量化交易-vnpy_efinance-VeighNa框架数据服务接口

       我们之前对vnpy_ctastrategy相关回测源码进行了解析：

       回首凡尘不做仙：VNPY源码分析1-vnpy_ctastrategy-运行回测

       回首凡尘不做仙：VNPY源码分析2-vnpy_ctastrategy-撮合成交

       回首凡尘不做仙：VNPY源码分析3-vnpy_ctastrategy-计算策略统计指标

       相关历史数据可以通过各类数据服务的适配器接口（datafeed）下载，目前vn.py支持以下接口：

       然而，码量上述接口需要注册或付费才能获取数据。量化

       为了帮助初学者更好地理解和学习量化交易以及vn.py框架，合约化合订餐商城 源码我开发了基于efinance数据接口的源约a源码vn.py的datafeed。

       开源地址为：github.com/hgy/vnpy...

       编译安装：

       下载源代码后，码量解压并在cmd中运行：

       dist目录下vnpy_efinance-x.x.x-py3-none-any.whl包

       使用：

       安装完成后，量化在vn.py框架的合约化合trader目录中的setting.py中进行配置：

       注意：此处只需配置datafeed.name，username和password无需配置。源约a源码

       配置完成后，码量可以通过以下示例进行调用：

       同时，量化这里分享一个efinance数据下载及入库方法：

       然而，合约化合efinance在获取分钟级别数据方面并不友好。源约a源码对于需要获取分钟级别数据的初学者来说，我们可以使用天勤免费版的数据接口：

       回首凡尘不做仙：量化交易-数据获取-vnpy_tqsdk免费版

代码编程期货量化交易系统代开发策略（Python天勤）

       期货量化服务全新上线！

       您是否梦想着将自己的交易策略转化为高效的自动化交易系统？现在，这不再是梦想，我们的服务让每一个交易者都能做到。借助流行的金融编程语言Python，结合天勤量化平台的强大功能，我们的系统支持国内5大交易所、商品期货、金融期货（包括股指期货、国债期货），轻松实现期货量化交易。

       我们深知期货市场的两大痛点：交易者往往缺乏编程技能，而程序员往往对市场运作了解不够。为此，我们提供免费代写服务，帮助您将想法变为现实，实现期货自动化交易，解放您的时间和双手。

       私人定制期货量化策略，将为您带来以下显著优势：

       1. 策略完全属于您，无认知盲区，易于理解。

       2. 策略符合您的投资风格，避免与市场同流合污。

       3. 个性化策略设计，提高实战有效性，避免策略同质化。

       服务承诺：提供终身免费维护，划水玩法源码确保您的交易系统持续稳定运行。

       对于汇飞量化合作期货公司的客户，只要满足一定的交易手数，即可享受免费代写服务，市场价起的费用由此得到覆盖。策略完成后，可用于模拟盘交易、历史回测及实盘交易，同时享有终身免费维护（不包含新增功能）。

       对于希望在其他期货公司开户的客户，我们提供有偿策略代写服务，费用根据策略复杂度而定。服务流程如下：

       1. 提交策略文本。

       2. 评估工作量并报价。

       3. 预付%定金。

       4. 技术人员开始编写代码，预计1-2周完成。

       5. 提交策略供客户测试一周，免费修改，如需增加功能，根据工作量加收费用。

       6. 完成后，客户支付剩余款项，获得源代码。

       所有合作代写策略的客户，都将获赠一款价值元的趋势追踪量化交易系统，让您的交易策略更加全面、高效。

vn.py学习笔记（八）vn.py utility、BarGenerator、ArrayManager源码阅读

       在量化投资的探索中，作者对vn.py产生了浓厚的兴趣，并投身于相关学习。目前，作者主要专注于vn.py在A股市场量化策略的学习，面临的主要技术难点包括获取和维持日线数据、实现自动下单交易、开发全市场选股程序、编写选股策略回测程序，以及运用机器学习进行股票趋势预测。作者计划通过阅读vn.py源码，深入了解其架构机制，并通过分享形式记录学习心得，nacos源码面试以便更好地理解vn.py。

       相关github仓库地址：github.com/PanAndy/quan...

       如有收获，请关注公众号以支持作者。同时，作者也收集了一些量化投资和技术相关的视频及书籍资源，欢迎关注公众号亚里随笔获取。

       本文将重点探讨vn.py/trader/utility.py中的内容，主要包括工具函数、BarGenerator和ArrayManager。工具函数部分相对容易理解，主要是对通用功能进行封装。BarGenerator是K线合成器，负责根据实时tick数据合成1分钟K线，并进一步合成n分钟K线。ArrayManager是指标计算辅助类，负责维护一定量的历史数据，以供计算sma、ema、atr等常见指标。BarGenerator和ArrayManager是本次学习的重点。

       工具函数部分主要提供合约代码转换、路径读取、json文件读写、数值位数设置、日志等功能，主要是对基本功能进行封装，没有复杂的算法。

       BarGenerator类用于从tick数据中生成1分钟bar数据，也可以用于从1分钟的bar数据中合成x分钟或x小时的bar。BarGenerator的主要函数包括update_tick、update_bar、update_bar_minute_window、update_bar_hour_window、on_hour_bar和generate。

       ArrayManager是一个时间序列容器，用于按时间序列缓存bar数据，提供技术指标的计算。ArrayManager提供的函数分为四类：init函数、update_bar、@property函数和技术指标函数。

一大波国外高清量化网址正在袭来...

       随着春节的结束，工作和学习的节奏回归正轨，我开始整理各类量化资源，通讯源码论坛为读者们提供更新内容。在海外资料的探索中，我发现了一些优质的量化资料，包括理论和源码，适合初学者入门。考虑到国内朋友们的需求，我想把这些国外的好资源介绍给大家，希望你们能从中汲取精华，提升自己。

       对于国内逐渐兴起的量化交易，虽然起源于国外，但了解和学习的渠道在哪里呢？这里有一份推荐清单：《Best Quant Blogs and Websites》。这个网址是 feedly.com/i/top/quant-...

       这个列表收录了个备受国外关注的量化网站和博客，如Quantocracy、Quantpedia和Quantstart等，都是经常被提及的资源。由于是国外站点，访问可能受限，但别担心，我已经将所有相关网址保存，只需回复公Z号『量化君也』的暗号即可获取。

       除了上述资源，还有其他文章供你参考，如《Best Quant websites | An unconventional guide》和《TOP Useful Blogs and Websites for Quants》。国外的量化资源丰富多样，国内的朋友可以通过这些站点学习到更多专业知识。

       以QuantInsti为例，这个网站可以直接访问，无需登录，它的量化文章分类清晰，是入门学习的好去处。网站的Blogs标签下，你可以找到涵盖自动化交易、机器学习等个版块的深入教程，包括《Algorithmic Trading Strategies》、《Stock Market Data Analysis》等文章。

       其中，机器学习版块尤其出色，不仅有理论讲解，还提供实践案例和Python代码，非常适合学习者。如果你想尝试使用神经网络、决策树等算法进行量化交易，敬业果源码这里也有相关的文章推荐，如《Neural Network In Python》和《Decision Tree For Trading Using Python》等。

       总的来说，国外的量化资源丰富且实用，借助翻译工具，即使英语基础一般，也能无障碍学习。希望这些信息能帮助到你，欢迎关注『量化君也』公Z号，那里有更多的量化策略和知识分享。我是@quantkoala，期待与你一起交流和进步！

硬核福利量化交易神器talib中个技术指标的Python实现（附全部源码）

       本文将带您深入学习纯Python、Pandas、Numpy与Math实现TALIB中的个金融技术指标，不再受限于库调用，从底层理解指标原理，提升量化交易能力。

       所需核心库包括：Pandas、Numpy与Math。重要提示：若遇“ewma无法调用”错误，建议安装Pandas 0.版本，或调整调用方式。

       我们逐一解析常见指标：

       1. 移动平均（Moving Average）

       2. 指数移动平均（Exponential Moving Average）

       3. 动量（Momentum）

       4. 变化率（Rate of Change）

       5. 均幅指标（Average True Range）

       6. 布林线（Bollinger Bands）

       7. 转折、支撑、阻力点（Trend, Support & Resistance）

       8. 随机振荡器（%K线）

       9. 随机振荡器（%D线）

       . 三重指数平滑平均线（Triple Exponential Moving Average）

       . 平均定向运动指数（Average Directional Movement Index）

       . MACD（Moving Average Convergence Divergence）

       . 梅斯线（High-Low Trend Reversal）

       . 涡旋指标（Vortex Indicator）

       . KST振荡器（KST Oscillator）

       . 相对强度指标（Relative Strength Index）

       . 真实强度指标（True Strength Index）

       . 吸筹/派发指标（Accumulation/Distribution）

       . 佳庆指标（ChaiKIN Oscillator）

       . 资金流量与比率指标（Money Flow & Ratio）

       . 能量潮指标（Chande Momentum Oscillator）

       . 强力指数指标（Force Index）

       . 简易波动指标（Ease of Movement）

       . 顺势指标（Directional Movement Index）

       . 估波指标（Estimation Oscillator）

       . 肯特纳通道（Keltner Channel）

       . 终极指标（Ultimate Oscillator）

       . 唐奇安通道指标（Donchian Channel）

       深入学习并应用这些指标，将大大提升您的量化交易与金融分析技能。

文华财经软件指标公式赢顺云指标公式启航DK捕猎者智能量化系统指标源码

       在技术分析领域，文华财经软件中的指标公式提供了多种量化分析工具，帮助投资者在交易决策中获取优势。以下是一个具体示例，展示了如何构建一个智能量化系统指标源码，以实现自动化交易策略。

       这个指标源码首先通过MA（移动平均）函数计算不同周期的移动平均线，包括日、日、日、日和日的移动平均线。这些平均线被视为价格趋势的重要指示器，帮助交易者识别市场方向。MA5、MA、MA、MA、MA和MA分别代表了5日、日、日、日、日和日的简单移动平均线。

       接着，通过RSV（相对强弱指数）计算公式，评估价格变动的相对强弱。RSV=(C-LLV(L,9))/(HHV(H,9)-LLV(L,9))*，其中C代表收盘价，L代表最低价，H代表最高价。RSV值的计算帮助交易者识别市场的超买或超卖状态。

       进一步，通过SMA（简单移动平均）计算K、D和J值，形成KDJ指标，K=3*SMA(RSV,3,1)；D=SMA(K,3,1)；J=3*K-2*D。KDJ指标被广泛应用于判断市场趋势和拐点，为交易者提供买入或卖出信号。

       最后，通过逻辑判断和条件计算，系统能够自动识别特定的交易信号。例如，当J值穿越一个预先设定的临界值（例如J<），同时满足X和Y的条件时（X=LLV(J,2)=LLV(J,8)且Y=IF(CROSS(J,REF(J+0.,1)) AND X AND J<,,0)），系统可能会触发一个买入或卖出信号，以指示交易者采取相应的行动。

       通过这样的智能量化系统指标源码，文华财经软件能够为投资者提供高效、自动化的交易策略，帮助其在市场中获取竞争优势。这种自动化的交易策略不仅节省了人力成本，还能够减少主观判断的偏差，提高交易决策的准确性。

量化交易日内策略看过来!!!(附源码)

       日内交易（Day Trade）是一种交易策略，涉及短时间持仓，不保留过夜持仓。这种模式旨在捕捉入市后能迅速脱离成本的交易机会，若无法立即获利，则准备迅速离场。相比长期持仓，日内交易能降低市场波动风险。

       在中国市场，日内交易的可行性存在特定条件。由于股票市场实行"T+1"交易制度，进行“T+0”操作需持有底仓，进行高抛低吸。具有丰富日内交易经验且胜率高的选手，通常在持有期间对日内交易保持高兴趣，交易频率较高。此前提隐含一个条件：仅当当天不准备卖出，才能进行“T”操作，否则可能会因微小价差得不偿失。

       日内交易因其快速了结和价差较小的特点，盈利的关键在于交易来回的价差超过交易成本。按照普遍的券商佣金标准（万三），一个完整交易周期的摩擦成本略低于0.2%，低佣金使得日内交易的盈利相对容易。通过合理预期单次盈利和选择合适介入时间点，长期日内交易者能获得可观的正收益。

       提供各类量化实盘&策略的免费咨询，包括编程技术解答，以及QMT策略终端、量化策略交易系统的支持。对于有兴趣了解更多有效量化策略的伙伴，可以通过留言、评论或私信联系，同时提供市场最低佣金（万一）的开户选项。

       日内回转交易策略包括两个主要步骤：订阅数据和获取数据。在定义init函数中设置订阅数据，并调用subscribe函数。接着，获取已经订阅的数据进行操作，通过context.data函数调用。

       在on_bar函数中，判断当前bar是否为当天交易的最后一根，以决定是否平仓。bar信息直接传递给函数。回测报告显示，选取年1月至年7月作为周期，保利地产作为标的股票，回转策略显示出在日内交易中的表现。

       策略涉及股票的日内回转交易。首先在前一个交易日配置底仓，利用底仓实现“T+0”交易。交易涉及买入、卖出操作，每次交易买卖数量为股，记录在turnaround变量中。策略还利用MACD指标（异移动平均线）进行交易信号的计算，当MACD小于0时买入，反之卖出。策略代码和回测结果均显示了策略的性能，包括累计收益率、年化收益率、最大回撤和胜率。

[时空序列与量化交易] 使用convLSTM进行量化交易建模(附源码)

       本文聚焦于量化交易领域，特别是多股票、多因子背景下应用时间序列分析与空间信息融合的时空建模。本文旨在探索如何通过自定义的股票池、多因子、多时间步长与多通道，预测特定标的（如单个股票或股票池对应的ETF）的时间序列。讨论将涉及量化交易中的几个关键问题，包括时空建模、多空样本不均衡、训练集与验证集的实践、训练过程中的早停策略以及CPU与GPU的并行计算设置。通过论文引用与模型介绍，我们将深入解析卷积循环长短期记忆网络（ConvLSTM）在量化交易中的应用，并提供源码示例。

       一、论文与模型简介

       本文引用了一篇在Keras上推荐的论文，强调了卷积循环长短期记忆网络（ConvLSTM）在降水预报中的应用。ConvLSTM是一种结合卷积操作与传统循环神经网络（RNN）的模型，能够有效处理空间与时间序列数据，具有在量化交易领域应用的潜力。

       二、模型原理与数据流转

       在介绍模型原理之前，我们先回顾了传统LSTM的结构与公式，并指出在ConvLSTM中，这些门控单元（Gate）转换为卷积操作，使得模型能够捕获空间与时间序列中的特征。对于数据在模型中的流转，ConvLSTM2D能够处理5D张量，数据维度为（n_samples, n_timesteps, n_indX, n_colX, n_channels），其中n_samples表示时序样本集，n_timesteps表示预测的未来时序样本数量。

       三、量化交易建模实践

       通过附上的Python包与类名查找，我们介绍了如何设计适用于量化交易的ConvLSTM模型结构。模型设计需考虑不同场景，如单股票预测或股票池预测，涉及多对一、多对多问题，以及时间序列预测的具体实现。对于GPU与CPU的并行计算设置，我们提供了Keras multi_gpu_model的使用方法，确保模型训练与实时预测的高效性。

       四、训练与测试策略

       量化交易建模强调使用未来数据外的回测策略，如timewalk roll，以动态调整训练与验证集的比例。训练过程包括在不同滚动窗口上迭代，以优化模型性能。通过Keras回调函数，实现模型训练、验证与测试的流程管理，确保模型在不同数据集上的表现稳定。

       五、多空样本不平衡问题

       量化交易中的多空样本不均衡是常见问题，尤其是在时间序列预测中。为解决这一问题，本文介绍了通过调整样本权重，确保模型在多空样本预测上的平衡性能。通过自定义的metric类实现样本权重的传入，以优化模型对不平衡数据集的适应性。

       六、总结

       通过在多股票对ETF的高频预测与交易中的应用，卷积循环长短期记忆网络（ConvLSTM）展现出了优于无时序建模方法与单纯LSTM模型的性能。本文提供的源码示例与实践指南，为量化交易领域中时空建模的应用提供了全面的参考与支持。

量化投资之工具篇：Backtrader从入门到精通（3）Cerebro代码详解

       在深入理解backtrader的工具使用中，Cerebro作为核心控制器，其代码详解至关重要。它负责整个系统的协调和管理，虽然看似复杂，但实质上是将任务分发给其他组件如策略、数据源和分析器。让我们通过源代码解析来逐步揭示其工作原理。

       首先，Cerebro的初始化主要设置公共属性，并接受一系列参数，这些参数在元类中统一处理，通过**kwargs传递。初始化过程中，实际上并未做太多工作，而是为后续操作准备了基础结构。

       数据源的添加是通过cerebro.adddata方法，它可以处理普通数据和resample/replay数据，这个过程涉及对数据源的筛选和处理后加入到Cerebro的datas列表中。

       策略的添加同样简单，只是将策略类及参数存储在strats容器中，策略会在run时实例化。

       Cerebro的run函数是整个流程的驱动器，它根据传入的参数，按照时间驱动数据运行，同时协调策略、分析器和观察者等组件协同工作。run函数的代码复杂，但关键在于它如何管理和调度各个组件。

       最后，Cerebro通过plot方法实现可视化输出，其自身并不直接进行绘图，而是调用plotter模块来完成。

       总的来说，虽然Cerebro的代码看起来复杂，但实际上它的作用是连接各个组件，提供一个框架让策略和数据处理得以高效执行。理解Cerebro的工作原理后，后续理解其他部件如data feeds的运作就更为顺畅了。下文我们将转向数据类的解析，进一步探讨数据的管理与驱动机制。