Hikyuu 2.5.5版本发布:修复东财接口问题并新增指标公式
项目简介
Hikyuu是一款开源的量化交易框架,为金融数据分析与量化策略开发提供了强大的工具支持。该项目采用C++/Python混合编程架构,既保证了计算性能,又提供了Python的易用性。Hikyuu框架包含了从数据获取、策略回测到实盘交易的全套解决方案,是量化交易研究者和实践者的理想选择。
2.5.5版本更新详解
1. 东财接口变更修复
在本次更新中,开发团队修复了由于东方财富网接口变更导致的板块信息缺失问题。东方财富网作为国内重要的金融数据提供商,其接口的变动经常会影响依赖它的数据采集系统。Hikyuu团队及时响应了这一变化,确保了用户能够继续获取完整的板块分类信息。
板块数据对于量化策略开发至关重要,特别是对于行业轮动、主题投资等策略而言。修复后的版本能够准确获取包括行业板块、概念板块、地域板块等各类分类信息,为策略开发提供了坚实的基础数据支持。
2. 新增BARSSINCEN指标公式
2.5.5版本引入了一个重要的新指标公式——BARSSINCEN。这个函数用于计算满足特定条件的周期数,其功能可以描述为:统计从当前周期向前回溯,首次满足条件到当前的周期数。
BARSSINCEN函数的典型应用场景包括:
- 计算某只股票突破某个关键价位后的持续时间
- 统计某个技术指标发出买入信号后的持有周期
- 测量特定形态形成后的持续时间
该函数的加入丰富了Hikyuu的技术指标库,使得策略开发者能够更方便地实现基于时间维度的条件判断和策略逻辑。
3. 日期范围获取功能优化
本次更新还对get_date_range函数进行了优化,新增了对最大日期的限制,将其设置为系统明日。这一改进有效防止了因日期参数设置不当导致的数据请求异常。
在实际应用中,获取日期范围是常见的操作,特别是在以下场景:
- 回测时设置时间区间
- 下载指定时间段的历史数据
- 分析特定时期的市场表现
优化后的函数能够更智能地处理日期边界条件,提高了代码的健壮性和用户体验。开发者现在可以更放心地使用该函数,而不必担心因意外设置未来日期而导致的错误。
技术价值与影响
Hikyuu 2.5.5版本虽然是一个小版本更新,但包含了重要的功能改进和问题修复。这些变化体现了开发团队对用户体验的持续关注和对金融数据接口变化的快速响应能力。
对于量化交易开发者而言,稳定的数据接口和丰富的分析工具是策略开发的基础。本次更新确保了数据获取的可靠性,同时通过新增指标公式扩展了分析能力,有助于开发者构建更复杂、更精确的交易策略。
升级建议
建议所有Hikyuu用户升级到2.5.5版本,特别是那些:
- 依赖东方财富板块数据的策略开发者
- 需要使用时间维度分析功能的量化研究员
- 重视系统稳定性和边界条件处理的专业用户
升级过程通常简单快捷,用户可以参考项目的文档说明进行操作。新版本保持了良好的向后兼容性,现有策略通常无需修改即可在新版本中运行。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
pc-uishopTNT开源商城系统使用java语言开发,基于SpringBoot架构体系构建的一套b2b2c商城,商城是满足集平台自营和多商户入驻于一体的多商户运营服务系统。包含PC 端、手机端(H5\APP\小程序),系统架构以及实现案例中应满足和未来可能出现的业务系统进行对接。Vue00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01