蚂蚁集团发布在以太坊上建立的L2区块链Jovay,坚定看好RWA?

[Web3] 基础第4篇: 区块链的组织结构 适用于大规模数据过滤(如 区块链、数据库、搜索引擎)低存储需求、高速查询的场景需要注意不能删除数据(标准版本) → 计数布隆过滤器解决存在误判(False Positive) → 适用于 非精确查询布隆过滤器以 高效存储和快速查询 在 区块链、分布式存储和大数据处理 领域有广泛应用。 阅读详情

在全球金融科技与去中心化技术以前所未有的速度交融的时代背景下,一场深刻的变革正在悄然酝酿。近期,中国金融科技巨头蚂蚁集团(Ant Group),正式推出其基于以太坊的全新二层(Layer-2)扩容网络——Jovay。此举不仅标志着这家拥有支付宝(Alipay)14亿庞大用户基础的商业帝国正式拥抱公共区块链,更预示着以太坊生态系统可能迎来大规模的用户涌入,为全球金融基础设施的未来版图描绘出全新的可能性。

Jovay核心叙事

图片

Jovay由蚂蚁集团旗下的区块链技术部门“蚂蚁数字”倾力打造。根据官方定义,Jovay是一个“合规优先、AI辅助的扩容网络”,其核心使命是将现实世界资产(Real-World Assets, RWA)以机构级别的规模引入链上,从而打通传统金融与去中心化金融(DeFi)之间的壁垒。

Jovay的推出,其背后是对“真实世界资产”(RWA)代币化这一赛道的坚定看好。近年来,RWA已悄然成为以太坊生态中增长最快的领域。截至2024年初,以太坊上代币化的国债、票据和基金等资产总价值已突破120亿美元,同比增长超过300%。然而,这些流动性大多仍局限于少数原生加密协议,且普遍面临监管清晰度不足的问题。

Jovay的出现,正是为了解决这一痛点。它设计了一套严谨的五阶段资产上链流程:资产注册、结构化、代币化、发行与交易。在每一个环节,Jovay都嵌入了验证检查点和链下数据证明机制,这使得监管机构能够获得与传统金融体系中同等级别的透明度和监管视线。通过将蚂蚁集团自有的企业级区块链平台“蚂蚁链”(AntChain)的企业注册系统与以太坊相结合,Jovay能够为持牌金融机构与链上流动性提供者之间建立直接、合规的双边结算通道。

我们可以设想一个具体的应用场景:一家银行希望发行一笔数字债券。通过Jovay,该银行可以直接在链上完成发行,并与一个DeFi协议作为交易对手方进行即时结算,整个过程无需暴露银行内部的敏感数据,也完全符合其所在司法管辖区的监管要求。

以太坊基金会(Ethereum Foundation)的创始人成功经理Abbas Khan对此评价道:“这并非又一个初创公司的实验性项目。这是一个明确的信号,表明全球金融的下一阶段正在以太坊的轨道上构建。在中国,支付宝早已不是一个简单的应用,它已经成为涵盖支付、贷款、保险、身份认证、出行等日常生活的核心基础设施层。现在,蚂蚁集团正将这套庞大的基础设施带到链上。”

值得注意的是,Jovay在启动之初便明确表示不会发行原生代币。这一决策清晰地传递出一个信号:Jovay的关注点并非零售市场的投机炒作,而是专注于为企业和金融机构提供稳定、可靠、合规的区块链基础设施服务。

为何选择以太坊?

图片

蚂蚁集团选择在以太坊上构建Jovay,而非自建一条独立的私有链或联盟链,这一决策本身就蕴含着深刻的战略转变。过去数年,大型企业在探索区块链技术时,往往倾向于选择像Hyperledger这样的许可式账本,以规避公有链的价格波动和不可控的外部风险。然而,随着各国政府和主流金融机构日益积极地在以太坊等公共区块链上进行实验,这种传统的风险考量正在发生改变。

蚂蚁集团此举,实际上是对以太坊作为机构级金融基础设施的公开背书。这背后有多重考量:

  • 互操作性与网络效应:以太坊拥有全球最大、最活跃的DeFi生态系统,总锁仓价值高达千亿美元。任何在Jovay上铸造的资产,原则上都有潜力接入这个广阔的流动性海洋,从而获得传统金融体系无法比拟的组合性和资本效率。

  • 成本效益:作为Layer-2网络,Jovay可以继承以太坊主网(Layer-1)世界级的安全性,而其运营成本却远低于从零开始构建并维护一条独立的公链。例如自2023年启动以来,Base网络向以太坊主网支付的结算费用总计不到500万美元,这与其独立运行一套验证者节点所需面临的巨额开销相比,节省了高达98%的成本。对于需要服务十亿级用户的蚂蚁集团而言,这种效率的提升意味着更低成本的结算服务。

  • 技术中立与去风险化:以太坊作为一个去中心化的公共平台,为所有参与者提供了一个中立的竞争环境。蚂蚁集团在上面构建应用,无需担心受制于单一的平台方,这是一种战略性的技术风险对冲,也是对未来开放、互联的金融网络的押注。

“静默革命”

图片

Jovay的问世,可以被视为以太坊在赢得机构信任过程中的一次“静默的胜利”。这个曾经被视为充满投机与波动的实验性网络,如今正逐渐演变为一个银行和金融科技巨头可以信赖且无需放弃控制权的中立结算层。

如果Jovay能够成功获得市场牵引力,以太坊在全球代币化金融领域的份额将远超当前RWA的范畴。未来,无论是碳信用、地方政府债券,还是其他各类实体资产,每当一个新的资产类别被带到链上,都将为以太坊的区块空间和流动性路由创造新的需求。

所以,加密货币世界的下一批十亿用户,或许不会是通过炒作Meme币或参与高风险的流动性挖矿而来。相反,他们将会在不知不觉中被带入这个世界——因为他们所持有的资产、储蓄和信贷工具,已经悄无声息地迁移到了运行在以太坊之上的、合规且高效的金融轨道上。蚂蚁集团的这一步,为这个宏大的叙事按下了加速键,其深远影响,将在未来数年内逐步显现,并可能最终重塑我们对数字金融的认知。

[Web3] 基础第7篇: 说透比特币的基本框架与原理 08 年的金融危机,中心金融,美元崩塌会导致全球经济崩溃,全球的国家为美国的经济买单;比特币全球流通性,资产去中心化发行,强调去中心化性和全球性,不会因为局部经济崩塌而崩溃,比特币崩溃全球经济才会崩溃;数字来取代传统金融,提高资产主权和全球性经济问题。比特币是第一个区块项目,也是目前为止去中心化程度最高,市值,受欢迎程度最高公链和数字货币,甚至已经成为全球各国央行的储备货币。Bitcoin 具备银行功能:产币的方式传统银行是中心化的,比特币产币是去中心化的,人人都可以参与的。 阅读详情

相关推荐

[Web3] 基础第2篇: 区块链发展史与区块特性

区块链的结构*图:区块链的链式结构示意,多个区块依次相连*由很多区块组成一个链式结构,区块与区块直接可以通过某种特殊的方式链接起来区块链里面的真实结构*图:区块之间通过哈希互相连接,当前区块记录上一区块的哈希*由很多区块组成一个链式结构,区块与区块直接可以通过区块 hash 互相连接起来,当前区块里面有上一个区块 hash, 这两个 Hash 是相等,若不相等,说明区块链发生了分叉。这里补充一个直观的理解:把每个区块想象成账本的一页,页眉都抄录了上一页的指纹(哈希)。

OxYGC 58

期货保证金占用变多,怎样找出哪张合约增得最多?

盘中看了两次期货账户,第二次发现保证金占用多了。眼下占用最大的合约很显眼,但它不一定是这段时间增得最多的。如果复盘想知道“先查哪张”,要按前后差额排,不是按第二次的金额排。

weixin_49134609的博客 215

北京途游游戏后端开发面经

北京途游游戏后端开发面经 我面试岗位是基于Python的后端开发工程师,主要是搞游戏的服务器开发。面试一共分了两轮,之后说是看看其他的候选人再定,感觉凉凉~~ 由于受到此次新型冠状病毒疫情的影响,本次面试采用视频面试的方式,下面是面试的时候面试官提的问题,python的基础知识还是问的比较多的。  一面:(32分钟微信视频)  简单做下自我介绍,   1.说一下你开发过的项目,挑一个说下你都做了...

weixin_45603043的博客 2128

高可用分布式存储架构设计及其应用

节点间维持秒级心跳,同时引入Phi accrual failure detector:当某节点心跳间隔的分布偏离历史基线超过阈值时,判定为“疑似故障”,提前触发副本状态检查,而非被动等待固定超时。同城双AZ部署,指令通道的Raft副本组跨AZ分布,AZ间RTT控制在1.5 ms以内,确保多数派写入的延迟增量可接受。这一取舍的直接后果是:同城单AZ故障时,指令通道经历约2—5 s的写入暂停,遥测通道保持可用但可能出现秒级的数据空洞,由车端缓冲补齐。,使异地副本常态化接近同步状态,压缩故障切换时的数据差距。

jcgu的专栏 167

AI工程化之生成式UI & A2UI(一)

本文系统介绍了生成式UI和Google A2UI技术。生成式UI通过AI直接生成前端代码(完全生成式)或DSL(混合式),实现千人千面的动态界面和研发提效。Google A2UI提出组件级和消息级协议,采用JSON规范实现渲染框架解耦,支持多端渲染。文章详细阐述了A2UI的架构设计,包括协议生成、服务端处理和渲染器实现,并对比了与传统前端框架的差异,指出A2UI本质是UI=F(AI(UI)+AI(state))的创新模式。最后通过playground项目展示了A2UI的实践应用。

qq_34306228的博客 591

共享单车需求预测问题:建模篇

机器学习训练营——机器学习爱好者的自由交流空间(qq群号:696721295) 在上一篇里,我们使用可视化的方法分析了“共享单车”的数据集,理解了特征(变量)之间的关系。我们将在本篇建立几个模型预测单车的需求量,并比较它们的预测效果。 随机森林填充法 首先,导入必需的库、训练集和检验集。 import pylab import calendar import numpy as np impor...

wong2016的博客 1万+

深入理解 Leaf-Spine:从网络拓扑到 AI 数据中心 Fabric

传统数据中心网络以树形三层架构为主,但随着东西向流量激增,其层级多、路径长、扩展难等问题凸显。为此,Leaf-Spine叶脊架构应运而生,通过全互联的扁平化设计,实现多路径转发、高带宽、低时延与灵活横向扩展。结合ECMP负载分担、Underlay/Overlay分离架构及VXLAN/EVPN技术,该架构有效支撑云计算、AI训练等高密度内部通信需求。其核心价值在于:网络设计需匹配业务流量模型,强调可预测性、可靠性与可扩展性。未来,叶脊架构将持续演进,成为高性能数据中心的基石。

一名热爱技术、专注实践的工程师,拥有一项实用新型专利及一项软件著作权。曾获国家级奖项7项、省级奖项30余项。专注网络技术与 AI Infra 领域,持续探索技术创新与工程实践,记录学习成长,分享技术经验,在探索中突破,在实践中精进。 290

第二次 PX4仿真环境搭建过程全记录

参考链接 https://blog.youkuaiyun.com/yanwumuxi/article/details/80097294 https://www.ncnynl.com/archives/201709/2013.html 一、安装依赖项 我们使用Debian / Ubuntu LTS 作为Linux的标准支持版本,但是也支持Cent OS 和 Arch Linux的发行版本。 权限设置 警告:永远...

移步换景的博客 2263

空圈容错・优快云 站点技术架构信任链诊断

本文为基于公开故障现象的黑箱架构推演报告,聚焦“监控健康但用户访问异常”共性问题。提出C/M/V/P四层可达性分析框架,强调V层需满足数据源、方法、环境三异才具仲裁能力。通过R1–R10探针识别架构风险,揭示同源校验、配置共担、降级粗放等隐患。诊断指出:进程存活≠链路通畅,200状态码≠内容正确。配套8问自测清单与∅_safe分级降级方案,推动从“全好/全崩”到“半坏可控”的可观测跃迁。所有推断假说需依赖图谱与压测验证,不构成线上定论。

Liaiyang66的博客 384

零样本缺陷检测新体验:用AnomalyGPT大模型快速搭建智能质检系统(附Win10适配指南)

本文详细介绍了如何利用AnomalyGPT大模型在Windows 10系统上快速搭建零样本工业缺陷检测系统。通过实战指南,涵盖从环境部署、模型准备到工程化落地的全过程,包括将模型封装为API服务、接入工业相机以及开发可视化监控看板,为制造业智能质检提供了一套高效、低门槛的本地部署解决方案。

weixin_29094775的博客 310

【MATLAB强化学习工具箱】学习笔记--在Simulink环境中训练智能体Create Simulink Environment and Train Agent

Simulink中便于搭建各类动力学与控制模型,通过将原有的控制器替换为AI控制器,可以方便使用已有模型,提供增量效果。 本节的重点是如何引入Simulink模型作为env,其他的内容在之前的文章中已有说明。 以水箱模型watertank为例,如下图所示: 采用PI控制器,控制效果如下所示: 将此PI控制器替换为神经网络控制器后,系统架构如下图所示: 具体替换策略如下所示: (1)删去PID控制器; (2)增加RL Agent模块; (3)观测器模块: 观测向量为:,其中...

bear_miao的博客 1万+

期货合约还有历史K线,就表示现在还能交易吗?

打开以前保存的期货研究资料,某个合约的K线仍能正常显示,过去的价格、成交量也都在。看着熟悉的图,容易顺势觉得:既然还能看,这个合约应该仍可作为当前交易对象。但图里保存的是过去发生过什么,当前合约状态回答的是它现在处于什么生命周期。历史K线仍在,与合约已经下市可以同时成立。对研究者来说,更有用的处理不是在“继续盯它”和“删掉旧图”之间二选一,而是把历史档案与当前关注对象分开。TqSdk提供的合约下市标志,可以帮助把这层区别标明白。

weixin_49134609的博客 184

2026年数学建模国赛B题无线电干扰源的快速自动定位与清除 论文详细解析

数学建模竞赛论文无线电干扰源的快速自动定位与清除2026 年高教社杯全国大学生数学建模竞赛 B 题完整求解论文交会定位、极大极小测点优化、自适应多频道搜索与定向源恢复的统一建模模型、算法、代码、图表与验证一体化交付本文研究圆形目标区域中多个未知无线电干扰源的快速检测、定位与清除问题,建立了由误差楔交会模型、角度观测信息模型、分层勘测模型、鲁棒射线交会模型和定向覆盖反馈模型组成的统一求解框架。模型同时覆盖题目中的四个子问题:多测向射线形成的多边形定位区域及直径、第二个测点的极大极小优选、全向源自动搜索清除策略

YOLO 360

FPGA 与加密行业:从算法加速到可信硬件的完整技术图谱

本文系统探讨FPGA与密码学的深度交叉,揭示其在加密加速、区块链基础设施、零知识证明及后量子密码中的关键作用。从底层硬件特性到工程实践,分析对称加密、公钥算法、零知识证明等负载的FPGA加速优势,强调其高能效、低延迟与灵活可重构的特性。结合当前密码学复杂度上升与硬件竞争加剧的趋势,指出FPGA是算法验证与高性能实现的理想载体,为安全计算提供高效硬件支撑。

weixin_49780322的博客 251

【误码率仿真】基于matlab 小波变换OFDM误码率仿真

其中,与传统的 OFDM 相比,小波变换 OFDM 在进行调制和解调时,使用的是小波变换函数。需要注意的是,由于小波变换函数将频域信号转换为时域信号,因此与传统 OFDM 不同,小波变换 OFDM 中的信号需要在时域上添加循环前缀。与传统的 OFDM 不同,小波变换 OFDM 使用小波函数作为基函数,而非正弦函数作为基函数,因此可以在保持子载波正交性的同时,让子载波之间的带宽变得更加均匀。在频域进行信号加权,然后进行小波逆变换,得到时域信号。在接收端进行信号接收,去掉循环前缀并进行小波变换得到频域信号。

Fanjufei的博客 662

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

想调用证券公司 API 做股票数据分析,Python 应该如何接入行情?

想通过证券公司 API 做股票数据分析,首先需要区分交易接口和行情接口:交易接口负责委托、撤单和账户查询,行情接口负责提供股票价格、成交量等市场数据。对于历史行情研究,真正影响结果可靠性的,不只是能否拿到收盘价,还包括复权方式、交易日期排序、字段类型以及数据完整性。如果只需要历史行情、技术指标和基础选股研究,可以先使用合适的行情数据 API。A:取决于分析目的。A:可以作为研究程序的基础,但还需要补充数据时效性检查、交易日历管理、指标有效性验证、策略回测和风险控制,不能仅凭一个均线条件直接进行实盘决策。

2601_96694965的博客 189

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

期货成交额变大,为什么成交手数反而少了?

比较同一期货合约两个交易日的成交情况,可能看到:成交额比前一天高,成交手数却少了。若把成交额大直接理解成“交易得更多”,这两项看起来就会互相打架。其实,金额和手数不是同一把尺子。手数描述成交数量,金额还包含成交价格及相应计量口径的影响。两者反向变化并不构成逻辑矛盾。用TqSdk整理这类观察,关键不是挑一个看起来更大的数,而是把原始量、额及各自口径留下来,回答不同的问题。

shinnyringo的博客 147

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

期货分钟线中间少了一段,怎么查是不是休市?

复盘一份已经保存的期货分钟线,10:14 后直接跳到 10:30,另一处却是 10:42 后跳到 10:44。屏幕上两处都没连起来,处理起来并不一样:如果当天确实在第一段休息,不用补;如果 10:43 落在交易时段里,则要回查原始记录和样本覆盖。

lisiccwss的博客 145

国内哪些平台提供比较全的金融数据接口?Python 量化开发如何选型?

国内金融数据接口众多,选型需结合量化需求,避免仅凭名气选择。以QuantDash为例,通过SDK获取前复权日K线后,必须严格校验日期排序、价格有效性及字段完整性,再进行动量计算。关键在于:数据质量决定分析可靠性,接口能力≠实际可用性,需建立数据验证流程,确保研究结果可信。

quantdash_cc的博客 251

从 NEAR Intents 事件看 NEAR 智能合约安全

2026年9月29日至10月1日,攻击者利用NEAR Intents存款退款处理中的校验缺陷,通过填充代币和恶意receiver合约触发超额退款请求,使回调失败后内部余额未被撤销,造成缺乏资产支持的可花费余额。攻击者据此从BNB Chain上的HOT Bridge金库七笔提现共转出3,865,021 USDT。项目方于10月2日部署修复、10月7日移除存款通知功能,并于同日宣布资金全额归还,后续事后报告确认受影响用户已获补偿。

BlockSec的博客 273

去哪里下载股票历史 K 线数据?Python 获取日线行情与本地保存实践

通过QuantDash SDK获取600519.SH历史日K线数据,结合pandas完成字段验证、价格逻辑检查与异常处理,确保数据完整性与一致性后,将清洗后的行情数据保存为CSV文件,并附带元信息(如复权方式、下载时间等),实现可复现、可追溯的量化数据管理。

2601_96694965的博客 235

期货期权复盘,标的那张K线该怎么找?

复盘一张以前观察过的期货期权,自选里可能同时有同品种的近月、远月和主连。哪张走势最热闹,并不决定它是不是这张期权的标的。要解释那段期权记录,先找到它对应的具体期货合约,再找那张合约的图。

zhangnihi的博客 140

期货期权想对照看涨和看跌,怎样挑出能配成一对的合约?

想把看涨和看跌放在一起观察,同一个行权价往往能搜出好几条。最容易认错的是标的和行权价都对,只差了到期批次的一条。两边简称看着很像,放进同一行以后,价格差却混进了不同到期条件,已经不是原来想看的那一对。

zhangnihi的博客 75

期货委托对账,该看程序里的委托号还是交易所单号?

程序留存的期货委托号是SDK-A17,回单上却写着000542。两串号码不一样,未必是两笔委托。反过来,两张回单上都有000542,也不能只凭这个就合成一笔。对账前先分清:是要在程序里找回原单,还是要证明外部回单指向这张单?

shinnyringo的博客 156

期货自选表更新后,怎样核对哪张合约的规格记录变了?

期货自选表刷新以后,行顺序可能换了,手头的旧档也未必覆盖今天要核的每张合约。按行号比,容易把两张不同合约的步距和乘数放在一起。

shinnyringo的博客 162

期货期权快到期,行权提醒该记哪个日期?

手上有一张期货期权,要把最后行权日记进提醒清单。自选里可能同时有这张期权和它的标的期货,两边都看得到到期信息。最容易记错的不是日期格式,而是把别的合约的日期抄进这一行,或者把行情里的日期当成柜台最后受理的时间。

zhangnihi的博客 183
上一篇: Solana深圳活动被警察清场,中国内地严厉打击虚拟货币经营与炒作行为?
下一篇: 欧盟打造“欧版SEC”,统一监管股票与加密货币交易所?
链科天下
博客等级 码龄5年 1160粉丝 501原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

链科天下

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值