知识星球与开源项目：万物之中，希望至美原创文章第299篇，专注“个人成长与财富自由、世界运作的逻辑与投资"。
聚焦战略，要解决”症结性难题“。之前AI量化，”症结性难题“是因子、因子挖掘，而后基于多因子的策略构建。
因子，指标找到优质的因子。
那么从用户的角度，价值是什么？少部分懂代码的人希望其中的逻辑，代码，原理。更大的用户群体，更关心：告诉我买什么，何时买。
当然这里存在悖论，但信息增值还是大有可为：基础维度整理变成基础因子，基础因子通过人工构造或机器挖掘，形成复合因子，因子组成成策略集合。
一、【数据】证券的多维基础数据大宽表
股票（价量，基本面），转债（价量，基本面，债券估值），指数（价量）
二、【因子】因子集
三、【策略】策略集
然后围绕这些的讨论与社群，思路交流等。
量化基础数据，其实是一个数据源的概念，当然我们没有引入复杂的hadoop之类的基础架构，甚至没有使用clickhouse，而是使用mongo（没有使用arctic）。
mongo是持久化层，同时也是ODS层，就是尽量贴近原始数据格式，只做一些数据字段的统一，比如统一叫symbol，date等（多个数据来源，有些叫code, symbol等）。
可转债一共954支，包含历史上退市的。
1270支场内基金（当前可以交易的）：
财务指标数据（PIT，季度频率）：
如此这般，我们股票相关的数据最多：basic是基础数据，比如名称：贵州茅台，何时上市，所属版块等；quotes是价量日频数据，pit是季度财务指标，daily是日频估值数据，比如pe/pb/市值等，最新日期的数据会计算后进入stock_basis_daily这是一个截面的大宽表，可以按维度进行选股。
quotes和daily表是需要每日收盘后更新的：
后续我们需要把这些历史数据导入csv，离线把csv合并成大宽表，而后使用duckdb的分析能力。（开放星球会员下载，每日更新）知识星球与开源项目：万物之中，希望至美
吾日三省吾身
之前看到一句话，叫陌生人，只要不触及底限，随它去。开车、地铁上会与人冲突，着实没有必要，都是10秒内情绪的问题。但在职场，不一样，有人试探性的挑战你，有一次可能就有无数次，必须给予回应。
当然本着与人为善，职场毕竟不是生活之全部，每个人都有自己的立场与逻辑，并不会是”非黑即白“的好人或者坏人的逻辑。之于有些人，有些事，没有必要掀桌子，无视且敬而远之就是最好的回应。
一旦去理论，就会与之拉到相应的维度，拎不清还惹一身骚。它们的认知、格局和维度不够，但甩得一手好锅。正面刚显然不是最优策略，应该说“多看它一眼，都是你自己的错“。
目前还是持续开发数据、因子、策略中：
应大家要求发放30张限期优惠券，有需要的同学请领取：
联系客服
