分类目录归档：ONE
| 版本号 | 功能描述 |
|---|---|
| V7.0 | 趋势反转 + 三模型叠加涨 + 蓝绿距 + 真实价格 + 集合竞价 + 实时趋势预测 |
| V6.0 | 趋势反转 + 三模型叠加涨 + 蓝绿距 + 真实价格 + 集合竞价 |
| V5.0 | 趋势反转 + 三模型叠加涨 + 蓝绿距 + 真实价格 |
| V4.0 | 异常放量 + 三模型叠加涨 |
| V3.0 | 双模型 |
| V2.0 | 日线-涨跌停池 + 资金流入 + 第一个红 |
| V1.0 | 日线-涨跌停池 |
V7.0 趋势反转 + 三模型叠加涨 + 蓝绿距 + 真实价格 + 集合竞价 + 实时趋势预测 V6.0 趋势反转 + 三模型叠加涨 + 蓝绿距 ...
stock_info 股票信息
adata_stock_info Adata
ak_stock_info Akshare
bs_stock_info BaoStock
tushare_stock_info Tushare
bsStockDailyHist BaoStock 日线数据
stockMinuteHist 5分钟数据
stockDailyHist adata & Akshare 日线数据
trendAnomaly 趋势探测器生成的每日的异常趋势的stock 数据
volumeAnomaly 交易量探测器生成的每日的异常交易量...
在当今复杂多变的金融市场中，投资者面临着诸多挑战，如海量的信息、瞬息万变的股价走势以及难以捉摸的市场趋势。为了帮助投资者更好地应对这些挑战，投顾智能体应运而生，它集成了一系列强大的功能，旨在为投资者提供精准、高效且智能化的投资决策支持。
股价预测：投顾智能体运用先进的机器学习算法和深度学习模型，对历史股价数据、公司财务报表、宏观经济指标以及行业动态等多维度数据进行深入分析。通过挖掘这些数据中的潜在规律和相关性，智能体能够预测股价在未来一段时间内的走势。例如，它可以根据某公司过去的盈利增长趋势、市场份额变化以及近期的重大事件，结合宏观经济环境中的利率变动、通...
从mongodb http://192.168.3.3:8081/db/src_db/ak_stock_info 数据为src_db 集合为ak_stock_info 取出所有 code 进行去重，返回列表 ， 并把这些codes 放入redis 的消息队列中，消息队列的地址为 ...
| 月份 | 目标 | 开发计划 |
|---|---|---|
| 一月 | 1. 完成金融市场趋势分析模型的基础框架搭建 2. 与至少 10 个新的高净值客户建立初步联系 |
1. 第一周：收集整理过去 5 年金融市场的关键数据，包括股票、债券、基金等各类资产的价格走势、成交量等信息 2. 第二周：运用数据挖掘算法初步筛选出对市场趋势有显著影响的指标，并开始构建模型框架 3. 第三周：参加高净值客户社交活动，通过演讲、交流等方式介绍金融服务理念，收集潜在客户信息 4. 第四周：对收集到的潜在客户信息进行整理分析，制定个性化的初步沟通方案 |
| 二月 | 1. 优化金融市场趋势... |
easyquant 是一个基于 easytrader（交易）和 easyquotation（行情）构建的量化交易框架，借鉴了 vnpy 的事件引擎设计思想，主打轻量、易扩展，适配国内券商账户和免费行情源，适合快速搭建量化交易策略。
ht.json（华泰）、yjb.json（佣金宝）、yh.json（银河）、xq.json（雪球）填写账户信息（如用户名、加密密码等），适配 easytrader 的配置规范；Lean（Leading Event-driven Algorithmic Notification）是由QuantConnect开发并维护的全球领先的开源量化交易引擎，专为策略研究、回测优化和实时交易部署全流程设计，已成为量化金融领域最具影响力的开源项目之一。
| 项目信息 | 详细内容 |
|---|---|
| 开发维护 | QuantConnect（2012年创立），180+全球开发者贡献，全职工程师团队持续维护 |
| 开源状态 | 100%开源（MIT许可证），可本地完全独立运行，无平台绑定 |
| 核心语言 | 引擎核心C#编写，策略支持Python 3.11/C#双语... |
你想了解 QuantDinger 这款量化交易框架的详细信息，并获取其官方 GitHub 仓库地址，我会为你全面且易懂地梳理相关内容。
QuantDinger（量化叮铃）是一款面向A股市场的轻量级Python量化交易框架，核心设计目标是降低个人投资者和量化新手的入门门槛，让普通开发者能快速上手编写、回测和执行量化交易策略。
区别于JoinQuant、聚宽等重量级平台，QuantDinger 主打轻量化、本地化、易扩展，无需复杂的云端部署，仅需本地Python环境即可完成策略开发全流程，特别适合个人小资金量化、量化学习和策略验证。