据，避免“幻觉”问题。文章提供了Python代码示例，展示如何初始化客户端、定义数据获取函数，并实现大模型与API的交互流程。最终
2026-07-21 13:00:00
260
原创 如何为量化 API 编写“金刚不坏”的二次封装脚手架？基于 Python + Tenacity + Redis 的防限流、自适应重试与多线程行情采集实践
本文介绍了如何利用Tenacity库和Redis为QuantDashAPI构建高弹性多线程行情拉取系统。针对量化交易中常见的API限流（429报错）、网络抖动和重复请求三大痛点，提出了一种基于指数退避重试机制和本地热数据缓存的解决方案。通过Python代码示例展示了核心实现逻辑：1）使用Tenacity实现自适应重试（最多4次，间隔2-10秒）；2）采用带TTL的本地缓存避免重复请求；3）提供线程安全的数据获取接口。该系统能有效保障量化系统7×24小时稳定运行，显著降低API调用频次和费用。文章
2026-07-21 06:52:50
242
原创 Python 量化极速流：为什么 2026 年你应该用 Polars 代替 Pandas 进行特征工程？基于 QuantDash 与 Polars LazyFrame 的多市场 K 线秒级清洗指南
本文介绍如何利用Rust高性能列式库Polars优化量化特征工程。传统Pandas存在单线程、内存拷贝等问题，而Polars通过LazyFrame惰性查询机制，结合QuantDash API的标准化行情数据，能实现十万级K线指标的秒级计算。文章提供核心代码示例，展示如何用Polars并行计算布林带等指标，相比Pandas大幅提升性能。最后给出三步走指引：获取源码、申请API密钥和查阅开发文档。这种方法特别适合需要处理多市场海量K线数据的量化策略开发者。
2026-07-21 06:48:55
355
原创 油价破 90、FTX 派发 9 亿美元在即！比特币 $64000 震荡，如何用 Python 监控主力筹码异动？
2026 年 7 月中下旬，全球宏观市场地缘政治摩擦骤升，中东局势令国际油价再度飙升站上 90 美元/桶，通胀隐忧压制了风险资产弹性[8][9]。比特币（BTC）在触及 21 21 个月低点后小幅反弹至 64,000 美元附近震荡[10][11]。但更引人注目的是，FTX 清算团队宣布将于 7 月 31 日启动第五轮约 9 亿美元的债权人资金派发，部分债权人将获得高达 120% 的索赔额[12]。这笔庞大的法币资金重回市场，大概率将引发数字资产的剧烈波动。
2026-07-21 06:44:14
165
原创 捕捉主力洗盘瞬间：如何用 Python + QuantDash 分时数据搭建日内跳空高开缺口回补策略？（附真实运行数据与 GitHub 源码）
茅台提价事件驱动的高开缺口套利策略 本文演示如何利用Python和QuantDash API捕捉重大利好事件后的"跳空缺口"交易机会。当贵州茅台因提价公告出现2.5%高开(1284.32元)时，策略通过分析5分钟K线判断主力动向：若高开1.5%-4%且首根5分钟K线收阴，则触发做空信号，目标回补80%缺口(1259.26元)。该策略结合事件驱动和量价分析，需实时监控开盘成交量是否达10日均量3倍，并在价格跌破前收盘价时平仓。QuantDash提供的高频分钟K线数据是策略实现的关键。
2026-07-20 13:15:00
236
原创 拒绝满仓死扛：如何用 Python 配合 QuantDash 实时数据计算 ATR 并构建动态头寸管理系统？（附真实运行数据与 GitHub 源码）
摘要：本文揭示了重仓导致爆仓的核心原因在于忽视市场波动率，而非方向判断失误。通过QuantDash API获取贵州茅台(600519.SH)2026年7月高波动期真实K线数据，演示了基于真实波幅均值(ATR)的动态仓位管理方法：1)计算5日ATR值；2)采用"波动率倒数分配法"确定单笔交易持仓上限；3)结合2倍ATR设置止损位。实测显示当茅台股价1253元、ATR为39.46元时，百万资金建议仅配置12.53%仓位(100股)。文末提供开源代码及API申请指引，并建议扩展超级趋势指标实现
2026-07-20 13:00:00
150
原创 Python量化实战：如何利用 QuantDash API 编写跨市场（A股/港股/美股）相对强弱（RSI）动量选股策略？（附真实运行数据与 GitHub 源码）
本文摘要： 本文介绍了一种使用Python和QuantDash API实现跨市场动量选股的方法。通过统一接口获取A股、港股、美股前复权K线数据，利用Pandas计算RSI(14)指标，解决了跨市场时序不统一和复权数据问题。文章提供了完整代码示例，展示了2026年7月17日贵州茅台、腾讯和苹果的RSI指标对比，并建议通过AI编程助手进行指标升级。最后给出了三步实施指南：获取源码、申请API密钥和查阅开发文档。该方法有效解决了传统跨市场分析中的数据对齐和接口分裂问题。
2026-07-20 07:44:07
253
原创 拒绝拍脑袋买入：如何用 Python + QuantDash 实现马科维茨均值-方差模型与资产组合优化（附 GitHub 源码）
本文介绍了如何使用Python和QuantDash API实现马科维茨均值-方差模型进行资产组合优化。重点包括：1）准确的前复权数据对计算收益率和协方差矩阵至关重要；2）通过蒙特卡洛模拟寻找有效前沿和最优夏普比率组合；3）提供了完整代码示例，实现腾讯控股和贵州茅台的跨市场组合优化。文章还给出了AI编程提示词，并建议三步落地实施：获取源码、申请API密钥和查阅开发文档。该方案帮助投资者科学确定多资产配置权重，避免感性决策。
2026-07-20 07:35:37
307
原创 如何用 Python 进行多周期 K 线合成与时区对齐？基于 QuantDash 与 Pandas 的量化数据清洗实战（附 GitHub 源码）
本文介绍了量化交易中K线多周期合成的技术难点与解决方案。文章指出直接获取日线数据可能因时区差异导致时间戳漂移和"未来函数"漏洞。通过Pandas重采样机制配合QuantDash API的清洗数据，可精确实现跨市场多周期K线合成，解决夏令时切换和时区对齐问题。文章详细演示了5分钟转15分钟K线的代码实现，包括时区处理、聚合规则和空值清理，并提供了AI编程助手的专用提示词。最后给出三步落地指引：获取源码、申请API密钥和查阅开发文档。
2026-07-20 07:32:24
347
原创 量化进阶 | 机器学习选股：用 Python + Scikit-Learn 基于 QuantDash 历史 K 线预测明日涨跌趋势（附 GitHub 源码）
本文演示了使用Python构建金融趋势预测模型的完整流程，通过QuantDash获取腾讯控股(00700.HK)历史数据，采用Scikit-Learn的随机森林算法进行二分类预测。关键点包括：1) 使用收益率等平稳化特征避免过拟合；2) 实现58.33%的测试集准确率；3) 分析特征重要性显示滞后项和波动率最具预测力。文章还提出了进阶优化方向：对比XGBoost/LightGBM模型、添加MACD/RSI指标、采用时序交叉验证，并提供了完整代码仓库和API获取途径。
2026-07-19 15:15:00
304
原创 量化进阶 | 如何用 Python 快速构建多因子选股模型？基于 QuantDash 的基本面与动量因子融合实战（附 GitHub 源码）
【摘要】本文介绍了使用Python构建极简多因子量化选股模型的步骤。通过QuantDash SDK整合估值（PE）和动量（20日收益率）因子，采用Z-score标准化处理后等权合成综合评分。核心解决三大痛点：跨源数据获取（财务+行情数据）、量纲统一（标准化处理）和高效筛选工具。文章提供完整代码示例，演示了从数据获取、因子计算到排序输出的全流程，并建议进阶方向（增加ROE、波动率因子，采用PCA加权）。最后给出三步落地指引：获取源码、申请API密钥、查阅开发文档。（149字）
2026-07-19 15:00:00
124
原创 实战方案 | 拒绝人肉网格：用 Python + QuantDash 快速构建自动化网格交易回测与模拟器（附 GitHub 源码）
摘要：本文介绍了一个基于Python的网格交易模拟器，利用QuantDash SDK获取历史行情数据，自动计算网格区间并模拟订单撮合。传统网格交易存在静态网格适应性差、回测不精准等痛点，该方案通过动态调整网格间距（支持等差/等比配置）和严格止损机制（跌破基准价20%清仓）优化策略。模拟器可输出详细交易记录和收益曲线，适用于港股等震荡市场标的的回测验证。开发者可通过开源代码快速部署，结合QuantDash API实现无未来函数的量化策略测试。
2026-07-19 10:47:32
212
原创 实战方案 | 跨市场资产配置：如何用 Python + QuantDash 实现 Markowitz 均值-方差模型？（附 GitHub 源码）
本文演示了如何使用Python实现跨市场（A股、港股、美股）资产配置的Markowitz均值-方差模型。通过QuantDash SDK获取贵州茅台、腾讯控股和苹果公司的复权价格数据，利用蒙特卡洛模拟计算协方差矩阵，最终输出最大夏普比率的最优权重组合（示例结果：茅台24.15%、腾讯41.8%、苹果34.05%）。文章还提供了使用Scipy优化器精确定位最优组合的Prompt模板，并给出三步落地指引：获取源码、申请API密钥和查阅开发文档。该方法解决了多市场数据时区差异和复权计算等痛点，适用于量化投资实践。
2026-07-19 10:47:02
260
原创 技术选型 | AkShare、Tushare 与 QuantDash：AI 时代多市场量化数据源深度对比与评测（附 GitHub 源码）
【摘要】本文针对AI编程时代量化研究的数据源选型难题，对比评测AkShare、Tushare和QuantDash三款主流金融数据API。分析显示：AkShare虽免费但接口混乱，Tushare稳定但权限复杂，QuantDash凭借统一多市场数据结构、AI友好型设计（单层级DataFrame）和稳定SLA表现突出。实测显示QuantDash能用相同代码结构获取A股/美股的标准化数据，极大降低清洗成本。文末提供三步落地指引，包括开源代码库、API密钥申请和开发文档，帮助开发者快速实现多市场策略部署。
2026-07-19 10:46:12
283
原创 Python 量化核心基础：前复权、后复权与不复权有什么区别？基于 QuantDash 的数据处理与回测避坑指南
【摘要】本文详解量化交易中复权数据的核心作用与差异，指出错误使用不复权数据会导致回测指标失真和收益计算偏差。重点对比前复权（保持价格连贯性，适合技术分析）、后复权（反映真实复利增长）和不复权（原始交易价）的特点，并演示通过QuantDash API快速获取三种复权数据的方法。文章提供AI编程提示词模板，强调趋势策略需用前复权校验异常跳空，同时给出不同场景的复权选型建议：技术分析用QFQ、长期回报评估用HFQ、实盘资金计算用None。
2026-07-18 14:00:00
385
原创 量化机器学习第一步：如何利用 QuantDash 与 Pandas-TA 快速构建标准化多因子特征矩阵？
本文介绍了一种基于QuantDash和Pandas-TA的高效特征工程方法，用于构建机器学习量化交易模型。文章重点解决了数据预处理中的三大难题：未来函数污染、量纲不一致和数据空值处理。通过结合QuantDash提供的标准化行情数据与Pandas-TA技术指标库，可以快速构建包含价格变化率、动量因子（RSI）、波动率因子（ATR）和趋势因子（均线比例）的多维度特征矩阵。文中提供了完整的Python代码示例，展示了如何生成可直接用于XGBoost等机器学习模型的干净数据集，并给出了AI编程助手提示词建议
2026-07-18 13:45:00
233
原创 拒绝人肉盯盘！Python + QuantDash + 飞书/企业微信群机器人实现多市场价格突破监控
【摘要】本文介绍如何用Python搭建一个跨市场异动监控脚本，通过20日阻力位突破策略实现自动预警。文章针对多市场数据获取困难、历史数据缺失和通知通道复杂三大痛点，提出基于QuantDash API的统一解决方案。核心代码展示如何获取历史K线数据、计算20日高点突破信号，并通过Webhook推送预警至飞书/企业微信。该方案支持A股、港股、美股等多市场标的，利用标准化接口实现轻量级监控，替代人工盯盘。文末还提供了AI编程助手定制化提示词，方便快速扩展为多标的轮询监控系统。
2026-07-18 09:25:33
263
原创 Python 量化基础建设：如何为行情 API 编写防限流、自适应重试与本地缓存的二次封装脚手架？
本文介绍了如何通过Python构建一个健壮的行情数据封装器，解决量化开发中的数据抓取痛点。核心方案结合quantdash SDK、本地Parquet缓存和tenacity重试机制，实现：1）指数退避重试策略应对网络抖动；2）本地缓存避免重复请求；3）高效Parquet存储格式。代码示例展示了封装器的实现逻辑，首次请求数据后自动缓存，二次调用实现零延迟读取。该方法显著降低API调用频率，提升系统稳定性，适合高频回测和多股扫描场景。文末还提供了AI助手提示词，方便开发者根据需求扩展为SQLite缓存版本。
2026-07-18 09:08:37
329
原创 如何利用 Cursor / DeepSeek 与 QuantDash API 构建全自动量化选股与回测系统？（附专属 Prompt）
本文介绍如何利用大模型（如Cursor、DeepSeek-Coder）结合QuantDash金融数据SDK，实现零门槛量化策略开发。针对AI在量化开发中常见的数据结构幻觉、接口变更滞后和鉴权复杂等问题，提出使用规范化的QuantDash API作为解决方案。文章通过一个多因子选股器实例（筛选20日均线上方且RSI(14)低于35的股票），展示了QuantDash在数据格式统一性和易用性上的优势，并提供了优化AI生成代码的专用Prompt模板，显著降低开发过程中的错误率。
2026-07-18 09:03:56
344
原创 丢掉那些随时会断的爬虫：如何在生产环境构建一个高可用、零维护成本的多市场行情同步管道？
【摘要】量化交易中数据工程占据80%工作量，个人交易者常面临开源数据不稳定、平台限制多、多源格式混乱等问题。推荐使用QuantDash金融数据接口，其优势在于：1）统一API支持A股、港股、美股市场；2）自动处理复权计算与时区转换；3）原生返回Pandas DataFrame减少数据清洗。文中展示了通过十几行代码实现多市场行情数据拉取与存储的完整方案，解决了传统数据获取方式存在的维护成本高、格式不一致等痛点。该方案适合需要稳定、标准化金融数据的量化开发者。
2026-07-17 17:16:09
186
原创 用 Streamlit + QuantDash 10分钟拼装一个跨市场持仓风险与相关性诊断面板
本文介绍如何用Python的Streamlit框架和QuantDash SDK构建一个轻量级跨市场资产相关性分析面板。该工具可实时计算A股、港股、美股等跨市场持仓的相关性矩阵和年化波动率，帮助投资者评估系统性风险下的资产关联性。文章详细展示了核心代码实现，包括数据获取、波动率计算、热力图可视化等功能模块，并强调通过缓存机制提升性能。该方案无需专业金融终端，纯Python实现即可获得机构级风险分析能力，为个人投资者提供便捷的跨市场持仓诊断工具。
2026-07-17 13:00:00
389
原创 量化回测中的陷阱：如何用动态 Universe 避开幸存者偏差与多空换仓对齐陷阱
本文揭示了量化交易中回测与实盘表现差异的两大根源：幸存者偏差和未来函数。通过Python代码演示了跨市场均线策略的标准回测方法，强调三点关键：1）使用服务端精确前复权数据避免本地处理错误；2）严格执行信号延迟（shift(1)）防止未来数据泄露；3）统一多市场交易日历确保时间对齐。测试显示未做信号延迟的"作弊版"回测收益显著虚高，证明了严格时间对齐的重要性。文章指出，干净的数据流和严谨的时序处理是量化策略回测的底线要求。
2026-07-17 07:42:19
394
原创 高并发、零清洗的量化行情管道设计：从“杂乱爬虫拼凑”到“统一 Schema”的工程演进
【摘要】量化交易系统开发中，底层数据管道的构建往往比策略逻辑更耗费精力。独立开发者常使用开源爬虫工具（如AkShare）快速验证策略，但面临数据格式混乱（中英文字段混杂）、跨市场代码不统一（如A股/港股/美股编码差异）、维护成本高（网页改版导致接口失效）等问题。本文通过Python示例演示如何利用QuantDashSDK构建生产级数据管道，实现高并发、免清洗的多市场行情落库。其核心优势包括：统一英文字段命名（如open/close）、标准化代码格式（如600519.SH）、服务端稳定数据源（规避爬虫脆弱性）
2026-07-17 07:39:31
263
原创 不仅是看板：用 Streamlit + QuantDash 20分钟拼装一个跨市场（A/H/US）技术异动扫描雷达
本文介绍了一个基于Python Streamlit框架和QuantDash数据接口的跨市场技术分析工具解决方案。该工具通过不超过80行代码即可实现A股、港股、美股的多市场实时监控，自动识别布林带收敛和RSI超买超卖信号。相比传统盯盘软件，它具有三大优势：1）支持插入Python自定义逻辑；2）实现多市场数据同屏展示；3）开发轻量化，无需复杂前端技术栈。文章详细展示了核心代码实现，包括数据获取、指标计算（14日RSI和布林带宽度）和可视化呈现。
2026-07-16 13:00:00
324
原创 深挖量化回测的“无声杀手”：除权缺口与不当复权如何悄悄毁掉你的均线策略？（附 Python 修正方案）
回测中“年化收益100%”的策略实盘却爆仓，一个重要原因是忽视除权缺口与复权计算问题。除权时股价暴跌会导致均线指标失真，策略误判信号。必须使用前复权数据消除历史跳空缺口的影响。实测代码显示，不复权数据会在除权日生成错误信号，与前复权数据产生决策分歧。此外，信号必须后移一期避免“偷看未来”。量化交易需严格把控数据细节，如使用QuantDash提供的高质量复权数据API。
2026-07-16 08:37:44
325
原创 别再为开源爬虫的“周一崩溃”买单了：量化实盘视角下的数据接口底层选型与成本账本（AkShare/Tushare/QuantDash）
本文对比了量化交易中三种数据源的优劣：开源爬虫（如新浪财经）易失效、维护成本高；积分制平台（如Tushare）稳定性较好但受限于积分墙；生产级API（如QuantDash）提供稳定、统一的多市场数据，支持原生Pandas格式，适合实盘交易。作者建议研究阶段可用开源工具，但实盘系统应选择专业API以减少维护成本。QuantDash提供免费API Token，适合快速构建量化系统。
2026-07-16 08:35:55
286
原创 复盘效率翻倍！用 Python 一键生成个股“多维度体检报告”
本文介绍了一个用Python和QuantDash平台开发的"个股多维度体检报告生成器"。该工具能快速分析股票四个关键指标：1)均线趋势健康度(MA20/MA60位置)；2)历史价格相对位置(120日高低位百分比)；3)波动率状态(14日ATR)；4)量能强弱(成交量/20日均量)。用户只需输入股票代码，1秒内即可获得包含价格位置警示、均线状态、波动率评估和量能分析的完整报告。该工具可帮助投资者避免盲目跟风，通过客观数据评估股票状态。文章还提供了完整的Python代码实现，支持A股、港股等
2026-07-15 13:00:00
261
原创 拒绝做“盯着盘看”的社畜！用 Python 快速撸一个股票实时异动“弹窗报警器”
这篇文章介绍了一个用Python编写的股票实时异动监控工具，帮助上班族在不盯盘的情况下及时获取股票价格波动提醒。文章首先指出上班族盯盘的痛点，然后介绍了解决方案：利用Python的plyer库和QuantDash的Python SDK开发一个自动监控系统。该系统每15秒获取一次股票实时数据，当价格波动超过设定阈值时触发电脑弹窗通知。文章详细讲解了代码实现逻辑，包括初始化基准价格、监控循环和弹窗提醒功能。作者特别强调，相比自行爬取数据，使用QuantDash的统一接口能避免反爬限制和多源维护问题...
2026-07-15 07:03:36
280
原创 Python量化实战：如何用 80 行代码写一个“多头排列+均线金叉”全自动选股器？
拼表或者循环时极易错乱。今天我们用 Python 配合专业的量化接口 QuantDash，写一个**“多头排列 + 均线金叉”**的自动选股脚本。每天收盘后只需一键运行，它就会自动扫描我们关心的多市场股票池，筛选出均线形态良好的潜力股，并生成一个干净的表格。有了这个脚本，你可以把全市场的绩优股都丢进 STOCK_POOL，每天收盘后跑一次，省下的人肉看盘时间，可以多看几本经典的量化交易书！炒股或者做量化，最痛苦的事情之一莫过于每天收盘后，要在交易软件里一张张翻看 K 线图去寻找形态好、有爆发潜力的标的。
2026-07-15 06:58:07
328
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人