ye_yumo的博客

金融量化工程中，数据清洗是最关键但最耗时的环节。本文分享了处理海量UDP抓包数据的优化实践：原始数据按天存储，包含数千只股票的混杂信息。通过文件级并行处理、分片锁（Sharded Locking）和缓冲I/O等技术，将处理速度从单线程的30-40分钟提升一个数量级。重点解决了多线程写入冲突问题，在512个分片下管理5000多个Symbol的并发写入，显著降低了锁竞争。这种流式并行处理方案充分利用了多核CPU和HDFS带宽，为金融数据分析提供了高效的数据预处理范式。

这里刻意不引入任何金融术语，也不让风控知道“它面对的是什么策略”。你既不知道自己在“进攻什么”，也不知道自己在“防御什么”。把三条资金曲线画在同一张图上，看一眼就知道风控做了什么。一个能让你赚钱、但随时可能让你破产的策略，不是资产，是。这个逻辑非常简单，但足够支撑很多实盘级别的风控原型。听上去没问题，但从系统设计角度，这属于典型的。系统现在已经不再是“一个脚本”，而是一辆。车是能跑了，但你敢不敢在山路上全油门？这就是很多机构真实会用的简单风控逻辑。不改变策略代码、不改变数据模块，只是在。

本文介绍了一个模块化交易策略系统的关键升级。首先通过定义策略基类Strategy建立了明确的接口契约，确保所有策略遵循统一规范。随后将策略逻辑拆解为三层流水线：特征层(Feature)负责计算指标(如均线、波动率)，信号层(Signal)基于特征生成买卖信号，仓位层(Position Sizer)将信号转化为实际仓位。 这种模块化设计使得系统具备高度灵活性：添加新指标只需新增Feature模块，修改交易条件只需调整Signal模块，改变仓位管理方式则替换Position Sizer。文章通过实现一个包含均线

接下来的几篇文章，会手把手教你搭建一个最基础的交易系统（Python），这只是一个玩具级别的系统，如果有机会的话，希望可以把它完善成一个更方便的系统吧（挖坑）如果你还不知道Python怎么用，怎么安装，uv是什么，可以先去学一下，或者你用其他什么包管理器都可以，我这里用uv做演示。([GitHub][1])读个数据，算个均线，写两行 if-else，当天买入卖出，最后。否则，你写的不是“量化系统”，而只是又多了一个没人想维护的脚本。那时候再回头看今天这堆“看起来有点啰嗦的架子”，你会知道——。

回测陷阱：量化投资的幻觉与现实 量化回测中最令人兴奋的往往是那些“完美”的收益曲线——稳定增长、回撤极小、平滑如画。然而，这些曲线大多是幻觉。真正的量化从业者会直接指出：“你这纯属放屁。” 回测的常见陷阱包括： 未来函数：使用未来数据（如当日收盘价生成当日信号）导致虚假收益。 幸存者偏差：仅回测存活至今的赢家公司，忽略退市或破产的股票。 忽略现实成本：如交易滑点、停牌、数据延迟等。 代码演示显示： 幻觉回测：用未来数据生成的策略曲线近乎完美，但实际无法实现。 真实回测：仅用历史数据生成的策略曲线波动更大，收

摘要 因子不是简单的指标或秘方，而是描述市场行为的特征工程。文章通过工程流程解析因子：1）因子是结构化信息，与指标的区别在于其统一尺度和可比较性；2）因子会漂移，因市场结构变化导致历史特征失效；3）多数因子无效源于数据噪声和过拟合；4）实战演示动量因子从构造到验证的全过程，包括数据获取、因子计算、分组回测和结果分析。核心观点：因子是假设而非真理，需动态验证其有效性。

金融数据回测的常见陷阱与解决方案 金融数据看似简单的时间序列，实则暗藏诸多陷阱。本文通过苹果股票(AAPL)案例揭示关键问题： 复权价格陷阱：yfinance默认提供复权后价格(Adj Close)，它平滑了分红/拆分的影响，但与历史真实成交价(Close)存在显著差异。回测时若混淆二者，会导致结果失真。 数据完整性问题：停牌期间的缺失值若简单填充，会虚构不存在的交易机会。正确做法是严格排除无法交易的时段。 解决方案： 显式设置auto_adjust=False获取原始数据 根据策略目标选择价格类型（长期持

用数据、模型、统计方法，系统化地做决策，而不是靠直觉和情绪。所有你凭感觉做的事，我都写成代码，让它自动做。像什么？别人觉得“这股最近涨得不错”，你先跑个回测；别人说“我感觉要涨”，你打开特征、因子、分布；别人用情绪交易，你用数学把情绪剥离。量化投资，不是某个策略，而是一整套逻辑系统。

*价值投资（Value Investing）**是一种理念：以低于企业“真实价值”（内在价值）的价格买入，并长期持有。说白了，就是“买打折的好公司同样的 RTX 4080，平时 8999 元，现在 6999；你不会因为别人嫌它“旧”就不买；你知道它依然强大，只是暂时被冷落。股票也一样。一家公司的股价可能因为情绪、新闻、周期等短期波动下跌，但如果它的基本面没问题——那就是折扣机会。

摘要：卖空（Short Selling）是一种从股票下跌中获利的投资策略，通过借入股票高价卖出、低价买回归还赚取差价。卖空需通过保证金账户操作，具有杠杆效应，亏损风险可能无限大。适合用于熊市、公司基本面恶化或估值泡沫时。卖空涉及借股费用、保证金利息等成本，典型案例包括2008年大众汽车空头挤压事件。尽管卖空能提供市场修正力量，但风险高且受严格监管。各国对卖空有不同限制，如美国SEC禁止裸卖空，欧盟要求大额空头披露等。

金融保证金系统本质是一种杠杆机制，允许投资者以部分本金为抵押进行放大交易。其核心原理类似于押金制度，投资者需缴纳初始保证金（通常50%）才能借款投资，同时必须维持最低保证金比例。这种机制能成倍放大收益，但也同等放大了风险：当资产下跌触发保证金追缴时，若无法补足资金将面临强制平仓。保证金交易适合短线操作，但需承担借款利息成本，1929年美股崩盘就是过度杠杆的典型案例。对量化交易而言，保证金系统相当于一个带风控的杠杆容器，但需警惕市场波动带来的连锁风险。

T+1结算制度解析：交易与到账为何相差一天？ T+1是证券交易的核心结算规则，T代表交易日，“+1”指资金和股票需在交易后一个工作日完成交割。例如，周一买入的股票周二到账，卖出资金同样次日到账。这一制度源于早期人工操作的低效，随着技术进步，结算周期从T+5逐步缩短至T+1（2024年北美实施）。 T+1可降低违约风险，提高资金流动性，并与国际市场接轨。其运作逻辑是交易当天完成撮合，次日完成资产转移。尽管多数股票采用T+1，但债券、基金等产品可能适用T+2或T+0。对投资者而言，T+1加速资金周转，但需注意当

本文从多个维度解析股权的本质与意义。股权作为企业所有权的核心体现，既是资产净值的会计表达（Equity=Assets-Liabilities），又包含控制权、收益权和激励功能。文章详细介绍了股权的构成（股本、留存收益等）、分类（普通股/优先股等）及其动态变化特征，特别强调了股权稀释与价值增长的辩证关系。同时阐述了股权与股票的差异，以及ROE等关键评估指标。最后指出股权作为"血脉"连接资本与人才，既是财务工具更是长期价值承诺，构成了企业发展的底层所有权逻辑。（149字）

股市是全球分布式的"价值计算机"，通过买卖交易实时编译资产价格。文章将股市比作系统架构，解析其运作机制：交易所撮合交易、券商提供入口、投资者参与博弈、监管维护规则，共同构成市场系统。股价由供需动态决定，受情绪与基本面影响，呈现牛市与熊市的交替循环。投资者类型多样，形成博弈网络。股市教会我们长期思维胜过短期冲动，理性是应对市场波动的关键优势，系统也具备自我修复能力。理解股市运作原理，就像掌握系统架构，有助于形成稳健的投资策略。

债券是金融系统中的"借贷合约"，相当于固定收益的智能合约，规定了面值、期限、票息等条款，定期自动付息。债券市场分为一级市场（新债发行）和二级市场（债券交易），价格与利率呈反向关系。主要类型包括政府债、公司债、高收益债等，按信用评级划分风险等级。债券收益来自票息和价格差，风险包括利率、信用和流动性风险。久期衡量债券对利率的敏感性。相比股票，债券风险低、收益稳定，是金融系统的"基础数据库"。从程序员视角看，债券市场就像一个可靠的分布式借贷系统，持续为经济提供稳定的资金支持

《外汇市场：全球货币的分布式交易系统》摘要 外汇市场（FX）是全球最大的去中心化货币交易网络，日交易量超7.5万亿美元。其系统架构类似分布式计算网络，主要节点包括银行（数据中心）、经纪商（中间件）和交易者（客户端）。核心数据模型是"货币对"（如EUR/USD），通过实时供需动态定价。市场分为现货（实时交易）、远期（合约锁定）和期货（标准化合约）三大模块。交易逻辑本质是价差套利（profit=(sell_price-buy_price)*volume），支持高杠杆操作。相比受监管的股票/债

摘要： 一级市场是证券首次发行的场所，企业通过IPO、债券发行等方式直接融资，投资者从发行人处认购证券，资金流向公司。二级市场是已发行证券的交易平台，投资者之间买卖证券，资金在投资者间流转，价格由供需决定。两者的核心区别在于：一级市场创造证券并为企业融资，风险较低但参与门槛高；二级市场提供流动性和价格发现，波动大但开放度高。对量化投资而言，一级市场是定价起点，二级市场是策略主战场，理解两者的关系对投资决策至关重要。

这个系列博客是为正在准备入门量化投资行业的程序员而写的，所以默认你会 Python，或者至少能看懂这些代码。笔者也在系统性地学习金融、机器学习等相关内容，所以尽量会以“小白能看懂”的方式来讲解。如果有不准确或不足的地方，也欢迎指出～