1.tushare/米筐/akshare 以pandas为工具的量化量化金融量化分析入门级教程（附python源码）
2.TFlite 源码分析(一) 转换与量化
3.通达信量化擒龙先手！主附图/选股指标源码分享
4.文华财经软件指标公式赢顺云指标公式启航DK捕猎者智能量化系统指标源码
5.PTQ（Post Training Quantization）源码阅读四
6.手把手教你搭建自己的源码源码量化分析数据库

tushare/米筐/akshare 以pandas为工具的金融量化分析入门级教程（附python源码）

       安装平台是一个相对简单的过程，因为tushare、教程教程讲解米筐和akshare这些平台不需要使用pip install来安装（米筐除外，视频但不是量化量化必需操作）。首先，源码源码ros kinetic 源码下载需要注册账户，教程教程讲解尤其是视频对于学生群体，按照流程申请免费试用资格和一定积分。量化量化然后，源码源码打开编译器，教程教程讲解比如使用anaconda的视频jupyter。

       基本操作中，量化量化导入tushare和米筐时，源码源码通常使用ts和rq作为别名，教程教程讲解这会影响到之后代码的缩写。例如，使用tushare获取数据的方法可以是这样的：

       df = pro.monthly(ts_code='.SZ', start_date='', end_date='', fields='ts_code,trade_date,open,high,low,close,vol,amount')

       这里，ts_code是要分析的股票代码，start_date和end_date是查询的开始和结束日期，fields参数指定需要获取的数据。tushare和米筐对数据查询有详细的说明和解释。

       数据处理是初学者需要重点关注的部分。使用pandas进行数据的保存和处理，是这篇文章的主要内容。推荐查找pandas的详细教程，可以参考官方英文教程或中文翻译版教程，这些教程提供了丰富的学习资源。

       在处理数据时，可以使用pandas进行各种操作，如数据存储、读取、筛选、排序和数据合并。例如，存储数据到csv文件的代码为：

       df.to_csv("名字.csv",encoding='utf_8_sig')

       从csv文件读取数据的代码为：

       pd.read_csv("名字.csv")

       在数据处理中，可以筛选特定条件下的数据，如选择大于岁的人的代码为：

       above_ = df[df["Age"] > ]

       同时，可以对数据进行排序、筛选、重命名、删除列或创建新列等操作。合并数据时，查找源码资源app可以使用`pd.concat`或`pd.merge`函数，根据数据的结构和需要合并的特定标识符来实现。

       这篇文章的目的是通过提供pandas数据处理的典型案例，帮助读者更好地理解和使用tushare平台。对于在校学生来说，tushare提供的免费试用和积分系统是宝贵的资源。在使用过程中遇到问题，可以在评论区留言或分享项目难题，以便进一步讨论和提供解决方案。

       再次感谢tushare对大学生的支持和提供的资源。如果觉得文章内容对您有帮助，欢迎点赞以示支持。让我们在金融量化分析的道路上共同成长。

TFlite 源码分析(一) 转换与量化

       TensorFlow Lite 是 Google 推出的用于设备端推断的开源深度学习框架，其主要目的是将 TensorFlow 模型部署到手机、嵌入式设备或物联网设备上。它由两部分构成：模型转换工具和模型推理引擎。

       TFLite 的核心组成部分是转换（Converter）和解析（interpreter）。转换主要负责将模型转换成 TFLite 模型，并完成优化和量化的过程。解析则专注于高效执行推理，在端侧设备上进行计算。

       转换部分，主要功能是通过 TFLiteConverter 接口实现。转换过程涉及确定输入数据类型，如是否为 float、int8 或 uint8。优化和转换过程主要通过 Toco 完成，包括导入模型、模型优化、转换以及输出模型。

       在导入模型时，`ImportTensorFlowGraphDef` 函数负责确定输入输出节点，并检查所有算子是否支持，同时内联图的节点进行转换。量化过程则涉及计算网络中单层计算的量化公式，通常针对 UINT8（范围为 0-）或 INT8（范围为 -~）。量化功能主要通过 `CheckIsReadyForQuantization`、`Quantize` 等函数实现，确保输入输出节点的最大最小值存在。

       输出模型时，根据指定的源码是啥呀输出格式（如 TensorFlow 或 TFLite）进行。TFLite 输出主要分为数据保存和创建 TFLite 模型文件两部分。

       量化过程分为选择量化参数和计算量化参数两部分。选择量化参数包括为输入和权重选择合适的量化参数，这些参数在 `MakeInitialDequantizeOperator` 中计算。计算参数则使用 `ChooseQuantizationParamsForArrayAndQuantizedDataType` 函数，该函数基于模板类模板实现。

       TFLite 支持的量化操作包括 Post-training quantization 方法，实现相关功能的代码位于 `tools\optimize\quantize_model.cc`。

通达信量化擒龙先手！主附图/选股指标源码分享

       通达信量化擒龙先手！主附图/选股指标源码分享

       一. 指标简介：

       二. 主图指标源码

       MA5:MA(C,5);

       MA:MA(C,);

       MA:MA(C,);

       MA:MA(C,);

       DIF1:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA1:=EMA(DIF1,9);

       AAA1:=(DIF1-DEA1)*2*;

       AAA上:=IF(AAA1>REF(AAA1,1),AAA1,DRAWNULL);

       AAA下:=IF(AAA1

       买:=;

       入:=AAA1-REF(AAA1,1);

       正大:=CROSS(入,买);

       DIF:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA:=EMA(DIF,);

       AAA:=(DIF-DEA)*2*;

       牛股:=CROSS(AAA-REF(AAA,1),);

       正大牛股:=正大 AND 牛股;

       HSL:=V/CAPITAL*>5;

       S1:=IF(NAMELIKE('S'),0,1);

       S2:=IF(NAMELIKE('*'),0,1);

       Z3:=NOT(INBLOCK('近期解禁'));

       Z4:=NOT(INBLOCK('拟减持'));

       Z5:=NOT(INBLOCK('股东减持'));

       Z6:=NOT(INBLOCK('基金减持'));

       Z7:=NOT(INBLOCK('即将解禁'));

       Z8:=IF(CODELIKE(''),0,1);

       Z9:=IF(CODELIKE('8'),0,1);

       去掉:=S1 AND S2 AND Z3 AND Z4 AND Z5 AND Z6 AND Z7 AND Z8 AND Z9;

       AA:=MA(CLOSE,8);

       BB:=((ATAN((AA - REF(AA,1))) * 3.) * );

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       天马:=((((((OPEN <= 均线) AND ((均线 - REF(均线,1)) > 0))

       AND (CLOSE > 均线)) AND (BB > 1)) AND ((CLOSE / OPEN) > 1.)));

       { 股价必涨}

       AA:=IF(CLOSE/REF(CLOSE,1)>1. AND HIGH/CLOSE<1. AND IF(CLOSE>REF(CLOSE,1),,0)>0, , 0);

       SS:=MA((LOW+HIGH+CLOSE)/3,5)>REF(MA((LOW+HIGH+CLOSE)/3,5),1) AND REF(MA((LOW+HIGH+CLOSE)/3,5),1)

       SC:=LHHV(MA((LOW+HIGH+CLOSE)/3,5),) AND C>REF(C,1) AND C>O;

       MR:=SC AND COUNT(SS,2);

       BB:=MR AND NOT(REF(MR,1));

       股价必涨:=AA OR BB OR 天马;

       { 抄底}

       二十日换手率:=BETWEEN(SUM(HSCOL,),,);{ 意思是 日换手率介于---之间}

       DFO:=(C-REF(C,1))/REF(C,1)*<-5;

       AAO:=BARSLAST(DFO);

       突破:=CROSS(C,REF(O,AAO));

       抄底:=二十日换手率 AND 突破;

       三.副图指标源码：

       DIF1:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA1:=EMA(DIF1,9);

       AAA1:=(DIF1-DEA1)*2*;

       AAA上:=IF(AAA1>REF(AAA1,1),AAA1,DRAWNULL);

       AAA下:=IF(AAA1

       买:=;

       入:=AAA1-REF(AAA1,1);

       正大:=CROSS(入,买);

       DIF:=EMA(CLOSE,)-EMA(CLOSE,);

       DEA:=EMA(DIF,);

       AAA:=(DIF-DEA)*2*;

       牛股:=CROSS(AAA-REF(AAA,1),);

       正大牛股:=正大 AND 牛股;

       HSL:=V/CAPITAL*>5;

       S1:=IF(NAMELIKE('S'),0,1);

       S2:=IF(NAMELIKE('*'),0,1);

       Z3:=NOT(INBLOCK('近期解禁'));

       Z4:=NOT(INBLOCK('拟减持'));

       Z5:=NOT(INBLOCK('股东减持'));

       Z6:=NOT(INBLOCK('基金减持'));

       Z7:=NOT(INBLOCK('即将解禁'));

       Z8:=IF(CODELIKE(''),0,1);

       Z9:=IF(CODELIKE('8'),0,1);

       去掉:=S1 AND S2 AND Z3 AND Z4 AND Z5 AND Z6 AND Z7 AND Z8 AND Z9;

       AA:=MA(CLOSE,8);

       BB:=((ATAN((AA - REF(AA,1))) * 3.) * );

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       均线:=MA(CLOSE,);

       天马:=((((((OPEN <= 均线) AND ((均线 - REF(均线,1)) > 0))

       AND (CLOSE > 均线)) AND (BB > 1)) AND ((CLOSE / OPEN) > 1.)));

       { 股价必涨}

       AA:=IF(CLOSE/REF(CLOSE,1)>1. AND HIGH/CLOSE<1. AND IF(CLOSE>REF(CLOSE,1),,0)>0, , 0);

       SS:=MA((LOW+HIGH+CLOSE)/3,5)>REF(MA((LOW+HIGH+CLOSE)/3,5),1) AND REF(MA((LOW+HIGH+CLOSE)/3,5),1)

       SC:=LHHV(MA((LOW+HIGH+CLOSE)/3,5),) AND C>REF(C,1) AND C>O;

       MR:=SC AND COUNT(SS,2);

       BB:=MR AND NOT(REF(MR,1));

       股价必涨:=AA OR BB OR 天马;

       { 抄底}

       二十日换手率:=BETWEEN(SUM(HSCOL,),,);{ 意思是 日换手率介于---之间}

       DFO:=(C-REF(C,1))/REF(C,1)*<-5;

       AAO:=BARSLAST(DFO);

       突破:=CROSS(C,REF(O,AAO));

       抄底:=二十日换手率 AND 突破;

       四. 选股指标源码

       指标源码内容与前文一致，仅包含主图和副图指标源码，用于量化分析股票。指标包括移动平均线、MACD、股价波动判断、换手率分析等，通过设置条件筛选出具有投资潜力的股票。使用时根据具体市场情况和策略进行调整。注意：指标的有效性需结合市场情况综合判断，不应单一依赖。

文华财经软件指标公式赢顺云指标公式启航DK捕猎者智能量化系统指标源码

       在技术分析领域，文华财经软件中的指标公式提供了多种量化分析工具，帮助投资者在交易决策中获取优势。以下是一个具体示例，展示了如何构建一个智能量化系统指标源码，以实现自动化交易策略。

       这个指标源码首先通过MA（移动平均）函数计算不同周期的移动平均线，包括日、日、日、日和日的移动平均线。这些平均线被视为价格趋势的重要指示器，帮助交易者识别市场方向。MA5、MA、MA、MA、MA和MA分别代表了5日、日、日、日、签到领券源码日和日的简单移动平均线。

       接着，通过RSV（相对强弱指数）计算公式，评估价格变动的相对强弱。RSV=(C-LLV(L,9))/(HHV(H,9)-LLV(L,9))*，其中C代表收盘价，L代表最低价，H代表最高价。RSV值的计算帮助交易者识别市场的超买或超卖状态。

       进一步，通过SMA（简单移动平均）计算K、D和J值，形成KDJ指标，K=3*SMA(RSV,3,1)；D=SMA(K,3,1)；J=3*K-2*D。KDJ指标被广泛应用于判断市场趋势和拐点，为交易者提供买入或卖出信号。

       最后，通过逻辑判断和条件计算，系统能够自动识别特定的交易信号。例如，当J值穿越一个预先设定的临界值（例如J<），同时满足X和Y的条件时（X=LLV(J,2)=LLV(J,8)且Y=IF(CROSS(J,REF(J+0.,1)) AND X AND J<,,0)），系统可能会触发一个买入或卖出信号，以指示交易者采取相应的行动。

       通过这样的智能量化系统指标源码，文华财经软件能够为投资者提供高效、自动化的交易策略，帮助其在市场中获取竞争优势。这种自动化的交易策略不仅节省了人力成本，还能够减少主观判断的偏差，提高交易决策的准确性。

PTQ（Post Training Quantization）源码阅读四

       PTQ（Post Training Quantization）是模型量化过程，旨在以较低精度的参数减少模型的内存消耗和计算成本，同时保持相似的性能水平。在本文中，我们探讨PTQ中如何将量化信息集成到模型中，并进行保存。

       PTQ工作流程包括四个关键步骤：计算量化参数、确定阈值、保存输出阈值和包裹模拟层。在实现中，主要依赖于ImperativePTQ类，二次源码其中的_cal_thresholds_save_output_thresholds_wrap_simulated_layers方法承担了核心任务。

       在实现过程中，关键在于找到当前层的parent和相应的attr_name，这一过程由_find_parent_layer_and_sub_name方法执行。最终，通过_wrap_simulated_layers方法，将原始层替换为QuantizedLayer，实现量化功能。

       在QuantizedLayer中，我们可以配置输入参数以选择合适的实现。以QuantizedConv2D为例，其主要对输入/权重应用fake_quant操作，其余操作与Conv2D相同。_get_fake_quant_type方法用于选取相应的fake_quant实现。

       fake_quant实现有五种类型，包括AbsMax和ChannelWiseAbsMax，分别应用于权重和激活函数的量化。以AbsMax为例，其量化逻辑模拟了量化和解量化的行为。在量化权重时，创建一个非可训练的_scale参数，而量化输入时，_scale为None。量化过程分为动态图和静态图两种逻辑，在动态图中，基于给定的input和属性bit_length，创建并调用_legacy_C_ops.fake_quantize_dequantize_abs_max OP。

       相关实现位于paddle/Paddle/paddle/fluid/operators/fake_quantize_op.cc文件中。在forward阶段，使用QuantTensorFunctor先进行量化，随后进行四舍五入和裁剪。对于backward阶段的实现，我们参考了op的定义和kernel实现，它遵循特定的公式。

       总之，PTQ的源码阅读展示了模型量化的核心步骤，以及如何将量化信息集成并保存到模型中，以实现性能与效率的优化。

手把手教你搭建自己的量化分析数据库

       量化交易的分析根基在于数据，包括股票历史交易数据、上市公司基本面数据、宏观和行业数据等。面对信息流量的持续增长，掌握如何获取、查询和处理数据信息变得不可或缺。对于涉足量化交易的个体而言，对数据库操作的掌握更是基本技能。目前，MySQL、Postgresql、Mongodb、SQLite等开源数据库因其高使用量和受欢迎程度，位列-年DB-Engines排行榜前十。这几个数据库各有特点和适用场景。本文以Python操作Postgresql数据库为例，借助psycopg2和sqlalchemy实现与pandas dataframe的交互，一步步构建个人量化分析数据库。

       首先，安装PostgreSQL。通过其官网下载适合操作系统的版本，按照默认设置完成安装。安装完成后，可以在安装目录中找到pgAdmin4，这是一个图形化工具，用于查看和管理PostgreSQL数据库，其最新版为Web应用程序。

       接着，利用Python安装psycopg2和sqlalchemy库。psycopg2是连接PostgreSQL数据库的接口，sqlalchemy则适用于多种数据库，特别是与pandas dataframe的交互更为便捷。通过pip安装这两个库即可。

       实践操作中，使用tushare获取股票行情数据并保存至本地PostgreSQL数据库。通过psycopg2和sqlalchemy接口，实现数据的存储和管理。由于数据量庞大，通常分阶段下载，比如先下载特定时间段的数据，后续不断更新。

       构建数据查询和可视化函数，用于分析和展示股价变化。比如查询股价日涨幅超过9.5%或跌幅超过-9.5%的个股数据分布，结合选股策略进行数据查询和提取。此外，使用日均线策略，开发数据查询和可视化函数，对选出的股票进行日K线、日均线、成交量、买入和卖出信号的可视化分析。

       数据库操作涉及众多内容，本文着重介绍使用Python与PostgreSQL数据库的交互方式，逐步搭建个人量化分析数据库。虽然文中使用的数据量仅为百万条左右，使用Excel的csv文件读写速度较快且直观，但随着数据量的增长，建立完善的量化分析系统时，数据库学习变得尤为重要。重要的是，文中所展示的选股方式和股票代码仅作为示例应用，不构成任何投资建议。

       对于Python金融量化感兴趣的读者，可以关注Python金融量化领域，通过知识星球获取更多资源，包括量化投资视频资料、公众号文章源码、量化投资分析框架，与博主直接交流，结识圈内朋友。

开源大模型GGUF量化(llama.cpp)与本地部署运行(ollama)教程

       llama.cpp与ollama是开源项目，旨在解决大型模型在本地部署时遇到的问题。通过llama.cpp，用户可以对模型进行量化，以解决模型在特定电脑配置下无法运行的问题。同时，ollama则提供了一个简单的方法，让量化后的模型在本地更方便地运行。

       对于许多用户来说，下载开源大模型后，往往面临不会运行或硬件配置不足无法运行的困扰。本文通过介绍llama.cpp和ollama的使用，提供了一个从量化到本地运行的解决方案。

       下面，我们以Llama2开源大模型为例，详细说明如何在本地使用llama.cpp进行量化GGUF模型，并通过ollama进行运行。

       在开始前，如果对量化和GGUF等专业术语感到困惑，建议使用文心一言或chatGPT等AI工具进行查询以获取更多信息。

       使用ollama进行运行非常简单，只需访问其官网下载安装应用即可。支持众多大模型，操作指令直接使用`ollama run`即可自动下载和运行大模型。

       运行指令示例：对于llama2大模型，原本.5G的7b模型在ollama中压缩至3.8G，量化等级为Q4_0。若需导入并运行已量化的GGUF模型，只需创建一个文件并添加FROM指令，指定模型本地文件路径。

       在使用ollama进行模型操作时，需注意创建模型、运行模型等步骤。若有疑问，可留言交流。

       对于自行下载的模型，要实现量化成GGUF格式，就需要借助于llama.cpp项目。该项目旨在实现LLM推理，支持多种量化级别，如1.5位、2位、3位、4位、5位、6位和8位整数量化，以提高推理速度并减少内存使用。

       要使用llama.cpp，首先需克隆源码并创建build目录，然后通过Cmake进行编译。推荐使用Visual Studio 进行编译。编译成功后，可在bin/release目录找到编译好的程序。

       接下来，通过llama.cpp项目中的convert.py脚本将模型转换为GGUF格式。对于llama2-b模型，转换后的模型大小从.2G缩减至6.G。

       量化模型后，运行时使用llama.cpp编译的main.exe或直接使用ollama进行操作。通过创建文本文件并指定模型，使用ollama run指令即可轻松运行量化后的模型。

       本文通过详细示例展示了如何利用llama.cpp和ollama对大模型进行量化并实现本地运行。若需进一步了解或在操作中遇到问题，欢迎在留言区进行交流。

文华财经T8更新版量化交易策略模型源码

       文华财经T8更新版量化交易策略模型源码：

       此量化交易策略模型源码采用了一系列技术指标和条件，旨在通过自动化方式提升交易决策的效率和准确性。代码中定义了关键变量以支持多头和空头策略的实施。

       在多头策略方面，代码通过设置多个条件来识别买入时机。若“SKLOW”超过“S”（一个计算得到的价格阈值）且“SKVOL”（成交量）大于零，且当前收盘价高于“REF(H+1*MINPRICE,BARSSK)”（过去某时段最高价），则发出买入指令（BP）。

       同样地，空头策略也设置了相应的买入条件。当“BKHIGH”（一个计算得到的高点）超过“B”（基础价格）且“BKVOL”（成交量）大于零，同时满足一定条件，代码会触发卖出指令（SP）。

       此外，源码中还包含了自动过滤规则（AUTOFILTER），以及设置特定价格类型（SETSIGPRICETYPE）和价格取值规则（SETOTHERPRICE），以进一步优化交易决策流程。

硬核福利量化交易神器talib中个技术指标的Python实现（附全部源码）

       本文将带您深入学习纯Python、Pandas、Numpy与Math实现TALIB中的个金融技术指标，不再受限于库调用，从底层理解指标原理，提升量化交易能力。

       所需核心库包括：Pandas、Numpy与Math。重要提示：若遇“ewma无法调用”错误，建议安装Pandas 0.版本，或调整调用方式。

       我们逐一解析常见指标：

       1. 移动平均（Moving Average）

       2. 指数移动平均（Exponential Moving Average）

       3. 动量（Momentum）

       4. 变化率（Rate of Change）

       5. 均幅指标（Average True Range）

       6. 布林线（Bollinger Bands）

       7. 转折、支撑、阻力点（Trend, Support & Resistance）

       8. 随机振荡器（%K线）

       9. 随机振荡器（%D线）

       . 三重指数平滑平均线（Triple Exponential Moving Average）

       . 平均定向运动指数（Average Directional Movement Index）

       . MACD（Moving Average Convergence Divergence）

       . 梅斯线（High-Low Trend Reversal）

       . 涡旋指标（Vortex Indicator）

       . KST振荡器（KST Oscillator）

       . 相对强度指标（Relative Strength Index）

       . 真实强度指标（True Strength Index）

       . 吸筹/派发指标（Accumulation/Distribution）

       . 佳庆指标（ChaiKIN Oscillator）

       . 资金流量与比率指标（Money Flow & Ratio）

       . 能量潮指标（Chande Momentum Oscillator）

       . 强力指数指标（Force Index）

       . 简易波动指标（Ease of Movement）

       . 顺势指标（Directional Movement Index）

       . 估波指标（Estimation Oscillator）

       . 肯特纳通道（Keltner Channel）

       . 终极指标（Ultimate Oscillator）

       . 唐奇安通道指标（Donchian Channel）

       深入学习并应用这些指标，将大大提升您的量化交易与金融分析技能。

量化投资之工具篇：Backtrader从入门到精通（3）Cerebro代码详解

       在深入理解backtrader的工具使用中，Cerebro作为核心控制器，其代码详解至关重要。它负责整个系统的协调和管理，虽然看似复杂，但实质上是将任务分发给其他组件如策略、数据源和分析器。让我们通过源代码解析来逐步揭示其工作原理。

       首先，Cerebro的初始化主要设置公共属性，并接受一系列参数，这些参数在元类中统一处理，通过**kwargs传递。初始化过程中，实际上并未做太多工作，而是为后续操作准备了基础结构。

       数据源的添加是通过cerebro.adddata方法，它可以处理普通数据和resample/replay数据，这个过程涉及对数据源的筛选和处理后加入到Cerebro的datas列表中。

       策略的添加同样简单，只是将策略类及参数存储在strats容器中，策略会在run时实例化。

       Cerebro的run函数是整个流程的驱动器，它根据传入的参数，按照时间驱动数据运行，同时协调策略、分析器和观察者等组件协同工作。run函数的代码复杂，但关键在于它如何管理和调度各个组件。

       最后，Cerebro通过plot方法实现可视化输出，其自身并不直接进行绘图，而是调用plotter模块来完成。

       总的来说，虽然Cerebro的代码看起来复杂，但实际上它的作用是连接各个组件，提供一个框架让策略和数据处理得以高效执行。理解Cerebro的工作原理后，后续理解其他部件如data feeds的运作就更为顺畅了。下文我们将转向数据类的解析，进一步探讨数据的管理与驱动机制。