1.tushare/米筐/akshare 以pandas为工具的学生金融量化分析入门级教程（附python源码）
2.手把手教你搭建自己的量化分析数据库
3.通达信量化擒龙先手！主附图/选股指标源码分享
4.量化投资之工具篇：Backtrader从入门到精通（3）Cerebro代码详解
5.准备学习下量化，量化发现市面上有很多量化平台，源码聚宽，学生米匡，量化BIGQUANT等等，源码海报星巴克源码大家使用感受怎么样？
6.TFlite 源码分析(一) 转换与量化

tushare/米筐/akshare 以pandas为工具的学生金融量化分析入门级教程（附python源码）

       安装平台是一个相对简单的过程，因为tushare、量化米筐和akshare这些平台不需要使用pip install来安装（米筐除外，源码但不是学生必需操作）。首先，量化需要注册账户，源码尤其是学生对于学生群体，按照流程申请免费试用资格和一定积分。量化然后，源码打开编译器，比如使用anaconda的jupyter。

       基本操作中，导入tushare和米筐时，通常使用ts和rq作为别名，这会影响到之后代码的缩写。例如，使用tushare获取数据的方法可以是这样的：

       df = pro.monthly(ts_code='.SZ', start_date='', end_date='', fields='ts_code,trade_date,open,high,low,close,vol,amount')

       这里，ts_code是要分析的股票代码，start_date和end_date是查询的开始和结束日期，fields参数指定需要获取的数据。tushare和米筐对数据查询有详细的说明和解释。

       数据处理是初学者需要重点关注的部分。使用pandas进行数据的保存和处理，是这篇文章的主要内容。推荐查找pandas的详细教程，可以参考官方英文教程或中文翻译版教程，这些教程提供了丰富的学习资源。

       在处理数据时，可以使用pandas进行各种操作，如数据存储、绘制柱状线源码读取、筛选、排序和数据合并。例如，存储数据到csv文件的代码为：

       df.to_csv("名字.csv",encoding='utf_8_sig')

       从csv文件读取数据的代码为：

       pd.read_csv("名字.csv")

       在数据处理中，可以筛选特定条件下的数据，如选择大于岁的人的代码为：

       above_ = df[df["Age"] > ]

       同时，可以对数据进行排序、筛选、重命名、删除列或创建新列等操作。合并数据时，可以使用`pd.concat`或`pd.merge`函数，根据数据的结构和需要合并的特定标识符来实现。

       这篇文章的目的是通过提供pandas数据处理的典型案例，帮助读者更好地理解和使用tushare平台。对于在校学生来说，tushare提供的免费试用和积分系统是宝贵的资源。在使用过程中遇到问题，可以在评论区留言或分享项目难题，以便进一步讨论和提供解决方案。

       再次感谢tushare对大学生的支持和提供的资源。如果觉得文章内容对您有帮助，欢迎点赞以示支持。让我们在金融量化分析的道路上共同成长。

手把手教你搭建自己的量化分析数据库

       量化交易的分析根基在于数据，包括股票历史交易数据、上市公司基本面数据、宏观和行业数据等。面对信息流量的持续增长，掌握如何获取、查询和处理数据信息变得不可或缺。对于涉足量化交易的个体而言，对数据库操作的掌握更是基本技能。目前，变异筹码指标源码MySQL、Postgresql、Mongodb、SQLite等开源数据库因其高使用量和受欢迎程度，位列-年DB-Engines排行榜前十。这几个数据库各有特点和适用场景。本文以Python操作Postgresql数据库为例，借助psycopg2和sqlalchemy实现与pandas dataframe的交互，一步步构建个人量化分析数据库。

       首先，安装PostgreSQL。通过其官网下载适合操作系统的版本，按照默认设置完成安装。安装完成后，可以在安装目录中找到pgAdmin4，这是一个图形化工具，用于查看和管理PostgreSQL数据库，其最新版为Web应用程序。

       接着，利用Python安装psycopg2和sqlalchemy库。psycopg2是连接PostgreSQL数据库的接口，sqlalchemy则适用于多种数据库，特别是与pandas dataframe的交互更为便捷。通过pip安装这两个库即可。

       实践操作中，使用tushare获取股票行情数据并保存至本地PostgreSQL数据库。通过psycopg2和sqlalchemy接口，实现数据的存储和管理。由于数据量庞大，通常分阶段下载，比如先下载特定时间段的数据，后续不断更新。

       构建数据查询和可视化函数，用于分析和展示股价变化。比如查询股价日涨幅超过9.5%或跌幅超过-9.5%的tensorflow源码分析1个股数据分布，结合选股策略进行数据查询和提取。此外，使用日均线策略，开发数据查询和可视化函数，对选出的股票进行日K线、日均线、成交量、买入和卖出信号的可视化分析。

       数据库操作涉及众多内容，本文着重介绍使用Python与PostgreSQL数据库的交互方式，逐步搭建个人量化分析数据库。虽然文中使用的数据量仅为百万条左右，使用Excel的csv文件读写速度较快且直观，但随着数据量的增长，建立完善的量化分析系统时，数据库学习变得尤为重要。重要的是，文中所展示的选股方式和股票代码仅作为示例应用，不构成任何投资建议。

       对于Python金融量化感兴趣的读者，可以关注Python金融量化领域，通过知识星球获取更多资源，包括量化投资视频资料、公众号文章源码、量化投资分析框架，与博主直接交流，结识圈内朋友。

通达信量化擒龙先手！主附图/选股指标源码分享

       通达信量化擒龙先手！主附图/选股指标源码分享

       一. 指标简介：

       二. 主图指标源码

       MA5:MA(C,5);

       MA:MA(C,);

       MA:MA(C,);

       MA:MA(C,);

       DIF1:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA1:=EMA(DIF1,9);

       AAA1:=(DIF1-DEA1)*2*;

       AAA上:=IF(AAA1>REF(AAA1,1),AAA1,DRAWNULL);

       AAA下:=IF(AAA1

       买:=;

       入:=AAA1-REF(AAA1,1);

       正大:=CROSS(入,买);

       DIF:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA:=EMA(DIF,);

       AAA:=(DIF-DEA)*2*;

       牛股:=CROSS(AAA-REF(AAA,1),);

       正大牛股:=正大 AND 牛股;

       HSL:=V/CAPITAL*>5;

       S1:=IF(NAMELIKE('S'),0,1);

       S2:=IF(NAMELIKE('*'),0,1);

       Z3:=NOT(INBLOCK('近期解禁'));

       Z4:=NOT(INBLOCK('拟减持'));

       Z5:=NOT(INBLOCK('股东减持'));

       Z6:=NOT(INBLOCK('基金减持'));

       Z7:=NOT(INBLOCK('即将解禁'));

       Z8:=IF(CODELIKE(''),0,1);

       Z9:=IF(CODELIKE('8'),0,1);

       去掉:=S1 AND S2 AND Z3 AND Z4 AND Z5 AND Z6 AND Z7 AND Z8 AND Z9;

       AA:=MA(CLOSE,8);

       BB:=((ATAN((AA - REF(AA,1))) * 3.) * );

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       天马:=((((((OPEN <= 均线) AND ((均线 - REF(均线,1)) > 0))

       AND (CLOSE > 均线)) AND (BB > 1)) AND ((CLOSE / OPEN) > 1.)));

       { 股价必涨}

       AA:=IF(CLOSE/REF(CLOSE,1)>1. AND HIGH/CLOSE<1. AND IF(CLOSE>REF(CLOSE,1),,0)>0, , 0);

       SS:=MA((LOW+HIGH+CLOSE)/3,5)>REF(MA((LOW+HIGH+CLOSE)/3,5),1) AND REF(MA((LOW+HIGH+CLOSE)/3,5),1)

       SC:=LHHV(MA((LOW+HIGH+CLOSE)/3,5),) AND C>REF(C,1) AND C>O;

       MR:=SC AND COUNT(SS,2);

       BB:=MR AND NOT(REF(MR,1));

       股价必涨:=AA OR BB OR 天马;

       { 抄底}

       二十日换手率:=BETWEEN(SUM(HSCOL,),,);{ 意思是 日换手率介于---之间}

       DFO:=(C-REF(C,1))/REF(C,1)*<-5;

       AAO:=BARSLAST(DFO);

       突破:=CROSS(C,REF(O,AAO));

       抄底:=二十日换手率 AND 突破;

       三.副图指标源码：

       DIF1:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA1:=EMA(DIF1,9);

       AAA1:=(DIF1-DEA1)*2*;

       AAA上:=IF(AAA1>REF(AAA1,1),AAA1,DRAWNULL);

       AAA下:=IF(AAA1

       买:=;

       入:=AAA1-REF(AAA1,1);

       正大:=CROSS(入,买);

       DIF:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA:=EMA(DIF,);

       AAA:=(DIF-DEA)*2*;

       牛股:=CROSS(AAA-REF(AAA,1),);

       正大牛股:=正大 AND 牛股;

       HSL:=V/CAPITAL*>5;

       S1:=IF(NAMELIKE('S'),0,1);

       S2:=IF(NAMELIKE('*'),0,1);

       Z3:=NOT(INBLOCK('近期解禁'));

       Z4:=NOT(INBLOCK('拟减持'));

       Z5:=NOT(INBLOCK('股东减持'));

       Z6:=NOT(INBLOCK('基金减持'));

       Z7:=NOT(INBLOCK('即将解禁'));

       Z8:=IF(CODELIKE(''),0,1);

       Z9:=IF(CODELIKE('8'),0,1);

       去掉:=S1 AND S2 AND Z3 AND Z4 AND Z5 AND Z6 AND Z7 AND Z8 AND Z9;

       AA:=MA(CLOSE,8);

       BB:=((ATAN((AA - REF(AA,1))) * 3.) * );

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       天马:=((((((OPEN <= 均线) AND ((均线 - REF(均线,1)) > 0))

       AND (CLOSE > 均线)) AND (BB > 1)) AND ((CLOSE / OPEN) > 1.)));

       { 股价必涨}

       AA:=IF(CLOSE/REF(CLOSE,1)>1. AND HIGH/CLOSE<1. AND IF(CLOSE>REF(CLOSE,1),,0)>0, , 0);

       SS:=MA((LOW+HIGH+CLOSE)/3,5)>REF(MA((LOW+HIGH+CLOSE)/3,5),1) AND REF(MA((LOW+HIGH+CLOSE)/3,5),1)

       SC:=LHHV(MA((LOW+HIGH+CLOSE)/3,5),) AND C>REF(C,1) AND C>O;

       MR:=SC AND COUNT(SS,2);

       BB:=MR AND NOT(REF(MR,1));

       股价必涨:=AA OR BB OR 天马;

       { 抄底}

       二十日换手率:=BETWEEN(SUM(HSCOL,),,);{ 意思是 日换手率介于---之间}

       DFO:=(C-REF(C,1))/REF(C,1)*<-5;

       AAO:=BARSLAST(DFO);

       突破:=CROSS(C,REF(O,AAO));

       抄底:=二十日换手率 AND 突破;

       四. 选股指标源码

       指标源码内容与前文一致，仅包含主图和副图指标源码，用于量化分析股票。指标包括移动平均线、MACD、股价波动判断、python调用electron源码换手率分析等，通过设置条件筛选出具有投资潜力的股票。使用时根据具体市场情况和策略进行调整。注意：指标的有效性需结合市场情况综合判断，不应单一依赖。

量化投资之工具篇：Backtrader从入门到精通（3）Cerebro代码详解

       在深入理解backtrader的工具使用中，Cerebro作为核心控制器，其代码详解至关重要。它负责整个系统的协调和管理，虽然看似复杂，但实质上是将任务分发给其他组件如策略、数据源和分析器。让我们通过源代码解析来逐步揭示其工作原理。

       首先，Cerebro的初始化主要设置公共属性，并接受一系列参数，这些参数在元类中统一处理，通过**kwargs传递。初始化过程中，实际上并未做太多工作，而是为后续操作准备了基础结构。

       数据源的添加是通过cerebro.adddata方法，它可以处理普通数据和resample/replay数据，这个过程涉及对数据源的筛选和处理后加入到Cerebro的datas列表中。

       策略的添加同样简单，只是将策略类及参数存储在strats容器中，策略会在run时实例化。

       Cerebro的run函数是整个流程的驱动器，它根据传入的参数，按照时间驱动数据运行，同时协调策略、分析器和观察者等组件协同工作。run函数的代码复杂，但关键在于它如何管理和调度各个组件。

       最后，Cerebro通过plot方法实现可视化输出，其自身并不直接进行绘图，而是调用plotter模块来完成。

       总的来说，虽然Cerebro的代码看起来复杂，但实际上它的作用是连接各个组件，提供一个框架让策略和数据处理得以高效执行。理解Cerebro的工作原理后，后续理解其他部件如data feeds的运作就更为顺畅了。下文我们将转向数据类的解析，进一步探讨数据的管理与驱动机制。

准备学习下量化，发现市面上有很多量化平台，聚宽，米匡，BIGQUANT等等，大家使用感受怎么样？

       探索量化投资之路：用户分享各平台体验

       作为一位有着6年多量化投资经验的专业人士，我见证了量化投资市场的变迁。从最初的中低频策略，到如今的日间高频交易（T0），我尝试过市面上众多的量化平台，包括聚宽、米筐、BIGQUANT等，下面是我对这些平台的一些深入体验和见解。

       年是量化投资的转折点，牛市与互联网的结合孕育了量化投资的热潮。各大平台，如米筐、聚宽，都是在那一年崭露头角，它们以Python编程环境、基础研究数据和活跃的社区吸引着投资者。那时的平台，不论是界面设计还是盈利模式，都以用户增长为核心，像互联网产品一样追求用户基础的积累。比如米筐，它的Barra研究体系就像量化投资的入门指南。它通过提供一键式函数实现Barra功能，社区里则充斥着丰富的源码和实践案例，让新手可以轻松上手。

       然而，这种模式在年后开始面临挑战。市场波动和政策变化使得许多策略失效，量化投资的圣杯似乎不再那么简单易得。优矿依托于通联数据，保持了其数据质量的优势。聚宽则走出了一条多元化道路，不仅服务券商T0业务，还拥有自己的策略团队，这在一定程度上意味着它们在寻求更深度的投研结合，但同时也放弃了部分线上用户。米筐则转向了机构服务，提供本地部署和自动化解决方案，继续深耕量化领域。

       对于BIGQUANT，虽然我使用经验有限，但从市场反馈来看，其发展路径可能与上述平台有所不同。如果你正准备学习量化投资，我建议你通过这些早期的论坛去寻找资料，尽管一些社区可能已不再活跃，但早期的框架和理念仍值得了解。但请记住，寻找所谓的"圣杯"不再是关键，更重要的是理解和掌握投资的复杂性，理解财务基本面和有效因子的挖掘需要更深入的学习和实践。

       总结来说，每个平台都有其特色和局限，而量化投资的真正挑战在于深度学习和持续适应市场变化。在这个过程中，意识到投资的困难是成长的第一步，也是通往成功的关键。

TFlite 源码分析(一) 转换与量化

       TensorFlow Lite 是 Google 推出的用于设备端推断的开源深度学习框架，其主要目的是将 TensorFlow 模型部署到手机、嵌入式设备或物联网设备上。它由两部分构成：模型转换工具和模型推理引擎。

       TFLite 的核心组成部分是转换（Converter）和解析（interpreter）。转换主要负责将模型转换成 TFLite 模型，并完成优化和量化的过程。解析则专注于高效执行推理，在端侧设备上进行计算。

       转换部分，主要功能是通过 TFLiteConverter 接口实现。转换过程涉及确定输入数据类型，如是否为 float、int8 或 uint8。优化和转换过程主要通过 Toco 完成，包括导入模型、模型优化、转换以及输出模型。

       在导入模型时，`ImportTensorFlowGraphDef` 函数负责确定输入输出节点，并检查所有算子是否支持，同时内联图的节点进行转换。量化过程则涉及计算网络中单层计算的量化公式，通常针对 UINT8（范围为 0-）或 INT8（范围为 -~）。量化功能主要通过 `CheckIsReadyForQuantization`、`Quantize` 等函数实现，确保输入输出节点的最大最小值存在。

       输出模型时，根据指定的输出格式（如 TensorFlow 或 TFLite）进行。TFLite 输出主要分为数据保存和创建 TFLite 模型文件两部分。

       量化过程分为选择量化参数和计算量化参数两部分。选择量化参数包括为输入和权重选择合适的量化参数，这些参数在 `MakeInitialDequantizeOperator` 中计算。计算参数则使用 `ChooseQuantizationParamsForArrayAndQuantizedDataType` 函数，该函数基于模板类模板实现。

       TFLite 支持的量化操作包括 Post-training quantization 方法，实现相关功能的代码位于 `tools\optimize\quantize_model.cc`。

常见的十大量化投资策略（附源码）

       量化投资策略，通过量化方法在金融市场上分析、判断和交易的策略和算法的总称，主要有以下十种：

       、海龟交易策略。这是一种全面的趋势跟随型自动化交易策略，详细设计了入场条件、仓位控制、资金管理与止损止盈，可作为复杂交易策略设计与开发的模板。

       、阿尔法策略。基于传统基本面分析，通过在期指市场做空，在股票市场构建拟合指数的组合，赚取价差，被动套利。

       、多因子选股策略。通过找到与收益率相关的指标，构建股票组合，期望其在一段时间内跑赢或跑输指数，实现正向或反向阿尔法收益。

       、双均线策略。通过建立移动平均线，依据均线交叉点进行交易，抓住股票的强势与弱势时刻。

       、行业轮动策略。利用市场趋势获利，通过切换行业品种实现收益最大化。

       、跨品种套利策略。利用不同相关联指数期货产品之间的价差进行交易，有助于扭曲市场价格回复正常水平，增强市场流动性。

       、指数增强策略。旨在提供高于标的指数回报水平的投资业绩，力求保持标的指数的各种特征。

       、网格交易策略。利用投资标的在震荡行情中的价格波动进行加仓减仓，捕捉价格震荡趋势以实现盈利。

       、跨期套利策略。在同一交易所进行不同交割月份的套利活动，最常见于股指期货。

       、高频交易策略。通过利用市场变化中极短的时间差获利，交易速度极快，服务器群组可能被安置在交易所附近以缩短交易时间。