我的计算思路是沪深300成分股的成交金额之和/沪深300成分股的流通市值。然后问了一下supermind的AI小助手，给出的代码如下： 获取沪深300成分股列表 hs300_stocks = get_index_stocks('000300.SH') 获取成分股的成交额和流通市值 q = query( valuation.symbol, # 股票代码 valuation.date, # 查询日期 valuation.turnover, # 成交金额 valuation.circulating_market_cap # 流通市值 ).filter( valuation.symbol.in_(hs300_stocks), ) 获取基本面数据 df = get_fundamentals(q) 计算整体换手率：总成交额 / 总流通市值 total_turnover = df['valuation_turnover'].sum() total_circulating_market_cap = df['valuation_circulating_market_cap'].sum() hs300_turnover = total_turnover / total_circulating_market_cap log.info(f"沪深300换手率计算：成分股数量={len(df)}, 平均换手率={hs300_turnover:.4%}") 但是实际运行下来，提示： AttributeError: type object 'valuation' has no attribute 'turnover' AttributeError: type object 'valuation' has no attribute 'circulating_market_cap' 求大神，按照目前的思路，如何获取沪深300整体的换手率？ 在量化交易和技术分析中，RSI（相对强弱指数）、MACD（移动平均收敛发散指标）和移动平均线（MA）是三个最经典且广泛应用的技术指标。它们能帮助交易者识别市场趋势、动量和潜在的反转点。本文将详细介绍如何通过常见的市场数据 API 获取高质量的金融数据，并使用 Python 手动计算这些核心指标，为你构建量化策略打下坚实基础。 一、数据获取与指标计算 1. 环境准备与数据获取 安装必要的 Python 库并获取 K 线数据。 # 安装必要的库 # pip install requests pandas numpy matplotlib import requests import pandas as pd import numpy as np import matplotlib.pyplot as plt # 设置API请求头（所有iTick接口通用） headers = { "accept": "application/json", "token": "你的API_Token" # 请替换为你的实际Token } def fetch_kline_from_itick(symbol='700.HK', region='HK', k_type=8, limit=100): """ 从iTick API获取历史K线数据 参数： symbol: 标的代码，如‘700.HK’代表腾讯控股 region: 市场区域，如‘HK’（港股）、‘US’（美股）、‘CN’（A股） k_type: K线周期，1=1分，2=5分，...，8=日线 limit: 获取的K线数量 """ url = f"https://api.itick.org/stock/kline?region={region}&code={symbol}&kType={k_type}&limit={limit}" try: response = requests.get(url, headers=headers) data = response.json() if data["code"] == 0: # 请求成功 kline_list = data["data"] df = pd.DataFrame(kline_list) # 重命名和格式化列 df.rename(columns={'t': 'timestamp', 'o': 'open', 'h': 'high', 'l': 'low', 'c': 'close', 'v': 'volume'}, inplace=True) df['datetime'] = pd.to_datetime(df['timestamp'], unit='s') df.set_index('datetime', inplace=True) df.sort_index(inplace=True) # 确保按时间排序 print(f"成功获取 {symbol} 的 {len(df)} 条K线数据") return df[['open', 'high', 'low', 'close', 'volume']] else: print(f"请求失败: {data['msg']}") return None except Exception as e: print(f"获取数据时发生错误: {e}") return None # 示例：获取腾讯控股（0700.HK）的日线数据 df = fetch_kline_from_itick(symbol='700.HK', region='HK', k_type=8, limit=200) print(df.head()) 2. 计算移动平均线 (MA) 移动平均线是最基础的趋势指标，用于平滑价格数据。 def calculate_ma(df, windows=[5, 10, 20]): """ 计算简单移动平均线 (SMA) """ for window in windows: df[f'MA_{window}'] = df['close'].rolling(window=window).mean() return df # 计算5日、10日、20日移动平均线 df = calculate_ma(df, [5, 10, 20]) print(df[['close', 'MA_5', 'MA_10', 'MA_20']].tail()) 3. 计算指数平滑移动平均线 (EMA) 与 MACD MACD 是一个趋势动量指标，由快线（DIF）、慢线（DEA）和柱状图（MACD Histogram）组成。 def calculate_ema(series, period): """计算指数移动平均线 (EMA)""" return series.ewm(span=period, adjust=False).mean() def calculate_macd(df, fast=12, slow=26, signal=9): """ 计算MACD指标 标准参数通常为：快线周期12，慢线周期26，信号线周期9 """ # 计算快慢EMA df['EMA_Fast'] = calculate_ema(df['close'], fast) df['EMA_Slow'] = calculate_ema(df['close'], slow) # 计算DIF（差离值） df['DIF'] = df['EMA_Fast'] - df['EMA_Slow'] # 计算DEA（信号线，即DIF的EMA） df['DEA'] = calculate_ema(df['DIF'], signal) # 计算MACD柱状图 (通常表示为2*(DIF-DEA)) df['MACD_Hist'] = 2 * (df['DIF'] - df['DEA']) return df # 计算MACD df = calculate_macd(df) print(df[['close', 'DIF', 'DEA', 'MACD_Hist']].tail()) 4. 计算相对强弱指数 (RSI) RSI 是动量振荡器，用于衡量价格变动的速度和幅度，判断超买或超卖状态。 def calculate_rsi(df, window=14): """ 计算相对强弱指数 (RSI) """ # 计算价格变化 delta = df['close'].diff() # 分离上涨和下跌 gain = (delta.where(delta > 0, 0)).rolling(window=window).mean() loss = (-delta.where(delta < 0, 0)).rolling(window=window).mean() # 计算相对强度 (RS) 和 RSI rs = gain / loss df[f'RSI_{window}'] = 100 - (100 / (1 + rs)) return df # 计算14日RSI df = calculate_rsi(df, window=14) print(df[['close', 'RSI_14']].tail()) 二、 数据可视化 计算完成后，将价格和指标可视化能更直观地进行分析。 def plot_indicators(df, symbol='700.HK'): """绘制价格、移动平均线、MACD和RSI图表""" fig, axes = plt.subplots(3, 1, figsize=(14, 12), gridspec_kw={'height_ratios': [3, 2, 2]}) # 子图1：价格与移动平均线 axes[0].plot(df.index, df['close'], label='Close Price', linewidth=1.5, color='black') colors = ['blue', 'orange', 'green'] for i, period in enumerate([5, 10, 20]): if f'MA_{period}' in df.columns: axes[0].plot(df.index, df[f'MA_{period}'], label=f'MA{period}', alpha=0.8, color=colors[i]) axes[0].set_title(f'{symbol} - Price & Moving Averages') axes[0].set_ylabel('Price') axes[0].legend(loc='upper left') axes[0].grid(True, alpha=0.3) # 子图2：MACD axes[1].plot(df.index, df['DIF'], label='DIF', color='blue', linewidth=1.5) axes[1].plot(df.index, df['DEA'], label='DEA', color='red', linewidth=1.5) # 用柱状图表示MACD Histogram，绿色为正，红色为负 colors_hist = ['green' if x >= 0 else 'red' for x in df['MACD_Hist']] axes[1].bar(df.index, df['MACD_Hist'], color=colors_hist, alpha=0.5, width=0.8, label='MACD Hist') axes[1].axhline(y=0, color='grey', linestyle='--', linewidth=0.8) axes[1].set_ylabel('MACD') axes[1].legend(loc='upper left') axes[1].grid(True, alpha=0.3) # 子图3：RSI axes[2].plot(df.index, df['RSI_14'], label='RSI 14', color='purple', linewidth=1.5) axes[2].axhline(y=70, color='red', linestyle='--', alpha=0.7, label='Overbought (70)') axes[2].axhline(y=30, color='green', linestyle='--', alpha=0.7, label='Oversold (30)') axes[2].axhline(y=50, color='grey', linestyle='--', alpha=0.5) axes[2].set_ylabel('RSI') axes[2].set_ylim(0, 100) axes[2].legend(loc='upper left') axes[2].grid(True, alpha=0.3) axes[2].set_xlabel('Date') plt.tight_layout() plt.show() # 绘制图表 plot_indicators(df, '700.HK') 三、 进阶：构建简单的交易信号 基于计算出的指标，我们可以生成基础的交易信号。 def generate_signals(df): """基于MACD和RSI生成简单的交易信号""" df['signal'] = 0 # 初始化信号列 # 规则1：RSI超卖（<30）且MACD金叉（DIF上穿DEA）作为潜在买入信号 rsi_oversold = df['RSI_14'] < 30 macd_golden_cross = (df['DIF'] > df['DEA']) & (df['DIF'].shift(1) <= df['DEA'].shift(1)) df.loc[rsi_oversold & macd_golden_cross, 'signal'] = 1 # 买入信号 # 规则2：RSI超买（>70）且MACD死叉（DIF下穿DEA）作为潜在卖出信号 rsi_overbought = df['RSI_14'] > 70 macd_death_cross = (df['DIF'] < df['DEA']) & (df['DIF'].shift(1) >= df['DEA'].shift(1)) df.loc[rsi_overbought & macd_death_cross, 'signal'] = -1 # 卖出信号 return df df_with_signals = generate_signals(df) signal_points = df_with_signals[df_with_signals['signal'] != 0] print("交易信号点：") print(signal_points[['close', 'RSI_14', 'DIF', 'DEA', 'signal']]) 四、 总结与应用建议 通过市场 API，我们可以便捷地获取高质量的金融数据，并利用 Python 的强大计算能力，从底层实现 RSI、MACD 和移动平均线等核心指标的计算。这为你自主开发、测试和优化量化策略提供了极大的灵活性和透明度。 几点关键建议： 理解指标本质：不要盲目使用指标。理解 RSI 的超买超卖、MACD 的金叉死叉以及均线排列背后的市场含义至关重要。 多指标结合：单个指标可能存在缺陷（如 RSI 在强趋势中的钝化）。结合趋势指标（如 MA）和动量指标（如 RSI, MACD）进行综合判断，可以提高信号的可靠性。 参数优化与回测：指标的周期参数（如 RSI 的周期、MACD 的快慢线）并非一成不变。你需要针对不同的市场和标的，进行严格的回测来寻找更优的参数组合。 风险管理：任何技术指标都不能保证 100%的准确。在实际应用中，务必结合严格的资金管理和止损策略。 温馨提示：本文仅供代码参考，不构成任何投资建议。市场有风险，投资需谨慎 参考文档：https://blog.itick.org/rsi-strategy-hands-on-guide-with-itick-data-python GitHub：https://github.com/itick-org/ 请大家不要客气，任何意见建议可以在这里评论提出。 被采纳后我们将奖励1G研究环境内存 3个月。 兄弟们，最近在 Supermind 社区看到很多帖子吐槽：“为什么我的策略在分钟线回测年化 50%，一上实盘就磨损严重，甚至亏损？” 作为摸爬滚打多年的老手，我可以直接告诉你结论：你的数据精度骗了你。 大部分人做实盘，还在用 1 分钟 K 线甚至更粗的粒度。但市场是连续的，尤其是在 A 股，如果你不懂 Tick 数据（切片）的真相，再好的策略也是“刻舟求剑”。 今天不聊虚的理论，直接上干货：揭秘 A 股 Tick 的本质，并送大家一套我自用的、带断线重连的 Python 源码。 一、 一个残酷的真相：你以为的 Tick 不是 Tick 很多教程告诉你：“Tick 数据就是逐笔成交，是最细粒度。”大错特错！ 在 A 股 Level-1 行情中，你拿到的 Tick 其实是** ****3 秒一次的快照 (Snapshot)**。 想象一下，你以为你在看直播，其实你看到的是每 3 秒刷新一次的 PPT。在 09:30:00 到 09:30:03 这 3 秒内，可能发生了 100 笔成交，价格上下扫了 3 个档位，但 Level-1 只会给你一个最终结果。 这就是你实盘亏损的原因：你的策略以为抓住了中间的差价，但那个价格在实盘中可能根本抢不到。 怎么破？ 你需要一个能处理这种“快照机制”的网关，并且最好能把 美股、港股（逐笔）、Crypto（逐笔） 和 A 股（快照）、外汇 统一起来。 我目前用的是 **TickDB，它在服务端把这些乱七八糟的异构协议洗成了统一的格式，不管你接什么市场，代码只需要写一套。 二、 别再写“玩具代码”了 我看过很多人的实盘脚本，WebSocket 连接部分写得极其简陋，网络一抖动程序就挂了，策略直接停摆。 生产级的代码必须包含三点： 心跳保活 (Heartbeat)：防止运营商 NAT 超时把你踢下线。 断线重连 (Reconnect)：网断了要能自动连回来。 鉴权安全：Key 别写死在 Header 里，要走 URL 签名。 抄作业：生产级 Python 源码 这段代码直接复制就能跑（记得 pip install websocket-client ）。它已经封装好了心跳和重连机制，把原本花哨的 Emoji 日志改为了标准的 Log 格式，用来做实盘监控或简单的自动化交易完全够用。 import json import websocket # 依赖库 import time import datetime # ================= 配置区 ================= # 1. 免费 Key 去 tickdb.ai 申请一个 API_KEY = "YOUR_API_KEY" # 2. 支持 A股、美股、港股、Crypto 混搭订阅 # A股加后缀(.SH/.SZ), 美股(.US), 港股(.HK), 币圈(无) SYMBOLS = ["600519.SH", "NVDA.US", "700.HK", "BTCUSDT"] # ========================================= def log(level, msg): """简单的日志辅助函数""" now = datetime.datetime.now().strftime("%H:%M:%S") print(f"[{now}] [{level}] {msg}") def on_open(ws): log("INFO", "连接成功，正在发送订阅指令...") # 发送订阅指令 ws.send(json.dumps({ "cmd": "subscribe", "data": {"channel": "ticker", "symbols": SYMBOLS} })) def on_message(ws, msg): # 解析数据，TickDB 返回的是标准 JSON try: data = json.loads(msg) if data.get("cmd") == "ticker": tick = data.get("data") # 这里写你的策略逻辑 # 输出格式示例: [INFO] [BTCUSDT] 98000.50 log("DATA", f"[{tick['symbol']}] 现价: {tick['last_price']} | TS: {tick['timestamp']}") except Exception as e: log("ERROR", f"数据解析失败: {e}") def on_error(ws, error): log("ERROR", f"网络错误: {error}") def on_close(ws, *args): log("WARN", "连接已断开") def start(): # 鉴权放在 URL 里 url = f"wss://api.tickdb.ai/v1/realtime?api_key={API_KEY}" while True: try: ws = websocket.WebSocketApp(url, on_open=on_open, on_message=on_message, on_error=on_error, on_close=on_close) # 关键：30秒发一次心跳，10秒超时重连，这才是不断连的秘诀 ws.run_forever(ping_interval=30, ping_timeout=10) except Exception as e: log("FATAL", f"运行时异常: {e}") log("INFO", "正在尝试重连...") time.sleep(3) if __name__ == "__main__": start() 三、 为什么推荐这套方案？ 省事：以前接 A 股要写一套 CTP，接美股要接 IB，接币圈要接币安。现在一个 WebSocket 全搞定，维护成本降维打击。 避坑：TickDB 的数据已经清洗过了。比如 A 股的快照，它会帮你对齐时间戳；美股的逐笔，它会帮你聚合。 免费：对于我们个人开发者，它的免费层频次完全够用，不需要像机构那样一年花几十万买万得（Wind）。 写在最后 做量化，数据源选不对，努力全白费。 建议大家把上面的代码复制下来，申请个免费 Key 跑一跑。先别急着实盘，先看看你现在的策略信号，在 Tick 级别的数据下是不是还能稳定触发。 实盘不易，且行且珍惜。 (源码亲测可用，觉得有帮助的兄弟帮忙点个赞/收藏，防止下次找不到) 1、确保先下载好终端 并升级到最新版本 未付费的可以下载体验版本 进行仿真实盘： https://download.10jqka.com.cn/index/download/id/709 想要用真实资金账号实盘的联系论坛首页右上角的群。 2、用同花顺账号进行登录软件 3、点击下方“研究一下”按钮： 此操作会打开网页端的研究环境 并把下方的研究文件直接拷贝到研究环境根目录 遇到需要选择环境 建议选择 python3.8 4、打开客户端的研究环境 直接就可以看到这个文件 进行按照提示进行运行了 实盘操作 4.1、进入客户端首页获取资金账号： 4.2、把策略对应的资金账号填写到 TradeAPI的第一个参数中把策略对应的资金账号填写到 TradeAPI的第一个参数中 4.3、选中下方的代码单元格之后，点击上方三角形 ▶ 按钮启动策略： 5、更多相关阅读 市面ZUI全！一文讲透问财语句深度使用技巧（含50个案例）：http://quant.10jqka.com.cn/view/article/2183 回测正常，模拟ok，如何快速实盘？：（保姆式教学 含截图）：http://quant.10jqka.com.cn/view/article/2120 回测代码直接实盘交易 只需一分钟！：http://quant.10jqka.com.cn/view/article/2110 关于SuperMind研究环境的一些常见问题：http://quant.10jqka.com.cn/view/article/2338 都说股市“开盘定生死”，这句出自传奇人物徐祥的话，道出了交易中最惊心动魄的时刻。每天开盘后的短短几分钟，往往决定了一整天的交易节奏和盈亏结果。然而，对于大多数小资金的散户投资者来说，这最初的波动常常让人感到困惑和焦虑，看不懂主力意图，抓不住市场方向。 忘掉那些复杂的指标和无穷无尽的“战法”吧。日复一日，我用来洞穿开盘迷雾的，就是这五条历经考验的实战原则。它们从未让我失望，也绝不会让你失望。记住它们，你会发现驾驭市场开局，其实并没有那么难。 **1.低开3%**不回头：果断离场的信号 规则解释：如果一只股票开盘就直接低开超过3%，并且在开盘后的十分钟内无法反弹回开盘价，这是一个非常强烈的卖出信号，必须果断离场。 逻辑分析：这种情况通常意味着主力资金已经完成了出货，并且毫不恋战地离场。开盘的大幅低开是他们不计成本抛售的结果，而随后的无力反弹，则确认了市场上已经没有大资金愿意承接。此时若继续犹豫，抱着反弹的幻想，结果只会是越套越深，最后让你“割肉割到心疼”。 **2.**平开不跌后拉升：抓住加仓的时机 规则解释：若股票开盘价与昨日收盘价持平（即平开），在开盘后的前20分钟内股价稳定，并未下跌，随后突然开始放量拉升，这是一个理想的加仓时机。 逻辑分析：开盘后的一段时间内横盘不跌，可以看作是“主力在试盘”。他们是在用这段时间观察市场的抛售压力，测试有多少浮动筹码。20分钟的稳定走势证明了场内几乎没有卖家，这给了主力一个明确的信号：向上拉升的阻力极小。此时的突然启动，表明他们已经测试完毕，准备发动行情。这种走势的股票，后续大概率还有可观的上涨空间，果断加仓就等于“给利润上了个保险”。 **3.**高开缓攻：锁定一半利润的智慧 规则解释：当一只股票高开2%到5%，但在开盘后的30分钟内，股价上涨乏力，迟迟不能封上涨停板，应立即卖出一半仓位。 逻辑分析：这种走势被称为“磨洋工”。高开本身是强势信号，但后续进攻犹豫不决，说明多头力量不够坚决，或者在某个关键价位遇到了阻力。这种犹豫的态势往往会消耗掉最初的上涨动能，并常常演变成一波急跌回调。此时最明智的策略就是先将一半的利润“落袋为安”，这不仅是锁定胜果的防守动作，也让你能用剩下的一半仓位毫无压力地去博取后续可能出现的拉升。 **4.高开超5%**不封板：警惕主力出货的陷阱 规则解释：如果一只股票以超过5%的幅度大幅高开，但在开盘后一小时内依然没能封上涨停板，那么就不要有任何幻想，立即清仓卖出。 逻辑分析：不要被大幅高开的表象迷惑。这种走势往往不是强势的延续，而是一个精心设计的陷阱。主力利用高开吸引散户追涨，然后在高位从容地将自己的筹码派发出去。一小时都无法封板，说明抛压极其沉重，主力出货的意图已经昭然若揭。 这不是强势。是坑人...多待一分钟，那就给别人抬轿了。 5.开盘看量：成交量是主力的“底牌” 规则解释：当股票高开时，不要急于卖出，关键要看成交量的变化。这条规则分为两种情况： ●如果开盘后成交量持续放大，说明市场交易活跃，这是主力在积极“抢筹”的信号。此时应该坚定持有，因为股票很有可能走出连续涨停的行情。 ●反之，如果成交量非常小，呈现缩量状态，这可能意味着主力资金并没有真正投入战斗，拉高可能只是为了方便后续出货。面对这种情况，应该“见好就收”，及时兑现利润。 逻辑分析：价格可以被操纵，但成交量揭示了真实的投入。它直接反映了资金的真实动向，是判断主力是真心拉升还是虚假诱多的“底牌”。放量上涨代表着真金白银的决心，而缩量上涨则显示出犹豫和底气不足。永远要相信成交量。 总结：在复杂的市场中回归简单 市场的开盘阶段充满了变数和噪音，但这五句简单的口诀，可以帮助我们拨开迷雾，看清主力资金的真实意图。它们是从无数次实战中提炼出的规律，尤其对于资金量不大的散户投资者来说，更是简单、直接、有效的行动指南。 对于散户而言，复杂是交易的敌人。掌握这五条规则，不仅仅是一种策略，更是你必须遵守的新纪律。从明天开盘起开始实践，亲眼见证其中的不同。 大家好，我想和大家分享一个我最近开发的项目——一款面向量化交易的 AI 智能助手工具网站。它可以帮助大家快速生成高质量、可直接复制运行的量化策略代码，无论你是量化小白还是策略开发者，都能从中受益。 核心亮点： 1.多平台支持：目前已支持 PTrade、QMT、miniQMT、聚宽等，并计划不断扩展更多平台。 2.策略生成高效：用户只需选择平台并输入策略想法，AI 即可生成可运行的量化策略代码。 3.快速入门与优化： • 对量化小白：轻松生成可直接运行的策略，快速上手交易。 • 对策略开发者：帮助完善、优化已有策略，节省开发时间。 • 对文档需求者：可作为量化平台的 API 文档问答机器人，方便查询和使用。 4.业内首创：这是首个面向多平台的量化交易 AI 助手，解决了现有 Deepseek 或 Trae 等 AI 工具因缺乏平台知识库而生成代码无法运行的问题。 使用方式：登录 → 选择你使用的平台 → 输入策略想法 → 生成可运行的策略代码。 我希望这个工具能帮助大家更高效地进行策略开发和量化交易，也欢迎大家在帖子里分享使用体验和建议。 网站链接：https://iris.findtruman.io/ai/tool/ai-quantitative-trading/ 如果大家有任何问题或功能需求，也可以在帖子里留言，我会持续优化和更新，让它成为量化交易领域最实用的 AI 助手！ 之前我分享过一个小工具网站，支持国内主流量化平台，可以让 AI 直接帮你写各个平台的策略代码，直接生成可运行的策略代码，代码质量远高于直接使用 DeepSeek、Trae 等平台。上线之后获得了非常多朋友的好评。 大家可以直接用描述策略，然后一键生成可运行的完整策略代码，也可以把它当做一个API 查询工具。 AI工具平台：https://iris.findtruman.io/ai/tool/ai-quantitative-trading/ 我看平台正在开发SuperMind支持，很快就能支持同花顺了 最近我专门针对 Supermind 平台的AI 量化代码生成平台进行了优化改进，现在效果比市面上的 DS、豆包等工具好很多。 👉 SuperMind AI量化代码生成平台 这个工具最大的特点是直接和 AI 对话就能生成完整可运行的Supermind量化策略代码。你不需要懂 Python、C# 或策略 API，只要用自然语言描述你的交易逻辑，比如：“当5日均线向上突破20日均线时买入，反向时卖出。” AI 就会自动帮你生成完整策略代码，并能直接在平台上运行。 相比于通用大模型的输出，这个平台针对量化交易进行了专门优化生成的代码结构更清晰，逻辑更准确，对策略逻辑的理解更接近量化开发者的思路，并且可用作 API 查询或策略自动生成工具 之前上线后，很多朋友反馈代码质量和可运行性都非常高，几乎不需要再手动修改。现在我们的AI量化代码生成平台已经全面支持 Supermind，你可以直接体验。如果你之前在用 DS、豆包等平台，不妨试试看这个版本，可能会刷新你对AI 写量化策略的想象。 亲测最好用的AI编写量化策略工具，可以让 AI 直接写各个平台的策略代码，直接生成可运行的策略代码，代码质量远高于直接使用 DeepSeek、Trae 等平台。 大家可以直接用描述策略，然后一键生成可运行的完整策略代码，也可以把它当做一个API 查询工具。 最新消息，已经支持SuperMind等主流量化平台啦，并且实盘亲测过了，很适合小白用户，上线之后获得了非常多朋友的好评。 **🚀️ AI工具平台：https://iris.findtruman.io/ai/tool/ai-quantitative-trading/** 
