NautilusTrader 1.216.0版本发布:支持Python 3.13与ARM64架构
NautilusTrader是一个高性能、低延迟的交易平台,专为算法交易设计。它采用Rust和Python混合编程架构,在保证性能的同时提供了Python的易用性。该项目由Nautilus Systems团队开发维护,主要面向机构交易员和量化研究人员。
核心功能增强
本次1.216.0版本带来了多项重要功能改进。在时钟控制方面,新增了allow_past参数用于Clock.set_timer()和Clock.set_time_alert()方法,开发者现在可以更灵活地控制定时器和警报在时间设置上的行为。当设置为True时(默认值),允许设置过去的时间点,这在某些回测场景中特别有用。
风险引擎方面,新增了对GTD(Good-Till-Date)订单过期时间的检查,如果订单的过期时间已经过去,系统将直接拒绝该订单,这有助于避免无效订单进入系统。
在交易引擎层面,新增了对交易平台和撮合引擎的instrument更新支持,同时增强了价格和数量精度的验证机制,确保交易数据的准确性。日志系统也获得了重要升级,新增了日志文件轮转功能,开发者现在可以通过max_file_size和max_backup_count配置项控制日志文件的大小和保留数量。
架构支持扩展
1.216.0版本的一个重要里程碑是新增了对ARM64架构的支持,特别是在Linux平台上。这使得NautilusTrader可以在更多类型的硬件上运行,包括基于ARM架构的服务器和开发板。同时,该版本也增加了对Python 3.13的初步支持(目前还不支持free-threading特性),为开发者提供了更前沿的Python环境选择。
数据处理改进
针对Bybit数据客户端,新增了bars_timestamp_on_close配置选项,默认值为True以符合Nautilus的惯例。对于Betfair平台,新增了BetfairSequenceCompleted自定义数据类型,用于标记消息序列的完成状态。
在Rust层面,新增了多个Arrow schema支持,包括MarkPriceUpdate、IndexPriceUpdate和InstrumentClose,这些改进提升了数据处理的效率和一致性。
交易功能增强
订单簿处理方面,新增了BookLevel.side属性,方便开发者获取订单簿层级的方向信息。仓位管理方面,新增了Position.closing_order_side()方法,简化了平仓操作的处理逻辑。
对于实时交易引擎,改进了在途订单检查机制,当查询重试次数超过限制时,系统会将提交的订单标记为拒绝状态,将待处理订单标记为取消状态,提高了系统的健壮性。
性能优化与问题修复
在性能优化方面,将GreeksCalculator移植到了Rust实现,这将显著提升期权希腊字母的计算效率。同时升级了多个Rust依赖库,包括redis crate到v0.29.5和tokio到v1.44.2。
修复了多个重要问题,包括组件时钟设置、尾随止损计算溢出错误、Binance的SymbolFilterType枚举成员缺失问题,以及Bybit bar数据的ts_event时间戳问题。特别是修复了Binance Futures在对冲模式下执行算法订单时的仓位ID处理问题,这对使用对冲策略的交易者尤为重要。
开发者体验改进
回测节点(BacktestNode)的日志显示得到了改进,当发生崩溃时会显示完整的堆栈跟踪信息,配置日志也变得更加美观易读。这些改进使得开发者能够更高效地诊断和解决问题。
文档方面,移除了投资组合文档中过时的bar限制说明,保持了文档的准确性和时效性。
总的来说,NautilusTrader 1.216.0版本在功能扩展、架构支持、性能优化和问题修复等方面都取得了显著进展,为量化交易开发者提供了更强大、更稳定的工具平台。特别是对ARM64架构和Python 3.13的支持,为未来的技术演进奠定了良好基础。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。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
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
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00