A 股散户圈里有一种玩法叫"打板"——今天某只股票涨停了，明天开盘就买进去，赌它继续涨。

炒股的人都知道要复盘。但大多数人的复盘是这样的：收盘后打开行情软件，翻翻涨幅榜，看看自选股涨了还是跌了，刷两条财经新闻，觉得自己"复盘了"。

前面几篇文章里，我们做过各种选股：按涨幅筛、按放量筛、按均线排列筛、按动量排名。这些筛选条件本质上都是因子——用来描述一只股票某个维度特征的量化指标。

前面几篇文章里，我们用 pandas 手写了回测逻辑：计算信号、乘以收益率、累乘得到净值曲线。这种方式简单直接，适合快速验证一个想法。

大多数量化教程只讲日 K 线。原因很简单：日线数据容易拿、逻辑清晰、回测方便。但只看日线，你会丢掉一个重要维度——盘中发生了什么。

大多数量化入门教程只讲 K 线——日 K、周 K、均线、MACD、布林带。但如果你只看 K 线，你看到的只是"结果"：价格已经走到这里了。

然后你发现，A 股数据用的是 akshare，美股数据要换成 yfinance，港股又得去找别的接口。三个数据源的代码格式、字段名、时区处理全不一样，光是把三份...

大多数人的做法是打开行情软件，手动翻看自选股、刷涨幅榜，或者跟着论坛帖子追热点。这种方式在股票数量少的时候还行，一旦想覆盖全市场——沪深京超过 5000 只股票...

股票数量多、停牌多、涨跌停多、财务和行业因素复杂。新手很容易在数据处理、选股池、交易规则里迷路。

这当然重要。但如果你真的想长期做研究，只靠零散脚本是不够的。今天一个 test.py，明天一个 ma_final_v3.py，后天一个 真的最终版.ipynb，...

很多人理解量化，第一反应是“回测策略”。但真正开始做交易研究之后，你会发现还有一类工具非常有用：盘中监控器。

先学 Python，再学 pandas，再学金融市场基础，再学技术指标，再学回测，再学调参，再学实盘接口。每一步都没错，但对普通人来说，门槛确实高。很多人不是没...

盘中或盘后想快速知道哪些股票涨停、哪些板块异动、哪些票放量突破？手动翻行情软件太慢了。这篇文章教你用 Python 自动做全市场扫描，实现涨跌幅排行、放量筛选、...

csv_path = "C:/Users/Administrator/Desktop/数据.csv" # 你的CSV路径

pandas，全称 Python Data Analysis Library，是基于 NumPy 开发的一款专门用于数据处理和分析的高性能库。它诞生于 2008...

Feature engineering 是机器学习 pipeline 里最关键的一环。算法再好，如果输入数据噪声大、不一致或者缺乏有意义的特征，模型表现都不会很...

“做短线，就要做人气股。”这是做短线的同学经常听到的一句话。关注我的同学都知道，我的文章大多围绕短线逻辑展开，而“人气”二字，几乎是所有短线策略的核心。你可能遇...

在量化场景（数据处理、因子计算、滚动窗口），Polars 普遍比 Pandas 快 5-10 倍。