蒋步星

当前市面上的量化课程的困境：现有技术体系对初学者过于复杂，却又无力改变这一现状。专业量化使用的Python等编程语言和回测框架，大都是为专业人员设计的。而课程设计者大多不具备开发简化工具的能力，只能在这些复杂系统的基础上进行"削足适履"式的教学。这种妥协导致了一个尴尬的结果：学员花费大量时间学习后，要么被困在编程语法细节中，要么只能理解抽象原理而无法实操。更糟糕的是，许多课程为了弥补实操教学的不足，不得不填充大量金融知识，使课程变得"头重脚轻"——谈资很多，技能很少。本课程与市面上其他课程不同~~

每一根 K 线的开盘价都在前一根 K 线的实体上半部分之内：开盘 >(收盘 [-1]+ 开盘 [-1])/2&& 开盘 < 收盘 [-1] && 开盘 [-1]>(收盘 [-2]+ 开盘 [-2])/2&& 开盘 [-1]< 收盘 [-2]实体长度递增：abs(收盘 - 开盘)>abs(收盘 [-1]- 开盘 [-1]) && abs(收盘 [-1]- 开盘 [-1])>abs(收盘 [-2] - 开盘 [-2])。这是一种强烈的看涨信号。

第二根阳线的实体完全包裹了第一根阴线的实体，即阳线的开盘价低于阴线的收盘价，阳线的收盘价高于阴线的开盘价。这是强烈的看涨反转信号。第二根阴线的实体完全包裹了第一根阳线的实体，即阴线的开盘价高于阳线的收盘价，阴线的收盘价低于阳线的开盘价。当前阴线开盘价 >= 前一根阳线的收盘价：开盘 >= 收盘 [-1]当前阴线收盘价 <= 前一根阳线的开盘价：收盘 <= 开盘 [-1]当前阳线开盘价 <= 前一根阴线的收盘价：开盘 <= 收盘 [-1]当前阳线收盘价 >= 前一根阴线的开盘价：收盘 >= 开盘 [-1]

也叫“孕线”，第一根 K 线实体较长（父 K 线），第二根 K 线实体很短（子 K 线），且完全被第一根的实体所“包裹”，即第二根的开盘价和收盘价都在第一根的实体范围内。身怀六甲：max(收盘, 开盘) < max(收盘 [-1], 开盘 [-1]) && min(收盘, 开盘) > min(收盘 [-1], 开盘 [-1])当第一根为大阳线且第二根满足小阴或小阳，且满足身怀六甲，则表示即将反转看跌，此时返回 -1 表示卖出信号；第一根为大阴线：开盘 [-1]/ 收盘 [-1]>1.03。

摘要：SPL是一款免费的数据处理工具，安装简便，界面类似Excel。用户可在格子区编写代码（每个格子一句代码），右侧实时显示计算结果。支持变量自动命名和顺序执行功能。SPL能读取CSV、TXT等文件，将数据转换为内存中的序表（类似DataFrame），提供T()函数根据扩展名自动识别文件类型。文中演示了如何用SPL读取股票交易数据CSV文件，并介绍了序表的基本概念（字段、记录）。该工具操作直观，适合数据处理任务。

本章介绍SPL在量化交易中的K线数据处理方法。首先提供免费A股日线数据（BTX格式），讲解其高性能二进制特性及与CSV的互转操作。重点演示两种数据读取方式：直接加载（`T()`函数）和游标分块处理（`T@c()`函数），避免大数据内存溢出。通过`loadkday.splx`脚本实现多股票、时间段的灵活查询，支持注册为函数复用。此外，利用`stock.btx`筛选特定股票（如银行股、非ST股），并整合ECharts动态绘制K线图（如收盘价走势）。全流程覆盖数据获取、清洗、分析与可视化，为量化策略奠定基础。

股票复权是调整历史价格数据的技术手段，主要用于消除分红、送配股等行为导致的股价断层，使历史走势更连贯。复权分为前复权（保持最新价格不变调整历史数据）和后复权（保持早期价格不变调整后续数据）两种方式。 计算过程采用当日复权因子而非累计因子，避免远距离数据失真。通过SPL编程可实现自动计算，实际应用中可将复权功能整合到数据读取脚本，通过参数灵活选择复权方式，并优化计算效率。复权数据对量化分析至关重要，能提供更准确的价格可比性。

本文介绍了一个简单的股票固定价格买卖策略及回测方法。策略设定当股价低于25元买入，高于30元卖出，每次交易1手（100股）。通过编程实现数据读取、交易信号生成和交易记录保存，并计算买入次数、卖出次数、资金占用等回测指标。以2024年某支股票为例进行回测，结果显示该策略收益率达30.62%，成功捕捉上涨趋势并规避下跌风险。文章还详细说明了手续费计算方法和各项回测指标的计算公式，为量化交易初学者提供了实用参考。

本文介绍了如何将回测功能模块化封装成通用脚本backtest.splx，包含买入手续费计算(bfee)、卖出手续费计算(sfee)、最大回撤率计算(withdraw)、交易初始化(Begin)、买卖操作(Buy/Sell)等核心函数。重点说明了回测指标的计算逻辑，如现金收益、持仓价值、收益率、买盘数等，并以固定价格买卖策略为例演示了调用流程：先初始化K线数据，循环处理每日买卖，最后用Summary和Display函数输出各项指标。该方法简化了策略回测过程，实现了代码复用，便于快速验证交易策略的有效性。

本文介绍了股票量化交易中的均价策略及其实现方法。均价策略通过比较短期和长期移动平均线(MA)来判断买卖时机，当5日MA上穿10日MA时买入，下穿时卖出。文章详细讲解了MA的计算方法，即连续若干天收盘价的算术平均，并演示了如何将策略转化为代码实现，包括数据读取、指标计算、买卖信号判断等步骤。

本文详细阐述了MACD的计算方法（含EMA平滑系数公式）及指标函数封装，并展示了基于SPL语言的策略实现流程，包括数据加载、指标计算、买卖条件判断及多股票回测框架。此外，还介绍了平仓函数（SellAll/SellEach）用于止盈止损，支持按涨幅阈值或持有天数自动卖出。通过整合DVGMACD函数，策略开发效率显著提升，适用于中长期趋势投资。

本文介绍了如何获取指数数据（如日线行情）、编写脚本进行策略与指数的收益对比（如动态图表分析），并详细讲解了“相对市场波动率”等需结合指数数据计算的指标实现方法。通过函数EXT将指数数据拼接至股票K线，为量化分析提供基础。最后以沪深300为例，演示了250日波动率指标的计算流程。

本文介绍了基本面选股方法，重点分析了company.btx数据文件中的财务指标含义和使用方法。主要内容包括：1) 详细解读了公司基本面数据的字段结构，如净资产收益率、销售毛利率、资产负债率等核心财务指标；2) 提供了读取基本面数据的SPL脚本实现方法；3) 演示了基于财务指标（如毛利率≥30%、净利率≥15%、ROE≥20%、资产负债率<50%）的选股策略构建过程；4) 说明了如何将基本面数据与K线数据进行拼接。文章为投资者提供了利用财务数据进行股票筛选的实用技术方案。

本文介绍了量化交易中的两种仓位管理方法：固定金额法和固定比例法。固定金额法采用每次投入固定金额进行交易，操作简单但灵活性不足；固定比例法则按账户资金的固定比例投入，能随账户价值自动调整仓位。文章以MACD背离策略为例，详细展示了两种方法的代码实现过程，包括数据读取、买卖信号处理和收益统计等关键步骤。此外，还介绍了如何将策略信号导出为CSV文件，便于实际交易中参考使用。这些方法帮助交易者在不同市场环境下平衡风险与收益，实现稳定增长。

本文介绍了海龟交易策略中的唐奇安通道指标应用。该策略通过计算过去N天（通常20天）的最高价和最低价，形成上下轨道线。当价格突破上轨时产生买入信号（1），跌破下轨时产生卖出信号（-1）。文章详细说明了指标计算方法和交易规则：空仓时出现买入信号则以收盘价买入1手，持仓时出现卖出信号则以收盘价清仓。最后给出了基于此策略的回测代码实现流程，包括数据加载、指标计算和交易信号执行等关键步骤。该策略利用价格通道突破原理，为投资者提供明确的买卖时点判断依据。

本文介绍了一种趋势交易策略，通过识别股价波峰波谷特征进行买卖决策。策略定义了波谷（低于前后M天的股价）和波峰（高于前后M天的股价）两个关键指标。买入条件为：最近波谷低于N天股价的5分位值，且当日股价超过波峰前股价。卖出条件为：股价跌破最近波谷或收益率超过50%。文中给出了指标函数的实现逻辑（返回1/-1/0分别表示买入/卖出/观望信号），并提供了策略回测框架，包括数据加载、信号生成、买卖执行及止盈控制等完整流程。该策略适用于中长期趋势跟踪，通过参数n=252天实现较大周期判断。

摘要：本文介绍了KNN算法在量化交易中的应用，通过计算历史交易日特征与当日的相似度来预测股票涨跌。具体步骤包括：选择最高价差和收盘开盘价差作为特征，计算欧式距离，选取最近邻的m个交易日进行众数预测。文章提供了SPL实现代码，包括特征计算、距离运算和交易信号生成，并指出回测结果显示该策略效果有限。通过这个简单案例展示了机器学习在量化投资中的基本应用方法。

线性回归模型在股票量化策略中的应用：本文介绍了基于线性代数的回归分析在股市预测中的使用方法。通过建立以财务指标或价格数据为自变量、股票价格为因变量的线性模型，可实现对股价走势的预测。文章详细阐述了建模步骤，包括训练/预测数据划分、PCA降维处理共线性问题等关键环节，并提供了Spl代码实现。实际测试表明，单纯依赖线性回归模型预测效果有限，建议结合其他指标综合判断。文中强调数学建模时需注意共线性问题，并提供通用指标函数框架，便于策略开发。