分类：量化与数据

因子平台的机器只有 908MB 内存，宽表这条路什么时候撞墙我一直没量过。同一批截面因子计算，numpy 走 date×code 矩阵、polars 走长表表达式、duckdb 走 SQL 窗口函数，各跑一遍：numpy 纯计算最快，端到端反而最慢；中途还踩到一个千分之一脏数据改掉整张宽表时间轴的坑。

qd.qidiquant.com 把缠论买卖点、潮汐跟势、阶梯趋势、主升段捕捉、趋势低吸五套战法放进真实历史行情里回测。这篇讲它的成交口径：信号带可知时刻、下根开盘成交、结构没冻结就不交易，佣金万 2.5、卖出印花税万 5、滑点千 1、整手约束全部计入，出场顺序固定，结果与 Rust 那版实现对拍过 45 组快照。

aifactor.qidiquant.com 上是两千多个公开可见的 A 股因子，每个都带一份基于本地前复权日线的绩效报告。这篇讲清那些数字怎么算出来的：t-1 收盘信号 t 日持有、横截面两头各取 20%、年化按 250 个交易日、不计手续费滑点，以及 AI 生成的因子入库前过的是哪一关。

能独立走完策略全生命周期：目标 → 数据 → 信号 → 回测 → 评价 → 风控 → 敏感性 → 纸面计划；能把第 27（动量）、30（轮动）、35（ATR 止损）、48（风控）篇的模块组装成一个整体

能对照三阶段自检清单，定位自己当前的层级与短板；能获得一份按「为什么读」组织的书单与开源项目清单

能用「单笔风险预算」反推仓位：账户的 1%~2% 是多少股；能实现按 ATR 定仓位的公式，并理解它为什么优于拍脑袋仓位

能逐条核对自己当前的量化流程，找出已经踩过或正在踩的坑；能把每条坑回指到合集里对应的篇章，知道去哪里找系统解法

能说清纸面交易与回测的本质区别：验证目标不同（历史有效性 vs 当前系统可靠性）；能实现一套最小的纸面交易系统：每日信号 → 记录委托 → 按真实行情撮合 → 记账复盘

能说清实盘与回测的五个本质差异：滑点、部分成交、断线、资金约束、行为偏差；能列出国内主流实盘通道及其特点：QMT、PTrade、掘金量化、vn.py、easytrader 类

能完成 Git 最小工作流：init → add → commit，并写出有信息量的提交信息；能看懂 git log / git diff，回答「这个改动是哪次提交引入的」

能用 logging 模块替代 print：分级、格式化、同时输出到屏幕和文件；能对策略运行中的异常分类处理：数据缺失、接口报错、下单失败各有对策

能实现增量更新：只拉本地缺失日期之后的数据，不重复下载；能做到幂等写库：脚本重跑一次、两次、十次，结果一致