CFA

China Futures Assistant 中国期货助手


Keywords
CTP, Simnow, 量化, 程序化, 算法交易, quant, quantitative, algotrading, stock, future, tora, algoplus, algorihmtrading
License
MIT
Install
pip install CFA==2.0

Documentation

如无必要,勿增实体

简介

AlgoPlus是上期技术CTP API的Python封装,具有以下特点:

  • 易使用:Python语言,结构清晰,注释完整,文档详尽。
  • 低延时:基于Cython释放GIL;支持多路行情源;无需主事件引擎,实现去中心化。
  • 忠实于CTP官方特性:充分利用CTP的异步、多线程特性。

官网

http://algo.plus

安装

首先配置Anaconda环境,然后使用pip命令安装:

pip install AlgoPlus

应用范例

这里就给大家介绍介个基于AlgoPlus实现的应用范例,供大家参考。

1、获取实时行情

发布实时行情是交易所实现价值发现职能的重要工作,而且是交易决策的重要依据。

CTP通过一个独立的MdApi接口发布行情。MdApi功能比较单一,只需要在与服务器建立连接后订阅相关合约,就可以自动接收到到实时行情。

AlgoPlus对MdApi进行了封装,我们只需要将账户信息及合约名称作为参数传进去,就可以接收到字典形式的实时行情数据。

演示这个功能的例子是examples/get_tick.py,运行之后可以看到如下的输出结果:

从输出日志可以看到,AlgoPlus第一步连接服务器,第二步登陆账户,第三步订阅行情,最后就是接收行情数据。

2、将行情存为CSV文件

因为MdApi只推送实时行情,所以存储数据是量化交易至关重要的一项工作。虽然有多种数据库可以选择,但是简单起见,examples/tick_to_csv.py使用了csv文件。运行这个例子后,实时行情数据自动被存入MarketData文件夹下的csv文件中。

3、合成K线

MdApi推送的实时行情是固定时间间隔(一般间隔是500ms)的快照,也就是我们常说Tick数据。

而交易决策的逻辑基础往往是K线数据,所谓的K线就是用固定时间间隔内开盘价、最高价、最低价、收盘价代理此间所有Tick。

K线自诞生以来就被二级市场所广泛使用。合理的选择K线周期,可以帮助我们抓住主线趋势,避免陷于短期波动。

examples/get_bar.py为大家演示了如何将Tick数据合成1分钟K线数据,字段内容如下:

{
    'UpdateTime': b'00:46:00', # K线开始时间
    'LastPrice': 3454.0, # 收盘价
    'HighPrice': 3454.0, # 最高价
    'LowPrice': 3454.0, # 最低价
    'OpenPrice': 3454.0, # 开盘价
    'BarVolume': 7, # 成交量
    'BarTurnover': 24178.0, # 成交额
    'BarSettlement': 3454.0, # K线成交均价
    'BVolume': 0, # 主动买量
    'SVolume': 7, # 主动卖量
    'FVolume': 0, # 非主动买卖量
    'DayVolume': 1381157, # 全天成交量
    'DayTurnover': 4771897578.0, # 全天成交额
    'DaySettlement': 3455.000103536383, # 全天成交均价
    'OpenInterest': 1577415.0, # 持仓量
    'LastVolume': 1381157, # 全天成交量
    'TradingDay': b'20200508' # 交易日
}

除了1分钟K线之外,大家也可以参考如下条件合成其他周期K线:

# 1分钟K线条件
is_new_1minute = (pDepthMarketData['UpdateTime'][:-2] != last_update_time[:-2]) and pDepthMarketData['UpdateTime'] != b'21:00:00'
# 5分钟K线条件
is_new_5minute = is_new_1minute and int(pDepthMarketData['UpdateTime'][-4]) % 5 == 0
# 10分钟K线条件
is_new_10minute = is_new_1minute and pDepthMarketData['UpdateTime'][-4] == b"0"
# 15分钟K线条件
is_new_10minute = is_new_1minute and int(pDepthMarketData['UpdateTime'][-5:-3]) % 15 == 0
# 30分钟K线条件
is_new_30minute = is_new_1minute and int(pDepthMarketData['UpdateTime'][-5:-3]) % 30 == 0
# 60分钟K线条件
is_new_hour = is_new_1minute and int(pDepthMarketData['UpdateTime'][-5:-3]) % 60 == 0

运行结果如下:

4、看穿式认证

由于监管要求,接入期货公司的交易程序必须经过看穿式认证。简单的说,就是用交易程序在期货公司提供的仿真环境中完成指定的交易、查询任务就可以了。完成后,期货公司会提供用于生产环境的授权码。所谓的直连模式和中继模式,只要是自己用的都属于直连模式。

examples/req_authenticate.py这个例子虽然是为了方便大家做认证,但是其中的基础操作对熟悉交易接口是很有帮助的,例如:

# 买开仓
self.buy_open(...)
# 卖平仓
self.sell_close(...)
# 卖开仓
self.sell_open(...)
# 买平仓
self.buy_close(...)
# 撤单
self.req_order_action(...)
# 查询订单
self.req_qry_order(...)
# 查询成交
self.req_qry_trade()
# 查询持仓
self.req_qry_investor_position()
# 查询资金
self.req_qry_trading_account()

需要注意的是交易接口的查询功能是有流控限制的,每秒限制只能查询1次。买卖报单以及撤单不受流控限制。

5、滚动交易

延时是很多量化交易会关注的问题,但是这又是一个很复杂的问题。

为了简单起见,我们设计了examples/rolling_trade.py这个滚动交易策略:收到前次报单成交回报时发起新的交易请求。完成300次交易之后,我们统计一下1秒内的交易次数,就可以计算出交易环境的延时,包括网络、交易程序、期货公司系统、交易所系统总的用时。

我使用simnow的724测试环境在阿里云服务器上运行该例子,1s内完成110笔成交。但是,需要说明的是,这个数据并不真实,因为724测试环境负载非常低。建议大家在正常的交易时间使用simnow仿真环境测试,可以获得相对更有价值的数据。

6、盈损管理

examples/profit_loss_manager.py是一个相对复杂的例子,启动后可以监控账户的所有的成交,包括从快期或者其他终端软件报的单,当达到止盈止损条件时,就会自动平仓。启动前需要设置好止盈止损参数:

pl_parameter = {
    'StrategyID': 9,
    # 盈损参数,'0'代表止盈, '1'代表止损,绝对价差
    'ProfitLossParameter': {
        b'rb2010': {'0': [2], '1': [2]},
        b'ni2007': {'0': [20], '1': [20]},
    },
}

简单起见,这里只实现了固定止盈止损,大家可以参考实现更复杂、有效的止损策略。这篇文章为大家提供一些关于止盈止损的思路:http://algo.plus/researches/0002.html

另外,我们也可以将这个策略部署到服务器上,成为属于自己的云端条件单系统。

因为目的是为了让大家快速熟悉AlgoPlus,所以很多问题都浅尝辄止,以后有机会我们再进行深入探讨,也欢迎大家在后台留言讨论。

7、订阅全市场行情并落地为csv文件

期货合约都是有期限的,订阅全市场行情需要先使用AlgoPlus.CTP.TraderApi.req_instrument查询当前挂牌交易的所有合约,然后再交给run_mdrecorder订阅并存储。subscribe_all.py演示了具体如何使用。

开源地址

  1. 码云:https://gitee.com/AlgoPlus/
  2. GitHub:https://github.com/CTPPlus/AlgoPlus

QQ群与微信公众号

  • QQ群:866469866

  • 微信公众号:AlgoPlus

版权

MIT