技能库 1355 个

基于WebSocket或Kafka实现实时行情订阅、数据解析与存储，支持量化交易策略的实时数据需求

实现常见因子（如波动率、动量、成交量）的批量计算并存入数据库

使用NLP模型对新闻、财报电话会议记录进行情感评分，生成交易信号

使用Backtrader或自定义框架对策略进行历史回测，计算夏普比率、最大回撤等指标

将训练好的预测模型封装为REST API，使用Flask/FastAPI部署在云服务器

从以太坊等区块链节点解析交易日志，提取并清洗链上数据，为量化交易策略提供支持

为量化交易系统设计时序数据库（如InfluxDB）或关系型数据库，以高效存储行情数据和交易记录。

使用C++进行内存池、锁优化、CPU亲和性绑定等性能调优，以降低量化交易系统的延迟

利用多线程、多进程或 GPU 加速技术因子计算，降低延迟，提升策略回测与实盘性能

处理tick/分钟级行情数据，去重、对齐时间戳并生成因子矩阵

实现CTP/FIX协议对接，开发仿真交易环境用于策略验证

使用Python或C++构建多因子回测系统，支持绩效评估与参数优化

实现最大回撤、夏普比率、VaR等风险指标的实时计算，适用于量化交易与金融科技场景

编写脚本监控交易系统日志，检测异常模式并通过邮件或钉钉发送告警通知。

将股票代码映射至申万、中信等行业分类，并处理行业变更，支持多源数据对齐与更新。

使用Python构建多因子回测系统，处理数据对齐、信号生成、交易执行等

编写高效SQL查询，优化因子数据提取速度，处理大表连接

计算股票在给定因子上的暴露度，如市值、估值、动量等，用于多因子模型构建与风险归因。

计算收益率序列的基本统计量、自相关性、异方差性等，用于量化交易中的风险与收益评估

能够编写代码计算因子的IC、IR值，并进行统计分析，评估因子预测能力与稳定性。

对多源财务数据进行清洗、去重、对齐日期，确保数据质量，为量化策略提供可靠输入

实现事件研究法，计算事件窗口内的超额收益和显著性检验，适用于金融数据分析与量化研究。

针对量化交易场景，对历史交易数据进行去噪、缺失值处理，并提取技术指标（如RSI、MACD）等特征，用于模型训练与回测。

根据用户输入的关键词（如功能、优先级），自动生成符合模板的产品需求文档（PRD），适用于量化交易与金融科技场景。