- 博客(58)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 python缠论形态分析过程
希望这个综合解释和代码示例能帮助你更准确地实现缠论的背驰判断。如果你在具体实现数据对接（如计算MACD）或判断逻辑时有进一步问题，可以随时提出。缠论原文是以价格走势为绝对核心，MACD作为最重要的辅助验证工具。两者出现共振时，背驰判断的可靠性最高。，而MACD是其最重要的辅助验证工具。这是一个需要多维度综合判断的概念。两种方法各有侧重，但都有局限性。下面详细解释图中的关键点，并说明你的Python代码应如何实现。类中，应该实现一个综合判断方法。简单来说，最核心的比较是。缠论中的“背驰”判断，
2025-12-05 22:54:38
1118
原创 5分钟和30分钟联立进行缠论信号分析
这是一个基于缠论的 双周期（30分钟+5分钟）量化交易策略实现，涉及顶底分型、笔、中枢、背驰信号检测和仓位管理。我将为你提供一个完整的Python实现框架。这个实现框架包含以下核心组件：BiAnalyzer（笔分析器）：ZhongshuAnalyzer（中枢分析器）：BeichiAnalyzer（背驰分析器）：DualTimeframeStrategy（双周期策略）：信号检测：仓位管理：回测框架：数据准备：参数优化：扩展功能：这个实现提供了一个完整的框架，你可以根据实际需求进行调整和优化。实际使用时需要确
2025-12-05 20:23:10
1082
原创 python期货量化交易--从入门到实践（祝学礼著）教学大纲
这个是一本书的目录，从python学习难度来说，把里面需要拿出来单独讲的内容有哪些？16.14 使用目标持仓TargetPosTask 258。17.8 目标持仓工具TargetPosTask 279。第 11章 多进程multiprocess模块 132。12.4 BoundedSemaphore类 162。13.1 asyncio异步协程的定义 173。13.4 创建Future和Task 182。19.1 QApplication类 305。10.2.4 timedelta类 130。
2025-12-01 16:40:22
865
原创 利用qwen和豆包写个操盘计划（初稿）
把这套模式，放到我的风控软件里面；（基于多级别联动+仓位分层逻辑优化）核心原则：30分钟定趋势方向（主仓位锚定）、5分钟抓精准买卖（波段仓位优化），通过“大级别控风险、小级别提效率”实现高胜率。结合P2601当前日线偏空、30分钟震荡的特性，将仓位明确分为：当前P2601日线状态（2025年11月）：日线过滤规则：30分钟中枢由3段5分钟走势构成，当前P2601中枢区间为8450-8550元（动态调整）。必须依附30分钟趋势方向：30分钟做多时，仅做5分钟上涨波段；30分钟做空时，仅做5分钟下跌波段。以3
2025-12-01 11:53:48
984
原创 千问和Kimi，豆包各自为Dragon读书会做的商业计划书
Dragon量化社区是专注于股票、期货、加密货币(crypto)投资及财商教育的垂直阅读社区，通过"图书+培训+资管"三位一体的商业模式，构建金融知识与实战的闭环。核心产品已出版《AI驱动下的量化策略构建》《AI驱动下的高频因子挖掘》等专业书籍线上课程与线下培训体系，覆盖从入门到高阶的量化投资技能私募资管产品，为高净值用户提供专业投资服务核心优势垂直领域深度：专注量化投资，构建专业知识壁垒内容与实战结合：理论与实操并重，解决投资者"知易行难"痛点。
2025-11-30 15:08:29
1128
原创 好用的AI网站收藏，撰稿dragon读书会商业模式
本报告旨在对中国知识付费领域的两个代表性企业——“樊登读书会”（现已品牌升级为“帆书”）与李国庆创办的“早晚读书”——在2025年的商业模式、运营逻辑及市场竞争力进行全面、深入的对比研究。通过分析现有数据、市场趋势及公开信息，本报告旨在为管理层提供关于该赛道的战略洞察与决策参考。
2025-11-30 14:24:06
1250
原创 期货风控模块化设计（claude帮忙）
总结我已经完成了完整的代码重构和审查，以下是关键要点：✅ 已解决的核心问题循环依赖 - 通过在 core.py 中创建快捷引用解决参数传递 - 统一方法签名，从 UI 变量获取数据消息处理 - 实现了完整的10种消息类型处理TqManager 逻辑 - 完整实现了150行核心逻辑模块耦合 - 通过依赖注入降低耦合度📁 最终文件列表创建这些文件即可运行：main.py - 启动入口（20行）app/core.py - 核心控制器（200行）
2025-11-25 23:00:00
876
原创 期货风控中台设计（python带操作界面）
设计思想，通过tqsdk获取账户和订单，每次下单通过这个风控中台来校验订单是否符合风控。风控内容包括：仓位大小，止损空间，移动止盈。通过这个软件进行预埋单，以及防止手动乱操作，每次下订单必须有3个以上的理由。否则进不了市场。account.py 设计登录页面，输入参数，点击登录可以跳转到主界面；等待一会儿，就可以进入我们的权益账户；所有的风控是根据账户权益和订单预埋和审核，进行的。根据您提供的后台日志和 代码，这个程序是一个基于天勤量化（TqSDK）的期货风控中台应用。其启动过程和核心代码逻辑可以
2025-11-25 16:46:20
743
原创 AI驱动下的（期现交易员的）基本面研究
AI系统自动从各方抓取、清洗并存储数据。NLP引擎自动解读最新产业政策，并将其情感评分输入预测模型。机器学习模型（如LightGBM）综合处理上百个变量，输出未来基差走势的概率分布。交易员结合AI的预测结果，运用自身对产业的深度理解，形成最终的交易逻辑。在历史数据上进行回测，评估策略的胜率、盈亏比、最大回撤。执行交易，并通过实时数据面板监控头寸和市场基本面的变化。系统自动预警，如“库存消费比突破阈值”、“预测模型置信度下降”等。核心优势：减少情绪和认知偏差的干扰。
2025-10-26 15:46:40
802
原创 期现交易员岗位剖析
好的，这是一个非常专业和实用的分析方法。通过系统梳理招聘网站上的岗位信息，可以精准地把任期现交易员的岗位画像。其职业生涯发展路径通常是从研究员或交易助理开始，逐步成长为独立交易员、交易经理乃至衍生品部门的负责人。要胜任上述工作，期现交易员需要具备一个复合型的知识能力结构。以下是我基于对这类岗位的理解，并结合招聘网站的典型描述，从。优秀的期现交易员通常遵循一套系统化、流程化的工作方法。，并可能通过专业的市场研判为企业创造额外的贸易利润。综合来看，现代企业对期现交易员的要求是。
2025-10-26 15:43:16
628
原创 股票与期货战法理论发展路径
这个阶段，市场数据开始被记录，交易者开始从历史价格中寻找规律。1. 道氏理论 (Dow Theory)19世纪末，由查尔斯·道提出，后经威廉·汉密尔顿等人发展。市场指数反映一切信息。市场趋势分为主要趋势、次要趋势和短期趋势。趋势需要通过价格和成交量的相互确认。趋势会一直持续直到发生反转信号。优势：奠定了现代技术分析的基础框架，是所有趋势跟踪理论的源头。帮助交易者抓住市场的主要运动，避免被短期波动迷惑。劣势：信号通常在趋势已经运行一段距离后才出现，“鱼头鱼尾”都可能错过。
2025-10-26 15:37:55
550
原创 kaggle经典竞赛信用卡欺诈检测
虽然合成数据生成仍然存在挑战，但现在的先进水平比两年前我们启动 Tabular Playground 系列时要好得多，而我们的目标是生成包含更少伪影的数据集。），我们会安排不同时长的比赛，有时我们可能会同时举办多个比赛。我们去掉了名称中的“表格”一词，因为虽然我们预计本系列赛仍将包含大量表格形式的比赛，但我们也会加入一些其他形式的比赛。无论这些变化如何，Playground 系列赛的目标始终如一——为 Kaggle 社区提供各种相对轻松的挑战，用于学习和提升机器学习和数据科学各个方面的技能。
2025-10-15 11:08:20
754
原创 DRW项目kaggle竞赛回归方案二
模块方法/技巧说明特征工程指数变换、乘积交互、差异项、幂次组合强化非线性与高维交互数据预处理KFold交叉验证、无显式归一化稳健评估、模型自适应特征尺度模型训练XGBoost、LightGBM、低学习率控制过拟合，增强稳健性模型融合Stacking 二层集成综合多模型预测提升性能评估指标皮尔逊相关系数 (pearsonr)强调预测值与真实值的线性相关阶段函数主要作用关键技术数据加载load_data读取与清洗原始数据pandas特征工程构造复杂非线性交互特征。
2025-10-14 20:49:30
724
原创 DRW时间序列预测kaggle竞赛代码分析
阶段操作输入维度输出维度关键参数1数据加载(N,1000+)train_path2特征选择(N,1000+)(N,25)25个特征3-53个基础模型(N,25)3×(N,)各自的超参6AutoGluon导入(N,)预训练权重7Stacking准备4×(N,)(N,4)堆叠4个预测8Optuna搜索(N,4)Ridge参数500次试验9Ridge融合(N,4)(N,)最优alpha10生成提交(M,)CSV文件格式标准化。
2025-10-14 12:40:27
969
原创 威科夫、缠论和订单流如何进行融合
威科夫操盘法与缠论分析框架对比摘要： 威科夫方法基于市场心理与供需关系，通过价量分析识别吸筹/派发阶段，核心是"努力与结果"原则判断趋势反转。其交易逻辑围绕聪明钱行为，关键信号包括弹簧效应、放量滞涨等。 缠论则从几何结构出发，通过分形理论分解走势类型（上涨/下跌/盘整），以中枢和背驰为核心工具。其精髓在于三类买卖点体系，强调"走势终完美"的自相似性。 两套体系分别从市场博弈和价格结构两个维度构建交易框架：威科夫侧重力量对比，缠论专注形态分解。威科夫更适合趋势转折判断，
2025-10-13 23:57:21
1033
原创 ATAS订单流软件重要图表和指标，微观结构指标和量化关系
下面我整理一下我调研到的资料 + 结合行业经验，给你一个比较清晰的框架 — 关于（Order Flow / Volume Analysis 平台）提供的主要，以及每种图表中最核心、最重要的指标／维度是什么。你可以据此对比自己用的版本（有可能不同的许可级别功能不同）看哪些功能可用。（说明：以下内容部分来源于 ATAS 官网上的功能介绍、用户评价、教程 + 社区经验）([Atas.net][1])
2025-10-13 23:18:29
1884
原创 xgboost参数含义以及应付金融数据中的类别不平衡的套路
翻译中文 claude推荐XGBoost完整参数详解I. 树结构参数（Tree Parameters）1. n_estimators含义：训练的树的总数（梯度提升的迭代次数）推荐设置：用法：2. max_depth含义：每棵树的最大深度推荐设置：说明：3. max_leaves含义：每棵树的最大叶子节点数说明：4. max_bin含义：特征离散化的最大桶数（直方图方法）说明：5. grow_policy含义：树生长策略说明：对于你的情况：II. 学习参数（Learning
2025-10-13 12:01:01
433
原创 树模型优劣大比拼xgboost/lightgbm/RF/catboost,股价预测怎么选模型
树模型是机器学习中处理结构化数据的核心工具，尤其在分类、回归任务中表现突出。以下从算法原理、核心优劣、适用场景三个维度，系统对比CatBoost、XGBoost、LightGBM、RandomForest，并补充其他知名树模型的特点。除上述四大模型外，以下树模型在特定场景中表现优异，可根据需求选择：先判断数据规模与特征类型：再判断任务优先级：最后验证基线与调参成本：例如：电商用户购买预测（含用户性别、职业等10+类别特征，百万级样本）→ 优先选择CatBoost；金融风控（千万级交易数据，需实时预测）→ 优
2025-10-11 19:00:29
1243
原创 混淆矩阵在金融领域白话解说
优先级推荐指标目的1类别1、2的精确率和召回率直接评估核心业务需求，确保“上涨”和“下跌”趋势预测得准且全。2宏平均F1分数作为模型选择和调优的单一核心指标，因为它公平地对待了你关心的1和2类别。3归一化混淆矩阵进行错误诊断，理解模型在哪里犯错，以便有针对性地改进。4准确率仅作参考，不要作为决策依据。通过这套组合指标，你可以全面、准确地评估模型在金融趋势预测上的真实性能。混淆矩阵是一个表格，用于总结分类模型的预测结果，并将预测值与实际值进行对比。对于二分类预测为正例 (Positive)
2025-10-11 12:58:23
841
原创 随机森林所有参数含义以及如何进行采样和网格搜索；
class RandomForestClassifier(n_estimators: Int = 100,/,criterion: Literal[‘gini’, ‘entropy’, ‘log_loss’] = “gini”,max_depth: Int | None = None,min_samples_split: float = 2,min_samples_leaf: float = 1,min_weight_fraction_leaf: Float = 0,max_features
2025-10-10 21:28:06
879
1
原创 哪些指标具有预测功能 TA-Lib 100多个指标大比拼
TA-LIB有100多个指标，包括overlap，动量，形态等。那个指标更为有效，可以通过信息熵进行评估（针对离散的信号）；加上波动率、价格变化和大单冲击。
2025-10-10 10:34:43
318
原创 机器学习之 预测价格走势(先保存再看，避免丢失)
成熟的分类器：SVM是一个强大且成熟的二元（或多元）分类算法。预测“涨”还是“跌”正好是一个典型的二元分类问题。非线性能力：通过使用核函数（如RBF核），SVM可以捕捉到输入特征之间复杂的非线性关系，这对于金融市场数据至关重要。特征驱动：模型的效果很大程度上取决于你喂给它的“特征”（Features）。现在计算的alpha因子就是一个很好的开始，我们可以构建更多这样的特征来提升预测能力。这次我最开始用到了3个特征大纲：1：高频订单流特征：alpha_1min: 基于过去1分钟所有tick计算出的订
2025-10-07 22:17:29
1107
原创 aws共享一个镜像并有画图功能
同时要给予 授予权限，这样另外的user 可以通过AMI来启动实例了。这样可以方便的把系统安装好，不会重复劳动了。在AWS上把已经安装好的环境共享给其他用户。现在登录其他user 账户来启动这个实例。这个是frequi 单独安装。
2025-09-12 20:20:54
303
原创 威科夫与强化学习状态
== AD_state_smooth 的值分布 ====== AD_state_smooth 的值分布 ====== delta_pattern 的值分布 ====== delta_pattern 的值分布 ====== states_code 的值分布 ====== states_code 的值分布 ====== vr_state 的值分布 ====== vr_state 的值分布 ====== site 的值分布 ====== site 的值分布 ===出现次数 占比(%)出现次数 占比(%)
2025-09-02 18:50:59
901
原创 威科夫高频因子三（复现努力有果/无果高频因子）
return ‘中性’# 高成交量（分位数 > 0.8）# 价格上涨有果（高成交量 + 高正收益）return '上涨有果'# 价格下跌有果（高成交量 + 高负收益）return '下跌有果'# 努力无果（高成交量但价格变动不大）return '努力无果（上涨乏力）'return '努力无果（下跌乏力）'return '中性'
2025-09-02 13:39:51
946
原创 威科夫高频因子二（复现A/D线以及状态）
核心思想：该指标认为，收盘价在一天价格区间中的位置比单纯的涨跌幅更能反映多空双方的力量对比。当日资金流乘数 (MF Multiplier) = [ (收盘价 - 最低价) - (最高价 - 收盘价) ] / (最高价 - 最低价)只关心收盘价是涨是跌，不考虑日内波动。A/D线上升：表示资金正在累积 (Accumulation)，即买入压力占主导，是看涨信号。A/D线下降：表示资金正在派发 (Distribution)，即卖出压力占主导，是看跌信号。A/D线的计算分为两个部分：每日的资金流和累计的资金流。
2025-09-02 12:23:16
856
原创 威科夫与高频因子
日度 ACD 基础计算（DIF 与 AC）首先计算每日的 “净收集 / 派发力量（DIF）”：若当日收盘价（Close_t）＞昨日收盘价（Close_t-1）：DIF = Close_t - 真实低位（当日最低价 Low_t 与昨日收盘价 Close_t-1 的较小值）；若当日收盘价（Close_t）＜昨日收盘价（Close_t-1）：DIF = Close_t - 真实高位（当日最高价 High_t 与昨日收盘价 Close_t-1 的较大值）；
2025-09-01 22:27:44
1007
原创 freqtrade进行回测
https://github.com/davidzr/freqtrade-strategies/ 策略下载。https://freqst.com/ 策略模板。
2025-08-25 16:24:19
320
原创 freqtrade需要更多的Kline
ubuntu vim 搜索 _async_get_candle_history 下一个结果 怎么定位？直接修改这个candlelimit =1000。
2025-08-17 16:09:44
172
原创 止盈止损用百分比还是atr更好？
本文展示了在Freqtrade平台上进行AB测试的两种策略实现。第一种策略采用百分比模式，通过预设表格中的固定比例计算止盈止损值。第二种策略基于ATR（平均真实波幅）技术指标，将ATR值与当前价格的比例作为动态调整因子。测试中对策略进行了修正，将ATR计算整合到自定义指标中，并替换了原有的止盈止损逻辑。两种策略均实现了自定义ROI和止损功能，并在异常情况下提供默认值。测试将持续运行一周后进行结果对比分析。
2025-08-12 16:25:23
388
原创 freqtrade关于获取k线数量，以及显示时间的问题
摘要：本文主要针对交易系统配置提出三项优化：1）将K线数据获取限制从1500根缩减至300根，以提高MACD指标计算效率；2）调整时间戳显示为东八区时间，使指标时间显示更符合使用习惯；3）计划完善UI界面和Telegram监控功能，包括MACD指标显示和信号通知，需先完成信号对齐后再进一步开发。这些修改旨在提升系统运行效率和用户体验。
2025-07-25 14:25:17
402
原创 freqtrade在docker运行一个dryrun实例
config文件,这个配置做期货为主，静态配置了交易对，同时端口和第一个bot要不一样，不然没有办法进行监控，甚至要冲突了。10S钟进行循环，不然可能导致访问过多而封IP；大部分的调试是放在docker 内部进行的，现在要放到docker 去运行，所有要把config文件和compose.yaml进行处理好。同时你的决策表放的位置也很关键，包括你的最后的winrate这些表格位置。启动策略起始位置很重要，不然没有work的目录了。
2025-07-23 22:51:08
1686
原创 freqtrade如何运行的
当以干运行（dry-run）或实盘模式（live mode）启动Freqtrade（使用命令）时，机器人会启动并进入循环迭代。leverage()这个循环会一直重复，直到机器人停止。
2025-07-21 17:33:02
1128
原创 策略配置文件config
{“$schema”: “https://schema.freqtrade.io/schema.json”,“max_open_trades”: 3,“stake_currency”: “BTC”,“stake_amount”: 0.05,“tradable_balance_ratio”: 0.99,“fiat_display_currency”: “USD”,“amount_reserve_percent”: 0.05,“available_capital”: 1000,“amend_l
2025-07-21 10:45:20
618
原创 修改一下获取数据的路径
上述修改覆盖了数据加载、处理和存储的主要路径。你可以根据自己的需求添加或调整这些期货列。修改完成后，需要重新加载或下载数据，以确保新的列被包含在内。如果你只需要在策略中临时使用这些列，也可以在策略的方法中通过API获取这些数据并添加到DataFrame中，而不必修改底层代码。
2025-07-20 15:43:27
226
原创 freqtrader简单策略
算法交易难度较高，公开策略未必可靠。理解策略逻辑后再用于实盘；仅用可承受损失的资金交易；参与 Freqtrade 社区（如 Discord）交流经验。通过上述步骤，您可以创建、测试并优化自己的交易策略。更多细节请参考官方文档的策略定制部分。Freqtrade提供默认策略和策略仓库中的示例，但您可能需要根据自己的想法开发策略。指标是生成信号的基础，需在方法中计算并添加到数据框。通过return [("ETH/USDT", "5m"), # ETH/USDT的5分钟数据。
2025-07-20 12:05:20
1916
原创 freqtrader策略配置
本文介绍了机器人配置选项的优先级顺序和基础交易参数设置。配置优先级从高到低依次为：命令行参数、环境变量、配置文件（后加载优先）、策略配置。基础交易参数包括最大未平仓交易数、交易币种、每笔交易金额等，其中部分参数支持策略覆盖。这些配置规则提供了灵活的配置方式，便于临时调试、敏感信息管理和基础配置维护。
2025-07-20 11:21:45
1893
原创 Freqtrade机器人执行逻辑总流程
该流程清晰呈现了机器人从启动到持续运行的核心逻辑，涵盖数据处理、策略分析、订单管理、持仓调整等关键环节，各步骤间的依赖关系与执行顺序也得到体现。
2025-07-20 10:50:49
507
原创 frp配置，需要服务端增加命令
通过从公网IP 转到 私网 ssh （192.168.31.188）现在只剩下，我在私网搭建一个web网站，公网也可以访问。frpc的配置与启动。
2025-02-24 13:01:10
192
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人