事后神一样，事前猪一样
10日线拐点 波段系统
10日线走平 拐头 ，最近60天高点以来跌幅大于指定阈值 。
十日线选择理由：
适中的反应速度
平衡了滞后性和敏感性
适合中短期交易
ice60_gt_ice60~70,rise10_abslt_2
因子投资（Factor Investing）
是一种通过系统性地暴露于某些特定的风险因子，
如价值、规模、动量、质量、低波动等来获取超额收益的投资策略。
Smart Beta：通常指基于因子投资策略构建的指数或基金
Factor-based Investing：
强调“基于因子的投资”，与Factor Investing含义相近
在股市中，“庄家”是使用频率最高的词语之一。
庄家的一举一动可能引发股市的大起大落，
由此招来无数股民赤热的追捧，
散户以跟庄为幸，大户以控庄为喜，股评以荐庄股为荣。
“庄股”热情温柔又冷酷无情，
它的飙涨给人带来暴富的机会，让人乐不可支；
它的暴跌将人打入冷宫，让人苦不堪言。
2005年6月6日股指最低下跌到998.22点。
一部庄家史，几多散户泪
如果没有任何经济压力，你会如何度过余生？
量化因子挖掘是“发现规律”，
量化策略开发与回测是“利用规律创造价值”。
两者相辅相成，构成量化投资研究的基本闭环。
优秀的量化研究员必须精通这两个环节，
并能敏锐地洞察从“因子”到“策略”转化过程中可能丢失的阿尔法，
通过不断迭代，将统计规律转化为稳健的投资策略
量化回测框架
新手入门backtrader ，概念清晰
vectorBT 速度快 研究 调参 快速验证想法
A股量化 用rqalpha + vectorBT
Qlib 微软开源的AI量化投资工具
Qlib的核心优势在于将AI/ML工作流深度融入量化投资研究，
同时通过工程优化解决了金融数据处理的性能瓶颈。
高性能表达式引擎（Qlib表达式）：
支持高效的因子计算，
内置数百个常用因子库，可自定义因子；
提供标准化的训练、验证、测试流程，
支持主流的机器学习模型（如LightGBM、深度学习模型）；
内置多种AI模型：
包括经典的监督学习模型（GBDT、神经网络等）和 基于强化学习的策略模型。
典型应用场景
因子挖掘与Alpha策略研究
机器学习/深度学习模型在量化投资中的应用
投资组合优化与风险管理
高频交易策略的快速原型验证
学术研究与行业实践的桥梁
Alpha158 是 Qlib 内置的一个经典特征工程模板，
包含了158个量化因子，广泛应用于A股市场的研究。
qlib首次运行：会自动下载约3-5GB的中国市场数据
数据位置：默认下载到 ~/.qlib/qlib_data/cn_data/
主要功能：
D.features() - 获取原始数据
内置特征工程（Alpha158等）
多种机器学习模型
完整的回测框架
风险分析工具
pyfolio Python Portfolio Analytics
投资组合绩效和风险分析库，
QuantStats 一个功能极其全面的投资组合分析库，
被广泛认为是 pyfolio 的最佳继任者。
一站式解决方案，简单强大，报告精美，
quantstats.reports.html(returns, benchmark)
一行代码即可生成包含数十个图表和指标的超详细交互式 HTML 报告。
python数据对象定义
简单场景：使用 dataclass
需要验证和复杂逻辑：使用 Pydantic
性能要求高：使用 attrs
完全控制：使用普通类自定义方法
推荐优先使用 dataclass，它语法简洁，
Python 3.7+ 内置支持，适合大多数场景。
赚钱，是认知变现；赚不到钱，是认知有缺陷
python web框架 Flask FastAPI
需求场景/推荐框架/理由
传统Web应用 Flask 模板集成更好，文档更全
现代化API+简单页面 FastAPI 性能更好，类型提示
需要大量HTML页面 Flask 开发更快速
API为主，少量页面 FastAPI 保持一致性
python量化库
TA-lib backtrader quantstats
技术指标计算 策略回测 绩效分析
90%交易被“重仓冲动”毁掉，
止损不是最难的，很多人不是输在技术，
不是输在行情，而是输在那一刻的冲动与急躁。
轻仓时你理性，一旦重仓，你立刻变成另一个人。
止损舍不得，情绪在主导，市场则冷冷旁观。
市场不奖励勇敢，只奖励清醒。
真正成熟的交易者，不是敢重仓的人，而是敢克制的人。
市场不奖励勇敢，只奖励清醒。
真正成熟的交易者，不是敢重仓的人，而是敢克制的人。
交易三条原则：
在市场证明正确之前，必须不断清除已建立的仓位；
盈利加仓；
巨量是套现良机。
牛市能赚钱，熊市能赚钱，猪却永远赚不到！
交易是一场马拉松，保持耐心，坚持规则，做时间的朋友。
第一页
上一页
下一页
最后一页