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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00