这篇文章是关于Prometheus监控系统的安装指南，以下是文章的中文翻译：

安装 | Prometheus

使用预编译的二进制文件

我们为大多数官方Prometheus组件提供了预编译的二进制文件。请查看下载部分，了解所有可用版本的列表。

这是Prometheus官方文档的“入门指南”，以下是该网页内容的中文翻译：

入门指南 | Prometheus

本指南是一个“Hello World”风格的教程，展示了如何安装、配置和使用一个简单的Prometheus实例。你将下载并本地运行Prometheus，配置它来抓取自身和一个示例应用程序的数据，然后使用查询、规则和图表来使用收集到的时间序列数据。

下载并运行Prometheus

下载适用于你平台的最新版本的Prometheus，然后解压并运行它：

Rust 是一门系统级编程语言，以其 性能、内存安全 和 并发安全 而闻名。它被设计为可以编写高性能、可靠的软件，同时又不牺牲开发者的生产力。

Rust 的主要特点：

• 内存安全： Rust 拥有一个强大的类型系统和所有权模型，能够在编译时捕获许多常见的编程错误，如空指针引用、悬垂指针和数据竞争。
• 性能： Rust 代码的运行速度可以与 C++ 相媲美，甚至在某些情况下还能超越。
• 并发安全： Rust 的并发模型使得编写可靠的并发程序变得更加容易。
• 零成本抽象： Rust 提供了丰富的抽象机制，但这些抽象并不会带来额外的运行时开销。
• 工具链强大： Rust 拥有一个活跃的社区和完善的工具链，包括包管理器、构建工具、集成开发环境等。

为什么选择 Rust？

• 系统编程： Rust 非常适合编写操作系统、嵌入式系统、网络服务器、游戏引擎等对性能和可靠性要求极高的软件。
• Web 开发： Rust 可以用于构建高性能的 Web 应用程序的后端，例如使用 Rocket、Actix 等框架。
• 数据科学： Rust 在数据科学领域也逐渐受到关注，因为它可以提供比 Python 更高的性能。
• 区块链： Rust 的安全性、并发性和性能使其成为区块链开发的理想选择。

前一篇文章实现了在Mac上安装qmt，本文介绍如何在Mac上安装xtquant连接miniqmt，实现股票行情的获取。

qmt使用起来真的是有点别扭，内置的python版本也比较低，内置的编辑器也不是很好用，好在qmt提供了一个极简模式，极简模式就是miniqmt，界面很简洁，只提供交易功能，没有行情展示、策略回测、代码编辑等功能。

在qmt登录的时候选择极简模式登录，就能进入miniqmt界面，如下图所示：

miniqmt相比qmt最大的优势就是它支持在第三方编辑器（比如pycharm、vscode）中编辑代码，用户可以自由使用第三方库。比如想用backtrader做回测就得用miniqmt，用qmt就没法接入backtrader。

手头暂时没有Windows电脑，只有Mac电脑，QMT只能在Windows上使用，所以就想着在Mac上安装使用QMT。和之前在Mac上安装掘金量化的方法一样，也是在CrossOver上安装。

大致的流程和之前一样，首先在CrossOver上创建一个容器，然后安装QMT，最后安装相关的python库。

安装QMT不能通过点击安装按钮来安装，QMT的安装包直接安装会出下面这个问题：

接下来讲一下具体的安装步骤：

1. 在CrossOver上创建一个容器

k线浓缩了一段时间内股市的走势，通过k线图的排列组合能够揭示股市中的一些信号。作为成熟的回测框架，backtrader自然也支持对各种k线形态的识别。今天这篇来讲一下怎么用backtrader识别各种k线形态。

backtrader是通过talib实现k线形态的识别的，虽然backtrader内置了talib，但是需要用户自行安装talib，不然不能用。

talib的安装教程可以看PyPI上的说明：https://pypi.org/project/TA-Lib/，也可以看我以前写的这篇文章 二十二

简单来说，安装talib的python接口封装可以用pip：

1

python -m pip install TA-Lib

昨天有读者建议我监测一下顶底分形，今天我已经把顶底分形的监测加好了。

首先介绍一下顶底分形：

顶分形是连续三根k线，中间的k线的最高价和最低价比两边k线的都要高

底分形是连续三根k线，中间的k线的最高价和最低价比两边k线的都要低

周五发了MACD金叉死叉上涨下跌概率回测的这篇文章，当时看了结果还挺高兴，以为找到了MACD金叉死叉有用的证明😅。今天早上有朋友留言问『概率是不是很小，百分之0.几的概率』，我突然发现当时只统计了上涨和下跌的幅度，没有统计上涨下跌的概率。

然后今天就去改了下代码，统计了一下概率。然后就发现，数据不太对啊：

图片中是近5年的数据，以零上金叉为例，可以看到从一天到三天，这三天的上涨数+下跌数+持平数是不一样的！！！也就是样本中的股票数变化了。

为什么呢，我分析了一下代码，原来代码中统计各天数数据的这段有问题：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

cnt=10
tp=''
base=0
for x in data:
  if x['信号类型'] != '-':
    cnt=0
    base=float(x['收盘价'])
    tp=x['信号类型']
  else:
    if cnt==1:
      statistic[tp]['一天'].append((float(x['收盘价'])-base)/base)
    if cnt==2:
      statistic[tp]['二天'].append((float(x['收盘价'])-base)/base)
    if cnt==3:
      statistic[tp]['三天'].append((float(x['收盘价'])-base)/base)
  cnt+=1

试想一下下面这种情况：

这篇文章的统计结果存在幸存者偏差，MACD金叉死叉的成功率在50%左右

一直以来各种文章教程都在讲MACD金叉是买入信号，死叉是卖出信号，今天我就用量化
的方法来判断一下MACD金叉死叉到底有没有用。

首先来说一下我的回测方法，我用各行业的ETF来代表整个股市，这样能避开个股暴雷的情况。统计所有这些ETF金叉死叉之后一天、二天、三天的涨幅情况，并计算其平均数作为结果。

策略代码部分如下：

首先在初始化函数中定义好MACD指标，定义一些需要用到的变量，并打开一个以股票代码为名的csv文件，用于保存数据：

震荡行情很适合用网格交易策略，今天这篇文章介绍怎么在backtrader中实现网格交易策略。

网格交易基本思想：

如果判断当前股票价格处于震荡阶段，则可根据历史行情找到震荡区间，然后按把震荡区间若干等分。

每当价格下跌一个档位则买入一份股票，每当价格上涨一个档位则卖出一份股票，如果价格下跌或上涨n个档位则买入或卖出n份股票。