用vs做购物网站代码,网站被安全狗拦截,网站口碑营销,北京中关村在线官网背景和需求
整合Tick数据是PA交易的回测与实盘基本需求。多数交易回测框架往往缺乏对大规模Tick数据直接而全面的支持。Tick数据因其体量庞大#xff08;例如#xff0c;某棕榈油主力合约四年间的数据达8GB#xff09;为结合价格趋势与PA分析带来挑战#xff0c;凸显了实时…背景和需求
整合Tick数据是PA交易的回测与实盘基本需求。多数交易回测框架往往缺乏对大规模Tick数据直接而全面的支持。Tick数据因其体量庞大例如某棕榈油主力合约四年间的数据达8GB为结合价格趋势与PA分析带来挑战凸显了实时动态数据源的重要性。实时数据不仅能应对数据规模问题还能减少因数据时序差异引发的回测或实盘错误确保分析准确性。
这里提及的8GB棕榈油合约Tick数据已转存MySQL数据库格式并在文末以笔者整理后的SQL导出文件形式提供下载数据仅供研究与测试勿用作商业用途。
概述
在探索Backtrader时我注意到将其与Tick数据集成至回测流程颇为简便故撰写系列笔记以记录并分享这一过程。本笔记基于当前版本Backtrader编写。未来或许有更优框架或Backtrader自身改进Tick数据处理方式目前而言本系列文章提供的Tick数据与K线结合的免费解决方案是非常易于上手的免费选择之一。
本系列《BackTrader如何使用实时tick数据和蜡烛图》预计将分成上中下三篇
上篇本文较水对背景和DataFeed做出介绍同时介绍tick数据如何读取到回测策略流程中。完整读完后可以做到将tick数据加入到BackTrader策略中。中篇待完成主要介绍如何将tick结合KBar同时读取到回测策略流程中。下篇待完成主要介绍跨周期回测可看做Multiple Timeframes结合tick的实操记录。
《BackTrader如何使用实时tick数据和蜡烛图》系列小文属于PA交易和量化交易文集。PA交易和量化交易文集将会主要专注于低频Python实现。对于一些高频部分目前暂不涉及。鉴于高频本身对于网络和硬件要求较高多数朋友包括笔者可能都没有交易所托管或者购买高性能计算的计划并且目前笔者也没有转向高频C的计划和需求。
PS题外话笔者十多年艹C艹经验都懒得用C艹。
笔者交易市场主要为国内商品期货市场个人平时主要做农产品基本面分析后续计划考虑进行对包括油厂、美农、拉尼娜等各类数据进行一些因子挖掘工作。个人精力有限有相关爱好的朋友有缘可以寻找合作机会。
BackTrader
之所以选择BackTrade主要原因有以下几点
相比于pyAlgoTrade目前Gabriel Becedillas大神已经全面转到 basana 开发不再更新pyAlgoTrade。巴萨那主要专注于加密币担心代码中一些跟币圈相关的词汇会迷惑。相比于vnpyVeighNa封装过多缺乏灵活性。使用其集成平台那就会失去灵活性图省事的话不如使用其他一些集成平台了。另外记得林园大佬说过一句话一家公司发生减持管他什么原因呢不买就是了。同理vnpy.cn还是vnpy.com分不清就都不用了吧。
本文适合已经至少完成了BackTrade的Quickstart Guide - Backtrader有需求的朋友阅读如果还对BackTrader一窍不通可以花上15分钟简单阅读以下官方的文档并实操一下简单单步调试一下源码。
DataFeed
BackTrader的数据源主要由Data Feeds - Backtrader模块进行处理, 其中大量使用了元编程技巧。底层实现中元类metaclasses。DataFeed底层主要核心数据通过LineBuffer进行封装。LineBuffer数据由LineRoot持有自LineRoot以下的继承关系如下图所示 其中代码逻辑比较简单的是PandasData我们可以把它看做一个自定义DataFeed的示例根据这个类的实现自己定制数据源。
Lines
DataFeed中数据是通过LineBuffer和策略模块进行共享在上层OHLC中定义了7个标准的数据LineBuffer
class OHLC(DataSeries):lines (close, low, high, open, volume, openinterest,)class OHLCDateTime(OHLC):lines ((datetime),)因为类hierarchy的限制我们拓展DataFeed需要从AbstractDataBase或者DataBase层面进行集成否则将会面临大量底层逻辑代码的重复实现。如上类图所见包括PandasData在内的绝大多数BackTrader内置数据源类型都是继承于DataBase。
下面我们首先基于class PandasData(feed.DataBase)实现一个基础的tick数据加入到策略运行过程的示例之后使用动态tick数据。这个实现实现非常简单并不需要太多高深的编程技能。
测试CSV 为简化测试开发流程 便于说明理解使用我上传的CSV文件DCE.m2501.tick.202402大小2M比较适合框架开发过程的测试https://download.csdn.net/download/u012677852/89460596?spm1001.2014.3001.5503https://download.csdn.net/download/u012677852/89460596?spm1001.2014.3001.5503
这个文件是笔者采集的实盘豆粕合约数据因为不是主力合约数据量较小适合测试开发使用。
对于如何验证网络实盘tick数据可以参考我的文章【PA交易】前端根据内盘商品期货Tick数据合并日线Bar-CSDN博客
下文及后文如有需要一律直接使用该文件名不再特殊说明。
静态读入tick数据
如前所述为了能够支持策略运行过程中使用tick数据源首先定义一个数据类继承自bt.feed.DataBase。因为我们此步骤仅仅使用静态数据进行调通所以类定义如下
class MyDataFeedStatic(bt.feed.DataBase):
因为我们是tick数据其中的数据字段是类继承结构上层OHLC中没有定义的Line所以我们需要使用一个tuple声明他们 lines ((price, vol, amount, ccl, bid, bidVol, ask, askVol))
之后为了简便起见直接将测试CSV读取的DF保存在类中并且指定一个_idx表示当前读取到的DF的行索引, 如下所示: class MyDataFeedStatic(bt.feed.DataBase):lines ((price, vol, amount, ccl, bid, bidVol, ask, askVol))def __init__(self, df):super(MyDataFeedStatic, self).__init__()self.df dfself._idx 0之后需要重载_load方法, 该方法由AbstractDataBase的load方法调用, 具体相关调用逻辑可以参考BackTrader源码。我们这里简单的逐行使用读取DF数据的方式实现这个方法
def _load(self):if self._idx len(self.df):# exhausted all rowsreturn Falsefor datafield in self.getlinealiases():if datafield tickdt:continueif datafield in TICK_DATA_COLUMNS:line getattr(self.lines, datafield)line[0] self.df[datafield].iloc[self._idx]# print(fload {datafield} success)# -------------------------------------------# 添加日期时间tstamp self.df[tickdt].iloc[self._idx]self.lines.datetime[0] date2num(tstamp)self._idx 1return True 注意测试文件中的datatime使用的是tickdt作为列名在BackTrader底层中会依赖datatime字段这里因为数据中本来没有dataname字段所以必须填充这个Line。
此时一个简单的基于tick的数据源已经实现了我们来使用它。首先装载过程只需要预先读取一个DF并传入即可
df pd.read_csv(./datas/DCE.m2501.tick.202402.csv)
df[tickdt] pd.to_datetime(df[tickdt])
data_feed sfeed.MyDataFeedStatic(df)
cerebro.adddata(data_feed)
之后在策略构造函数中为了后续使用方便可以给每条管线起一个别名
class TestStrategy(bt.Strategy):def __init__(self):# Ticks 字段self.tickdt self.datas[0].datetimeself.price self.datas[0].priceself.vol self.datas[0].closeself.amount self.datas[0].amountself.ccl self.datas[0].cclself.bid self.datas[0].bidself.bidVol self.datas[0].bidVolself.ask self.datas[0].askself.askVol self.datas[0].askVolself.local_tz get_localzone()之后在next方法中就可以访问到具体每个Tick的数据了 def log(self, txt, dtNone): 本地化时间输出 utc_datetime self.datetime if dt is None else dtdate utc_datetime.date(0, tzself.local_tz)time utc_datetime.time(0, tzself.local_tz)print(%s %s: %s % (date, time, txt))def next(self):self.log(Tick price, %.2f % self.price[0], self
输出
2024-02-01 17:00:00.059001: Tick price, 3127.00
2024-02-01 17:00:00.558999: Tick price, 3126.00
2024-02-01 17:00:01.058996: Tick price, 3126.00
2024-02-01 17:00:01.557997: Tick price, 3126.00
.....
实时运行
当我们运行策略时会发现策略的next方法并不是紧跟着数据源的_load方法运行。这是因为当前的策略运行不是实时模式。还需要在数据源类MyDataFeedStatic中Override一个方法
class MyDataFeedStatic...:def islive(self):return True
这样策略将以实时模式运行_load()函数中打印日志可以看到每次load运行之后才会运行策略的next函数。
题外话
这里的DF读写仅仅是一个模拟数据逐条实时传入的方式。考虑到数据源的复杂性作为分享这是我所使用的基础架构 架构中抽象出一个数据模块这个模块负责全部的数据处理无论数据来自于CSV、数据库还是CTP。而MyDataFeed实际充当了一个数据模块和策略运行之间的Bridge角色adapter。MyDataFeed会在_load函数中向数据模块索要数据如果数据没有就绪则会阻塞操作可以在当前示例代码中添加sleep(0.5)模拟CTP。这样无论回测还是实盘在数据管理都实现了一致性即一个策略的书写可以兼容不同场景当我们回测夏普优秀SimNow模拟回报丰厚的时候我们可以通过切换数据模块参数的方式将策略快速无缝切换到实盘。
继续阅读
下篇文章将会首先将本文中的简单读取DF改为一个模拟上述架构中的简单的数据读取器。之后实现Tick和K Bar同时传递到策略中。 更多测试数据:
如果需要更多测试数据可以下载这里的tic数据文件已经整理成MySQL表这里是导出的SQL后续会更新更多其他测试数据
内盘期货棕榈, 主力1、5、9月合约2020年到2024年TICK数据
链接https://pan.baidu.com/s/1UTt9Ei0dSaQ971Iq-YPIGA?pwdj7hq 提取码j7hq
仅限测试开发学习使用 请勿商用
