程序员的量化交易之路(10)--金融概念Stop-limit Order

量化交易系统浮点数处理:从精度危机到工程防御 浮点数作为计算机中表示实数的标准方式,遵循IEEE 754标准,但其二进制有限精度特性会引入固有的舍入误差。这一原理在金融计算领域尤为关键,因为价格、资金等核心数据的微小偏差都可能引发策略信号失真、资金计算错误等连锁反应。其技术价值在于通过工程化方法,将理论上的不确定性约束在业务可接受的确定范围内,从而保障交易系统的健壮性。在量化交易、高性能计算及任何对数值精度敏感的工程实践中,都需要系统性地应对浮点数比较、特殊值传播和累积误差等挑战。本文以WonderTrader框架为例,深入剖析了其如何通过定义精度容忍 阅读详情

转载需注明:http://blog.youkuaiyun.com/minimicall,http://cloudtrade.top

Market Order: 市价订单。就是如果你下单后,基本上会马上执行的,该订单价格就是下单后的市场价格。



Limit order:限价订单。这个也容易理解,就是限定一个价格买入和卖出。比如某股票市价可能是15,你希望大跌后买入,你想设定10刀,这时候就用limit order,买入价格就是10刀。偶尔可能有一点点的不同,比如9.99这样。如果你是买入,实际买入价格应该和你设定的limit price一样或略低,如果你是卖出,实际卖出价格应该和你设定的limit price一样或略高,


Stop order(stop-loss order):通常用来止损或者锁定利润。和limit order最大的差别是, Limit order在你下单后你的券商是马上将这个订单推送到市场。但是stop order不是,提交stop order后,这个订单在券商这里,拿下跌止损来说,比如当前股价是15,你希望如果股价下跌,最多损失5刀每股,你设定stop order price是10,只有当股票大跌的时候并且跌穿10刀的时候,这时候券商会将订单推向市场,成为一个market order, 以低于10刀的价格尽快卖出。但是券商无法保证卖出价格是多少。


stop limit order: 可以这么理解stop order是一个trigger,触发条件, limit order是你严格限制的价格,券商只能按照你设置的limit price来买卖(可能会有微小差异,可以忽略)。所以stop limit order就是给你更多的控制权,你设定2个价格stop price和limit price,当达到stop price的时候,这时候这个stop limit order 就成为了一个limit order,接下来的行为和limit order一样了.
比如你15买入一只股票,股票在下跌途中,你想在10刀止损,但是不想股票跌到10刀就马上止损,因为股票下跌过程中也是波动的,如果跌到10刀马上反弹了呢,止损止在最低点怎么办?你可以设定stop price,比如9.5刀,只有跌穿9.5刀后,然后才执行limit order。
GPT-5.5不存在:GPT-4o在编程与智能体开发中的真实能力与工程实践 大语言模型(LLM)的代际演进常被误读为简单版本号迭代,但实际核心在于架构跃迁与工程优化。GPT-4o并非GPT-5,而是基于GPT-4架构的深度重构,聚焦低延迟、多模态统一建模与工具调用稳定性,已成为当前编程辅助与智能体(Agent)落地的主流基座。其技术价值不在于命名噱头,而体现在函数调用准确率提升至89.7%、长程状态记忆达92.3%、以及对异常处理与上下文保真等生产级需求的坚实支撑。在金融合规、工业诊断、教育智能体等真实场景中,GPT-4o配合精准提示工程、RAG增强与分层Agent架构,已实现93 阅读详情

相关推荐

国产AI编程工具MonkeyCode本地化部署实战指南

AI编程助手正从效率工具演变为代码主权载体,其核心安全命题在于数据是否可控、模型是否可验、行为是否可溯。本地化部署并非单纯断网运行,而是将信任锚点从云端迁移至开发者终端,通过开源可验证架构、离线模型推理与上下文感知策略,实现代码不外泄、逻辑不越界、合规不妥协。尤其在金融、能源、政务等强监管领域,‘国产AI编程工具’的本质诉求是满足等保三级、数据不出域、NDA项目零风险交付等硬性要求。本文以MonkeyCode为典型,详解如何基于VSCode生态构建真正可控的AI编码环境。

weixin_30475039的博客 488

常见的交易订单类型

美国证监会(SEC)投资者教育和宣传办公室对于交易订单类型和交易指令出过一份较为通俗易懂的文档,以帮助投资者学习和了解如何买卖证券。 市场和限价订单(Market and Limit Orders) 这是市场中最为常见的两种订单类型。 ❶ 市价单(Market Order) 市场单是指在最佳可执行价格买入或卖出证券的订单。通常,这种订单会被即刻执行成交。不过,市价单最终的成交价格并不一定被保证。投资者要记得,最新一笔交易价格并不一定是市价单被执行的价格(这点很重要,请心里默念三遍)。在快速波动的市场中,市价

哦,原来你也在这里。 8025

Codex 5.5本地部署实战:VS Code集成+MySQL上下文理解

大语言模型(LLM)在编程辅助中的核心价值,不仅在于通用文本生成能力,更取决于其对代码语义、数据库结构和工程规范的深度理解。Codex作为专为代码优化的LLM架构,通过定制化Tokenizer、内置SQL解析器与注释强化学习机制,在MySQL上下文理解、中文代码注释生成等垂直任务上显著优于通用模型。本地部署方案(如Ollama+Codex 5.5)可规避网络延迟、数据泄露与API限流风险,实现离线、可控、可审计的AI编码工作流。本文聚焦真实开发场景——从硬件适配、模型拉取、Modelfile定制,到VS C

weixin_30780649的博客 465

Trading Order Types - Market, Limit, Stop and If Touched

All trades are made up of separate orders, that are used together to make a complete trade. All trades consist of at least two orders: one to get into the trade, and another order to exit the trade. O

Luohsh1的专栏 1613

AI编程工具实战选型指南:TRAE、Cursor、通义灵码与CodeBuddy场景适配

AI编程助手已从单一Copilot模式演进为多引擎协同生态,核心在于代码理解能力、生成策略与IDE集成深度的三维匹配。TRAE依托CodeT5+在C/C++嵌入式开发中展现高AST解析精度;Cursor基于Llama 3-70B与ReAct Agent实现复杂重构推理;通义灵码凭借Qwen2-MoE架构和中文语义映射,在需求转SQL、中文错误提示等场景具备显著优势;CodeBuddy融合双编码器与NPC角色机制,擅长GitHub仓库级上下文理解与安全合规生成。技术价值不仅体现于代码产出效率,更在于降低调试成

weixin_34034261的博客 365

26、backtrader的一些基本概念-市价止损单(stop_order)与限价止损单(stop limit order)的创建和撮合逻辑

最近一直在分析各种不同的order,市价止损单和限价止损单是用来进行止损的,当价格触发到设定的价格之后,就会触发平仓的指令,比如现假设我们以10元的价格买入了1手股票,在9元的价格卖出止损,就可以用一个市价止损单进行 止损单的创建 # 市价止损单,对于空头仓位来说,如果价格已经等于或者超过price,就会触发一个市价单,买入1手,data的资产 self.buy(data,size = 1,exectype = bt.Order.Stop, price=price) # 限价止损单,对于空头仓位来说,如果价

云金杞 2963

Python量化交易学习笔记(26)——backtrader的order概述

在现实交易中,策略复杂多样。在backtrader中进行回测时,除了自定义Strategy子类以外,还可以通过各种order来辅助实现交易策略。 order在backtrader中的作用 在backtrader中,Cerebro是系统的控制核心,Strategy是用户的可操控点,还需要一个将Strategy与系统其它部分相连接的角色,有了这个角色就可以将用户自定义的Strategy的信息传递个系统的其它部分,让系统按用户的需要运转起来,这个角色的扮演者就是order。 也就是说:order是连接用户自定义S

码农甲的博客 1万+

backtrader订单类型示例代码

backtrader中7种订单类型的示例代码,包括订单类型Market、Close、Limit、Stop、StopLimit、StopTrail、StopTrailLimit。

AI量化投资:从全态感知策略到技术风控实战

量化交易通过数学模型和计算机程序执行投资决策,其核心在于从海量数据中挖掘有效信号。深度学习与自然语言处理等AI技术,能够处理传统量化模型难以覆盖的非结构化数据,如新闻文本、卫星图像等,实现更全面的市场感知。这种技术融合提升了策略的信息处理维度与预测潜力,尤其在另类数据挖掘和实时决策方面展现出独特价值。然而,技术优势的实现高度依赖于稳健的风险管理框架。在金融工程实践中,高杠杆操作会放大模型误差与市场波动,而数据质量、模型过拟合及市场适应性等问题,则是AI量化策略面临的主要挑战。本文以“全态感知”策略为例,探讨

weixin_33802505的博客 455

LabVIEW新手必看:5分钟搞定S7-1200 OPC通信(附完整配置截图)

本文详细介绍了LabVIEW与西门子S7-1200 PLC通过OPC通信实现工业监控系统的完整配置流程。从环境准备、PLC数据块配置到OPC Server高级设置,逐步指导新手快速建立稳定通信链路,并分享工业级应用的优化技巧和异常处理方案,帮助用户提升自动化系统集成效率。

rl6adventurer的博客 641

golang 线上事故

golang 线上事故 最近公司要做大促的一些活动。并且单量,qps持续上涨。之前使用的是django python 语言做的一个服务端。目前已经部署的国家里面最多的国家会有300+个实例。大促期间还可能会增加一个实例数。这么多的实例部署,回滚的时间都会特变长,除了问题也不好定位。并且如此多的一个机器,连接数* 实例数也会导致DB等其他服务扛不住这么大的并发。所以决定上go服务解决性能问题。 ...

lcf枫的博客 1537

AI投资入门必读四本真经:从数据清洗到实盘落地

AI投资不是简单套用机器学习模型,而是融合金融逻辑、时间序列特性与实盘工程约束的系统性实践。其核心在于理解数据污染、标签泄露、过拟合检测与交易摩擦等关键原理,技术价值体现在提升策略鲁棒性、降低实盘衰减率,并支撑量化研究向可验证、可复现、可交付的工业化流程演进。典型应用场景包括多因子选股、动量择时、事件驱动信号生成及跨市场策略迁移。本文聚焦四本经实战严选的AI投资经典,深入解析其在金融数据预处理、缠绕式交叉验证、稳健性检验矩阵与实盘摩擦建模等关键环节的不可替代性。

weixin_34335458的博客 378

IQA图像质量评价 数据集介绍(LIVE、TID2013、CSIQ、LIVEC、KonIQ-10K)

LIVE、TID2013、CSIQ、LIVEC、KonIQ-10K 数据集介绍

qq_37925923的博客 1万+

RAG混合检索架构:打破向量搜索依赖的工程实践

RAG(检索增强生成)的核心挑战在于检索层的鲁棒性与可维护性。单纯依赖向量搜索虽能缓解语义鸿沟,却在缩写归一化、数字精确匹配、低资源语言处理等场景下表现脆弱,且面临embedding漂移、调试不可见、运维成本高等工程瓶颈。混合检索通过并行融合BM25全文检索、规则引擎与向量搜索,以PostgreSQL为统一底座,实现关键词精准性、结构化过滤能力与语义泛化性的三重互补。其技术价值在于提升线上召回稳定性、降低模型迭代耦合度,并支持query-aware动态加权排序。典型应用场景包括金融合同问答、医疗术语检索、多

clhq71932的博客 416

Windows 11 的C盘User(用户)文件夹下的用户文件夹名称的修改

背景介绍:由于系统重装导致Windows 11的系统用户名与C盘User(用户)文件夹下的用户名文件夹(公用文件夹旁边的文件夹)出现名称不一致,事例中系统用户名命名为“寂萧”,User(用户)文件夹下的文件夹名称却是“77555”。【QQ邮箱前五位真的真的看着很别扭】注:改名有风险,三思而后行。User(用户)文件夹下的用户名是中文在某些软件的应用场景下产生不便,导致很多软件莫名其妙报错,甚至无法使用,笔者不建议修改为中文名。//和笔者一样的强迫症除外//

2302_79084172的博客 10万+

安卓风控对抗实战:如何用AOSP定制ROM绕过Momo、AIDA64等检测(从环境搭建到设备画像)

本文详细解析了如何通过定制AOSP ROM绕过Momo、AIDA64等安卓风控检测工具的设备指纹识别。从环境搭建到硬件参数修改,再到内核级特征混淆,提供了一套完整的底层对抗方案,显著提升设备伪装通过率。

weixin_30687051的博客 490

程序员如何突破技术栈思维牢笼:构建数据-计算-协同三层抽象模型

在分布式系统与多模数据场景日益普及的今天,开发者常因过度绑定特定数据库或编程语言而陷入认知僵化——如用Oracle事务思维约束Flink流处理,或以MongoDB文档灵活性掩盖Schema治理缺失。本质问题并非技术广度不足,而是缺乏对‘数据持久化策略’‘计算意图表达’‘组件协同语义’等基础概念的抽象理解。本文围绕数据一致性模型(CP/AP)、运行时计算范式(JVM/Actor/协程)、通信语义(请求-响应/事件驱动)三大行业高频搜索关键词展开,揭示从PostgreSQL到Kafka、从Java到Rust的技

chuji3953的博客 393

o型圈沟槽设计_O型密封圈——详细选型过程及步骤

一、密封圈常用材料二、密封圈常用密封形式密封圈分为活塞密封,活塞杆密封,端面密封,旋转密封。三、O型密封圈的选型规则O型密封圈的尺寸图径向安装O型圈选型(静态和动态运动)活塞杆密封选择适当规格的O形圈时,应该保证其外径(d1+2*d2)至少等于或者大于沟槽外径d6;当选择的O形圈直径d1大于250 mm时, O形圈外径将不能超过沟槽外径的3%;当选择的O形圈直径d1小于250mm时, O形圈外径将...

weixin_39856630的博客 2万+

Gemini 3.1 Pro长链路推理实战指南:从提示词设计到生产集成

大语言模型的‘复杂推理’能力正从概念走向工程落地——它不再仅是生成答案的工具,而是能构建因果模型、维护结构化上下文、稳定输出结构化结果的认知协作者。理解Gemini 3.1 Pro的核心升级,关键在于把握其‘长链路思考’与‘指令鲁棒性’两大技术本质:前者支撑跨文档推理、多跳日志归因和数据驱动的假设生成;后者保障JSON Schema严格遵循、多轮对话状态持久及API级容错响应。这些能力已在数据分析、系统运维、合规文档处理等真实产线场景中验证效能。本文聚焦一线可复用的迁移实践,涵盖提示词共建四步法、API七项

weixin_30530939的博客 447

华为OD机试双机位C卷-虚拟文件系统(C/C++/Py/Java/Js/Go)

华为OD机试(机考)双机位C卷 【虚拟文件系统】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【虚拟文件系统】。

qq_45776114的博客 478

损失函数大汇总(三十八)(AUCPR Loss附公式推导与代码)

本文系统介绍了AUCPR Loss的原理与应用。针对不平衡分类任务中AUC指标不够敏感的问题,提出通过优化PR曲线面积(AUCPR)来提升模型性能。文章详细推导了AUCPR的可微近似实现:首先用sigmoid函数软化阈值判断,构造可微的TP/FP/FN计数;然后基于软Precision和Recall计算近似PR曲线面积;最后通过数值积分得到可优化的损失函数。特别讨论了温度参数τ对训练稳定性的影响,并比较了AUCPR与AUC、AP等指标的异同。该方法适用于医学筛查、欺诈检测等极端不平衡场景,能更准确反映模型对

悦学共鸣,温柔以待,汇聚光芒,共同成长 441

C++与Python工程选型:性能边界与开发效率的权衡指南

编程语言选型本质是运行时模型与工程目标的匹配问题。C++提供确定性内存控制和零开销抽象,适用于实时系统、嵌入式及CPU密集型场景;Python凭借动态类型、自动内存管理和丰富生态,在快速迭代、数据管道与胶水层开发中具备不可替代性。理解二者在编译/解释机制、内存模型(手动管理 vs 引用计数+分代GC)及并发模型(无GIL限制 vs GIL约束)上的根本差异,才能避免将性能瓶颈错误归因于语言本身。真实项目决策需聚焦延迟敏感度、开发速度、运维成本与团队能力四维平衡,而非语法优劣。本文结合高频交易、边缘计算与大数

weixin_38170862的博客 474

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

BigQuery ML实战:用SQL实现端到端机器学习建模与部署

机器学习工程化的核心挑战在于模型开发与生产环境的割裂。SQL作为数据工程师与数据科学家共同掌握的通用语言,正成为弥合这一鸿沟的关键抽象层。BigQuery ML将监督学习、时序预测等主流算法原生集成进数据仓库执行引擎,实现特征处理、模型训练、评估、预测及版本管理的全链路SQL化。其技术价值不仅在于降低门槛,更在于通过‘模型即数据库对象’的设计,天然支持权限继承、血缘追踪与确定性推理,显著提升模型可审计性与协作效率。典型应用场景包括用户流失预警、GMV预测、实时分群等结构化特征驱动的业务预测任务——本文深入解

weixin_30239339的博客 343

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

企业级AI Agent开源平台选型避坑指南:RAG稳定性与权限控制实测

AI Agent 是实现业务自动化的核心技术载体,其本质是将大语言模型能力封装为可编排、可审计、可管控的智能工作流。在企业落地中,RAG 不仅是检索增强手段,更是知识可信交付的关键环节;而权限控制也不再是附加功能,而是满足等保、GDPR及内部合规的强制要求。开源平台虽提供基础能力,但真实可用性取决于RAG结果可解释性、字段级权限隔离、事务一致性保障与全链路可观测性四大工程能力。本文基于制造业、金融、医药等多行业生产环境压力测试,聚焦Dify、RAGFlow、LangGraph等10个主流开源平台,揭示其在企

weixin_34005042的博客 377

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

2026年前必须掌握的AI Agent工程化实战路径

AI Agent已从概念验证迈入工程化落地阶段,其本质是面向业务流程的状态编排、多角色协同调度与人机意图对齐三大能力的系统集成。LangGraph提供确定性状态机,CrewAI支撑动态资源协作,AutoGen保障人类深度参与下的语义闭环——三者并非替代关系,而是分层演进的技术栈。当前最大瓶颈不在模型能力,而在Python环境隔离、依赖冲突治理、Token成本控制与生产级可观测性等工程基建环节。真实产线要求开发者具备Docker容器化开发、K8s集群部署、结构化输出约束及熔断降级设计等硬技能。本文聚焦AI A

weixin_34294649的博客 267
上一篇: 程序员的量化交易之路(9)--金融系统概念basis
下一篇: 程序员的量化交易之路(11)--命令参数解析库JCommonder学习
minimicall
博客等级 码龄18年 407粉丝 174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
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