Python

Python是一种广泛使用的解释型、高级和通用的编程语言，[1]由荷兰数学和计算机科学研究学会的Guido van Rossum创造，第一版发布于1991年，它是ABC语言的后继者，也可以视之为一种使用传统中缀表达式的LISP方言。[2]Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言，随着版本的不断更新和语言新功能的添加，逐渐被用于独立的、大型项目的开发。Python支持多种编程范型，包括函数式、指令式、结构化、面向对象和反射式编程。Python解释器易于扩展，可以使用C或C++（或者其他可以通过C调用的语言）扩展新的功能和数据类型。Python也可用于可定制化软件中的扩展程序语言。Python

项目已经开源在GitHub中https://github.com/BoliboliWJY/trendline-trading，可具体查看内容可以计算，过滤试试行情数据

1、本系统面向如下需求：1）股票实时与历史数据获取 2）股票数据分析和选股 3）股票交易信号生成 4）股票实时监测与交易触发 2、系统特点：数据获取多数据源（Akshare Tushare Baostock 通达信），也可根据客户资源实现指定数据源获取；实时数据获取速度快；可根据客户需求灵活定制分析选股策略；其他灵活需求配合； 3、系统采用Python编写 4、如果需求方在广州或者附近，可根据需要线下讨论需求。

全市场投管人收益表数据获取方案简介 1. 方案目标与解决问题 本方案主要面向**保险股份有限公司，旨在解决其在获取外部网站数据时遇到的效率低下和数据处理困难等问题 。具体来说，该方案自动化了从多个外部网站获取“年金基金投资管理”相关数据并将其写入指定Excel表格“全市场投管人收益表”的过程 。这大大减少了人工操作的耗时，将原本可能需要人工耗时数月的工作，通过技术方案将时间控制在可管理的范围内。 2. 方案特点与优势 相比于市场上的常规方案，本方案的独特之处在于其采用RPA+Python的混合技术方案，并兼顾了效率、成本和技术可行性。 RPA+Python混合方案：传统的RPA方案（方案1）在识别合并单元格时会出现数据错乱的问题，而纯Python方案（方案3）则需要熟悉复杂的数据分析和网页获取技术，且未用到RPA和IDP 。本方案将RPA（机器人流程自动化）和Python语言相结合，利用RPA处理网页访问、标题链接打开等操作，然后由Python读取RPA处理后的数据进行复杂的表格数据获取和联表查询，最后再将Python代码作为插件导入RPA中进行整体流程的调试和测试 。 高效性与高投入产出比：该混合方案避免了纯RPA方案中因处理页面元素耗时过长导致效率低下的问题，也规避了纯Python方案的技术难度 。例如，在获取80个网站数据的情况下，纯RPA方案预计需要240天左右，而本方案在确保数据准确性的同时，预计总用时仅为110天，大幅提高了效率 。 自动化录屏：流程运行后，方案能够自动生成录屏文件，便于客户直观地了解和验证流程运行情况，并能将生成的数据文件直接发送给客户 。 3. 方案技术组成 该方案主要由以下技术组件构成： RPA：用于自动化网页操作，例如访问指定网站、打开符合规则的标题链接等. Python：用于处理复杂的数据操作，包括读取RPA处理的数据、访问链接、获取表格数据、联表查询，以及将处理后的数据写入Excel文件. 配置文件：用于存放需要打开的网站标题、链接和规则等信息，以便于管理和维护.

区块链期权套利系统 - 搭建高并发底层数据架构，接入交易所API采集数据并整理入库。 - 搭建 风险管理系统，构建 不同情况下的 Greeks 推演、Cash PnL 归因分析、VRP时序计算等。 - 设计 BS modol、PM 矩阵、Monte Carlo 三者相结合生成风险路径，并计算其依赖程度。 - 搭建 Outgoing robot 做风险预警，Grafana 做风险推演后的可视化报表。 - 构建 stochastic volatility 套利策略，以 SABR 模型为基础，搭配 LM 算法约束后拟合短期限的 3D 隐波曲面，识别其中潜 在的凸性套利机会进行交易。 - 构建 vrp 波动率套利策略，使用 静态对冲 做 厚尾增强 处理，并辅以 auto ddh 控制敞口。

以银行需求为主导、金融科技为基石的系统搭建。通过充分利用内部数据资源和经验，结合先进的风险预警、控制和管理技术，成功构建了适用于银行内部需求的全渠道自主账户风险管理系统。 核心能力和业务实践： 1. 系统架构与设计：领导团队设计系统架构，根据业务需求设计了高效的大数据框架和ETL模式，并编写了详尽的设计文档。 2. 风险数据管理：建立了账户风险数据底座，整合并优化了行内账户数据资源和风险事件库，以支撑全周期的风险监控和管理。 3. 灵活预警规则与模型构建：搭建了配置灵活的风险预警规则引擎，针对不同业务场景灵活配置规则，并基于机器学习和大数据分析构建了账户风险模型，不断提高预警准确性。 4. 系统展示与数据分析：设计了全行、全渠道和全业务场景的账户风险大盘展示系统，支持多维度的数据分析，为高效风险监控和策略调整提供数据支持。 业绩: 带领团队设计架构，分析业务需求，设计大数据框架，设计ETL模式，编写相关设计文档，数据查询优化，及时预警等系统架构，最终成功交付。

1.本方案是针对银行的大量业务数据留档使用，是针对数据库（DB2）中的DPF分区数据库以及分区表，为基础架构，根据业务的情况对物理层和逻辑层的架构设计。主要是为了快速的数据响应。 2.DB2数据库主要的就是数据的安全性以及稳定性。相比其他类型的数据库而言，可能没有快速的响应，但是在架构的优化调整之后，与其他的数据库软件的性能可以比肩，同时还具有更高的安全性和稳定性，为此在金融行业来讲，只要针对当前的业务情况进行针对性的优化之后。作为核心数据库的保留存储库要优于其他数据库软件。

1.面向投资者的一款小程序，推荐热门板块和盈利希望的股票 2.大量数据训练模型，包含股票市场历史数据和新闻情绪数据。准确预测周频月频股票，实现盈利。根据当前实时股票数据和市场，智能分析选择的股票的情况，帮助客户选择。

1、需求：采集给定网站的实时外币汇率，并制作成Excel表，当有交易客户需要优惠时，使用者通过查询实时外币汇率，然后根据优惠公式计算结果，最后拍照Excel表格得出的优惠价格给客户。 2、开发任务：使用python爬虫采集数据，最终达到的效果是给到使用者一个exe可执行文件，使用者每执行一次程序就采集一次当前的实时外币汇率，然后生成Excel表格。 3、难点：没什么难点，主要是要思考如何触发查询，既能减轻网站服务器压力，又能满足客户需求，而且需要让客户友好地使用，所以解决方法就是客户点击一次程序就触发一次采集而不是轮询地去采集，并且采集时尽可能友好地提示客户要操作的内容，比如何时输入存储Excel文件的地址，采集结束时给一个友好的提示。

项目描述： 该系统主要是进行股票的量化交易，使用springboot+jquery+layui架构，主要分为股票开仓，策略配置，自动下单等相关业务模块儿。 个人职责： 该项目前后端均由本人一人完成并自测交付。

1. 朋友的公司做股票期权的高频自动化交易，委托我开发一套对接柜台接口的、能够高速处理订单的系统。主要对接了恒生股票期权的极速API，以及对接了上海期货的新一代交易所系统。能够支撑上层交易策略，都够高速、低延迟、批量的处理交易指令，和交易结果反馈。 2. 我负责此高速订单处理系统的开发，使用 C++/Redis/CMake技术栈，支持Windows和Linux环境下编译和运行。同时要封装为Python API，方便交易策略算法调用。 3. 开发中遇到的难题是没找到合适的C++版本的JSON解析库，只好自己实现了一套JSON解析库。另外需要编译和使用Redis的C语言链接库。

整个系统100%由我负责完成，包含以下功能： 1. 定时多进程连接实盘交易系统账号； 2. 按照交易模型，进行实盘数据监控，并实时根据模型进行开仓、加仓、平仓等交易，并以邮件实时推送交易情况 3. 记录所有交易数据，并实现数据图形化分析

专注于美股交易的量化交易系统。项目后端采用Flask框架，前端则使用Vue开发，包含App端以提供更全面的用户体验。数据库使用Mysql。 系统包含账户管理、持仓管理、交易管理、日结管理、系统管理、权限管理等功能。

用于管理证券交易订单的系统，独立进行后端开发。包含账户管理，订单管理，证券管理，日结管理等模块。 账户管理：管理所有交易的账户 订单管理，每天自动从券商拉取订单列表 证券管理：每天自动从券商拉取股票信息 日结管理：每天收盘后进行日结管理

使用Hadoop和Spark框架处理海量金融数据，实现快速数据处理和实时分析。使用D3.js和Tableau创建动态可视化图表，展示分析结果，帮助用户更直观地理解市场变化。

一、对接监管端与银行端 本项目旨在实现监管端与银行端的高效对接。通过搭建稳定、安全的通信渠道，确保双方之间的数据传输畅通无阻。 二、银行端系统部署与数据推送 在银行端部署专用系统，用于收集、整理各类金融数据。 通过连接金融专网，确保数据传输的安全性和稳定性。 实时推送银行数据至监管端，以便进行后续的分析和监管。 三、监管端数据处理与分析 在监管端部署接收系统，确保银行推送数据的准确接收。 对接收到的数据进行存储，并建立完善的数据管理体系。 对数据进行格式校验，确保数据的一致性和准确性。 对辖区内所有银行推送的数据进行跨行分析。例如，对贷款资金流向进行追述，分析资金最终用途及是否涉及房地产、股市等领域。 对每个关联节点进行存储，以便监管业务人员随时查看和分析。 四、数据可视化与政策传达 对银行推送的数据进行指标可视化处理，如存款余额、贷款余额等，为监管业务人员提供直观的数据展示。 监管业务人员可通过系统上传政策性文件或通知，确保政策信息的及时传达。 银行可直接在本地web端接收这些信息，提高政策执行的效率和准确性。

由于工作大概10年了，参与项目比较多，这里就简单随便写写和金融类相关的部分: 1. 账务系统的设计与开发; 2. 资金渠道的对接; 3. 清结算(汇率转换)功能的开发; 4. 订单系统的设计与开发;

1. 查看股票K线 功能描述：允许用户查看特定股票的历史价格走势，包括开盘价、收盘价、最高价和最低价。 关键特性： 时间范围选择：用户可以选择不同的时间范围查看K线图，如日K、周K、月K等。 图表类型：支持多种图表类型，如蜡烛图、线图等。 技术指标叠加：用户可以选择不同的技术指标叠加在K线图上，如MACD、RSI等。 2. 主力线 功能描述：展示股票的主力资金动向，帮助用户判断市场趋势。 关键特性： 资金流向：显示资金流入和流出的情况。 主力持仓：展示主力的持仓变化。 3. 大盘 功能描述：提供大盘指数的实时数据和走势图。 关键特性： 指数实时更新：实时显示大盘指数的变化。 板块分析：可以查看不同板块的表现。 4. 管理自选股 功能描述：允许用户添加、删除和查看自己的自选股列表。 关键特性： 自选股列表：用户可以创建和管理自己的自选股列表。 编辑功能：可以对自选股进行编辑，如重命名、分组等。 5. 对比分析自选股 功能描述：用户可以对比自选股列表中的股票表现。 关键特性： 多股对比：可以选择多只股票进行对比分析。 对比指标：可以对比不同的指标，如价格、成交量、涨跌幅等。 6. 分析公式指标 功能描述：提供多种股票分析公式和指标，供用户选择使用。 关键特性： 指标库：包含常用的技术分析指标。 自定义指标：允许用户创建和保存自己的分析指标。

【1】数据清洗和预处理：使用Pandas库读取数据，进行数据清洗和预处理，包括处理缺失值、异常值、重复值等，以及数据类型转换、数据归一化、特征工程等操作。数据探索和可视化：使用Matplotlib、Seaborn等库对数据进行探索和可视化，包括绘制直方图、散点图、箱线图、热力图等，以及进行数据的初步分析和规律挖掘。 【2】我在此项目负责的是爬虫和数据库连接框架

1、全市场可转债日K数据获取入库 2、每日根据一定条件判断低风险可转债清单 3、对清单中的可转债实时监控，满足一定条件则根据仓位要求和一定规则分批建仓买入，并持续监测持仓损益 4、根据止盈、止损线或交易时间限制，模拟清仓，并展示当日损益情况 5、以上通知信息可通过钉钉群消息、邮件等形式发送

用户高频交易系统 1.依托C++为底层，实现期货高频交易，定制化算法交易业绩策略实现 2.依托后台MYSQL数据库，实现高精度回测功能 3.提供客户端交互，实现盈亏展示和监控