登录
注册
首页
AI 大模型体验中心
动手实验室
Agent 评测集
AI 案例广场
火山杯大赛
学习中心
社区
去发布
首页
AI 大模型体验中心
动手实验室
Agent 评测集
AI 案例广场
学习中心
社区
Walter 白生
文章
专栏
问答
Walter 白生
A股行情数据源选型:面板、脚本、AI各接一套,数据口径不一致的代价有多大?
技术服务知识库
Skill
AI解决方案
MCP
摘要很多技术团队搭建行情产品时,把“查价格”“拉K线”“做实时看板”“让AI回答行情问题”拆给了不同数据来源。开始看似省事,后来却要反复处理代码格式、字段名称、时间口径和数据留痕。更稳妥的起点,是先选一层能被自己验证的数据入口。本文用一次当天重新运行的TickDB实测,检查REST ticker、REST K线和WebSocket订阅三条基础链路,说明一套A股行情数据层能解决什么,又不能替你解决什
7
0
0
0
Walter 白生
AI Agent 调用 A 股行情数据:MCP 配置完成之后,还得过三道校验
AI
MCP
AI生态
AI解决方案
大语言模型不是实时行情数据库。当 AI Agent 在 Cursor 或 Claude Code 中通过 MCP 接入 A 股行情数据源时,“配置完成”不等于“数据可用”:配置正确是第一道闸门,工具可见是第二道,返回结果可核对才是第三道。本文以一次可复核的 ticker 快照查询为例,给出密钥隔离、工具白名单、结构化返回检查三项工程建议,完成从开发工具层到 MCP 工具层再到结果校验层的完整验证
14
0
0
0
Walter 白生
MCP行情工具的描述字段,是AI应用的第一道治理防线
AI
MCP
AI生态
AI Agent调用外部行情工具时,ticker、kline、order book、recent trades四个端点表面上都返回"市场数据",但时间维度、数据结构、适用场景截然不同。工具描述写不清楚,模型就可能拿着实时快照去算历史波动率,用不含买卖盘的ticker数据判断流动性深度。本文不写教程,而是将MCP工具描述定位为治理层的前置拦截器——它应该在模型做出工具选择之前,就切断歧义链路。在此基
6
0
0
0
Walter 白生
你跑的回测可信吗?——Tick级行情双源交叉验证的工程实践
AI
AI解决方案
MCP
AI生态
同一只股票,同一时刻,两个主流数据源的价格差了0.01元,时间戳差了3毫秒,成交量差了200股。不是谁错了——是“精确到Tick”这件事本身,就没有统一标准。你用Tick级数据跑回测,夏普比率漂亮得让自己都有点不好意思。但切换到实盘,曲线开始变得陌生。你查过程序,没问题;查过网络,没问题;最后怀疑数据——但你无从查起,因为你手里只有这一份数据。多数量化开发者默认“我付了钱,数据就是对的”。但现实是
19
0
0
0
Walter 白生
跨市场套利的时间戳陷阱:字段是毫秒,不代表行情真的同步
AI
AI生态
MCP
本文仅讨论行情数据接入、时间戳对齐和回测数据质量,不构成任何投资建议。文中所有收益数字、价格变动和策略指标均为假设案例,用于说明计算方法。你的跨市场套利策略回测跑出一条漂亮的曲线。逻辑不复杂:当加密资产在A交易所的价格比B交易所低一定幅度,同时某概念板块的指数同步上涨时,双向开仓。回测显示平均套利窗口约500毫秒。实盘跑了两周,胜率从78%掉到41%。排查的结果出人意料:加密交易所实时推送每笔成交
56
0
0
0
Walter 白生
中金所股指期货主力合约自动识别:一个接口搞定 IF/IC/IH 连续合约合成
AI
AI生态
MCP
Skill
交割周周三上午 10:14,IF2406 一分钟只成交了 3 手,价格跳动 4 个点。你的策略信号在这个时间点触发了"突破买入"——但那 4 个点的跳动不是趋势,是非主力合约的流动性枯竭。更致命的是,你回测里混入了 3 天这种非主力数据,年化收益高估了 4 个百分点,自己完全不知道。手工维护一张"IF/IC/IH 换月日历表"的量化开发者,迟早会踩进同一个坑:主力合约切换的时机错了,整个回测曲线就
34
0
0
0
Walter 白生
AI荐股的三层信息衰减:每一层都在吃掉你的超额收益
AI
AI解决方案
AI生态
PE偏差可达50%,主流AI推荐的A股中约60%品种存在严重数据误差——这是第一层。纯文本财报的数据提取错误率高达18.24%,换成结构化格式能压到9.19%——这是第二层。即便数据全对,低PE策略的夏普比率也只有0.17,最大回撤38%——这是第三层。绝大多数个人投资者使用AI选股时,这三层信息衰减同时运行,却没有在任何一层设防。AI荐股不是靠不靠谱,是你用它的方式决定了它在哪一层正在失效。|
154
0
0
0
Walter 白生
从期货 Tick 到统一行情 API:一个 volume_24h 字段拆解跨市场数据适配的工程复杂度
技术
技术解析
金融
Agent
▍本文适合谁读?你能收获什么?量化开发者:一份可直接运行的字段映射实现,包含成交量标准化(从“手”到“名义价值”)的完整逻辑,以及适配火山引擎函数服务的异步行情接入代码。数据工程师:国内期货行情协议与美股协议的三大冲突点(字段名、计量单位、时间戳格式),以及最小侵入式兼容方案。技术决策者:一套在火山引擎云上可落地的跨市场数据管道架构——WebSocket 长连接部署在 ECS,REST 查询部署在
396
0
0
0
Walter 白生
为火山引擎 Agent 注入实时金融感官:基于 TickDB 的毫秒级行情接入实战
AI
AI解决方案
AI生态
金融
▍本文适合谁读?你能收获什么?量化开发者 / 数据工程师:你将获得一套可直接落地的生产级行情接入方案,包含 WebSocket 长连接管理、心跳重连、逐笔成交处理等全部工程细节。Agent 开发者 / 技术决策者:你将理解如何将专业的金融数据封装成 Agent 可调用的 Function,让你的智能分析、智能决策类 Agent 拥有“实时盯盘”与“逐笔异动监控”的能力。架构师:你将看到一套在火山引
132
0
0
0
Walter 白生
阿里、腾讯、Kimi、万得都在做AI炒股:5款产品深度拆解,谁的实时行情数据拖了后腿?
AI
AI生态
2026年4月,AI炒股突然成了大厂的必争之地。4月7日,阿里通义千问官宣上线“财经分析”模块,接入同花顺1.3万只股票实时行情与100万份财报。几乎同一时间,Kimi接入了同花顺iFinD和Yahoo Finance。3月底,腾讯“AI问股”小程序被曝内测,万得则“破天荒”地推出了Wind AI个人版,代号Alice,首次将机构级AI能力直接交到个人手中。2.5亿A股投资者,一夜之间多了好几位“
1685
0
0
0
Walter 白生
历史数据批量拉取:如何高效获取10年分钟级美股数据
技术服务知识库
技术解析
批量拉取历史数据是量化回测的第一道工序。这道工序的完成质量,直接决定了后续所有策略验证的可信度——一个因限频、超时或数据缺失而产生偏差的历史数据集,会让回测结果与实盘表现产生系统性背离。本文拆解历史数据批量拉取的完整工程方案:从单次请求的限频自适应处理,到分片并发拉取与断点续传,再到本地存储与完整性校验。你可以直接将本文代码用于美股、港股、A股及数字货币的分钟级历史数据获取。在动手写代码之前,先用
230
0
0
0
Walter 白生
财报季美股行情跳空策略:从散户误区到量化回测(附WebSocket实盘代码)
大数据
金融
“财报一发布,股价盘后跳空15%,我的止损单根本没触发,亏了预期的四倍。”“明明每股收益(EPS)超预期20%,为什么一开盘反而暴跌?”在美股财报季,很多习惯了A股连续竞价和涨跌停板的投资者,往往会付出惨痛的学费。你以为设定的止损单是保护你的“安全网”,但在盘后流动性枯竭的跳空(Gap)面前,如果你从10楼掉下来,这张网不是设在9楼,而是直接被砸穿到了1楼。本文将跳出传统的“看财报猜涨跌”逻辑,从
235
0
0
0
Walter 白生
美股实时行情到手,技术指标怎么算才准?数据源对比、滑动窗口、乱序处理与Flink实战
AI
AI解决方案
做美股量化交易的朋友,大概率遇到过这些场景:用 Polygon.io 的实时行情,算出来的 RSI 总是比 TradingView 慢一拍;用 yfinance 拉历史数据回测,收益曲线很美,一上实盘就拉胯;股票突然拆股(比如 1:2),你的 MA5 瞬间“腰斩”,触发了错误卖出信号;明明盯着盘口,等指标发出买入指令,价格已经冲高回落。这些问题的根源,往往不是策略本身,而是实时指标计算的技术细节—
591
0
0
0
Walter 白生
2026年AI金融工具排行榜:深度测评7款工具后,发现真正的差距不在应用层
AI
AI解决方案
当AI开始替你盯盘、读研报、甚至生成交易策略,投资这件事正在被彻底重写。但实测完市面上7款主流工具后,发现一个扎心真相:大家都在比谁家AI更聪明,却没人告诉你——没有好数据,再聪明的AI也是摆设。2026年2月,第三方数据机构易观千帆发布了一份报告:2025年12月至2026年1月,证券服务类APP的月活跃用户数从1.75亿跃升至1.84亿,环比增长5.1%[1]。更关键的是,报告指出:这一轮增长
1744
0
0
0
Walter 白生
实时行情系统设计:从协议选择到高可用架构,再到数据源选型
AI生态
AI生态
Agent
在构建实时行情系统时,我们面对的不是单一的技术问题,而是一系列环环相扣的工程挑战。数据延迟超过几十毫秒,交易策略可能错失最佳点位;WebSocket 连接频繁断开,数据流出现断层,导致指标计算失真;系统扩展性不足,当市场剧烈波动时,数据洪流直接压垮采集集群。更棘手的是,多市场数据格式各异、时间戳不统一,清洗与对齐的复杂度往往被低估。这些问题的根源,往往在于设计之初缺乏系统性的选型与架构思考。协议选
129
0
0
0
Walter 白生
个人量化开发者数据源选型三维度:成本、质量、市场覆盖
AI
AI生态
在Reddit上,一位个人量化开发者无奈吐槽:“Polygon的数据质量无可挑剔,但每月200美元的费用,让我还没开始赚钱就先负债。”另一位则抱怨:“yfinance免费是免费,但回测时数据缺失,害我错过一波行情。”数据源选型,从来不是非黑即白的选择,而是一场在成本、质量、市场覆盖之间的精妙平衡。个人量化开发者最常遇到的困惑是:明明选了一家“大牌”数据源,用起来却发现各种坑。要么文档难懂,要么延迟
168
0
0
0
Walter 白生
让 AI 帮你盯盘:TickDB Market Data Skill 使用指南
AI
AI解决方案
一句话给 AI,实时行情秒级到手。不写代码、不翻网页,对话即查询。TickDB Market Data Skill 是一个专为 AI 编程助手设计的行情数据技能包。安装后,你只需要用自然语言告诉 AI 你想查什么,它就能直接调用 TickDB 的专业行情 API,把结果整理好呈现给你。不需要你写一行代码,不需要你打开任何行情软件。一个对话框,覆盖全球七大市场:| 市场 | 品种示例 | |----
1346
0
0
0