cover_image

基金套利-AI编程实战篇-3

东哥的平凡生活 静听烟雨任平生

到了检验“半自动折价套利”程序的时候了吗?
显然,还没有 好饭不怕晚,继续磨刀ing.
而 “轮动套利” AI编程群的小伙伴们,正在按部就班地进行,跑得快的同学已经开始做自己的展示页面了:
UI的风格各异,看出各个AI的审美能力的差异。
最终,要把这些知识变成自己的东西,才有价值:
跑得慢的同学,通宵达旦在苦干:
从小学五年级数学学起,真要给他点赞 有这个毅力,没有做不成的事情


我这几天重构了整个“半自动折价套利”程序,改用了数据库代替CSV,就像经验老到的程序员无敌说的,迟早要上数据库。用"举重若轻"的说法,就是:

✅ 完成核心重构 (纯 SQLite 架构与数据链路健壮性)

在迭代中彻底抛弃了脆弱的 CSV 文件存储,全面拥抱 SQLite 关系型数据库,并对数据大一统采集、官方估值计算和监控页面进行了深度修复与重构。

✅ 阶段性里程碑:估值双引擎下沉 ArbCore,全面跨入后台智驾时代,准备开启轮动套利

  • 底层数据抓取具有极高健壮性与防刷机制。静态推演与动态盘中推演的核心算法已全部剥离为独立微服务模块,寄宿在 arbcore 基座中。

✅ 静态官方估值引擎 (Static Valuation) 独立封装

  • 新建独立函数库,接管了原来庞大的 pandas 矩阵推演计算逻辑。

✅ 极速动态估值引擎 (Dynamic Valuation) 诞生

  • 新建实时估值库,专为后台无人值守环境打造。
  • **引入内存级缓存 (Memory Cache)**:在盘中首次调用时查询 SQLite 获取 T-1 完美基座数据并驻留内存。后续面对每秒数次的 Tick 级实时汇率、实时 ETF/期货跳动,实现 毫秒级极速推演,彻底告别 IO 瓶颈。

✅ 工作流简化为四步流水线

  • 拉取 API 数据湖 -> 提取核心因子入库 -> 抓取市场数据 -> 抓取基金 收盘价/净值
  • 全面拥抱 SQLite 持久化,所有脏活累活收口到数据库管理接口

有了这些作为基础,再来做“轮动套利” 程序基金套利,跟着AI学轮动策略 就简单了。先解耦开发,实现"轮动套利",把后端数据流、前端页面交互和算法全部跑通,将来再把前端页面作为一个新的 Tab 嵌入到“半自动折价套利”主面板里面,把 Flask 的路由合并 ,完全无缝衔接!
说干就干!
先从woody网页把这些要轮动的ETF 收集齐,让豆包给我整理出csv表格
然后,开始爬这些ETF的原始数据:
有了"半自动折价套利"的通用函数的铺垫,现在就顺利多了,各个ETF基金存入了数据库,我还是直接和无敌的网页对比,网页的数据太方便了 正确无误 这下子,有了"轮动套利"的基础
先把框架搭起来,晚上先追剧“逐玉”,俊男靓女让我整日盯着电脑的眼睛放松一下,抽空再去把算法加进去
这个程序真的可以做成全自动吗? 得回测看看效果,毕竟无敌大佬本人也没有亲自尝尝这个梨的味道?谁来第一个吃螃蟹?
 老陈 要不你来?

继续滑动看下一个
静听烟雨任平生
向上滑动看下一个