yanxing520-优快云博客

原创从零搭建你的 A 股量化系统（五十九）：因子研究的 8 个步骤——每一步在改什么，跳过哪一步会错在哪（附代码与图）

S5-001 用十只股票走完了因子的三个动作：排序、分组、看下期收益差。那是一个截面上的事。真实的研究要把这些动作重复几百次，中间穿过一整条链路，才勉强谈得上结论——同一天排一次序说明不了什么，把 728 天都排一遍、把行业与市值剥掉、把样本外留出来，数字才有资格被读。这条链路是八步：数据准备、因子构造、数据预处理、中性化、单因子检验、分层回测、多因子合成、上线与监控。本篇拿六个常见因子——动量、短期反转、低换手、EP、BP、小市值——在 24 只蓝筹、728 个交易日的真实数据上把它跑完。重点不在「怎么跑

2026-10-27 20:37:30 256

原创从零搭建你的 A 股量化系统（五十八）：什么是因子？十只股票一次排序，把因子的本质讲清楚（附代码与图）

S4 的十六篇收在 IC 与 IR 上。那两把尺子量的对象叫「因子」，但整个 S4 都没给这个词下过定义——它一直以动量、价值、波动率这些具体名字出现，被当成一个不用解释的东西直接用了。S5 从这里开始。「因子」这个词在 A 股被用得很松。有人用它指 PE，有人指过去 20 日涨幅，也有人把一整套选股流程叫因子。这篇把这些用法拆开，剩下的十九篇按拆出来的类别往下走。因子不是策略，是对股票截面收益差异有预测力的可测特征，三个条件同时成立才算数：可测、有逻辑、有预测力。把一批股票按一个特征排出名次、分成高低两组

2026-10-25 17:38:40 251

原创从零搭建你的 A 股量化系统（五十七）：IC 与 IR：因子评价的两个核心指标 + 基本法则推导（附代码与图）

上篇（S4-015）用 ADF / EG 判定「两个随机游走什么时候会一起走」，把配对交易的准入条件做成了统计检验。但那套工具说的是两个特定资产之间的关系；量化选股的实战是用一个因子（动量 / 低波 / 估值 / 规模…）给全市场股票排序。因子好不好用，拿什么评？——IC（信息系数）量因子预测下期收益的能力，IR（信息比率）量这个能力的稳定性；两者再乘上预测宽度，就是主动管理领域最重要的经验公式基本法则 IR = IC × √BR（Grinold & Kahn 1999）。本篇是 S4 收官：把因子的「预

2026-10-25 16:00:30 275

原创从零搭建你的 A 股量化系统（五十六）：协整与平稳性检验：配对交易的数学地基（附代码与图）

上篇（S4-014）把「在不确定里做最优决策」交给了 cvxpy：均值-方差组合构建是二次规划、DCP 规则校验凸性、约束随便加——A 股 4 资产的切线组合退化成 100% 沪深300，加一条 40% 单票上限后权重才长开 [0, 0.40, 0.40, 0.20]。但那套权重是单期静态的：配好就放着，默认资产之间互不相干。可现实里两个资产的价格常常一起漂——如果它们漂得「有约束」，价差就会回归，就有了不靠预测方向也能做的东西。本篇接住 S4-013 的「价格是随机游走」，把它变成能判定的统计命题：两个

2026-10-24 20:25:55 226

原创从零搭建你的 A 股量化系统（五十五）：凸优化在组合构建中的应用：cvxpy 实战（附代码与图）

上篇（S4-013）把 S4 系列反复用到的「随机性」归到一棵树下：√252 年化的根是 √T 法则、VaR 蒙特卡洛的引擎是 GBM、厚尾 ν̂=2.47 是正态假设的实证反例——随机过程给的是「不确定性」，是零假设。但一个更实际的问题还没回答：在「未来不确定」的前提下，权重到底该怎么算才算最优？本篇就是 S4-013 结尾预告的那块——把 S4-009 手写的 scipy SLSQP 数值优化，升级为专业凸优化工具 cvxpy（建模语言 + 求解器解耦）。均值-方差组合构建本质是二次规划（QP）；cv

2026-10-23 20:47:59 111

原创从零搭建你的 A 股量化系统（五十四）：随机过程入门：随机游走、布朗运动与股价模型的局限（附代码与图）

上篇（S4-012）把 EMH 与行为金融的辩论收束了：弱式 EMH 的意思是「历史价格预测不了明天」，A 股证据是 S4-008 那个不显著的自回归系数。但「预测不了」这句话背后的数学模型是什么？答案是一个大多数散户听过、却说不清的名字——随机游走。这一篇就补上这块地基。S4 系列前十二篇反复用到的「随机性」全站在同一棵树下：S4-002 的 ×√252 年化、S4-005 的 VaR 蒙特卡洛、S4-006 的厚尾。本篇把随机游走（RW）→ 布朗运动（BM）→ 几何布朗运动（GBM）这条从离散到连续

2026-10-23 20:27:41 241

原创从零搭建你的 A 股量化系统（五十三）：有效市场假说 vs 行为金融学：Alpha 到底从哪来

如果价格充分反映了所有可得信息，市场就是有效的。「反映」不是「正确」——价格可以因情绪偏离内在价值（泡沫），只要偏离是「基于当时可得信息的最优估计」，市场就算「有效」。有效 ≠ 合理，这是 EMH 被误读最多的地方。「所有可得信息」是一个集合——信息分三层，对应 EMH 的三个版本。

2026-10-18 19:57:00 151

原创从零搭建你的 A 股量化系统（五十二）：Fama-French 三因子与五因子：A 股版本怎么自己构建（附代码与图）

上篇（S4-010）把 CAPM 讲完了：收益只由 β 决定，可 A 股 628 日实测四个资产没一个落在证券市场线上——茅台 β=0.621 却 α=−15.00%、中证1000 β=1.263 却 α=−5.28%。那篇结尾留了一句话：SML 上那片 α，下一篇把它拆开。这一篇就是拆 α 的拆法。结论先摆出来：Fama-French 认为 CAPM 的 α 大半不是「本事」，而是「漏了规模和价值两个因子」的脏 α。本篇用 A 股 10 只代表股亲手搭一遍 FF3：2×3 分组造出 SMB / HML，

2026-10-18 11:20:21 260

原创从零搭建你的 A 股量化系统（五十一）：CAPM 与 Beta：怎么算、有什么用、什么时候失效（附代码与图）

上篇（S4-009）把组合优化讲完了：给定 (μ, Σ) 找最优权重，切线组合样本内夏普最高，却退化成 100% 沪深300。那篇结尾留了一句话——MPT 是描述性的，它没回答「为什么某个资产该有某个期望收益」；CAPM 就是它的均衡化。先把三个词落地，后面全篇都靠它们。CAPM（资本资产定价模型）一句话说完：一个资产该赚多少，只由它对大盘的敏感度决定。β 就是这个敏感度——大盘涨 1%，它平均涨多少。α（Jensen α）是扣掉「按你的 β 你本该赚到的那份」之后，多出来或者少掉的那一截。这一篇回答那个「

2026-10-18 10:16:00 161

原创从零搭建你的 A 股量化系统（五十）：现代投资组合理论 MPT：均值-方差与有效前沿（附代码与图）

上篇（S4-008）把回归标准误拆开了：同一条茅台对沪深300的市场回归，经典 OLS 把系数 t 值虚高到 14.44，Newey-West 修正后只剩 4.90。那篇结尾留了一句话——回归给出的 β 与协方差，是组合优化的「原料」，而真正把这些原料做成菜的，是组合优化本身。这一篇就是把那道菜端上桌。结论先摆出来：MPT 的数学是对的，输入是错的。把样本均值-协方差喂进均值-方差优化，画出来的「最优前沿」是骗人的——样本前沿系统性虚高（仿真实测平均 13.46%）；而 A 股 4 资产实证里，最朴素的两

2026-10-17 16:30:16 280

原创从零搭建你的 A 股量化系统（四十九）：线性回归全解：从 OLS 到 Newey-West 稳健标准误（附代码与图）

上篇（S4-007）把单变量 t 检验拆开了：同一条收益序列，换一种分布假设、换一次检验次数，p 值就从“铁证”滑成“噪声”。那篇结尾留了一个待办——单变量检验在偏度下会失真，那么多变量回归里的标准误呢？这一篇补上这块。因子研究的核心工具不是单变量检验，而是回归：用多个因子同时解释收益，逐个检验偏回归系数。而回归系数的 t 检验能不能信，全看分母 SE 估得准不准。结论先摆出来：A 股回归的经典 OLS 标准误是低估的——茅台市场回归里低估了 2.9 倍，把 t 从 14.44 虚高成“超级显著”，Ne

2026-10-17 16:05:47 236

原创从零搭建你的 A 股量化系统（四十八）：假设检验在因子研究中的应用：t 检验与 p-hacking 陷阱（附代码与图）

上篇（S4-006）量出了 A 股日收益的形状：偏度没有统一符号（中证 1000 −0.324、茅台 +1.232），超额峰度 5.95～9.08，student-t 自由度 ν̂ 全部落在 4 及以下。那些数字回答的是“数据长什么样”。这一篇往前走一步：长这个样子，还能不能拿它做显著性判断。单样本 t 检验是散户做因子研究时最常用的一把尺子——某因子的日收益均值是不是显著大于 0、两个组合的收益差是不是显著。这把尺子有三个默认前提，而 A 股的实证流程通常三个都不满足。结论先摆出来：厚尾不是 t 检验的

2026-10-08 20:18:26 184

原创从零搭建你的 A 股量化系统（四十七）：A 股收益率的真实分布——厚尾、偏度、峰度实证（附代码与图）

上篇（S4-005）给「未来最坏能亏多少」配了概率门槛，可它从头到尾借用一个没被检验的前提：收益长什么样。正态参数法、蒙特卡洛、GARCH 动态 VaR 都把「形状」当成已知量直接代入；历史模拟法不假设形状，但它也没回答形状是什么。这一篇就把形状本身量出来。三个刻度量轮廓（偏度、超额峰度、Jarque-Bera），两个工具量尾巴（student-t 自由度、Hill 幂律指数），一批 A 股实测（沪深 300 / 中证 500 / 中证 1000 三个指数 + 茅台）给出结论：A 股不是正态，偏度没有统一符

2026-10-08 19:41:32 169

原创从零搭建你的 A 股量化系统（四十六）：VaR 与 CVaR——散户版风险度量实操（附代码与图）

上篇（S4-004）把「过去的风险」拆成了四块：最大回撤管亏得多深、水下曲线管套了多久、Calmar 算回撤性价比、Sortino 只罚下跌。四块拼图有个共同点——都拿历史价格算，回答的都是「曾经」。这一篇换一个问题：明天最坏能亏多少。它不再问「过去亏了多少」，而是给未来的亏损配一个概率门槛——这就是 VaR 与 CVaR。三种算法（历史模拟 / 正态参数 / 蒙特卡洛）、一条反直觉性质（VaR 不满足次可加）、一条动态口径（接 S4-002 的 GARCH 条件波动），构成散户能落地的「事前」风险度量。

2026-10-07 20:22:08 257

原创从零搭建你的 A 股量化系统（四十五）：风险指标全家桶——最大回撤、Calmar、Sortino、水下曲线（附代码与图）

上篇（S4-003）把夏普拆成了五道关：分子用哪种年化、无风险扣不扣、频率换不换算、样本够不够长、数字是不是从一堆变体里挑出来的。算对之后还有一个问题没答——夏普只看「总波动」，它把大涨和暴跌一视同仁，也看不见「曾经亏到多深」和「套牢了多久」。这一篇就把夏普的三个盲区补上：最大回撤管「亏得多深」，水下曲线管「套多久」，Calmar 把回撤做成性价比，Sortino 只惩罚下跌。四个指标合起来，才构成一个散户真正能拿来做决定的风险视角。本篇沿用 S4-001 约定好的全系列口径，并在这一篇把风险指标的三个参数

2026-10-07 18:28:21 278

原创从零搭建你的 A 股量化系统（四十四）：夏普比率的正确用法与 3 个常见误用（附代码与图）

上篇（S4-002）把波动率拆成 HV / EWMA / GARCH 三种算法，S4 度量层的第二块砖铺好了。收益有了（S4-001）、波动有了（S4-002），把它俩相除，就得到所有策略报告里最醒目的那个数——夏普比率。夏普是散户最容易碰到、也最容易被带跑的一个指标。基金页写「夏普 1.8」，回测报告写「夏普 2.3」，同一个策略换个起止日期又能算出完全不同的数字。问题不在夏普本身，而在它的口径太多、样本太短、还能被挑选。这一篇用同一份茅台数据把三种口径下的夏普差异全部复现，看完你拿到任何「夏普 X」都会

2026-10-05 16:40:03 503

原创从零搭建你的 A 股量化系统（四十三）：波动率全解——历史波动率、EWMA、GARCH，散户需要哪个（附代码与图）

上篇（S4-001）把「收益率」掰成了简单、对数、年化三种算法，定下了 S4 全系列的收益口径：对数收益、252 日、几何年化、前复权 qfq。收益算对了，下一个问题立刻浮出来——这个收益的「抖动程度」是多少？这就是波动率。波动率是 S4 度量层的第二块砖：夏普（S4-003）拿它当分母，最大回撤 / Calmar / Sortino（S4-004）拿它当参照，VaR（S4-005）拿它当骨架，仓位管理拿它当预算。收益告诉你「赚多少」，波动率告诉你「这个赚法有多不稳」——散户亏钱，很多时候不是买错了标的，

2026-10-05 15:50:14 256

原创从零搭建你的 A 股量化系统（四十二）：收益率的三种算法——简单、对数、年化，什么时候用哪个（附代码）

上篇（S3-015）收官了 S3 数据工程：15 篇下来，日线、复权、财务 PIT、股票池、成分股、转债、ETF、资金流八类数据全部落进本地库，取数的不确定性被逐层拆掉。数据齐了，接下来的问题是——这些价格怎么变成能算、能比、能验证的数字。这就是 S4 金融理论要解决的事，也是从这篇开始的新专栏。S3 回答「数据怎么来」，S4 回答「数据怎么变成信号」。整条线是四层地基：本篇是 T1 的第一块砖，也是全系列的口径起点：收益率。你后面要用的波动率、夏普、最大回撤、因子 IC、组合优化，全部从「收益率序列」这

2026-10-05 15:18:11 635

原创从零搭建你的 A 股量化系统（四十一）：龙虎榜 / 北向 / 融资融券——三类「资金流」数据怎么抓、怎么落库（AkShare）（附代码）

上篇（S3-014）把 ETF 折溢价数据地基打好了，M5 特殊资产拿下两类——转债、ETF。这一篇是 M5 的收官，也是整个 S3 数据工程的收官。前面十几篇处理的都是「这东西值多少钱／什么价」：日线、复权、财务 PIT、估值、指数成分。这一篇三类数据回答的是另一个问题——谁在买卖：先把两个反常识摆出来：这一篇讲清三类数据怎么抓、怎么归一化、怎么落库，以及三个必须自己处理的坑（龙虎榜的 forward 字段污染、北向的可得性断层、两融的单位不一致）。进数据层之前先说清两件基础：这三类数据各是什么、为什么回

2026-10-04 15:53:34 407

原创从零搭建你的 A 股量化系统（四十）：ETF 数据与实时折溢价计算（AkShare）（附代码）

上篇（S3-013）把「可转债数据地基」打好了——一条 M5 特殊资产的路线：免费源拿当日快照、后缀归一化、派生指标自己算。到这儿，M5 的第一类资产（转债）齐活。接下来是 M5 的第二类：ETF。它和转债一样是散户少有的 T+0 品种，门槛甚至更低——100 份一整手，实测一手金额中位只有 104 元，绝大多数 ETF 一手在 500 元以内。但 ETF 有一个股票根本没有的数据维度：折溢价。股票只有一个价；ETF 有两个价——二级市场的成交价，和基金净值。这两个价的差，就是折溢价，也是 ETF 策略（

2026-10-04 15:27:18 272

原创从零搭建你的 A 股量化系统（三十九）：可转债数据体系——转股价、溢价率、强赎条款怎么落库（AkShare）（附代码）

上篇（S3-012）给「数据干不干净」收了官——15 条规则把脏数据挡在入库前。到这儿，S3 的核心数据底座全部就位：日线（S3-002）、复权（S3-003）、本地库（S3-004～006）、分钟（S3-007）、财务 PIT（S3-008）、基本面（S3-009）、股票池（S3-010）、指数成分（S3-011）、质检（S3-012）。接下来进入 M5 特殊资产。第一类是可转债——它和 ETF 一样是散户少有的 T+0 品种：10 张一整手、千元级门槛，正股暴跌还有债底垫着（债底不等于保本，第二节算细

2026-10-03 21:05:35 226

原创从零搭建你的 A 股量化系统（三十八）：数据质量校验——15 条自动检查规则

上篇（S3-011）把指数历史成分讲完了——回测要的「T 日标的清单」终于有了权威来源。到这儿，S3 的数据原料全齐了：日线（S3-002）、复权（S3-003）、本地库（S3-004～006）、分钟（S3-007）、财务 PIT（S3-008）、基本面（S3-009）、股票池（S3-010）、指数成分（S3-011）。但还有最后一道关没把：这些数据「对不对」，谁来管？你费劲把时点对齐了（S3-008 / S3-010）、复权算对了（S3-003），可如果落库的那份数据本身是脏的，前面所有努力全白费。一个

2026-10-03 17:03:14 230

原创从零搭建你的 A 股量化系统（三十七）：指数与成分股——沪深300 / 中证500 / 中证1000 历史成分怎么拿（附代码）

上篇（S3-010）把标的时点讲透了——回测到 T 日，池里只能有 T 日真实存在且在池的标的；并用真实数据量化了幸存者偏差的代价。但 S3-010 留了一个它没回答的问题：那份「T 日真实标的清单」，到底从哪来？它讲了「怎么筛」，没讲「名单哪来」。这一篇就填这个源头缺口：指数成分股。它是股票池快照的权威来源，也是「指数增强 / 行业轮动 / 跟着调仓」这类策略的原材料。核心问题是——你想让策略跑在沪深300 上，可 2016 年的沪深300 成分和今天根本不是同一批股票，历史上某天到底有哪些成分股，怎么

2026-10-03 16:32:00 252

原创从零搭建你的 A 股量化系统（三十六）：股票池管理——ST、退市、停牌、次新的处理规则

上篇（S3-009）把估值、行业、宏观三块基本面用 BaoStock 取齐了——一家公司“赚多少、贵不贵、是谁、水暖不暖”，你都能按时点、不偷看未来地拿到。但有一个更靠前的问题一直没回答：这些公司，当年到底在不在 A 股？你回测里那句“全市场等权”，用的名单是「今天还在上市的股票」吗？如果是，那你已经把历史上所有退市股提前剔除了——等于提前知道谁活到了今天。这一篇拆散户回测虚高的第二大来源：幸存者偏差，以及 ST、退市、停牌、次新这四类标的的处理规则。这一篇按「先看偏差有多大 → 再定四类规则 → 最后落

2026-10-02 16:13:37 393

原创从零搭建你的 A 股量化系统（三十五）：基本面：估值 / 行业 / 宏观（BaoStock）

上篇（S3-008）我们把财务数据的 PIT 讲透了——报告期 ≠ 公告日，用错时点就是未来函数，BaoStock 的 6 个季频接口原生给，是零预算做严谨 PIT 的正解。到这儿，「一家公司赚多少钱」这件事，你已经能按时点、不偷看未来了。但选股光看「赚多少」不够，还得回答另外三个问题：它现在贵不贵？它属于哪个行业？大环境怎么样？也就是估值、行业、宏观——这三块同样是基本面，而且同样能用 BaoStock 一个源、零成本拿到。这一篇按「先认识三块数据 → 再落库 → 最后怎么用」走：第二节讲估值的三个比

2026-10-02 10:36:57 597

原创从零搭建你的 A 股量化系统（三十四）：财务数据的 PIT：报告期 vs 公告日，一字之差全盘皆输

上篇（S3-007）我们换了粒度——讲清分钟线（BaoStock 近 5 年）能拿到什么、怎么存、怎么维护，也把「日线之外要不要碰」这笔账算明白了。到这儿，行情底座（日线 + 可选的分钟线）已经稳了。但行情只管价格，选股还得看基本面。这一篇开始进入 M3 基本面模块，先拆散户回测里最隐蔽、也最致命的一个虚拟高来源：财务数据的 PIT（Point-in-Time，按时间点对齐）。技术讲完，第七节再回到散户最实际的问题——这些财务指标到底该怎么用、哪几种用法最容易翻车。你回测里那个「ROE 创历史新高就买入」的

2026-10-01 19:52:39 533

原创从零搭建你的 A 股量化系统（三十三）：分钟线——BaoStock 近 5 年分钟数据取值与落库

上篇（S3-006）我们把日线库接上了增量管道——按标的、按天两条路线，算起点、原子追加、跨布局取全局 max 定断点。到这儿日线底座已经稳了。这一篇换个粒度：日线之上还有分钟线（5/15/30/60 分）和 Tick（逐笔），它们在免费源里的可获取性、数据形态、存储布局跟日线完全不是一回事。整篇文章回答四个问题：和 S3-006 的分工是清楚的：S3-006 讲日线每天怎么只拉增量，本篇讲换个粒度之后能拿到什么、怎么存、查起来什么姿势——前者是维护问题，后者是可行性边界 + 存储布局问题。配套脚本（

2026-10-01 17:07:35 674

原创从零搭建你的 A 股量化系统（三十二）：自建本地行情库（三）——增量更新与断点续传

上篇（S3-005）把全 A 股 20 年日线（约 2600 万行）一次性搬进了本地库：路线 A 按天拉、落成布局 A 的按年全市场单文件、限频下限 97 分钟、四个坑（三个静默一个报错）、checkpoint 幂等、四条验收。库建完是满的，但它是静止的——往后每个交易日新出的数据，得有人接着往里补。这一篇把这条日常补货管道搭起来。日常增量只有两种形态，取决于你要维护的是哪种库：这两条路线不是“两个可选的插件”，而是调用次数和写入代价算出来的必然结果（这笔账在 §一）。所以整篇的骨架也就定了——一块地基，两

2026-09-26 20:27:52 229

原创从零搭建你的 A 股量化系统（三十一）：自建本地行情库（二）——全 A 股 20 年日线入库实战

上篇（S3-004）我们盖好了本地行情库的地基：Parquet 存、DuckDB 查，一行到手。但库里只有一只 600519。这一篇把全 A 股 20 年（约 2600 万行）真正搬进来。整篇文章回答四个问题：配套脚本，离线自检 21/21 全过；所有数字来自 2026-09 本机真跑（conda / Python 3.11.15），并已逐条对照 Tushare 官方文档复核——其中限频一条，官方文档与我实测差 10 倍，后文详述。不跨源合并：本篇只存 Tushare raw 不复权价；复权因子单源定

2026-09-21 19:32:13 242

原创从零搭建你的 A 股量化系统（三十）：自建本地行情库（一）——Parquet 与 DuckDB 到底是什么

CSV 没有"类型"这个概念，而量化数据工程的一半事故，都出在"类型"和"布局"上。这一篇就干两件事：把 Parquet 和 DuckDB 这两个东西讲透——它们到底是什么、凭什么快、坑在哪——然后给我们的本地行情库把地基定下来。本篇不新取任何联网数据，消费的是前两篇已落库的产物 + 一次 BaoStock 因子补全。原理实测部分使用合成基准数据（代码池与起点价格取自真实 A 股快照，走势随机游走）：本地行情库的地基只有一句话：用 Parquet 按年分区存，用 DuckDB（或 Pandas）在查询层折算

2026-09-06 20:34:23 612

原创从零搭建你的 A 股量化系统（二十九）：复权——BaoStock 复权因子与查询层实时折算

系列名：《从零搭建你的 A 股量化系统》｜专栏 S3 数据工程｜第 3 篇 / 共 15 篇｜ M1 行情底座标签：#量化投资 #复权 #BaoStock #前复权 #后复权 #复权因子 #数据工程 #Python #A股 #散户 #避坑上一篇《日线获取》我们用 Tushare 免费档把全 A 的搬回了硬盘。但 raw 价——每当年报分红季，除权日的 raw 会凭空"暴跌"一笔，你的动量/止损信号会集体误触发。。主源换成：它的复权因子接口（注：Tushare 免费档的adj_factor。

2026-09-03 19:53:28 448

原创从零搭建你的 A 股量化系统（二十八）：日线获取——Tushare 免费档批量拉全 A，AkShare 兜底

上篇《A股数据源全景对比》我们把底座定死了：三个免费源分工协作——Tushare 免费档（120 积分 = 0 元/年）批量拉全 A 日线，BaoStock 补齐复权与财务 PIT，AkShare 补龙虎榜等长尾数据。从这一篇开始，S3 进入 M1 行情底座模块。而行情底座的第一步，就是把全 A 股的日线搬回你自己的硬盘——它是后面所有回测、因子、策略共同的原材料。本篇只解决一件事：用 Tushare 免费档把日线批量拉下来，用 AkShare 做兜底，然后正确地存进本地 Parquet。日线是量化系统的地

2026-08-30 20:50:22 419

从零搭建你的 A 股量化系统（二十三）：量化项目目录结构设计（附可直接用的模板）

批量下载google学术论文

cuda6.5实现Julia图像

空空如也