原创内容第787篇，专注量化投资、个人成长与财富自由。
昨天我们分享了量化数据的采集与增量更新：更新数据，年化18.8%，回撤8%的组合策略 | akshare与tushare历史日线数据下载与更新（python代码）
今天讲讲量化后台的异步任务和定时任务。
python生态里使用celery作为异步任务和定时任务的解决方案。
之前我们用过一段时间的dagster。dagster是一个工作流平台，类似现代版本的airflow。它的强项在于把很多个任务，编成一个有向无环图，然后依次执行，大数据中数据处理、机器学习里的工作流比较合适。它有一个很方便的UI。
单纯用定时任务有点重了，如果仅是定时任务，可以使用apscheduler，但我们还需要异步执行，比如回测一个策略。因此选择celery。它也带一个flower监控界面。
celery现在支持在windows下调试开发了，可以使用redis做broker和backend。
通过cel.task就挂载了一个异步回测任务，传入任务id，就可以进行回测了。
cel = Celery('celery_tasks', broker=url_redis, backend=url_redis)
@cel.task
def backtest(strategy_id):
try:
print(f'策略id：{strategy_id}')
run_strategy(strategy_id)
return f'回测完成了：{strategy_id}'
except Exception as e:
print(f"回测任务失败: {e}")
通过flask api提交异步任务后，worker自动完成了策略的回测：
def delay_backtest(strategy_id):
try:
r = backtest.delay(strategy_id)
return {"message":'添加任务成功'}
except Exception as e:
print(e)
celery还可以通过flower监控任务的运行状态：
从1500支ETF里选择了150支热门的ETF:
吾日三省吾身
昨天刷了一下《流星花园》。
这真是青春的回忆。
记得那年，刚上大一，在网吧通宵把流星花园几乎一口气刷完的。
记得同年级的女生们，那段时间，清一色的台湾腔。
不论合理与否，那就是青春啊。
那时候水木年华刚出道，《一生有你》才发行不久。
关于未来，有很多憧憬，关于未来，充满好奇、梦想和理想主义。
谁的青春不迷茫呢？
一个阶段有一个阶段的认知。
纯粹出于对编程的热情，从VB到VC++，也接触过python和人工智能，但没有在意。了解过神经网络，不过那时候还是感知机之类的分类算法。
那时候只关心编程，很少关心其他。
20年过去了，很多身情都变了，很多事情又似乎没有变。
偶尔回到老校园，看着当年学校和宿舍的围墙，当年一切想象不出来的未来的样子。
当初的愿望都实现了吗？
仔细想来，当年似乎也没有许下什么特别的愿望，只是很自信一切都变得越来越好。只是好奇，未来以什么模样展开罢了。
后来换过几家公司，在几个城市生活，认识不一样的人，遇到不一样的事情，也就这么走过来了。
《流星花园》讲的是青春，青春就是热血，不讲合理不合理，理性不理性。现在的我们可能更像《匆匆那年》。回头看的视角。
我们还是我们，只是更理性，更务实。
偶尔还会做梦，梦醒后安静做事情。
关于2025计划
关于英语的学习，尤其是听和说练习，想到一个方法，就是TED演讲视频的精听与背诵，一周一篇试试，一年50篇左右，估计英文口语和听力会有一个质的提升。
关于AGI前沿，这个需要一定的算力支撑，即便是复现deepseek也并非简单的事情。
更何况，这些创新的思路，如何参与进去？
代码和数据下载：AI量化实验室——2025量化投资的星辰大海
AI量化实验室 星球，已经运行三年多，1300+会员。
aitrader代码，含几十个策略源代码，因子表达式引擎、遗传算法（Deap）因子挖掘引擎等，支持vnpy，qlib，backtrader和bt引擎，内置多个年化30%+的策略，每周五迭代一次，代码和数据在星球全部开源。
扩展 • 历史文章
EarnMore（赚得更多）基于RL的投资组合管理框架：一致的股票表示，可定制股票池管理。（附论文+代码）
deap系统重构，再新增一个新的因子，年化39.1%，卡玛提升至2.76（附python代码）
deap时间序列函数补充，挖掘出年化39.12%的轮动因子，卡玛比率2.52
年化19.3%，回撤仅8%的实盘策略，以及backtrader整合CTPBee做实盘（附python代码和数据）
近四年年化收益19.3%，而最大回撤仅8%，卡玛比率2.34，投资应该是一件简单的事情。（附python代码+数据）
aitraderv4.2开发计划，整合QMT。年化39.9%的因子与年化19.3%的策略哪个优?
年化18%-39.3%的策略集 | backtrader通过xtquant连接qmt实战
AGI通用智能实验室
紧跟前沿AGI研究进展，论文复现，可运行的代码，落地应用等。
既做科研，也做科普；研究基础大模型，也关心应用场景。
