1.tushare/米筐/akshare 以pandas为工具的量化量化金融量化分析入门级教程（附python源码）
2.请问国内哪家量化平台比较好？
3.TFlite 源码分析(一) 转换与量化
4.一大波国外高清量化网址正在袭来...
5.硬核福利量化交易神器talib中28个技术指标的Python实现（附全部源码）
6.量化投资之工具篇：Backtrader从入门到精通（3）Cerebro代码详解
tushare/米筐/akshare 以pandas为工具的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、网站网站米筐和akshare这些平台不需要使用pip install来安装（米筐除外，源码源码但不是策略必需操作）。首先，量化量化需要注册账户，网站网站源码列表怎么使用尤其是源码源码对于学生群体，按照流程申请免费试用资格和一定积分。策略然后，量化量化打开编译器，网站网站比如使用anaconda的源码源码jupyter。
基本操作中，策略导入tushare和米筐时，量化量化通常使用ts和rq作为别名，网站网站这会影响到之后代码的源码源码缩写。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的跳广告通用源码详细教程，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、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，源码编辑趣味数学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。
请问国内哪家量化平台比较好？
推荐澎博财经的真格量化。云端运行，行情和交易速度都经过专业优化。
支持期货、期权和ETF的tick级别回测。
有完善的文档和培训教程。
支持编程语言为Python2.7和Python3.5.
上手很快，对用户非常友好。
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，紫蓝袋指标源码主要功能是通过 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，wordpress图片主题源码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`。
一大波国外高清量化网址正在袭来...
随着春节的结束，工作和学习的节奏回归正轨，我开始整理各类量化资源，为读者们提供更新内容。在海外资料的探索中，我发现了一些优质的量化资料，包括理论和源码，适合初学者入门。考虑到国内朋友们的需求，我想把这些国外的好资源介绍给大家，希望你们能从中汲取精华，提升自己。
对于国内逐渐兴起的量化交易，虽然起源于国外，但了解和学习的渠道在哪里呢？这里有一份推荐清单：《Best Quant Blogs and Websites》。这个网址是 feedly.com/i/top/quant-...
这个列表收录了个备受国外关注的量化网站和博客，如Quantocracy、Quantpedia和Quantstart等，都是经常被提及的资源。由于是国外站点，访问可能受限，但别担心，我已经将所有相关网址保存，只需回复公Z号『量化君也』的暗号即可获取。
除了上述资源，还有其他文章供你参考，如《Best Quant websites | An unconventional guide》和《TOP Useful Blogs and Websites for Quants》。国外的量化资源丰富多样，国内的朋友可以通过这些站点学习到更多专业知识。
以QuantInsti为例，这个网站可以直接访问，无需登录，它的量化文章分类清晰，是入门学习的好去处。网站的Blogs标签下，你可以找到涵盖自动化交易、机器学习等个版块的深入教程，包括《Algorithmic Trading Strategies》、《Stock Market Data Analysis》等文章。
其中，机器学习版块尤其出色，不仅有理论讲解，还提供实践案例和Python代码，非常适合学习者。如果你想尝试使用神经网络、决策树等算法进行量化交易，这里也有相关的文章推荐，如《Neural Network In Python》和《Decision Tree For Trading Using Python》等。
总的来说，国外的量化资源丰富且实用，借助翻译工具，即使英语基础一般，也能无障碍学习。希望这些信息能帮助到你，欢迎关注『量化君也』公Z号，那里有更多的量化策略和知识分享。我是@quantkoala，期待与你一起交流和进步！
硬核福利量化交易神器talib中个技术指标的Python实现（附全部源码）
本文将带您深入学习纯Python、Pandas、Numpy与Math实现TALIB中的个金融技术指标，不再受限于库调用，从底层理解指标原理，提升量化交易能力。
所需核心库包括：Pandas、Numpy与Math。重要提示：若遇“ewma无法调用”错误，建议安装Pandas 0.版本，或调整调用方式。
我们逐一解析常见指标：
1. 移动平均（Moving Average）
2. 指数移动平均（Exponential Moving Average）
3. 动量（Momentum）
4. 变化率（Rate of Change）
5. 均幅指标（Average True Range）
6. 布林线（Bollinger Bands）
7. 转折、支撑、阻力点（Trend, Support & Resistance）
8. 随机振荡器（%K线）
9. 随机振荡器（%D线）
. 三重指数平滑平均线（Triple Exponential Moving Average）
. 平均定向运动指数（Average Directional Movement Index）
. MACD（Moving Average Convergence Divergence）
. 梅斯线（High-Low Trend Reversal）
. 涡旋指标（Vortex Indicator）
. KST振荡器（KST Oscillator）
. 相对强度指标（Relative Strength Index）
. 真实强度指标（True Strength Index）
. 吸筹/派发指标（Accumulation/Distribution）
. 佳庆指标（ChaiKIN Oscillator）
. 资金流量与比率指标（Money Flow & Ratio）
. 能量潮指标（Chande Momentum Oscillator）
. 强力指数指标（Force Index）
. 简易波动指标（Ease of Movement）
. 顺势指标（Directional Movement Index）
. 估波指标（Estimation Oscillator）
. 肯特纳通道（Keltner Channel）
. 终极指标（Ultimate Oscillator）
. 唐奇安通道指标（Donchian Channel）
参考资料：
深入学习并应用这些指标，将大大提升您的量化交易与金融分析技能。
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。
量化交易-vnpy_efinance-VeighNa框架数据服务接口
我们之前对vnpy_ctastrategy相关回测源码进行了解析：
回首凡尘不做仙：VNPY源码分析1-vnpy_ctastrategy-运行回测
回首凡尘不做仙：VNPY源码分析2-vnpy_ctastrategy-撮合成交
回首凡尘不做仙：VNPY源码分析3-vnpy_ctastrategy-计算策略统计指标
相关历史数据可以通过各类数据服务的适配器接口（datafeed）下载，目前vn.py支持以下接口：
然而，上述接口需要注册或付费才能获取数据。
为了帮助初学者更好地理解和学习量化交易以及vn.py框架，我开发了基于efinance数据接口的vn.py的datafeed。
开源地址为：github.com/hgy/vnpy...
编译安装：
下载源代码后，解压并在cmd中运行：
dist目录下vnpy_efinance-x.x.x-py3-none-any.whl包
使用：
安装完成后，在vn.py框架的trader目录中的setting.py中进行配置：
注意：此处只需配置datafeed.name，username和password无需配置。
配置完成后，可以通过以下示例进行调用：
同时，这里分享一个efinance数据下载及入库方法：
然而，efinance在获取分钟级别数据方面并不友好。对于需要获取分钟级别数据的初学者来说，我们可以使用天勤免费版的数据接口：
回首凡尘不做仙：量化交易-数据获取-vnpy_tqsdk免费版
