国信可以使用miniqmt吗？
之前群里有国信的小伙伴说，国信的mini qmt无法使用的。
所以笔者特意去问了下国信的好友兼营业部经理，但他回复说，个人只要申请，就可以开通mini qmt。如果不申请，是无法使用的，无法连接上去。
但因为开通这个是不用门槛的，可能会有部分不懂的或者不愿意的经理会和客户说不支持，或者需要机构这样话语。
具体情况，具体分析。
1. 国信证券iQuant策略交易平台精简版是指国信证券iQuant策略交易平台更专业快速且简洁的版本，满足股票、期货、期权、基金等全品种交易需求。
2. 风险等级：R4
投资期限：0-1年
投资品种：权益类投资品种如股票、混合型基金、偏股型基金、股票型基金等。
3. 平台使用不收取费用。
具体的申请表如下：
不过申请了这个权限后，只能进行拉取数据，并没有交易权限。。交易权限需要机构才能开通。郁闷，看来国信的miniqmt是无法进行交易的了，只能白嫖点数据。
如果需要文字word版本，
可以到公众号后台回复: 国信mini申请
获取word版本。
或者加微信开通指定的营业部的国信qmt(iquant), 也可以帮你开通mini qmt。
收起阅读 »
github首页Maximum retries exceeded Please add an env variable called PAT_1 with your token
最近登录github后，发现之前显示的状态都不正常了。
正常的时候是这样的：
但现在提示是这样的：
有两个办法可以解决。
1. Set it up yourself using Vercel (requires some step)
2. Use URL provided by others (The easiest step)
翻译成中文：
1. 自己到vercel上部署一个这样的app （复杂）
2. 换一个其他人部署好的链接 （容易)
一般人就别折腾第一种方法了，直接使用第二种方法就好了。
笔者找了一些其他人部署好的链接：
拿去用就可以了：
收起阅读 »
正常的时候是这样的：
但现在提示是这样的：
Something went wrong! file an issue at https://tiny.one/readme-statsMaximum retries exceeded Please add an env variable called PAT_1 with your github token in vercel
有两个办法可以解决。
1. Set it up yourself using Vercel (requires some step)
2. Use URL provided by others (The easiest step)
翻译成中文：
1. 自己到vercel上部署一个这样的app （复杂）
2. 换一个其他人部署好的链接 （容易)
一般人就别折腾第一种方法了，直接使用第二种方法就好了。
笔者找了一些其他人部署好的链接：
拿去用就可以了：
https://github-readme-stats-git-masterrstaa-rickstaa.vercel.app
By Unknown
https://github-readme-stats-ruby-one.vercel.app
By Claudio Tancredi
https://github-readme-stats-ten-gilt.vercel.app
By Unknown
https://github-readme-stats-61 ... l.app
By Fanwang Meng
https://github-readme-stats.zohan.tech
By Zohan Subhash
https://readme-stats.clckblog.space
By Kevin Zhong
收起阅读 »
目前有万一免五的qmt ptrade量化交易接口的券商吗？
==== 2023-02-03 更新 ======
目前量化qmt 有可以免五的券商了，国信，国元
国元证券万一免五，最低0元起步，免五门槛入金1w，不过开通qmt的门槛是100w
国信证券万一免五，门槛是100门槛，不过如果只是开通qmt（iquant），它的门槛是比较低的，入金2w就可以了
综合来看，如要要用qmt+万一免五，入金要100w的。
目前（截至2023-01-08日） 市场上已经没有可以免五的支持qmt，ptrade的量化交易券商。
当然动辄入金500w-5000W的券商就忽略了，大部分散户是达不到这个资金要求的。
在正常条件下，入金1W 到 50W的范围内，目前多家券商已经停止股票免五了，费率最低是万一， 不过可以在开户后2-6月申请免五。【国金】
或者先把户开了，把量化接口的权限也开了，等到券商可以重新申请免五的时候申请即可。 目前多家券商的营业部老板也承诺了，只要后续免五开放，就可以帮有量化交易权限的用户申请免五。
（最晚大概3月低可以免5）【国盛】
当然如果如果有券商营业部可以支持免五，也可以联系微信自荐，诚意合作。
收起阅读 »
目前量化qmt 有可以免五的券商了，国信，国元
国元证券万一免五，最低0元起步，免五门槛入金1w，不过开通qmt的门槛是100w
国信证券万一免五，门槛是100门槛，不过如果只是开通qmt（iquant），它的门槛是比较低的，入金2w就可以了
综合来看，如要要用qmt+万一免五，入金要100w的。
目前（截至2023-01-08日） 市场上已经没有可以免五的支持qmt，ptrade的量化交易券商。
当然动辄入金500w-5000W的券商就忽略了，大部分散户是达不到这个资金要求的。
在正常条件下，入金1W 到 50W的范围内，目前多家券商已经停止股票免五了，费率最低是万一， 不过可以在开户后2-6月申请免五。【国金】
或者先把户开了，把量化接口的权限也开了，等到券商可以重新申请免五的时候申请即可。 目前多家券商的营业部老板也承诺了，只要后续免五开放，就可以帮有量化交易权限的用户申请免五。
（最晚大概3月低可以免5）【国盛】
当然如果如果有券商营业部可以支持免五，也可以联系微信自荐，诚意合作。
收起阅读 »
ptrade回测结束后执行某个函数，比如保存回测结果
http://ptradeapi.com/#after_trading_end
官方文档只提供一个每天盘后执行的函数，没有函数可以在回测结束后，固定执行某些操作。
比如我回测过程保存的历史交易记录，收益率等，要如何保存？ 虽然可以在回测的时候，每个交易日保存一次。
但是这样就需要在回测的时候按照天打开文件，盘后写入一次。 使用一个全局对象操作，显得很啰嗦。
那么有没有办法可以做在回测结束后一次性 保存操作呢？
答案是有的。也很简单。 适用于ptrade，qmt。
https://t.zsxq.com/09yigu5dy
收起阅读 »
官方文档只提供一个每天盘后执行的函数，没有函数可以在回测结束后，固定执行某些操作。
比如我回测过程保存的历史交易记录，收益率等，要如何保存？ 虽然可以在回测的时候，每个交易日保存一次。
但是这样就需要在回测的时候按照天打开文件，盘后写入一次。 使用一个全局对象操作，显得很啰嗦。
那么有没有办法可以做在回测结束后一次性 保存操作呢？
答案是有的。也很简单。 适用于ptrade，qmt。
https://t.zsxq.com/09yigu5dy
收起阅读 »
ptrade回测 获取回测当天的分时数据
http://ptradeapi.com/#get_price
ptrade api的文档第3条表明，
也就是用get_price是拿不到回测当天的数据。
比如下面的例子：
返回的数据：
回测日期是2022-12-01日，每天09:36运行，那10根数据。
但返回的数据是昨天的收盘前的10根分时数据。并非当天9：36分开始拿10根bar。
如果把日期数据也固定，
实际拿到的数据是空的，也就是无法拿到当天的数据。
正确的用法：
返回的数据：
欢迎关注公众号
收起阅读 »
ptrade api的文档第3条表明，
3、数据返回内容不包括当天数据。
也就是用get_price是拿不到回测当天的数据。
比如下面的例子：
def initialize(context):
# 初始化策略
run_daily(context, execute, '09:36')
def handle_data(context, data):
pass
def execute(context):
current = context.blotter.current_dt.strftime('%Y-%m-%d')
log.info(current)
security='128025.SZ'
df = get_price(security, start_date=None, end_date=None, frequency='1m', fields=None, fq=None, count=10)
log.info(df)
返回的数据：
2023-01-01 15:31:21 开始运行回测, 策略名称: 四叶草-指定时间价格
2022-12-01 09:36:00 - INFO - 2022-12-01
2022-12-01 09:36:00 - INFO - open high low close volume \
2022-11-30 14:51:00 276.510 276.560 274.626 275.500 217510.0
2022-11-30 14:52:00 275.240 278.638 275.205 278.398 363820.0
2022-11-30 14:53:00 278.485 278.895 276.660 277.479 307570.0
2022-11-30 14:54:00 277.337 278.440 276.660 278.440 239370.0
2022-11-30 14:55:00 279.900 287.113 279.900 287.113 853170.0
2022-11-30 14:56:00 287.113 288.526 286.533 288.125 581860.0
2022-11-30 14:57:00 288.126 291.800 287.909 291.361 523580.0
2022-11-30 14:58:00 291.500 292.980 291.500 291.800 36480.0
2022-11-30 14:59:00 291.800 291.800 291.800 291.800 0.0
2022-11-30 15:00:00 292.510 292.510 292.510 292.510 421398.0
回测日期是2022-12-01日，每天09:36运行，那10根数据。
但返回的数据是昨天的收盘前的10根分时数据。并非当天9：36分开始拿10根bar。
如果把日期数据也固定，
df = get_price(security, start_date='2022-12-01', end_date=None, frequency='1m', fields=None, fq=None, count=10)
实际拿到的数据是空的，也就是无法拿到当天的数据。
正确的用法：
def initialize(context):
# 初始化策略
run_daily(context, execute, '09:36')
def handle_data(context, data):
pass
def execute(context):
current = context.blotter.current_dt.strftime('%Y-%m-%d')
log.info(current)
security='128025.SZ'
count=6
df=get_history(count, frequency='1m', field='close', security_list=security, fq=None, include=False, fill='nan')
log.info(df)
返回的数据：
欢迎关注公众号
收起阅读 »
Ptrade获取可转债强赎数据
对于强赎的可转债而言，期权价值归0，叠加一个转股压力。类似于股票解禁的效果，导致转债和正股一起下跌。
所以在可转债的策略里面，把强赎的转债排除掉，是一个不错的因子。
但内置的ptrade接口数据并无提供任何转债相关的数据。
不过笔者这里提供了一个自研的数据接口。
http://ptradeapi.com/#%E5%8F%AF%E8%BD%AC%E5%80%BA%E5%BC%BA%E8%B5%8E%E4%B8%8E%E6%95%B0%E6%97%A5%E5%AD%90
方便在ptrade里面调用。
收起阅读 »
所以在可转债的策略里面，把强赎的转债排除掉，是一个不错的因子。
但内置的ptrade接口数据并无提供任何转债相关的数据。
不过笔者这里提供了一个自研的数据接口。
http://ptradeapi.com/#%E5%8F%AF%E8%BD%AC%E5%80%BA%E5%BC%BA%E8%B5%8E%E4%B8%8E%E6%95%B0%E6%97%A5%E5%AD%90
方便在ptrade里面调用。
收起阅读 »
ubuntu snap 配置不更新新软件
它默认会自动更新软件，非常的烦。
网上的禁用方法
在ubuntu20.04上是没有用的。因为它的snap不是最新的。要在ubuntu22.04上才可以。
在ubuntu 20.04上，
网上说 snap最多只能设置60天内不更新，所以还需要配合crontab，在计划任务里面设置时间。
收起阅读 »
网上的禁用方法
$ snap refresh --hold
error: unknown flag `hold'
在ubuntu20.04上是没有用的。因为它的snap不是最新的。要在ubuntu22.04上才可以。
在ubuntu 20.04上，
$ sudo snap set system refresh.hold="2030-01-01T01:00:00-01:00"
$ sudo snap set system refresh.metered=hold
网上说 snap最多只能设置60天内不更新，所以还需要配合crontab，在计划任务里面设置时间。
收起阅读 »
ubuntu snap 下载指定版本的pycharm goland
之前用的pycharm,goland被snap自动更新，更新到2022.3 ， 导致之前的ida-eval-resetter 无法使用。
所以只好回滚到指定的pycharm版本。
使用snap可以下载指定版本的pycharm和goland
上面的命令下载 2021.2/stable的版本的pycharm
那么怎么查看pycharm的版本？
只要在里面挑一个好一点的版本就好了。
收起阅读 »
所以只好回滚到指定的pycharm版本。
使用snap可以下载指定版本的pycharm和goland
sudo snap install pycharm-professional --channel=2021.2/stable --classic
上面的命令下载 2021.2/stable的版本的pycharm
那么怎么查看pycharm的版本？
snap info pycharm-professional
name: pycharm-professional
summary: PyCharm Professional Edition
publisher: jetbrains✓
store-url: https://snapcraft.io/pycharm-professional
contact: https://www.jetbrains.com/pycharm/documentation/
license: unset
description: |
Python IDE for professional developers. Save time while PyCharm takes care of the r
on bigger things and embrace the keyboard-centric approach to get the most of PyCha
productivity features.
commands:
- pycharm-professional
snap-id: Uqpw0ZWqy6Wh4mgaWE0rxgM5tAGCwf4D
tracking: latest/stable
refresh-date: 15 days ago, at 09:57 CST
channels:
latest/stable: 2022.3 2022-12-01 (314) 779MB classic
latest/candidate: 2022.3.1-RC 2022-12-12 (315) 793MB classic
latest/beta: 2022.3.1-RC 2022-12-12 (315) 793MB classic
latest/edge: 2022.3.1-RC 2022-12-12 (315) 793MB classic
2022.3/stable: 2022.3 2022-12-01 (314) 779MB classic
2022.3/candidate: 2022.3.1-RC 2022-12-12 (315) 793MB classic
2022.3/beta: 2022.3.1-RC 2022-12-12 (315) 793MB classic
2022.3/edge: 2022.3.1-RC 2022-12-12 (315) 793MB classic
2022.2/stable: 2022.2.4 2022-11-17 (311) 764MB classic
2022.2/candidate: 2022.2.4 2022-11-17 (311) 764MB classic
2022.2/beta: 2022.2.4 2022-11-17 (311) 764MB classic
2022.2/edge: 2022.2.4 2022-11-17 (311) 764MB classic
2022.1/stable: 2022.1.4 2022-07-21 (295) 759MB classic
2022.1/candidate: 2022.1.4 2022-07-21 (295) 759MB classic
2022.1/beta: 2022.1.4 2022-07-21 (295) 759MB classic
2022.1/edge: 2022.1.4 2022-07-21 (295) 759MB classic
2021.3/stable: 2021.3.3 2022-03-17 (278) 702MB classic
2021.3/candidate: 2021.3.3 2022-03-17 (278) 702MB classic
2021.3/beta: 2021.3.3 2022-03-17 (278) 702MB classic
2021.3/edge: 2021.3.3 2022-03-17 (278) 702MB classic
2021.2/stable: 2021.2.4 2021-12-22 (268) 565MB classic
2021.2/candidate: 2021.2.4 2021-12-22 (268) 565MB classic
2021.2/beta: 2021.2.4 2021-12-22 (268) 565MB classic
2021.2/edge: 2021.2.4 2021-12-22 (268) 565MB classic
2021.1/stable: 2021.1.3 2021-06-30 (248) 530MB classic
2021.1/candidate: 2021.1.3 2021-06-30 (248) 530MB classic
2021.1/beta: 2021.1.3 2021-06-30 (248) 530MB classic
2021.1/edge: 2021.1.3 2021-06-30 (248) 530MB classic
2020.3/stable: 2020.3.5 2021-03-26 (237) 559MB classic
2020.3/candidate: 2020.3.5 2021-03-26 (237) 559MB classic
2020.3/beta: 2020.3.5 2021-03-26 (237) 559MB classic
2020.3/edge: 2020.3.5 2021-03-26 (237) 559MB classic
2020.2/stable: 2020.2.5 2020-12-02 (225) 479MB classic
2020.2/candidate: 2020.2.5 2020-12-02 (225) 479MB classic
2020.2/beta: 2020.2.5 2020-12-02 (225) 479MB classic
2020.2/edge: 2020.2.5 2020-12-02 (225) 479MB classic
2020.1/stable: 2020.1.5 2020-12-02 (224) 465MB classic
2020.1/candidate: 2020.1.5 2020-12-02 (224) 465MB classic
2020.1/beta: 2020.1.5 2020-12-02 (224) 465MB classic
2020.1/edge: 2020.1.5 2020-12-02 (224) 465MB classic
2019.3/stable: 2019.3.5 2020-05-08 (199) 473MB classic
2019.3/candidate: ↑
2019.3/beta: ↑
2019.3/edge: ↑
2019.2/stable: 2019.2.6 2020-02-10 (184) 445MB classic
2019.2/candidate: ↑
2019.2/beta: ↑
2019.2/edge: ↑
2019.1/stable: 2019.1.4 2019-07-30 (148) 394MB classic
2019.1/candidate: ↑
2019.1/beta: ↑
2019.1/edge: ↑
2018.3/stable: 2018.3.7 2019-07-10 (142) 355MB classic
2018.3/candidate: ↑
2018.3/beta: ↑
2018.3/edge: ↑
2018.2/stable: 2018.2.8 2019-04-12 (128) 313MB classic
2018.2/candidate: ↑
2018.2/beta: ↑
2018.2/edge: ↑
2018.1/stable: 2018.1.6 2018-11-15 (101) 314MB classic
2018.1/candidate: ↑
2018.1/beta: ↑
2018.1/edge: ↑
2017.3/stable: 2017.3.7 2018-11-15 (100) 344MB classic
2017.3/candidate: ↑
2017.3/beta: ↑
2017.3/edge: ↑
installed: 2022.3 (314) 779MB classic
只要在里面挑一个好一点的版本就好了。
收起阅读 »
golang mysql count(*) 的写法
mysql最为常用的语句。
使用golang标准库 database/sql 实现：
即可。
收起阅读 »
使用golang标准库 database/sql 实现：
package main
import (
"database/sql"
"fmt"
"log"
_ "github.com/lib/pq"
)
func main() {
var count int
db, err := sql.Open("postgres", "user=test password=test dbname=foo sslmode=disable")
if err != nil {
log.Fatal(err)
}
defer db.Close()
row := db.QueryRow("SELECT COUNT(*) FROM table_name")
err := row.Scan(&count)
if err != nil {
log.Fatal(err)
}
fmt.Println(count)
}
即可。
收起阅读 »
golang mysql包 database/sql的基本操作：增删改查 （go sql操作 保存这篇文章就足够了）
如果不是使用gorm，直接操作底层mysql命令，那么最常使用的是 database/sql 这个包了。
下面的是一些常见的操作，如果需要写底层sql语句，使用频率极高，值得收藏。
当然，上面的语句也可以不用Prepare的写法，直接插入进去:
下面的是一些常见的操作，如果需要写底层sql语句，使用频率极高，值得收藏。
/*
* @Author: 30daydo
* @FilePath: /go110/go-012/g012.go
* @Description: Go 数据库基本操作
*/
package main
import (
"database/sql"
"fmt"
"runtime"
_ "github.com/go-sql-driver/mysql"
)
/**
// 创建 user 表
CREATE TABLE `user` (
`id` int NOT NULL AUTO_INCREMENT COMMENT '自增ID',
`name` varchar(50) COLLATE utf8mb4_general_ci NOT NULL COMMENT '姓名',
`age` int NOT NULL COMMENT '年龄',
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci COMMENT='用户信息表'
**/
// 全局对象 db
var db *sql.DB
// 定义一个 user 结构体接收数据：
type user struct {
id int
age int
name string
}
// 始化数据库的函数
func initDB() (err error) {
// 构建连接的 dsn 格式是："用户名:密码@tcp(IP:端口)/数据库?charset=utf8"
dsn := "user:password@tcp(127.0.0.1:3306)/sql_test?charset=utf8mb4&parseTime=True"
// 给全局变量赋值, 注意这里不要使用 :=
db, err = sql.Open("mysql", dsn)
if err != nil {
fmt.Println("初始化数据库失败")
return err
}
// 校验dsn是否正确
fmt.Println("尝试与数据库建立连接...")
err = db.Ping()
if err != nil {
fmt.Println("连接失败")
return err
}
fmt.Println("连接成功")
db.SetMaxOpenConns(2000) // 设置最大打开连接数
db.SetMaxIdleConns(10) // 设置最大空闲连接数
return nil
}
// 插入数据
func insertRow(name string, age int) int64 {
sqlStr := "INSERT INTO user(name, age) VALUES (?,?)"
ret, err := db.Exec(sqlStr, name, age)
if err != nil {
fmt.Printf("插入失败, err: %v\n", err)
return 0
}
// 新插入数据的 id
insertId, err := ret.LastInsertId()
if err != nil {
fmt.Printf("获取新插入数据的 ID 失败, err:%v\n", err)
return 0
}
fmt.Printf("插入成功, ID 为 %d.\n", insertId)
return insertId
}
// 查询单条数据记录
func queryRow(rowId int64) {
sqlStr := "SELECT id, name, age FROM user WHERE id = ?"
var u user
// 确保 QueryRow 之后调用 Scan 方法，释放持有的数据库链接
err := db.QueryRow(sqlStr, rowId).Scan(&u.id, &u.name, &u.age)
if err != nil {
fmt.Printf("未找到记录, 查询失败, err: %v\n", err)
return
}
fmt.Printf("查询数据成功, id: %d name: %s age: %d \n", u.id, u.name, u.age)
}
// 更新数据
func updateRow(rowId int64, newAge int) {
sqlStr := "UPDATE user SET age=? WHERE id = ?"
ret, err := db.Exec(sqlStr, newAge, rowId)
if err != nil {
fmt.Printf("更新失败 , err:%v\n", err)
return
}
// 操作影响的行数
n, err := ret.RowsAffected()
if err != nil {
fmt.Printf("获取影响函数失败, err: %v\n", err)
return
}
fmt.Printf("更新成功, 影响行数为: %d\n", n)
}
// 删除数据
func deleteRow(rowId int64) {
sqlStr := "DELETE FROM user WHERE id = ?"
ret, err := db.Exec(sqlStr, rowId)
if err != nil {
fmt.Printf("删除失败, err: %v\n", err)
return
}
n, err := ret.RowsAffected() // 操作影响的行数
if err != nil {
fmt.Printf("获取影响函数失败, err: %v\n", err)
return
}
fmt.Printf("删除成功, 影响行数为: %d\n", n)
}
// 查询多行
func queryMultiRow() {
sqlStr := "SELECT id, name, age FROM user WHERE id > ?"
rows, err := db.Query(sqlStr, 0)
if err != nil {
fmt.Printf("查询失败, err:%v\n", err)
return
}
// 重要：关闭 rows, 释放持有的数据库链接
defer rows.Close()
// 循环读取结果集中的数据
for rows.Next() {
var u user
err := rows.Scan(&u.id, &u.name, &u.age)
if err != nil {
fmt.Printf("查询多行数据失败, err:%v\n", err)
return
}
fmt.Printf("当前数据 id: %d name: %s age: %d\n", u.id, u.name, u.age)
}
}
func main() {
// 使用内置函数打印
println("Hello", "菜鸟实战")
// 初始化数据库
initDB()
// 插入数据
var id1 = insertRow("唐遇春", 17)
var id2 = insertRow("冯显", 38)
var id3 = insertRow("花千里", 20)
// 查询多行数据
queryMultiRow()
// 更新数据
updateRow(id2, 35)
// 查询单行数据
queryRow(id2)
// 删除数据
deleteRow(id1)
// 查询多行数据
queryMultiRow()
queryRow(id3)
// 当前版本
fmt.Printf("版本: %s \n", runtime.Version())
}
当然，上面的语句也可以不用Prepare的写法，直接插入进去:
func insertDirect() {
db, err := sql.Open("mysql",
"username:password@tcp(127.0.0.1:3306)/test_db")
if err != nil {
log.Fatal(err)
}
defer db.Close()
sql := "INSERT INTO user(id, name, pwd) VALUES(?, ?, ?)"
res, err := db.Exec(sql, 13, "Jobs", "444555")
checkErr(err)
fmt.Println(res.LastInsertId())
}
收起阅读 »
宁稳网可转债弹性因子 python回测
利用文章：
https://t.zsxq.com/08779XPlk
的数据和代码，修改原来的代码
还有这里：
如果修改持有个数，天数，修改HOLD_NUM ，和FREQ 即可
得到下面的图：
点击查看大图
"1天,大到小" 收益率 -30%，最大回撤34%
"1天，小到大" 收益率15.74%，最大回撤10.43%
'5天,大到小' 收益率-25%，最大回撤30.71%
'5天,小到大' 收益率7.36%, 最大回撤10.47%
可见弹性按照单天弹性值排名，买入最大的10只，无论按1天还是5天轮动，今天收益率是亏损的；
可见弹性按照单天弹性值排名，买入最小的10只，无论按1天还是5天轮动，今天收益率是盈利的；
如果对数据有疑问，可以到公众号后台留言~
收起阅读 »
https://t.zsxq.com/08779XPlk
的数据和代码，修改原来的代码
df=df.sort_values('税前收益率',ascending=False)
改为
df=df.sort_values('弹性',ascending=False) # 倒序
df=df.sort_values('弹性',ascending=True) # 正序还有这里：
df = pd.read_excel(full_path)
df['税前收益率'] = df['税前收益率'].map(convert_float)
df['转股价格']=df['转股价格'].astype(float)
df=df[['转债代码','转债名称','转债价格','税前收益率']]
改为：
df['弹性'] = df['弹性'].map(convert_float)
df['转股价格']=df['转股价格'].astype(float)
df=df[['转债代码','转债名称','转债价格','弹性']]
如果修改持有个数，天数，修改HOLD_NUM ，和FREQ 即可
得到下面的图：
"1天,大到小" 收益率 -30%，最大回撤34%
"1天，小到大" 收益率15.74%，最大回撤10.43%
'5天,大到小' 收益率-25%，最大回撤30.71%
'5天,小到大' 收益率7.36%, 最大回撤10.47%
可见弹性按照单天弹性值排名，买入最大的10只，无论按1天还是5天轮动，今天收益率是亏损的；
可见弹性按照单天弹性值排名，买入最小的10只，无论按1天还是5天轮动，今天收益率是盈利的；
如果对数据有疑问，可以到公众号后台留言~
收起阅读 »
python父类如何判断子类时候实现了某个方法或者属性赋值
用hasattr内置函数即可
看看下面的例子
obj.run调用的是parent里面的方法。
而parent的run里面调用一个hasattr， 来判断self 是否有get_salary这个函数。
因为self是从子类传进去的，所以self实际是 child的实例。
因为child里面是有get_salary方法（属性）的，所以hasatrr 是返回true， 然后调用子类的self.get_salary
从而程序没有报错。打印正确的返回数据
收起阅读 »
看看下面的例子
class Parent:
def __init__(self):
self.name='parent'
self.age=10
def run(self):
if hasattr(self,'get_salary'):
print('has func')
print(self.get_salary())
class Child(Parent):
def __init__(self):
# self.name='child'
Parent.__init__(self)
self.salary=100
def get_salary(self):
return self.salary
obj = Child()
obj.run()
obj.run调用的是parent里面的方法。
而parent的run里面调用一个hasattr， 来判断self 是否有get_salary这个函数。
因为self是从子类传进去的，所以self实际是 child的实例。
因为child里面是有get_salary方法（属性）的，所以hasatrr 是返回true， 然后调用子类的self.get_salary
从而程序没有报错。打印正确的返回数据
收起阅读 »
Ptrade QMT 哪家费率最便宜，门槛最低？
最近咨询的朋友很多。这里做个汇总，可以节省大家的时间。
笔者只会推荐合适的券商和量化接口给你，而不会推荐坑爹的券商给你。
如果你不信任，绕路即可，莫浪费大家时间。或者你有好的资源或者券商，你也可以推荐给我，可以给你发红包，奖励你提供有用的情报信息。
目前支持ptrade，qmt可以股票可以免五（0.1元起步）的券商，只有国盛，需要的可以找我开。 但是有入金门槛，ptrade门槛30w, qmt 的门槛50w。 国盛的ptrade可以链接外网。其他家的不行。但国盛的qmt不支持运行在云服务器。
其他家的qmt是支持的云服务器的，但国金的qmt会每天自动退出，需要每次手动点击登录，我也写了一个自动登录的小脚本，开完户的朋友可以拿去用用。
门槛低的国信，适合新手使用，但是没有miniqmt，这个东西也不一定适合你。 真的需要这个功能，在qmt里面可以写一段代码，让它把下单接口变成http指令，把下单功能独立出来，也是可以的。不过这个属于进阶功能。 需要的也可以把代码给你。
笔者用过大部分券商的ptrade qmt，所以个人的指导与推荐还是很有指导意见的。 写过的策略也大部分人（99%）多， 平台好坏，坑的多寡，哪里有雷，都已经摸清摸楚。 可以大大节省你们的时间。 当然你也可以忽略，自己去折腾折腾。选ptrade 还是qmt，然后哪个券商，什么费率。
需要开通ptrade - qmt 低门槛 低费率 的 或者可以提供更低费用的资源的可以加微信：
ptrade 接口文档： http://ptradeapi.com
收起阅读 »
笔者只会推荐合适的券商和量化接口给你，而不会推荐坑爹的券商给你。
如果你不信任，绕路即可，莫浪费大家时间。或者你有好的资源或者券商，你也可以推荐给我，可以给你发红包，奖励你提供有用的情报信息。
目前支持ptrade，qmt可以股票可以免五（0.1元起步）的券商，只有国盛，需要的可以找我开。 但是有入金门槛，ptrade门槛30w, qmt 的门槛50w。 国盛的ptrade可以链接外网。其他家的不行。但国盛的qmt不支持运行在云服务器。
其他家的qmt是支持的云服务器的，但国金的qmt会每天自动退出，需要每次手动点击登录，我也写了一个自动登录的小脚本，开完户的朋友可以拿去用用。
门槛低的国信，适合新手使用，但是没有miniqmt，这个东西也不一定适合你。 真的需要这个功能，在qmt里面可以写一段代码，让它把下单接口变成http指令，把下单功能独立出来，也是可以的。不过这个属于进阶功能。 需要的也可以把代码给你。
笔者用过大部分券商的ptrade qmt，所以个人的指导与推荐还是很有指导意见的。 写过的策略也大部分人（99%）多， 平台好坏，坑的多寡，哪里有雷，都已经摸清摸楚。 可以大大节省你们的时间。 当然你也可以忽略，自己去折腾折腾。选ptrade 还是qmt，然后哪个券商，什么费率。
需要开通ptrade - qmt 低门槛 低费率 的 或者可以提供更低费用的资源的可以加微信：
ptrade 接口文档： http://ptradeapi.com
收起阅读 »
Linux 运行resilio （一个跨平台的资源共享类软件）【附pro license】
什么是resilio ？
只需要知道一个分享密钥key，即可同步整个文件夹了，不需要第三方服务器，不受存储空间和流量限制，Resilio Sync的数据不在云端，而是存储在本地，传输速度基本上只受用户网络带宽的制约，它可以支持多人同时同步，而且，越多人对文件夹进行同步，则同步速度越快，没有审查，不过现在已经属于404 的产品了，不过如果找到神key，资源还是蛮丰富的。
安装过程：
1、打开官网下载安装Resilio Sync，国内用户需要自备网络环境。
对于linux ， ubuntu，解压后实际只有一个可执行文件，猜测这个很可能是golang写的。因为大部分golang的程序都可以编译成一个文件。
运行后rslsync是在后台运行的。 不会返回访问界面，当然linux下也不会有界面。 需要你打开浏览器， 输入 http://127.0.0.1:8888
就可以看到resilio的内容了。
2、下载Resilio Sync授权文件：ResilioSyncPro.btskey. 附件里面
3、然后解压，解压后文件后缀是btskey，打开安装好的Resilio Sync，打开设置的License界面，点击Apply License
这个时候页面是空的，没有任何空的内容。 这个时候就需要一些神key。因为上面也说了，resilio是通过分享key，来获取资源的。
比如zlibrary，有人共享了不少电子书在某个文件夹里面。 只要找到一个key，你就可以找到一个资源分享的组织。
需要电子书的key，可以关注公众号：
回复：电子书key
可以获取zibibrary 几个T的电子书。
收起阅读 »
只需要知道一个分享密钥key，即可同步整个文件夹了，不需要第三方服务器，不受存储空间和流量限制，Resilio Sync的数据不在云端，而是存储在本地，传输速度基本上只受用户网络带宽的制约，它可以支持多人同时同步，而且，越多人对文件夹进行同步，则同步速度越快，没有审查，不过现在已经属于404 的产品了，不过如果找到神key，资源还是蛮丰富的。
安装过程：
1、打开官网下载安装Resilio Sync，国内用户需要自备网络环境。
对于linux ， ubuntu，解压后实际只有一个可执行文件，猜测这个很可能是golang写的。因为大部分golang的程序都可以编译成一个文件。
$ ./rslsync
By using this application, you agree to our Privacy Policy, Terms of Use and End User License Agreement.
https://www.resilio.com/legal/privacy
https://www.resilio.com/legal/terms-of-use
https://www.resilio.com/legal/eula
运行后rslsync是在后台运行的。 不会返回访问界面，当然linux下也不会有界面。 需要你打开浏览器， 输入 http://127.0.0.1:8888
就可以看到resilio的内容了。
2、下载Resilio Sync授权文件：ResilioSyncPro.btskey. 附件里面
3、然后解压，解压后文件后缀是btskey，打开安装好的Resilio Sync，打开设置的License界面，点击Apply License
这个时候页面是空的，没有任何空的内容。 这个时候就需要一些神key。因为上面也说了，resilio是通过分享key，来获取资源的。
比如zlibrary，有人共享了不少电子书在某个文件夹里面。 只要找到一个key，你就可以找到一个资源分享的组织。
需要电子书的key，可以关注公众号：
回复：电子书key
可以获取zibibrary 几个T的电子书。
收起阅读 »
可转债到期收益率因子回测 YTM回测 vs 双低 低溢价 低价策略
最近看到有人发的一些可转债高YTM的回测结果图，说高YTM轮动收益达到年化20%。嗯？高TYM实际上大部分是和低价转债是重叠的，理论和实际收益率都应该不会有这么高的。
自从优矿转为收费后，基本就没有登录过了。现在的回测在本地进行了，宁稳网的可转债数据上有YTM这因子数据，所以这次使用宁稳网的数据回测。也不使用什么第三方框架了，直接手写回测，模拟交易过程。
逻辑就是按照交易日期，读取所有excel数据。保存到一个dataframe里面，然后按照日期对YTM排名。 选出排名N名的进行买入，掉出N名的进行卖出。
数据源
采用宁稳的全表数据，里面有YTM因子
YTM收益率曲线
本地使用python编写回测代码，纯手工，不使用第三方框架。 平时我也多次力荐大家手写，别依赖那些第三方框架，什么vnpy，backtrade，一是特别难用，数据要适配，二是不好调试，除非你对它们的源码特别熟悉。本回测代码和宁稳数据放在个人知识星球，大部分人其实只关心回测结果就够了。
下图是2022年1月1日至11月25日的回测数据。持有10个标的，红色的是1天调仓，蓝色的是5天调仓
5天轮动，2022年的收益率为4.29%，最大回撤6.98% 。
1天轮动，2022年的收益率为9.33%，最大回撤5.32% 。
1天轮动的整体收益率要比5天轮动的高5个点，并且最大回撤也小一点。
持仓日志
从持仓以及调仓日志来看，买入的大部分是低价转债，且部分也是之前有瑕疵，爆过雷的转债。
高YTM轮动 vs 双低，低溢价，低价
接着对比一下几个常规的转债策略，双低，低溢价，低价。
回测条件相同，起始时间2022-01-01，结束时间2022-11-25。
持有10只，5天轮动。
在今年的可转债偏弱的行情下，高YTM轮动在这4个策略里面的收益率是最高的。
低溢价一如既然的高波动，一会ICU，一会蹦迪。但笔者觉得跌到前期最大回撤的位置，低溢价可以考虑介入的。
YTM和低价格的今年回测收益率接近，YTM高了一个点左右，最大回撤接近。 而低溢价还在回撤的途中，目前今年的收益率为-25%，如果轮动频率高一些，低溢价收益率会高一些，强赎的转债基本会被轮入低溢价标的，因为最近半年强赎后的转债像进入了死亡螺旋一样，正股转债一起跌；因此排除强赎转债会对低溢价收益率有不少的提升。
完整代码以及数据请开通星球查收。
收起阅读 »
自从优矿转为收费后，基本就没有登录过了。现在的回测在本地进行了，宁稳网的可转债数据上有YTM这因子数据，所以这次使用宁稳网的数据回测。也不使用什么第三方框架了，直接手写回测，模拟交易过程。
逻辑就是按照交易日期，读取所有excel数据。保存到一个dataframe里面，然后按照日期对YTM排名。 选出排名N名的进行买入，掉出N名的进行卖出。
数据源
采用宁稳的全表数据，里面有YTM因子
YTM收益率曲线
本地使用python编写回测代码，纯手工，不使用第三方框架。 平时我也多次力荐大家手写，别依赖那些第三方框架，什么vnpy，backtrade，一是特别难用，数据要适配，二是不好调试，除非你对它们的源码特别熟悉。本回测代码和宁稳数据放在个人知识星球，大部分人其实只关心回测结果就够了。
下图是2022年1月1日至11月25日的回测数据。持有10个标的，红色的是1天调仓，蓝色的是5天调仓
5天轮动，2022年的收益率为4.29%，最大回撤6.98% 。
1天轮动，2022年的收益率为9.33%，最大回撤5.32% 。
1天轮动的整体收益率要比5天轮动的高5个点，并且最大回撤也小一点。
持仓日志
从持仓以及调仓日志来看，买入的大部分是低价转债，且部分也是之前有瑕疵，爆过雷的转债。
高YTM轮动 vs 双低，低溢价，低价
接着对比一下几个常规的转债策略，双低，低溢价，低价。
回测条件相同，起始时间2022-01-01，结束时间2022-11-25。
持有10只，5天轮动。
在今年的可转债偏弱的行情下，高YTM轮动在这4个策略里面的收益率是最高的。
低溢价一如既然的高波动，一会ICU，一会蹦迪。但笔者觉得跌到前期最大回撤的位置，低溢价可以考虑介入的。
YTM和低价格的今年回测收益率接近，YTM高了一个点左右，最大回撤接近。 而低溢价还在回撤的途中，目前今年的收益率为-25%，如果轮动频率高一些，低溢价收益率会高一些，强赎的转债基本会被轮入低溢价标的，因为最近半年强赎后的转债像进入了死亡螺旋一样，正股转债一起跌；因此排除强赎转债会对低溢价收益率有不少的提升。
完整代码以及数据请开通星球查收。
收起阅读 »
Ptrade多策略如何编写？
多策略需要解决的一个最主要的问题，就是仓位管理。
系统自带的读取仓位函数需要你重写。
目前使用一个类来管理仓位：
初始化部分：
数据需要收盘后保存到文件，数据库也行；不过考虑到大部分ptrade（除了国盛，需要开通的可以联系公众号：可转债量化分析）都没有连接外网功能，所以最简单的方式就是写入文件，纯粹的文本文件。
目前笔者使用json存储
点击查看大图
这样存储有一个好处，就是如果你想中途修改策略持仓，可以直接修改这个文本文件。比如你的策略不小心买入了一只强赎的转债，你想手动卖掉，那么很简单，你只要在这个json文件里面把对应的持仓删除，再把他的市值加到可用资金里面去即可。 用法是相当灵活。
需要完整代码或者指导的朋友可以关注下面公众号和知识星球。
收起阅读 »
系统自带的读取仓位函数需要你重写。
目前使用一个类来管理仓位：
初始化部分：
class PositionManager():
def __init__(self):
if SINGLE_FACTOR not in [1, 2, 3, 4]:
raise ValueError('策略数字有误')
self.strategy = SINGLE_FACTOR
NOTEBOOK_PATH = '/home/fly/notebook/'
# self.filename = NOTEBOOK_PATH + 'S-{}.txt'.format(self.strategy)
self.filename = NOTEBOOK_PATH + personal_define_filename
self.portfolio = self.read()
log.info(self.portfolio)
self.write()
def init_data(self):
js_data = {
'cash': CASH,
'strategy': self.strategy,
'positions': ,
'portfolio_value': None,
'positions_value': None,
'capital_used': None,
'start_date': datetime.datetime.now().strftime('%Y%m%d%H%M%S'),
'current_day': 0,
}
数据需要收盘后保存到文件，数据库也行；不过考虑到大部分ptrade（除了国盛，需要开通的可以联系公众号：可转债量化分析）都没有连接外网功能，所以最简单的方式就是写入文件，纯粹的文本文件。
目前笔者使用json存储
点击查看大图
这样存储有一个好处，就是如果你想中途修改策略持仓，可以直接修改这个文本文件。比如你的策略不小心买入了一只强赎的转债，你想手动卖掉，那么很简单，你只要在这个json文件里面把对应的持仓删除，再把他的市值加到可用资金里面去即可。 用法是相当灵活。
需要完整代码或者指导的朋友可以关注下面公众号和知识星球。
收起阅读 »
Ptrade拆单 分批下单 python代码 可转债/股票
在转债市场，部分转债的流动性很差，有时候连成交100张也需要等待一段时间。
所以如果资金量大，就需要拆单操作。
交易代码部分，如果设置 SPLIT_ORDER_ENABLE = True 即进行拆单操作：
在交易部分：(省略部分不相关代码)
SELL_DIRECTION为卖，值为-1，也是一个常量，传入拆单函数中
拆单函数提取出来：
在可转债实盘中，拆单后每笔下单200张，就是每次200张下一次单，因为有可能不是马上成交，所以还需要一段等待延时，再去下单；不然你的拆单也变得没有意义，因为委托那里都是挂的你的单，并没有被消化掉。
可以看到实盘交易日志，即使拆单为200张一笔，外加一段延时，成交张数也是稀稀拉拉的，出现了不少的部分成交；也就是一次连200张都未成交完成；一笔200张的，部分成交10张，20张，都是有可能的，这也足以说明，可转债的流动性问题，滑点是很难被忽略的。
当然，这是轮动调仓的时候，金额较大的情况下拆单。如果高频交易下就不能这么操作了。
具体怎么写，可以关注个人公众号与知识星球。
知识星球原文：
如需要代写量化策略实盘代码，可以到个人公众号【可转债量化分析】后台留言。
收起阅读 »
所以如果资金量大，就需要拆单操作。
交易代码部分，如果设置 SPLIT_ORDER_ENABLE = True 即进行拆单操作：
在交易部分：(省略部分不相关代码)
if SPLIT_ORDER_ENABLE:BUY_DIRECTION 为买，值是1，一个常量
split_order(code, BUY_DIRECTION, amount)
else:
buy_price = round(buy_price, 3)
ret = order(code, amount, limit_price=buy_price)
SELL_DIRECTION为卖，值为-1，也是一个常量，传入拆单函数中
拆单函数提取出来：
def split_order(code, direction, target_count):常用的操作都类似，写成模块方便下次调用。写多了就是套模块。
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
count = int(target_count / EACH_ORDER_COUNT)
# 例如：560张， 200 张一单， 2次 + 最后一次160 张
remain_count = target_count % EACH_ORDER_COUNT
for i in range(count):
ret = order(code, direction * EACH_ORDER_COUNT)
time.sleep(SPLIT_ORDER_DELAY) # 拆开的单子等待一个时间，再下另外一单
if direction == 1: # 买的时候需要整数，卖则不需要
remain_count = int(remain_count / 10) * 10
if remain_count > 0:
ret = order(code, direction * remain_count)
在可转债实盘中，拆单后每笔下单200张，就是每次200张下一次单，因为有可能不是马上成交，所以还需要一段等待延时，再去下单；不然你的拆单也变得没有意义，因为委托那里都是挂的你的单，并没有被消化掉。
可以看到实盘交易日志，即使拆单为200张一笔，外加一段延时，成交张数也是稀稀拉拉的，出现了不少的部分成交；也就是一次连200张都未成交完成；一笔200张的，部分成交10张，20张，都是有可能的，这也足以说明，可转债的流动性问题，滑点是很难被忽略的。
当然，这是轮动调仓的时候，金额较大的情况下拆单。如果高频交易下就不能这么操作了。
具体怎么写，可以关注个人公众号与知识星球。
知识星球原文：
如需要代写量化策略实盘代码，可以到个人公众号【可转债量化分析】后台留言。
收起阅读 »
Ptrade里写策略坑比较多的地方（一）
总结一些，给过来人少踩些坑
1. 后缀符号不统一
这个是天煞的产品涉及的问题。 好好地代码后缀，比如 深圳市场的 有时候出现 300333.SZ , 有时候结构体里面却会是 300333.XSHE，
比如返回的orders 字典，里面用的是 00333.XSHE，而仓位的结构体 position 里面用的缺失 .sz
类似这样的问题在很多函数里面都有。
2. 部分成交 的主推函数
如果一个订单，部分成交，会先触发部分成交主推； 然后最后一个部分成交，反而会触发全部成交主推。
细想，似乎也是合理的，只是，你在全部成交里面返回的成交数量，实际只是最后一次部分成交的量。
3. 想到再写
更多更新 可以参看个人知识星球或者公众号。
收起阅读 »
1. 后缀符号不统一
这个是天煞的产品涉及的问题。 好好地代码后缀，比如 深圳市场的 有时候出现 300333.SZ , 有时候结构体里面却会是 300333.XSHE，
比如返回的orders 字典，里面用的是 00333.XSHE，而仓位的结构体 position 里面用的缺失 .sz
类似这样的问题在很多函数里面都有。
2. 部分成交 的主推函数
如果一个订单，部分成交，会先触发部分成交主推； 然后最后一个部分成交，反而会触发全部成交主推。
细想，似乎也是合理的，只是，你在全部成交里面返回的成交数量，实际只是最后一次部分成交的量。
3. 想到再写
更多更新 可以参看个人知识星球或者公众号。
收起阅读 »
ubuntu安装z.lua 路径跳转工具
z.lua 是一个快速路径切换工具，它会跟踪你在 shell 下访问过的路径，通过一套称为 Frecent 的机制（源自 FireFox），经过一段简短的学习之后，z.lua 会帮你跳转到所有匹配正则关键字的路径里 Frecent 值最高的那条路径去。
正则将按顺序进行匹配，"z foo bar" 可以匹配到 /foo/bar ，但是不能匹配 /bar/foo。
性能：
性能比 z.sh 快三倍，比 fasd / autojump 快十倍以上。
支持 Posix Shell：bash, zsh, dash, sh, ash, busybox 等等。
支持 Fish Shell，Power Shell 和 Windows cmd。
使用增强匹配算法，更准确的带你去到你想去的地方。
低占用，能够仅在当前路径改变时才更新数据库（将 $_ZL_ADD_ONCE 设成 1）。
交互选择模式，如果有多个匹配结果的话，跳转前允许你进行选择。
集成 fzf （可选），可以用来做可视化选择或者参数补全。
快速跳转到父目录，或者项目根目录，代替反复 “cd ../../.." 。
兼容 lua 5.1, 5.2 和 5.3 以上版本。
自包含且无额外依赖，单个 z.lua 文件完成所有工作。
安装步骤：
官网太蛋疼，没有写好。
下面是个人的安装步骤，在ubuntu20上测试的。
1. 安装lua
sudo apt install lua5.3
2. 下载z.lua脚本
git clone [url]https://github.com/skywind3000/z.lua.git[/url]
你也可以直接到文末下载。 关注公众号，回复 z.lua即可
下载后记录它的 目录：
比如：
/home/root/tool/z.lua
3. 然后配置bash shell
首先，确定你是哪个shell, 不同shell的初始化命令参数不一样：
bash:
在 .bashrc 文件最后加上这一行
eval "$(lua /path/to/z.lua --init bash)"
zsh:
在 .zshrc 文件最后加上这一行
eval "$(lua /path/to/z.lua --init zsh)"
Posix Shells:
在.profile 文件最后一行加入这一行
eval "$(lua /path/to/z.lua --init posix)"
4. 重启shell ，注销系统或者 source ~/.zshrc 激活新的shell
z.lua 要经过cd 进入不同的目录才会生效的。一开始如果输入 z 回车，是没有任何反应的。
查看缓存的目录
z -l
如果没有显示目录，要么你的配置出问题，要么还是你还没有用cd 切换足够多的目录 让lua 保存记录
关注公众号，回复 z.lua 获取 z.lua 安装包
收起阅读 »
Django mysql SSL 证书配置
Django的mysql配置在settings.py 里面
具体配置如下：
具体配置如下：
ca_path = '/etc/ssl/certs/ca-certificates.crt' # 证书地址收起阅读 »
DATABASES = {
'default': {
'ENGINE': 'django.db.backends.mysql',
'NAME': 'wordpress',
'USER': 'root',
'PASSWORD': '123456',
'HOST': '127.0.0.1`',
'PORT': 3306,
'OPTIONS': {'ssl':{'KEY': ca_path}}
}
}
SQLAlchemy python数据库实战 【勘误与电子书pdf下载】
SQLAlchemy python数据库实战
勘误：
P64 页：
backref = backref('orders',order_by=id) 应该改为 ： backref = backref('orders',order_by=order_id)
P68页：
cookie= relationship('Cookie',uselist=False,order_by=id) 应该改为 ： cookie= relationship('Cookie',uselist=False,order_by=order_id)
总体来说，动物书还是不错的。
需要pdf电子书的朋友，可以关注下面公众号，
后台回复：
SQLAlchemy python数据库实战
获取电子书下载链接。
收起阅读 »
勘误：
P64 页：
backref = backref('orders',order_by=id) 应该改为 ： backref = backref('orders',order_by=order_id)
P68页：
cookie= relationship('Cookie',uselist=False,order_by=id) 应该改为 ： cookie= relationship('Cookie',uselist=False,order_by=order_id)
总体来说，动物书还是不错的。
需要pdf电子书的朋友，可以关注下面公众号，
后台回复：
SQLAlchemy python数据库实战
获取电子书下载链接。
收起阅读 »
