新闻详情

新闻详情

首页 / 资讯中心 / 详情

分钟K线时区契约与午休处理:tick-stock-panel 分钟回测不出错的 3 个关键细节

发布时间:2026/11/17 17:50:20来源:尧图网络
分钟K线时区契约与午休处理:tick-stock-panel 分钟回测不出错的 3 个关键细节
分钟K线时区契约与午休处理tick-stock-panel 分钟回测不出错的 3 个关键细节【免费下载链接】tick-stock-panelTSP自托管、零运维的 A 股「选股 监控 回测」量化工作台 | LLM能力驱使策略定制个股分析复盘 | 自由接入第三方数据源与个性化扩展数据 | 个人开源项目地址: https://gitcode.com/GitHub_Trending/ti/tick-stock-paneltick-stock-panel 是一款自托管、零运维的 A 股「选股 监控 回测」量化工作台。很多人做分钟级回测时踩过同一个坑数据源给的是 UTC 时间戳、服务器容器默认时区又是 UTC再叠加 A 股特有的午休缺口分钟K线时间对不齐回测信号就悄悄错了。这篇文章带你拆解 tick-stock-panel 如何用一条「时区契约」和一套「午休口径」把这类错误挡在数据入库之前。问题从哪来Docker 里默认时区是 UTCA 股连续竞价时段是北京时间 9:30-11:30 与 13:00-15:00。而常见的python:slim镜像默认时区是 UTC——北京的 9:15-15:05换算成 UTC 只有 1:15-7:05。如果轮询、落盘用服务器本地时间判断现在是不是交易时段Docker 部署下窗口会和真实交易时段完全错开。tick-stock-panel 的解法是不依赖系统时区固定使用北京时间常量所有时段判断都走 market_time.pyCN_TZ UTC8无夏令时不会漂移上午 120 分钟 下午 120 分钟 全天 240 分钟已交易分钟数在盘中实时累计收盘后封顶 240时区契约分钟K线统一为北京墙钟项目的核心约定写在 CONTRIBUTING.md 的「日期、交易日和时区」一节§3.3kline_minute.datetime必须是北京时间墙钟naive不带时区如09:35:00。围绕这条契约kline_sync.py 实现了守卫函数_enforce_minute_beijing_wallclock在两个源头入口强制执行TickFlow 数据帧和插件/自定义数据源帧。它的处理规则可以概括为一张表输入形态守卫行为带时区tz-aware转换为 Asia/Shanghai 后去掉时区标记无时区时刻落在交易时段9/10/11/13/14/15 点判定为北京墙钟直接放行无时区整体呈交易时段 -8 小时的 UTC 特征1/2/3/5/6/7 点自动 8 小时纠偏并记录日志无法识别的口径拒收抛出异常绝不让脏时间入库几个设计细节值得新手学习先显式转换再守卫TickFlow 的毫秒时间戳按 UTC 基准_normalize_minute 会先换算成北京墙钟再进守卫01:30 UTC一定变成09:30入库幂等纠偏后的帧再次通过守卫会直接放行不会二次 8fail-closed宁可报错拒收也不猜一个看起来合理的时间写进库。对应测试 test_minute_timezone_contract.py 覆盖了显式转换、UTC 特征自愈、混合口径、拒收等全部分支是理解契约的最佳阅读材料。自定义数据源契约违规就回退不硬扛tick-stock-panel 支持自由接入第三方数据源与插件。自定义源返回的分钟帧同样要过守卫见 kline_sync.py 的_try_custom_minute插件返回 UTC 墙钟 → 守卫自动 8 纠偏后正常下发插件返回无法识别的时间口径 → 直接回退到 TickFlow 主数据源。对自托管用户来说这意味着接一个新数据源时不需要自己操心时区换算——要么被自动纠偏要么被安全回退本地库里的分钟K线始终保持同一种口径。午休处理11:31-12:00 不该多出来的 30 分钟A 股午间休市11:30-13:00是分钟数据的第二个暗坑。前端分时图会按当前时刻估算今天应有多少根分钟K本地数据够了就用本地不够才去实时补拉。曾经的实现里上午分支写成h 12 or (h 12 and m 0)导致11:31-12:00 期间期望根数被继续累加到 121~150 根而实际上午最多只有 120 根09:31-11:30。后果是本地明明完整的上午数据被误判为不完整个股分时图触发实时拉取拉空后响应为空轮询直接停止分时图空白直到重新打开自选列表分时被归为尾部落后每轮都对所有自选标的发起增量补拉白白消耗限流配额。修复后的口径与 market_time.py 的已交易分钟数完全一致午休期间期望值保持上午累计的 120 根封顶见 kline.py开盘前9:30 之前→ 0上午时段 → 0~120 随时间增长11:30-13:00 午休 → 恒定 120下午时段 → 120~240 随时间增长收盘后 / 历史交易日 → 240数据完整性检测也把午休当作合法结构相邻K线的间隔要么是 1 分钟要么是午休缺口91 分钟11:30 → 13:01见 kline.py 中的_LUNCH_GAP_MIN 91。其他任何间隔都视为缺洞触发全天重拉回填。回归测试 test_kline_minute_lunch_expected.py 把 11:35、11:50、12:00 三个午休时刻全部钉死为本地 120 根、不触发拉取防止这个 bug 复活。这些细节如何保证分钟回测正确分钟回测的正确性建立在一条链路上入口收口——所有数据源官方 自定义插件在源头统一为北京墙钟脏数据 fail-closed 拒收口径一致——已交易分钟数、分时期望根数、午休缺口识别共用同一套 240 分钟模型前端口径与回测口径不打架测试兜底——时区契约、午休期望、缺口检测各有专项测试口径变更会立刻被回归抓住。对新手来说这套契约 守卫 测试的组合拳是处理时间敏感金融数据的通用范式不要在各处各自换算时区而是定一条全库契约在边界处强制校验。关键源码与文档索引时区工具与交易时段模型backend/app/market_time.py分钟K归一化与时区守卫backend/app/services/kline_sync.py分时/自选分时期望根数与午休缺口检测backend/app/api/kline.py时区契约回归测试backend/tests/test_minute_timezone_contract.py午休期望根数回归测试backend/tests/test_kline_minute_lunch_expected.py契约原文CONTRIBUTING.md §3.3「日期、交易日和时区」掌握这两组细节你再接入任何分钟级数据源都能先问对两个问题时间是什么口径午休缺口放不放心【免费下载链接】tick-stock-panelTSP自托管、零运维的 A 股「选股 监控 回测」量化工作台 | LLM能力驱使策略定制个股分析复盘 | 自由接入第三方数据源与个性化扩展数据 | 个人开源项目地址: https://gitcode.com/GitHub_Trending/ti/tick-stock-panel创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉