伏击涨停-Books
基本原理
伏击涨停的奥秘-涨停有规律
伏击涨停的诀窍-跟着规律走
伏击涨停的基础-攻防三字经
伏击涨停的工具-量柱七因子
伏击涨停的法宝-股市三规律
伏击涨停的眼光-股市探宝仪
伏击涨停的眼力-股市掘宝机
伏击涨停的王牌-涨停起搏器
基本战法
伏击涨停的跳板-金线战法三要点
伏击涨停的核心-金线战法三部曲
伏击涨停的杠杆-黄金双线 战法
伏击涨停的阶梯-黄金十字战法
伏击涨停的标杆-大盘阴线战法
伏击涨停的暗号-长阴短柱战法
伏击涨停的抓手-一剑封喉战法
伏击涨停的先兆-倍量伸缩战法
伏击涨停的契机-现场直憋战法
伏击涨停的灵魂-乐道而忘我
...QLib项目架构设计总结- V01
QLib项目架构设计总结
1. 整体架构概览
QLib是一个量化投资研究框架,采用模块化设计,由五个核心层次组成:
┌─────────────────────────────────────────────────────────────┐
│ 工作流层 (Workflow) │
├─────────────────────────────────────────────────────────────┤
│ 策略层 (Strategy) ...Git-子模块-子树合并-多仓逻辑聚合
在 Gitee 中,要在一个代码仓库(主仓库)中嵌入多个其他仓库(子仓库),核心是利用 Git 原生的子模块(Submodule) 或 子树合并(Subtree Merge) 功能——这两种方法均兼容 Gitee(本质是 Git 仓库托管),且能实现“主仓库关联子仓库、保持同步更新”的需求,具体选择哪种取决于你的使用场景(是否需要子仓库独立维护、是否希望子仓库代码融入主仓库历史等)。
一、核心方法对比(先选对方案)
| 特性 | 子模块(Submodule) | 子树合并(Subtree Merge) |
|---|---|---|
| 本质 | 主仓库存储子仓库的“引用”(Commit ID + 地址) | 子仓库代码完全合并... |
2025-11-ONE-Tasks-目标与计划
11月 目标
过去十天-重复出现的Stock
趋势识别与预测
- 是否有主力
- 主力意图-正在做什么-未来大概率做什么
- 趋势周期-
单只股票能够做全量模型的分析与预测
真实与预测双线可视化
- 资金模型-7d-30d
7d- 量化与超短线策略
参考一个月的资金情况
30d-短线-持股周期-1月
-
市值 小于60或者100亿
-
统计预测准确率-页面展示过去30天,预测值与真实值的-两条价格曲线
- 任务全景-检测页面-查看数据质量与完整性-
- 增加新功能-5分钟预测能够预测未来两天的5分钟行情数据
2025-11-24--30
作业平台
- 任务全自动化
分析平台
- 预测准确率 ...
jvQuant-数据提供商-付费-01053
1. 一段话总结
jvQuant OpenAPI作为机构指定合作伙伴及私有量化基础服务提供商,主打WebSocket高频行情服务,采用简单协议易接入,支持上交所、深交所、港交所、NYSE、NASDAQ等国内外多交易所直连行情/报价交易,策略指令可直达交易所;提供Level1基础行情+Level2逐笔成交的0延迟实时推送,搭配近20年交易分时回放的超广数据库;平台为开放式设计,不限Windows/MacOS等多系统及Python/C++等主流语言,实现365*24无故障连接,同时支持股票/ETF/可转债等全类型委托报单(买入、卖出、撤销)及持仓/交易查询,提供量化交易专用柜台服务。
2....
Massive-数据提供商-付费-01052
1. 一段话总结
Polygon已更名为Massive(2025年10月宣布),其核心业务是提供Stock Market API及金融市场数据服务,旨在通过现代化技术革新金融行业;平台覆盖股票、期权、指数、货币、期货等多类资产数据,包含实时(延迟<20ms)与历史数据(如股票数据始于2003年、期权始于2014年),支持Flat Files、RESTful/WebSocket API、SQL三种访问方式,数据格式兼容JSON/CSV,还提供多语言客户端库(Python、JavaScript等)及教程;2025年11月3日起将按SEC规则调整股票报价中买卖盘大小的统计单位(从整批改为...
TensorBoard -可视化工具
TensorBoard 是 TensorFlow 官方推出的 可视化工具,核心用于监控模型训练过程、调试模型结构、分析数据分布等,是深度学习开发中不可或缺的辅助工具。以下从 核心功能、使用流程、关键操作、高级技巧 四个维度,帮你快速掌握 TensorBoard 的实用用法:
一、核心功能(解决什么问题?)
| 功能模块 | 作用说明 |
|---|---|
| Scalars(标量) | 监控训练/验证的损失(Loss)、准确率(Accuracy)、学习率(Learning Rate)等,看趋势是否收敛。 |
| Graphs(计算图) | 可视化模型的网络结构(层与层的连接、参数维度),排查结构错误(如维度不匹配)。 | ...