python web框架  Flask FastAPI
需求场景/推荐框架/理由
传统Web应用        Flask     模板集成更好，文档更全
现代化API+简单页面  FastAPI   性能更好，类型提示
需要大量HTML页面    Flask    开发更快速
API为主，少量页面   FastAPI   保持一致性

赚钱，是认知变现；赚不到钱，是认知有缺陷

python数据对象定义
简单场景：使用 dataclass
需要验证和复杂逻辑：使用 Pydantic
性能要求高：使用 attrs
完全控制：使用普通类自定义方法
推荐优先使用 dataclass，它语法简洁，
Python 3.7+ 内置支持，适合大多数场景。

pyfolio  Python Portfolio Analytics
投资组合绩效和风险分析库，
QuantStats 一个功能极其全面的投资组合分析库，
被广泛认为是 pyfolio 的最佳继任者。
一站式解决方案，简单强大，报告精美，
quantstats.reports.html(returns, benchmark)
一行代码即可生成包含数十个图表和指标的超详细交互式 HTML 报告。

qlib首次运行：会自动下载约3-5GB的中国市场数据
数据位置：默认下载到 ~/.qlib/qlib_data/cn_data/
主要功能：
D.features() - 获取原始数据
内置特征工程（Alpha158等）
多种机器学习模型
完整的回测框架
风险分析工具

Qlib 微软开源的AI量化投资工具
Qlib的核心优势在于将AI/ML工作流深度融入量化投资研究，
同时通过工程优化解决了金融数据处理的性能瓶颈。
高性能表达式引擎（Qlib表达式）：
支持高效的因子计算，
内置数百个常用因子库，可自定义因子；
提供标准化的训练、验证、测试流程，
支持主流的机器学习模型（如LightGBM、深度学习模型）；
内置多种AI模型：
包括经典的监督学习模型（GBDT、神经网络等）和 基于强化学习的策略模型。
典型应用场景
因子挖掘与Alpha策略研究
机器学习/深度学习模型在量化投资中的应用
投资组合优化与风险管理
高频交易策略的快速原型验证
学术研究与行业实践的桥梁
Alpha158 是 Qlib 内置的一个经典特征工程模板，
包含了158个量化因子，广泛应用于A股市场的研究。

量化回测框架
新手入门backtrader ，概念清晰
vectorBT  速度快  研究 调参 快速验证想法
A股量化 用rqalpha + vectorBT

量化因子挖掘是“发现规律”，
量化策略开发与回测是“利用规律创造价值”。
两者相辅相成，构成量化投资研究的基本闭环。
优秀的量化研究员必须精通这两个环节，
并能敏锐地洞察从“因子”到“策略”转化过程中可能丢失的阿尔法，
通过不断迭代，将统计规律转化为稳健的投资策略

如果没有任何经济压力，你会如何度过余生？

2005年6月6日股指最低下跌到998.22点。
一部庄家史，几多散户泪