feiniuquant / Research, code & markets

A spaceto research

探索市场与数据之间的联系,把想法写成代码,把研究过程整理成可以回看的笔记。这里是 feiniuquant 的个人研究与创作空间。

Research从问题出发QUANTITATIVE THINKING
Code把想法落地TOOLS & EXPERIMENTS
Notes让过程可回看LEARNING IN PUBLIC
Markets探索数据与市场FEINIUQUANT
Research从问题出发QUANTITATIVE THINKING
Code把想法落地TOOLS & EXPERIMENTS
Notes让过程可回看LEARNING IN PUBLIC
Markets探索数据与市场FEINIUQUANT
Research interests

Questions worth asking.
Ideas worth testing.

01

Factor Research

从市场现象提出假设,整理因子定义、数据口径与检验方法。具体研究与结果将在资料整理后补充。

02

Strategy Experiments

连接信号、交易规则与回测过程,记录每一次实验的条件与边界。策略资料与实验记录待补充。

03

Data & Engineering

关注数据整理、分析流程与研究工具,让想法可以被验证、复用与持续迭代。项目细节待补充。

AB
04

Risk & Review

在观察结果的同时关注风险、成本与适用条件。把复核过程与结论放在同一个研究语境中。

Process

From an idea.
To a clearer view.

research.py
1# Research sketch
2question = "What drives the signal?"
3hypothesis = {
4    "idea": "to be documented",
5    "data": "your dataset",
6    "scope": "your universe"
7}
流程示意
About feiniuquant

Curiosity,
made systematic.

这里连接量化研究、数据分析与工具开发。研究方向、项目成果和个人介绍将随资料整理逐步补充,让每一个想法都有清晰的上下文。

01
Research
02
Code
03
Writing
Research map探索中
Factor Research
因子定义与有效性检验
待补充
Strategy Design
信号、规则与实验
待补充
Market Data
数据来源与质量
待补充
Portfolio & Risk
组合构建与风险复核
待补充
Research Tools
研究流程与工程工具
待补充
Open Notes
公开笔记与学习记录
待补充
Research index

Research,
by the numbers.

Local time|--:--:--
—
研究条目

待补充

—
项目工具

待补充

—
公开笔记

待补充

—
实验记录

待补充

研究数据将在资料整理后更新。

Research toolkit

Tools for thinking.
Space for building.

研究与工程中可用的工具生态,具体项目中的工具选择将在后续资料中记录。

Python
研究与分析
pandas
数据整理
NumPy
数值计算
Jupyter
交互式研究
Qlib
量化研究框架
DuckDB
数据查询
Parquet
数据存储
Git
版本记录
TypeScript
工具开发
React
界面与交互
SQL
结构化数据
Plotly
结果可视化
Python
研究与分析
pandas
数据整理
NumPy
数值计算
Jupyter
交互式研究
Qlib
量化研究框架
DuckDB
数据查询
Parquet
数据存储
Git
版本记录
TypeScript
工具开发
React
界面与交互
SQL
结构化数据
Plotly
结果可视化
Plotly
结果可视化
SQL
结构化数据
React
界面与交互
TypeScript
工具开发
Git
版本记录
Parquet
数据存储
DuckDB
数据查询
Qlib
量化研究框架
Jupyter
交互式研究
NumPy
数值计算
pandas
数据整理
Python
研究与分析
Plotly
结果可视化
SQL
结构化数据
React
界面与交互
TypeScript
工具开发
Git
版本记录
Parquet
数据存储
DuckDB
数据查询
Qlib
量化研究框架
Jupyter
交互式研究
NumPy
数值计算
pandas
数据整理
Python
研究与分析
Research principles

Good research.
Clear boundaries.

从问题出发,记录假设、数据范围与验证过程。每一项结果都应有出处、有条件,也有可讨论的边界。

EvidenceReproducibilityRiskClarityIteration

Document assumptions

记录数据口径、样本范围与实验假设。

Make work reproducible

保留关键步骤、参数与版本,让研究可以被复核。

Keep risk in view

关注成本、回撤与结论的适用边界。

Keep a research log

整理问题、观察与下一步,而不只记录最后的结果。

Code & experiments

Ideas in code.
Context included.

从数据整理到结果复核,把研究思路写成可读、可复用的代码。这里展示流程示意,具体代码与项目文档将在整理后更新。

Data first

先理解数据,再讨论结论。

Small experiments

从可检验的小问题开始。

Versioned work

为每一次迭代保留上下文。

Readable tools

让代码与研究思路一样清楚。

# Illustrative workflow
from pathlib import Path
source = Path("data/market.csv")
# Add your dataset and schema.
print(source)
Research notes / 待发布
01 / 04

A question. A hypothesis. A test.

从一个可检验的问题开始,记录因子研究的思路与验证过程。

f

feiniuquant

Factor Research · 待发布

Topic

Factor Research

Questions, methods & perspectives

Factor ResearchBacktestingRisk & ReturnData QualityPortfolioMarket StructurePythonOpen Notes
Factor ResearchBacktestingRisk & ReturnData QualityPortfolioMarket StructurePythonOpen Notes
Projects & tools

From idea
to artifact.

从研究实验到工程工具,整理项目的思路、过程与成果。当前目录展示内容规划,具体项目资料待补充。

研究工程开发工具待补充
01

Factor Lab

因子研究资料与验证过程的展示位置。

Planned
  • 研究问题与因子定义
  • 数据范围与处理方法
  • 验证过程与实验结果
  • 限制与后续问题
Workspace
02

Strategy Lab

策略实验与研究复核的展示位置。

Planned
  • 策略思路与交易规则
  • 实验设置与样本区间
  • 成本、风险与结果分析
  • 研究记录与相关笔记
03

Portfolio Lab

组合构建与风险观察的展示位置。

Planned
  • 组合构建思路
  • 风险指标与观察
  • 比较方法与结论
  • 资料来源与更新记录

具体项目资料与链接将在整理后更新。 查看研究流程示意

Stay curious.
Keep building.

好的问题值得讨论。欢迎围绕量化研究、数据分析与工具开发交流,也可以先从这里的项目与笔记开始。

联系渠道待补充 · Research in progress