ITPub博客

在论坛里面看到不少关于分钟合成日线的讨论，也试着实现了。这里是针对vnpy2.0的，1.92其实基本也差不多。这里把合成的日线HLOC信息放在pandas.DataFrame里面，因为日线分析的话，对运算时间要求不是特别高，DataFrame足矣合成过程放在on_bar方法里面，对每个传入的分钟进行日线合并处理；这里用了trading == False进行判断，就是只在策略初始化过程对于历史数据进

之前做过利用机器学习做交易策略，最近也在看强化学习的。发现大多时候学习后策略都是倾向于空仓，完全不交易。当时还自嘲计算机有大智慧，空仓不玩是最好的策略。最近强化学习时候，才发现这个和回报值有关reward。如果不给空仓负回报的话，策略会在可能损失的主动交易，或者没有损失的空仓交易中，选择空仓作为自己的策略。所以，必须要引入基准利率，每天按照及基准策略计算本金损失，是的计算机避免长期空仓。可以用你的

昨天再研究lru_cache缓存读取回测优化时候，使用了性能分析工具cProfile，发现还是非常强力的分析工具，这里做个简单介绍。并结合说下一些策略提速思路。关于cProfile使用这个文章写的很详细，https://www.cnblogs.com/btchenguang/archive/2012/02/03/2337112.html 。 这里我简单接受下。安装不用安装，python一

VnTrader 2.0版本有不少提速措施，其中lru_cache是提高回测速度一个利器，让我用1.92为主的我很是羡慕。看说这个是python 3.5.2提供的功能，也就没多想。最近才发现其实有第三方在也支持python 2.7的版本，比如 functools32。还有一个用 C 语言实现的，更快的，同时兼容 Python2 和 Python3 的第三方模块 fastcache 能够实现同样的功

最近一段时间都是Jupyter Notebook做策略的最初版本设计，就是行情导入画图一类。之前做个dataframe做分析容易，这个算是简化版本。新建一个DataAnalyzer 类，这个简单很多，支持从csv和mongodb导入行情数据，和从1分钟k线整合不同分钟k线下面是导入1分钟螺纹钢数据，整合为5分钟K线from pymongo import MongoCl

刚好有个同学问怎么实现IB盈透历史数据获取，和策略回测和实盘交易。想着熟悉vnpy2.0操作，就用Jupyter Notebook都是跑了一边。VNPY2.0的整体架构设计很有扩展性，而且调用也比起v1.0先进清晰很多，引擎加载调用非常方便。讲讲注意点：IB盈透接口历史数据大多是要收费订阅的，如果收费会有报错信息提示，这里找个免费的作为使用。另外vnpy是按照最大6个月历史数据设计的。数据库定义有

在搞好IB盈透接口后，试了下客户端交易，但是最终目的还是使用程序化交易。发现vnpy已经提供的Script_engine来支持Jupyter NoteBook 交易的，而且非常方便调用。这里就用写了基于VNPY包，用代码实现IB盈透下的查询和交易，和一个TWVP算法交易。Script_engine的大多操作都是针对main_engine的封装，类似的逻辑，其他交易相关App，也可以用类似方法调用，

最近在看一本友人推荐的陈博士的《算法交易: 致胜策略和原理》一书，虽然书名很神棍，其实内容是很实际结合理论的，不少内容击中了我现在困惑的痛点。本文是学习书中《1.3 统计学在回测程序上的应用：假设检验》一节的理解，对概率论很久没研究，如果理解错误请指教。在交易策略设计优化完成后，都会放入一个测试集进行回测，但是不论怎么样收集，用于回测的数据集是始终是有限的，而且，无论我们计算的统计指标是什么，诸如

最近在小组内部做了一次关于风险和投资组合的内部知识分享， 主要使用了PPT和Jupyter Notebook。把PPT和Jupyter Notebook都传到我的Github 分享，有兴趣可以看看https://github.com/BillyZhangGuoping/MarketDataAnaylzerbyDataFrame/tree/master/Risk%20and%20Portfolio%

本文主要说说VNPY的价差模块的简单使用，至于自开发算法什么暂不涉及。VNPY提供价差交易模块，其实还是挺好用的，先说说使用，再说说代码。进入之后的界面如下图：使用思路：- - 定义价差组合：定义一组价差组合，可以是一个主动腿，一个或者多个被动腿    |- -指定针对价差组合算法，系统默认是Sniper交易算法，VNPY提供算法模板，可以自己新增  &nb

之前看到一篇文章，变点理论CUSUM在量化交易中；列了一堆数据和公式，说结果不错。链接如下:https://max.book118.com/html/2017/0726/124391946.shtm 或者这个，就是整理版，有很详细的公式推导，不过代码写的不清不楚的，应该没写完。https://wizardforcel.gitbooks.io/python-quant-uqer/134.html 花

https://github.com/BillyZhangGuoping/MarketDataAnaylzerbyDataFrame

VNPY的参数优化功能，是策略优化的重要功能。主要就是按照范围生成批量的参数组合，然后成批跑完，选出最优的方法的。在ctaBaclesting.py中的addParameter方法提供了批量导入参数的方法。就是这样一个参数一个参数填入。addParameter会按照1为初始，5为介绍，2为步进，生成[1，3，5]参数队列setting.addParameter('barMins',

在做策略建模的时候，经常需要把K线转换为可以正态分布数据，这样可以使用那些很牛吼吼的数学模型进行挖掘。实现很简单c = ln(t1/t0)像相信研究可以看看这个https://www.zhihu.com/question/30113132在VNPY的K线序列管理工具ArrayManager，可以加入下面代码。按照属性返回百分比序列@property def percentLog(sel

之前在研究用机器学习库Sci-kit做计算指标(特征值)和金融产品趋势(分类)关系学习的时候，对于如何判断趋势，是直接使用当前之后5根k线close值做线性回归，如果拟合的P值可信的直线斜率向上则是上涨，斜率向下则是下跌。具体代码可以见之前我之前blog。在vnpy有个网友讨论，为什么用这样方法判断趋势的时候；我做了些搜索，才发现判断一组时序队列的趋势并不是一个简单的事情，虽然人眼看很直接，但是数

之前在做时序数据整理时候学习时候，发现很多代码都行情数据做了对数化处理。学习了下，发现是另一个视角。https://www.zhihu.com/question/20831196/answer/16324269知乎查了，这个答案比较全。在很多计算中（例如做极大似然的时候），取对数可以将本来需要做的乘法变成加法；取对数可以避免数值巨大，计算机难于处理的困难；与对数有关的数据可以反映出物理量尺度的变化

在我之前文章中，讲了用Joinquant做数据源，链接：http://blog.itpub.net/22259926/viewspace-2643621/ ，但是在我用作数据源做实盘交易的时候， 发下一个很危险的bug，更新下。如下图，如果运行行情数据下载时候，是在交易日中的话比如2点半，如果填写的endDate是当天，那么返回数据会自动填充到下午3点交易时候。

代码如下，回测效果很好，test集合也基本100%中，但是总有哪里不对劲。各位帮忙看看。我也放在我的GitHub里面。已经加了注释，运行时候会有warning 信息。# encoding: UTF-8 import warnings warnings.filterwarnings("ignore") from pymongo&nbs

这个算是一个小坑，因为我也还在学习过程中，代码慢慢完善。一开始在python 2.7，vnpy 1.9.2环境中实现。后面在python 3.7也基本实现，增加支持了xgboost。代码写的繁杂，多多抱歉。首先说说Scikit-learn是Python语言中专门针对机器学习应用而发展起来的一款开源框架，相对于现在深度学习库tensorflow，由于Scikit-learn本身不支持深度学习，也不支

我使用VNPY 1.9.2版本，因为监管要求，需要支持看穿式终端，这里说说实现流程。2.0版本还没有试过，不太确定，仅做参考。首先感谢vnpy及时更新。可以去GITHUB https://github.com/vnpy/vnpy/tree/v1.9.2-LTS ， 下载最新版本。第一步是和期货公司客户经理联系，一般他会给你一个申请表，填号信息，主要是AppID:client_vnpyXXXX_版本