通知设置 新通知
ptrade 微信通知
李魔佛 发表了文章 • 0 个评论 • 61 次浏览 • 2022-09-20 10:29
对于节假日，ptrade经常会被暂停维护。 而有时候维护后需要你手动去重启策略。
所以情况多了，经常会忘记，手动登录进去重启。导致策略没有运行。
所以办法1，在盘前函数加入 微信通知，在交易日，如果盘前（8：30分左右），没有收到微信提醒，那么就需要即使登录到ptrade进行手动重启。
代码如下：
def notify(content=''):
send_qywx(
'微信id', '微信key', 'agent', info=content,
touser= '你的微信名字',
)
def before_trading_start(context, data):
now = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
notify('Ptrade 盘前运行{}'.format(now))
差不多这样就可以了。
不过笔者一般会使用另外一个种方式，因为如果哪一天没有收到，意味这ptrade没有起来，但你没有收到，你也就忘了这么一回事。 所以笔者的做法是，正常情况下不推送，而在ptrade不启动的时候才推送到微信。
下回更新。待续
# 继续更新
每天盘前，ptrade会到mysql插入一条数据，比如当天的日期
然后有个程序每天定时去读取mysql，如果读不到数据，就发送数据给微信即可。
class DBSelector():
'''
数据库选择类
'''
def get_engine(self):
from sqlalchemy import create_engine
try:
engine = create_engine(
'mysql+pymysql://{}:{}@{}:{}/{}?charset=utf8'.format(USER, PASSWORD, MYSQL_HOST, MYSQL_PORT, MYSQL_DB))
except Exception as e:
log.error(e)
return None
return engine
def get_mysql_conn(self, db):
import pymysql
try:
conn = pymysql.connect(host=MYSQL_HOST, port=MYSQL_PORT, user=USER, password=PASSWORD, db=db,
charset='utf8')
except Exception as e:
log.error(e)
return None
else:
return conn
def main():
now = datetime.datetime.now()
if not now.weekday():
print('not week day')
return
db = DBSelector()
conn = db.get_mysql_conn('ptrade')
cursor = conn.cursor()
sql_str = 'select count(*) from `ptrade_runing_status` where `date`=%s limit 1'
date = now.strftime('%Y-%m-%d')
cursor.execute(sql_str, (date,))
result = cursor.fetchone()
if result[0] == 0:
send_message_via_wechat('{} ptrade没有启动！'.format(now))
if __name__=='__main__':
main()
查看全部
所以情况多了，经常会忘记，手动登录进去重启。导致策略没有运行。
所以办法1，在盘前函数加入 微信通知，在交易日，如果盘前（8：30分左右），没有收到微信提醒，那么就需要即使登录到ptrade进行手动重启。
代码如下：
def notify(content=''):
send_qywx(
'微信id', '微信key', 'agent', info=content,
touser= '你的微信名字',
)
def before_trading_start(context, data):
now = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
notify('Ptrade 盘前运行{}'.format(now))
差不多这样就可以了。
不过笔者一般会使用另外一个种方式，因为如果哪一天没有收到，意味这ptrade没有起来，但你没有收到，你也就忘了这么一回事。 所以笔者的做法是，正常情况下不推送，而在ptrade不启动的时候才推送到微信。
下回更新。待续
# 继续更新
每天盘前，ptrade会到mysql插入一条数据，比如当天的日期
然后有个程序每天定时去读取mysql，如果读不到数据，就发送数据给微信即可。
class DBSelector():
'''
数据库选择类
'''
def get_engine(self):
from sqlalchemy import create_engine
try:
engine = create_engine(
'mysql+pymysql://{}:{}@{}:{}/{}?charset=utf8'.format(USER, PASSWORD, MYSQL_HOST, MYSQL_PORT, MYSQL_DB))
except Exception as e:
log.error(e)
return None
return engine
def get_mysql_conn(self, db):
import pymysql
try:
conn = pymysql.connect(host=MYSQL_HOST, port=MYSQL_PORT, user=USER, password=PASSWORD, db=db,
charset='utf8')
except Exception as e:
log.error(e)
return None
else:
return conn
def main():
now = datetime.datetime.now()
if not now.weekday():
print('not week day')
return
db = DBSelector()
conn = db.get_mysql_conn('ptrade')
cursor = conn.cursor()
sql_str = 'select count(*) from `ptrade_runing_status` where `date`=%s limit 1'
date = now.strftime('%Y-%m-%d')
cursor.execute(sql_str, (date,))
result = cursor.fetchone()
if result[0] == 0:
send_message_via_wechat('{} ptrade没有启动！'.format(now))
if __name__=='__main__':
main()
查看全部
对于节假日，ptrade经常会被暂停维护。 而有时候维护后需要你手动去重启策略。
所以情况多了，经常会忘记，手动登录进去重启。导致策略没有运行。
所以办法1，在盘前函数加入 微信通知，在交易日，如果盘前（8：30分左右），没有收到微信提醒，那么就需要即使登录到ptrade进行手动重启。
代码如下：
差不多这样就可以了。
不过笔者一般会使用另外一个种方式，因为如果哪一天没有收到，意味这ptrade没有起来，但你没有收到，你也就忘了这么一回事。 所以笔者的做法是，正常情况下不推送，而在ptrade不启动的时候才推送到微信。
下回更新。待续
# 继续更新
每天盘前，ptrade会到mysql插入一条数据，比如当天的日期
然后有个程序每天定时去读取mysql，如果读不到数据，就发送数据给微信即可。
所以情况多了，经常会忘记，手动登录进去重启。导致策略没有运行。
所以办法1，在盘前函数加入 微信通知，在交易日，如果盘前（8：30分左右），没有收到微信提醒，那么就需要即使登录到ptrade进行手动重启。
代码如下：
def notify(content=''):
send_qywx(
'微信id', '微信key', 'agent', info=content,
touser= '你的微信名字',
)
def before_trading_start(context, data):
now = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
notify('Ptrade 盘前运行{}'.format(now))
差不多这样就可以了。
不过笔者一般会使用另外一个种方式，因为如果哪一天没有收到，意味这ptrade没有起来，但你没有收到，你也就忘了这么一回事。 所以笔者的做法是，正常情况下不推送，而在ptrade不启动的时候才推送到微信。
下回更新。待续
# 继续更新
每天盘前，ptrade会到mysql插入一条数据，比如当天的日期
然后有个程序每天定时去读取mysql，如果读不到数据，就发送数据给微信即可。
class DBSelector():
'''
数据库选择类
'''
def get_engine(self):
from sqlalchemy import create_engine
try:
engine = create_engine(
'mysql+pymysql://{}:{}@{}:{}/{}?charset=utf8'.format(USER, PASSWORD, MYSQL_HOST, MYSQL_PORT, MYSQL_DB))
except Exception as e:
log.error(e)
return None
return engine
def get_mysql_conn(self, db):
import pymysql
try:
conn = pymysql.connect(host=MYSQL_HOST, port=MYSQL_PORT, user=USER, password=PASSWORD, db=db,
charset='utf8')
except Exception as e:
log.error(e)
return None
else:
return conn
def main():
now = datetime.datetime.now()
if not now.weekday():
print('not week day')
return
db = DBSelector()
conn = db.get_mysql_conn('ptrade')
cursor = conn.cursor()
sql_str = 'select count(*) from `ptrade_runing_status` where `date`=%s limit 1'
date = now.strftime('%Y-%m-%d')
cursor.execute(sql_str, (date,))
result = cursor.fetchone()
if result[0] == 0:
send_message_via_wechat('{} ptrade没有启动！'.format(now))
if __name__=='__main__':
main()
Ptrade的回测程序是在本地运行还是远程服务器？ 关闭ptrade后原来运行的回测还可以继续运行吗？
回复李魔佛 回复了问题 • 1 人关注 • 1 个回复 • 136 次浏览 • 2022-09-11 21:07
Ptrade与QMT 获取可转债基础数据，溢价率，剩余规模，评级，双低，是否强赎
李魔佛 发表了文章 • 0 个评论 • 169 次浏览 • 2022-09-08 22:25
Ptrade和qmt的内置数据接口，对于可转债的数据支持很少。只有基础的可转债价格，成交量。
搜索接口文档，关键字 可转债 ， 只有可怜的一个接口。并且这个接口还是最近才提供的。
基本没有可转债的其他基础数据。
比如 溢价率，剩余规模，评级，双低，到期，强赎。
笔者也为了方便，跨平台，把数据调用抽离出来，写成可以调用 接口的方式。
用的post请求方式。
这样无论是ptrade还是qmt，还是平时写的选股web页面， 都可以直接调用同一个数据源。 而你只需要维护一个数据数据源。
需要接口的，可以加入星球 或者 开通ptrade/QMT 的同时 获取。
查看全部
搜索接口文档，关键字 可转债 ， 只有可怜的一个接口。并且这个接口还是最近才提供的。
基本没有可转债的其他基础数据。
比如 溢价率，剩余规模，评级，双低，到期，强赎。
笔者也为了方便，跨平台，把数据调用抽离出来，写成可以调用 接口的方式。
用的post请求方式。
这样无论是ptrade还是qmt，还是平时写的选股web页面， 都可以直接调用同一个数据源。 而你只需要维护一个数据数据源。
需要接口的，可以加入星球 或者 开通ptrade/QMT 的同时 获取。
查看全部
Ptrade和qmt的内置数据接口，对于可转债的数据支持很少。只有基础的可转债价格，成交量。
搜索接口文档，关键字 可转债 ， 只有可怜的一个接口。并且这个接口还是最近才提供的。
基本没有可转债的其他基础数据。
比如 溢价率，剩余规模，评级，双低，到期，强赎。
笔者也为了方便，跨平台，把数据调用抽离出来，写成可以调用 接口的方式。
用的post请求方式。
这样无论是ptrade还是qmt，还是平时写的选股web页面， 都可以直接调用同一个数据源。 而你只需要维护一个数据数据源。
需要接口的，可以加入星球 或者 开通ptrade/QMT 的同时 获取。
搜索接口文档，关键字 可转债 ， 只有可怜的一个接口。并且这个接口还是最近才提供的。
基本没有可转债的其他基础数据。
比如 溢价率，剩余规模，评级，双低，到期，强赎。
笔者也为了方便，跨平台，把数据调用抽离出来，写成可以调用 接口的方式。
用的post请求方式。
这样无论是ptrade还是qmt，还是平时写的选股web页面， 都可以直接调用同一个数据源。 而你只需要维护一个数据数据源。
需要接口的，可以加入星球 或者 开通ptrade/QMT 的同时 获取。
花了1小时用django快速写了个可转债实时系统
李魔佛 发表了文章 • 0 个评论 • 149 次浏览 • 2022-09-07 08:08
有个朋友的因子也特别刁钻，他自己用excel也不容易计算，拉取最新数据，筛选排除，计算权重后得到得分，最后得到目标转债。 手机上也无法操作，手机操作excel，上面的很多操作无法实施。
用django快速搭了个页面给他
点击查看大图
数据是实时选出来的。当时帮他做的回测收益率也是很高，主要回撤控制得很好。
本来想用gin写，发现后台的dataframe还有这要找go下对应的库，避免计算出错，还是用会python吧(-。-) 查看全部
用django快速搭了个页面给他
点击查看大图
数据是实时选出来的。当时帮他做的回测收益率也是很高，主要回撤控制得很好。
本来想用gin写，发现后台的dataframe还有这要找go下对应的库，避免计算出错，还是用会python吧(-。-) 查看全部
有个朋友的因子也特别刁钻，他自己用excel也不容易计算，拉取最新数据，筛选排除，计算权重后得到得分，最后得到目标转债。 手机上也无法操作，手机操作excel，上面的很多操作无法实施。
用django快速搭了个页面给他
点击查看大图
数据是实时选出来的。当时帮他做的回测收益率也是很高，主要回撤控制得很好。
本来想用gin写，发现后台的dataframe还有这要找go下对应的库，避免计算出错，还是用会python吧(-。-)
用django快速搭了个页面给他
数据是实时选出来的。当时帮他做的回测收益率也是很高，主要回撤控制得很好。
本来想用gin写，发现后台的dataframe还有这要找go下对应的库，避免计算出错，还是用会python吧(-。-)
ptrade和qmt的内置代码编辑器，哪个比较好用？
李魔佛 发表了文章 • 0 个评论 • 173 次浏览 • 2022-09-05 11:24
ptrade和qmt的内置代码编辑器，哪个比较好用？
答：都十分渣，半斤八两。更裸手在记事本写代码差不多的感觉。 尤其对于新人，经常可能会因为一些拼写错误，换行等问题，折腾一天，才能找到原因，至少pycharm对没有引用的变量是变灰的，语法错误是红的，快速帮助定位错误。（我自己就亲身经历过这种调试惨案，太惨痛。）
查看全部
答：都十分渣，半斤八两。更裸手在记事本写代码差不多的感觉。 尤其对于新人，经常可能会因为一些拼写错误，换行等问题，折腾一天，才能找到原因，至少pycharm对没有引用的变量是变灰的，语法错误是红的，快速帮助定位错误。（我自己就亲身经历过这种调试惨案，太惨痛。）
查看全部
ptrade和qmt的内置代码编辑器，哪个比较好用？
答：都十分渣，半斤八两。更裸手在记事本写代码差不多的感觉。 尤其对于新人，经常可能会因为一些拼写错误，换行等问题，折腾一天，才能找到原因，至少pycharm对没有引用的变量是变灰的，语法错误是红的，快速帮助定位错误。（我自己就亲身经历过这种调试惨案，太惨痛。）
答：都十分渣，半斤八两。更裸手在记事本写代码差不多的感觉。 尤其对于新人，经常可能会因为一些拼写错误，换行等问题，折腾一天，才能找到原因，至少pycharm对没有引用的变量是变灰的，语法错误是红的，快速帮助定位错误。（我自己就亲身经历过这种调试惨案，太惨痛。）
从零开始 手撸一个回测框架 （以可转债双低，低溢价为例）
李魔佛 发表了文章 • 0 个评论 • 200 次浏览 • 2022-09-01 18:39
因为优矿大部分可转债接口开始收费了，之前星球上分享的回测代码基本也跑不了。不过在关停转收费之前，已经把所需的数据下载下来，而最近的数据通过集思录补充既可。
Mysql 数据
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。class DataFeed:
def __init__(self):
self.csv_path = CSV_PATH
self.position = {}
self.HighValue = 0
self.Start_Cash = 1000000 # 初始资金
self.MyCash = self.Start_Cash
self.Withdraw = 0
self.daily_netvalue =
self.current_day = 0
self.PosValue = 0
self.threshold = 0 # 阈值
self.HighValue = self.Start_Cash
self.date_list, self.source = self.feed()
self.day_count = 0
def unpossibile(self, df, date):
# 剔除当日涨停的转债，买不入
raise_limited_dict = {
'2022-04-08': ['127057', ],
'2022-07-27': ['127065', ],
'2022-07-28': ['127065', ],
}
target_list = raise_limited_dict.get(date, None)
if target_list is None:
return df
return df.drop(index=target_list, axis=1)
def feed(self):
df = pd.read_csv(self.csv_path,
encoding='utf8',
dtype={'tickerEqu': str, 'tickerBond': str, 'secID_x': str},
)
del df['Unnamed: 0']
df['tradeDate'] = pd.to_datetime(df['tradeDate'], format='%Y-%m-%d')
df = df.set_index('tradeDate')
date_set = set(df.index.tolist())
date_list = list(map(lambda x: x.strftime('%Y-%m-%d'), date_set))
date_list.sort()
return date_list, df
def filters(self, df, today):
# 过滤条件，可添加多个条件
df = self.unpossibile(df, today)
return df
def logprint(self, current):
log.info('当前日期{}'.format(current))
def run(self):
for current in self.date_list:
if current < START_DATE or current > END_DATE:
continue
if self.day_count % FREQ != 0:
self.get_daily_netvalue(current)
else:
self.handle_data(current)
self.day_count += 1
self.after_trade()
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
查看全部
Mysql 数据
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。class DataFeed:
def __init__(self):
self.csv_path = CSV_PATH
self.position = {}
self.HighValue = 0
self.Start_Cash = 1000000 # 初始资金
self.MyCash = self.Start_Cash
self.Withdraw = 0
self.daily_netvalue =
self.current_day = 0
self.PosValue = 0
self.threshold = 0 # 阈值
self.HighValue = self.Start_Cash
self.date_list, self.source = self.feed()
self.day_count = 0
def unpossibile(self, df, date):
# 剔除当日涨停的转债，买不入
raise_limited_dict = {
'2022-04-08': ['127057', ],
'2022-07-27': ['127065', ],
'2022-07-28': ['127065', ],
}
target_list = raise_limited_dict.get(date, None)
if target_list is None:
return df
return df.drop(index=target_list, axis=1)
def feed(self):
df = pd.read_csv(self.csv_path,
encoding='utf8',
dtype={'tickerEqu': str, 'tickerBond': str, 'secID_x': str},
)
del df['Unnamed: 0']
df['tradeDate'] = pd.to_datetime(df['tradeDate'], format='%Y-%m-%d')
df = df.set_index('tradeDate')
date_set = set(df.index.tolist())
date_list = list(map(lambda x: x.strftime('%Y-%m-%d'), date_set))
date_list.sort()
return date_list, df
def filters(self, df, today):
# 过滤条件，可添加多个条件
df = self.unpossibile(df, today)
return df
def logprint(self, current):
log.info('当前日期{}'.format(current))
def run(self):
for current in self.date_list:
if current < START_DATE or current > END_DATE:
continue
if self.day_count % FREQ != 0:
self.get_daily_netvalue(current)
else:
self.handle_data(current)
self.day_count += 1
self.after_trade()
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
查看全部
因为优矿大部分可转债接口开始收费了，之前星球上分享的回测代码基本也跑不了。不过在关停转收费之前，已经把所需的数据下载下来，而最近的数据通过集思录补充既可。
Mysql 数据
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。
class DataFeed:
def __init__(self):
self.csv_path = CSV_PATH
self.position = {}
self.HighValue = 0
self.Start_Cash = 1000000 # 初始资金
self.MyCash = self.Start_Cash
self.Withdraw = 0
self.daily_netvalue =
self.current_day = 0
self.PosValue = 0
self.threshold = 0 # 阈值
self.HighValue = self.Start_Cash
self.date_list, self.source = self.feed()
self.day_count = 0
def unpossibile(self, df, date):
# 剔除当日涨停的转债，买不入
raise_limited_dict = {
'2022-04-08': ['127057', ],
'2022-07-27': ['127065', ],
'2022-07-28': ['127065', ],
}
target_list = raise_limited_dict.get(date, None)
if target_list is None:
return df
return df.drop(index=target_list, axis=1)
def feed(self):
df = pd.read_csv(self.csv_path,
encoding='utf8',
dtype={'tickerEqu': str, 'tickerBond': str, 'secID_x': str},
)
del df['Unnamed: 0']
df['tradeDate'] = pd.to_datetime(df['tradeDate'], format='%Y-%m-%d')
df = df.set_index('tradeDate')
date_set = set(df.index.tolist())
date_list = list(map(lambda x: x.strftime('%Y-%m-%d'), date_set))
date_list.sort()
return date_list, df
def filters(self, df, today):
# 过滤条件，可添加多个条件
df = self.unpossibile(df, today)
return df
def logprint(self, current):
log.info('当前日期{}'.format(current))
def run(self):
for current in self.date_list:
if current < START_DATE or current > END_DATE:
continue
if self.day_count % FREQ != 0:
self.get_daily_netvalue(current)
else:
self.handle_data(current)
self.day_count += 1
self.after_trade()
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
python获取通达信可转债日线和分时数据
李魔佛 发表了文章 • 0 个评论 • 286 次浏览 • 2022-08-28 10:41
昨天看到优矿平台公告，开始对大部分数据获取接口进行收费。
除了优矿，还有哪些可以获取可转债日线，甚至分时tick数据呢？当然笔者压箱底里面还有很多可用数据源的。本文就简单介绍其中一个，下通达信数据源。
安装
使用pip安装第三方库pytdxpip install pytdx
分时数据
下面6行python代码， 就可以获取通达信的可转债分时数据。from pytdx.hq import TdxHq_API
api = TdxHq_API()
with api.connect('119.147.212.81', 7709):
data = api.get_security_bars(7, 0, '123045', 0, 240) # 123045 为转债代码 ，240 为获取 240个转债数据
df = api.to_df(data)
df=df.sort_values('datetime')
如果需要遍历当前最新可转债代码，需要结合前面的文章。【注意这代码会定期更新，因网站架构或者字段是不定时变动】
不过前面的接口只能读取800条数据，以一天240条数据计算，只能读取2天多的数据量，对于需要更多数据的朋友来说，肯定不够的。或者有一个办法，把上面代码写成定时任务，就可以每天收盘后自动存储对应的数据。
如果需要更多的历史数据，那么可以使用pytdx的另外一个功能，那就是使用python读取通达信本地数据文件。
先用通达信同步1分钟（或5分钟）数据到本地.
选择沪深京分钟线，当然，其他数据你也可以选择。勾选一分钟线数据或者5分钟线数据，还有日期。不过这里日期会有限制，只能下载100天的1分钟线，或者500天的5分钟线。所以如果长期需要这个数据，你可以每隔一段时间下载一次。
数据保存路径：通达信安装目录的 vipdoc 子目录比如我的通达信客户端安装在 c:\new_tdx 下，
即
c:\new_tdx\vipdoc\sz\lday\ 下是深圳的日k线数据
c:\new_tdx\vipdoc\sh\lday\ 下是上海的日k线数据
c:\new_tdx\vipdoc\sh\minline\ 下是上海的分钟线数据
c:\new_tdx\vipdoc\sz\minline\ 下是深圳的分钟线数据
如果你需要更久的历史数据，可以到网上找找，下载下来后按照下面代码读取即可。 from pytdx.reader import TdxMinBarReader
path='/home/xda/Downloads/sz128014.lc1'
reader = TdxMinBarReader()
df = reader.get_df(path)
#df.to_excel('tick.xlsx') # 导出为excel
得到dataframe对象后，接着可以保存为excel，数据库都很简单了。一条语句的事情。
可转债日线数据
当然，能够获取到分钟数据，对于日线数据更加不在话下了。日线数据并没有日期限制，想下多少有多少。api = TdxHq_API()
api = api.connect('119.147.212.81', 7709)
data=api.get_k_data('123045', '2020-05-01', '2022-08-26') # 123045 为可转债代码，可以替换任意代码
data.to_excel('k-line.xlsx')
如果想获取正股或者其他股票数据，只需要把代码替换成正股股票代码即可。
如果分钟数据还不满足，还可以使用更小粒度的tick数据。下回有空再继续介绍，敬请关注。
欢迎关注公众号 查看全部
除了优矿，还有哪些可以获取可转债日线，甚至分时tick数据呢？当然笔者压箱底里面还有很多可用数据源的。本文就简单介绍其中一个，下通达信数据源。
安装
使用pip安装第三方库pytdxpip install pytdx
分时数据
下面6行python代码， 就可以获取通达信的可转债分时数据。from pytdx.hq import TdxHq_API
api = TdxHq_API()
with api.connect('119.147.212.81', 7709):
data = api.get_security_bars(7, 0, '123045', 0, 240) # 123045 为转债代码 ，240 为获取 240个转债数据
df = api.to_df(data)
df=df.sort_values('datetime')
如果需要遍历当前最新可转债代码，需要结合前面的文章。【注意这代码会定期更新，因网站架构或者字段是不定时变动】
不过前面的接口只能读取800条数据，以一天240条数据计算，只能读取2天多的数据量，对于需要更多数据的朋友来说，肯定不够的。或者有一个办法，把上面代码写成定时任务，就可以每天收盘后自动存储对应的数据。
如果需要更多的历史数据，那么可以使用pytdx的另外一个功能，那就是使用python读取通达信本地数据文件。
先用通达信同步1分钟（或5分钟）数据到本地.
选择沪深京分钟线，当然，其他数据你也可以选择。勾选一分钟线数据或者5分钟线数据，还有日期。不过这里日期会有限制，只能下载100天的1分钟线，或者500天的5分钟线。所以如果长期需要这个数据，你可以每隔一段时间下载一次。
数据保存路径：通达信安装目录的 vipdoc 子目录比如我的通达信客户端安装在 c:\new_tdx 下，
即
c:\new_tdx\vipdoc\sz\lday\ 下是深圳的日k线数据
c:\new_tdx\vipdoc\sh\lday\ 下是上海的日k线数据
c:\new_tdx\vipdoc\sh\minline\ 下是上海的分钟线数据
c:\new_tdx\vipdoc\sz\minline\ 下是深圳的分钟线数据
如果你需要更久的历史数据，可以到网上找找，下载下来后按照下面代码读取即可。 from pytdx.reader import TdxMinBarReader
path='/home/xda/Downloads/sz128014.lc1'
reader = TdxMinBarReader()
df = reader.get_df(path)
#df.to_excel('tick.xlsx') # 导出为excel
得到dataframe对象后，接着可以保存为excel，数据库都很简单了。一条语句的事情。
可转债日线数据
当然，能够获取到分钟数据，对于日线数据更加不在话下了。日线数据并没有日期限制，想下多少有多少。api = TdxHq_API()
api = api.connect('119.147.212.81', 7709)
data=api.get_k_data('123045', '2020-05-01', '2022-08-26') # 123045 为可转债代码，可以替换任意代码
data.to_excel('k-line.xlsx')
如果想获取正股或者其他股票数据，只需要把代码替换成正股股票代码即可。
如果分钟数据还不满足，还可以使用更小粒度的tick数据。下回有空再继续介绍，敬请关注。
欢迎关注公众号 查看全部
昨天看到优矿平台公告，开始对大部分数据获取接口进行收费。
除了优矿，还有哪些可以获取可转债日线，甚至分时tick数据呢？当然笔者压箱底里面还有很多可用数据源的。本文就简单介绍其中一个，下通达信数据源。
安装
使用pip安装第三方库pytdx
分时数据
下面6行python代码， 就可以获取通达信的可转债分时数据。
如果需要遍历当前最新可转债代码，需要结合前面的文章。【注意这代码会定期更新，因网站架构或者字段是不定时变动】
不过前面的接口只能读取800条数据，以一天240条数据计算，只能读取2天多的数据量，对于需要更多数据的朋友来说，肯定不够的。或者有一个办法，把上面代码写成定时任务，就可以每天收盘后自动存储对应的数据。
如果需要更多的历史数据，那么可以使用pytdx的另外一个功能，那就是使用python读取通达信本地数据文件。
先用通达信同步1分钟（或5分钟）数据到本地.
选择沪深京分钟线，当然，其他数据你也可以选择。勾选一分钟线数据或者5分钟线数据，还有日期。不过这里日期会有限制，只能下载100天的1分钟线，或者500天的5分钟线。所以如果长期需要这个数据，你可以每隔一段时间下载一次。
数据保存路径：通达信安装目录的 vipdoc 子目录
如果你需要更久的历史数据，可以到网上找找，下载下来后按照下面代码读取即可。
得到dataframe对象后，接着可以保存为excel，数据库都很简单了。一条语句的事情。
可转债日线数据
当然，能够获取到分钟数据，对于日线数据更加不在话下了。日线数据并没有日期限制，想下多少有多少。
如果想获取正股或者其他股票数据，只需要把代码替换成正股股票代码即可。
如果分钟数据还不满足，还可以使用更小粒度的tick数据。下回有空再继续介绍，敬请关注。
欢迎关注公众号
除了优矿，还有哪些可以获取可转债日线，甚至分时tick数据呢？当然笔者压箱底里面还有很多可用数据源的。本文就简单介绍其中一个，下通达信数据源。
安装
使用pip安装第三方库pytdx
pip install pytdx
分时数据
下面6行python代码， 就可以获取通达信的可转债分时数据。
from pytdx.hq import TdxHq_API
api = TdxHq_API()
with api.connect('119.147.212.81', 7709):
data = api.get_security_bars(7, 0, '123045', 0, 240) # 123045 为转债代码 ，240 为获取 240个转债数据
df = api.to_df(data)
df=df.sort_values('datetime')
如果需要遍历当前最新可转债代码，需要结合前面的文章。【注意这代码会定期更新，因网站架构或者字段是不定时变动】
不过前面的接口只能读取800条数据，以一天240条数据计算，只能读取2天多的数据量，对于需要更多数据的朋友来说，肯定不够的。或者有一个办法，把上面代码写成定时任务，就可以每天收盘后自动存储对应的数据。
如果需要更多的历史数据，那么可以使用pytdx的另外一个功能，那就是使用python读取通达信本地数据文件。
先用通达信同步1分钟（或5分钟）数据到本地.
选择沪深京分钟线，当然，其他数据你也可以选择。勾选一分钟线数据或者5分钟线数据，还有日期。不过这里日期会有限制，只能下载100天的1分钟线，或者500天的5分钟线。所以如果长期需要这个数据，你可以每隔一段时间下载一次。
数据保存路径：通达信安装目录的 vipdoc 子目录
比如我的通达信客户端安装在 c:\new_tdx 下，
即
c:\new_tdx\vipdoc\sz\lday\ 下是深圳的日k线数据
c:\new_tdx\vipdoc\sh\lday\ 下是上海的日k线数据
c:\new_tdx\vipdoc\sh\minline\ 下是上海的分钟线数据
c:\new_tdx\vipdoc\sz\minline\ 下是深圳的分钟线数据
如果你需要更久的历史数据，可以到网上找找，下载下来后按照下面代码读取即可。
from pytdx.reader import TdxMinBarReader
path='/home/xda/Downloads/sz128014.lc1'
reader = TdxMinBarReader()
df = reader.get_df(path)
#df.to_excel('tick.xlsx') # 导出为excel
得到dataframe对象后，接着可以保存为excel，数据库都很简单了。一条语句的事情。
可转债日线数据
当然，能够获取到分钟数据，对于日线数据更加不在话下了。日线数据并没有日期限制，想下多少有多少。
api = TdxHq_API()
api = api.connect('119.147.212.81', 7709)
data=api.get_k_data('123045', '2020-05-01', '2022-08-26') # 123045 为可转债代码，可以替换任意代码
data.to_excel('k-line.xlsx')
如果想获取正股或者其他股票数据，只需要把代码替换成正股股票代码即可。
如果分钟数据还不满足，还可以使用更小粒度的tick数据。下回有空再继续介绍，敬请关注。
欢迎关注公众号
6行python代码 获取通达信的可转债分时数据
李魔佛 发表了文章 • 0 个评论 • 207 次浏览 • 2022-08-27 14:33
6行python代码 获取通达信的可转债分时数据。from pytdx.hq import TdxHq_API
api = TdxHq_API()
with api.connect('119.147.212.81', 7709):
data = api.get_security_bars(7, 0, '123045', 0, 240) # 123045 为转债代码 ，240 为获取 240个转债数据
df = api.to_df(data)
df=df.sort_values('datetime')
点击查看大图
如果需要遍历当前最新可转债代码（集思录），需要结合前面的文章。 查看全部
api = TdxHq_API()
with api.connect('119.147.212.81', 7709):
data = api.get_security_bars(7, 0, '123045', 0, 240) # 123045 为转债代码 ，240 为获取 240个转债数据
df = api.to_df(data)
df=df.sort_values('datetime')
点击查看大图
如果需要遍历当前最新可转债代码（集思录），需要结合前面的文章。 查看全部
6行python代码 获取通达信的可转债分时数据。
点击查看大图
如果需要遍历当前最新可转债代码（集思录），需要结合前面的文章。
from pytdx.hq import TdxHq_API
api = TdxHq_API()
with api.connect('119.147.212.81', 7709):
data = api.get_security_bars(7, 0, '123045', 0, 240) # 123045 为转债代码 ，240 为获取 240个转债数据
df = api.to_df(data)
df=df.sort_values('datetime')
如果需要遍历当前最新可转债代码（集思录），需要结合前面的文章。
Ptrade 逆回购+自动申购新股可转债
李魔佛 发表了文章 • 0 个评论 • 210 次浏览 • 2022-08-24 20:03
分享一些最基本的ptrade代码实盘例子。 持续更新，喜欢的朋友请关注本站哦。
本站所有代码均经过实盘验证。# ptrade软件-量化-回测 里，新建策略，复制全文粘贴进去，周期选分钟，再到交易里新增交易
import time
def reverse_repurchase(context):
cash = context.portfolio.cash
amount = int(cash/1000)*10
log.info(amount)
order('131810.SZ', -1*amount) # 深圳逆回购，
def ipo(context):
ipo_stocks_order()
def initialize(context):
g.flag = False
log.info("initialize g.flag=" + str(g.flag) )
run_daily(context, reverse_repurchase, '14:57')
run_daily(context, ipo, '13:30')
def before_trading_start(context, data):
pass
def handle_data(context, data):
pass
def on_order_response(context, order_list):
# 该函数会在委托回报返回时响应
log.info(order_list)
上面代码设定在13：30分申购新股，新债；
在14：57分申购深圳逆回购R-001
喜欢的朋友拿去，欢迎转载。
欢迎关注公众号
查看全部
本站所有代码均经过实盘验证。# ptrade软件-量化-回测 里，新建策略，复制全文粘贴进去，周期选分钟，再到交易里新增交易
import time
def reverse_repurchase(context):
cash = context.portfolio.cash
amount = int(cash/1000)*10
log.info(amount)
order('131810.SZ', -1*amount) # 深圳逆回购，
def ipo(context):
ipo_stocks_order()
def initialize(context):
g.flag = False
log.info("initialize g.flag=" + str(g.flag) )
run_daily(context, reverse_repurchase, '14:57')
run_daily(context, ipo, '13:30')
def before_trading_start(context, data):
pass
def handle_data(context, data):
pass
def on_order_response(context, order_list):
# 该函数会在委托回报返回时响应
log.info(order_list)
上面代码设定在13：30分申购新股，新债；
在14：57分申购深圳逆回购R-001
喜欢的朋友拿去，欢迎转载。
欢迎关注公众号
查看全部
分享一些最基本的ptrade代码实盘例子。 持续更新，喜欢的朋友请关注本站哦。
本站所有代码均经过实盘验证。
上面代码设定在13：30分申购新股，新债；
在14：57分申购深圳逆回购R-001
喜欢的朋友拿去，欢迎转载。
欢迎关注公众号
本站所有代码均经过实盘验证。
# ptrade软件-量化-回测 里，新建策略，复制全文粘贴进去，周期选分钟，再到交易里新增交易
import time
def reverse_repurchase(context):
cash = context.portfolio.cash
amount = int(cash/1000)*10
log.info(amount)
order('131810.SZ', -1*amount) # 深圳逆回购，
def ipo(context):
ipo_stocks_order()
def initialize(context):
g.flag = False
log.info("initialize g.flag=" + str(g.flag) )
run_daily(context, reverse_repurchase, '14:57')
run_daily(context, ipo, '13:30')
def before_trading_start(context, data):
pass
def handle_data(context, data):
pass
def on_order_response(context, order_list):
# 该函数会在委托回报返回时响应
log.info(order_list)
上面代码设定在13：30分申购新股，新债；
在14：57分申购深圳逆回购R-001
喜欢的朋友拿去，欢迎转载。
欢迎关注公众号
Ptrade 获取当天可转债代码列表
李魔佛 发表了文章 • 0 个评论 • 212 次浏览 • 2022-08-22 18:46
注意Ptrade版本：2022版，旧版应该不行的。
可以在开盘的时候获取所有可转债列表。
def initialize(context):
run_daily(context, get_trade_cb_list, "9:25")
def before_trading_start(context, data):
# 每日清空，避免取到昨日市场代码表
g.trade_cb_list =
def handle_data(context, data):
pass
# 获取当天可交易的可转债代码列表
def get_trade_cb_list(context):
cb_list = get_cb_list()
cb_snapshot = get_snapshot(cb_list)
# 代码有行情快照并且交易状态不在暂停交易、停盘、长期停盘、退市状态的判定为可交易代码
g.trade_cb_list = [cb_code for cb_code in cb_list if
cb_snapshot.get(cb_code, {}).get("trade_status") not in
[None, "HALT", "SUSP", "STOPT", "DELISTED"]]
log.info("当天可交易的可转债代码列表为：%s" % g.trade_cb_list)
如果需要获取可转债溢价率，评级，剩余规模，强赎等数据，可以调用我之前提供的接口。
需要的可以关注个人星球和公众号。
欢迎关注公众号
查看全部
可以在开盘的时候获取所有可转债列表。
def initialize(context):
run_daily(context, get_trade_cb_list, "9:25")
def before_trading_start(context, data):
# 每日清空，避免取到昨日市场代码表
g.trade_cb_list =
def handle_data(context, data):
pass
# 获取当天可交易的可转债代码列表
def get_trade_cb_list(context):
cb_list = get_cb_list()
cb_snapshot = get_snapshot(cb_list)
# 代码有行情快照并且交易状态不在暂停交易、停盘、长期停盘、退市状态的判定为可交易代码
g.trade_cb_list = [cb_code for cb_code in cb_list if
cb_snapshot.get(cb_code, {}).get("trade_status") not in
[None, "HALT", "SUSP", "STOPT", "DELISTED"]]
log.info("当天可交易的可转债代码列表为：%s" % g.trade_cb_list)
如果需要获取可转债溢价率，评级，剩余规模，强赎等数据，可以调用我之前提供的接口。
需要的可以关注个人星球和公众号。
欢迎关注公众号
查看全部
注意Ptrade版本：2022版，旧版应该不行的。
可以在开盘的时候获取所有可转债列表。
如果需要获取可转债溢价率，评级，剩余规模，强赎等数据，可以调用我之前提供的接口。
需要的可以关注个人星球和公众号。
欢迎关注公众号
可以在开盘的时候获取所有可转债列表。
def initialize(context):
run_daily(context, get_trade_cb_list, "9:25")
def before_trading_start(context, data):
# 每日清空，避免取到昨日市场代码表
g.trade_cb_list =
def handle_data(context, data):
pass
# 获取当天可交易的可转债代码列表
def get_trade_cb_list(context):
cb_list = get_cb_list()
cb_snapshot = get_snapshot(cb_list)
# 代码有行情快照并且交易状态不在暂停交易、停盘、长期停盘、退市状态的判定为可交易代码
g.trade_cb_list = [cb_code for cb_code in cb_list if
cb_snapshot.get(cb_code, {}).get("trade_status") not in
[None, "HALT", "SUSP", "STOPT", "DELISTED"]]
log.info("当天可交易的可转债代码列表为：%s" % g.trade_cb_list)
如果需要获取可转债溢价率，评级，剩余规模，强赎等数据，可以调用我之前提供的接口。
需要的可以关注个人星球和公众号。
欢迎关注公众号
Ptrade里面的 持久化 （pickle）要求 报错：
李魔佛 发表了文章 • 0 个评论 • 198 次浏览 • 2022-08-22 17:42
关于持久化
为什么要做持久化处理
服务器异常、策略优化等诸多场景，都会使得正在进行的模拟盘和实盘策略存在中断后再重启的需求，但是一旦交易中止后，策略中存储在内存中的全局变量就清空了，因此通过持久化处理为量化交易保驾护航必不可少。
量化框架持久化处理
使用pickle模块保存股票池、账户信息、订单信息、全局变量g定义的变量等内容。
注意事项：
框架会在before_trading_start（隔日开始）、handle_data、after_trading_end事件后触发持久化信息更新及保存操作；
券商升级/环境重启后恢复交易时，框架会先执行策略initialize函数再执行持久化信息恢复操作。
如果持久化信息保存有策略定义的全局对象g中的变量，将会以持久化信息中的变量覆盖掉initialize函数中初始化的该变量。
1 全局变量g中不能被序列化的变量将不会被保存。
您可在initialize中初始化该变量时名字以'__'开头；
2 涉及到IO(打开的文件，实例化的类对象等)的对象是不能被序列化的；
3 全局变量g中以'__'开头的变量为私有变量，持久化时将不会被保存；
示例代码：class Test(object):
count = 5
def print_info(self):
self.count += 1
log.info("a" * self.count)
def initialize(context):
g.security = "600570.SS"
set_universe(g.security)
# 初始化无法被序列化类对象，并赋值为私有变量，落地持久化信息时跳过保存该变量
g.__test_class = Test()
def handle_data(context, data):
# 调用私有变量中定义的方法
g.__test_class.print_info()
其实官方文档说了这么多，实际意思就是 类和涉及IO的 变量 不能序列化，导致不能在g中作为全局变量，如果要作为全局变量，需要 用2个前下划线__ 命名，比如 g.__db = Bond()
class Bond:
pass
不然就会报错：
_pickle.PickingError: Can't pick <class 'IOEngine.user_module : attribute loopup
欢迎关注公众号 查看全部
为什么要做持久化处理
服务器异常、策略优化等诸多场景，都会使得正在进行的模拟盘和实盘策略存在中断后再重启的需求，但是一旦交易中止后，策略中存储在内存中的全局变量就清空了，因此通过持久化处理为量化交易保驾护航必不可少。
量化框架持久化处理
使用pickle模块保存股票池、账户信息、订单信息、全局变量g定义的变量等内容。
注意事项：
框架会在before_trading_start（隔日开始）、handle_data、after_trading_end事件后触发持久化信息更新及保存操作；
券商升级/环境重启后恢复交易时，框架会先执行策略initialize函数再执行持久化信息恢复操作。
如果持久化信息保存有策略定义的全局对象g中的变量，将会以持久化信息中的变量覆盖掉initialize函数中初始化的该变量。
1 全局变量g中不能被序列化的变量将不会被保存。
您可在initialize中初始化该变量时名字以'__'开头；
2 涉及到IO(打开的文件，实例化的类对象等)的对象是不能被序列化的；
3 全局变量g中以'__'开头的变量为私有变量，持久化时将不会被保存；
示例代码：class Test(object):
count = 5
def print_info(self):
self.count += 1
log.info("a" * self.count)
def initialize(context):
g.security = "600570.SS"
set_universe(g.security)
# 初始化无法被序列化类对象，并赋值为私有变量，落地持久化信息时跳过保存该变量
g.__test_class = Test()
def handle_data(context, data):
# 调用私有变量中定义的方法
g.__test_class.print_info()
其实官方文档说了这么多，实际意思就是 类和涉及IO的 变量 不能序列化，导致不能在g中作为全局变量，如果要作为全局变量，需要 用2个前下划线__ 命名，比如 g.__db = Bond()
class Bond:
pass
不然就会报错：
_pickle.PickingError: Can't pick <class 'IOEngine.user_module : attribute loopup
欢迎关注公众号 查看全部
关于持久化
为什么要做持久化处理
服务器异常、策略优化等诸多场景，都会使得正在进行的模拟盘和实盘策略存在中断后再重启的需求，但是一旦交易中止后，策略中存储在内存中的全局变量就清空了，因此通过持久化处理为量化交易保驾护航必不可少。
量化框架持久化处理
使用pickle模块保存股票池、账户信息、订单信息、全局变量g定义的变量等内容。
注意事项：
框架会在before_trading_start（隔日开始）、handle_data、after_trading_end事件后触发持久化信息更新及保存操作；
券商升级/环境重启后恢复交易时，框架会先执行策略initialize函数再执行持久化信息恢复操作。
如果持久化信息保存有策略定义的全局对象g中的变量，将会以持久化信息中的变量覆盖掉initialize函数中初始化的该变量。
1 全局变量g中不能被序列化的变量将不会被保存。
您可在initialize中初始化该变量时名字以'__'开头；
2 涉及到IO(打开的文件，实例化的类对象等)的对象是不能被序列化的；
3 全局变量g中以'__'开头的变量为私有变量，持久化时将不会被保存；
示例代码：
其实官方文档说了这么多，实际意思就是 类和涉及IO的 变量 不能序列化，导致不能在g中作为全局变量，如果要作为全局变量，需要 用2个前下划线__ 命名，比如 g.__db = Bond()
class Bond:
pass
不然就会报错：
欢迎关注公众号
为什么要做持久化处理
服务器异常、策略优化等诸多场景，都会使得正在进行的模拟盘和实盘策略存在中断后再重启的需求，但是一旦交易中止后，策略中存储在内存中的全局变量就清空了，因此通过持久化处理为量化交易保驾护航必不可少。
量化框架持久化处理
使用pickle模块保存股票池、账户信息、订单信息、全局变量g定义的变量等内容。
注意事项：
框架会在before_trading_start（隔日开始）、handle_data、after_trading_end事件后触发持久化信息更新及保存操作；
券商升级/环境重启后恢复交易时，框架会先执行策略initialize函数再执行持久化信息恢复操作。
如果持久化信息保存有策略定义的全局对象g中的变量，将会以持久化信息中的变量覆盖掉initialize函数中初始化的该变量。
1 全局变量g中不能被序列化的变量将不会被保存。
您可在initialize中初始化该变量时名字以'__'开头；
2 涉及到IO(打开的文件，实例化的类对象等)的对象是不能被序列化的；
3 全局变量g中以'__'开头的变量为私有变量，持久化时将不会被保存；
示例代码：
class Test(object):
count = 5
def print_info(self):
self.count += 1
log.info("a" * self.count)
def initialize(context):
g.security = "600570.SS"
set_universe(g.security)
# 初始化无法被序列化类对象，并赋值为私有变量，落地持久化信息时跳过保存该变量
g.__test_class = Test()
def handle_data(context, data):
# 调用私有变量中定义的方法
g.__test_class.print_info()
其实官方文档说了这么多，实际意思就是 类和涉及IO的 变量 不能序列化，导致不能在g中作为全局变量，如果要作为全局变量，需要 用2个前下划线__ 命名，比如 g.__db = Bond()
class Bond:
pass
不然就会报错：
_pickle.PickingError: Can't pick <class 'IOEngine.user_module : attribute loopup
欢迎关注公众号
虚拟机 云服务器 运行qmt 方案
李魔佛 发表了文章 • 0 个评论 • 319 次浏览 • 2022-08-20 17:17
点击查看大图
众所周知，部分券商（国盛证券）限制了虚拟机登录QMT。
比如在vmare中安装了QMT，可以在QMT的信息里面看到：
点击查看大图
比如上面的截图， 如果和实体机的设备信息做一个对比，可以看到，虚拟机下的QMT的硬盘序列号（红框的位置) 是空的，而实体物理机下，红框的硬盘序列号 是有内容的。 所以一个办法是尝试修改这个硬盘序列号。
或者换一个支持虚拟机的券商。其实这个限制是券商端定制的功能，部分券商并没有限制虚拟机禁止登陆QMT的。
比如国金证券的QMT，可以在虚拟机或者云服务器上登录。费率也可以万一免五，参考文章：
http://www.30daydo.com/article/44479 查看全部
众所周知，部分券商（国盛证券）限制了虚拟机登录QMT。
比如在vmare中安装了QMT，可以在QMT的信息里面看到：
点击查看大图
比如上面的截图， 如果和实体机的设备信息做一个对比，可以看到，虚拟机下的QMT的硬盘序列号（红框的位置) 是空的，而实体物理机下，红框的硬盘序列号 是有内容的。 所以一个办法是尝试修改这个硬盘序列号。
或者换一个支持虚拟机的券商。其实这个限制是券商端定制的功能，部分券商并没有限制虚拟机禁止登陆QMT的。
比如国金证券的QMT，可以在虚拟机或者云服务器上登录。费率也可以万一免五，参考文章：
http://www.30daydo.com/article/44479 查看全部
点击查看大图
众所周知，部分券商（国盛证券）限制了虚拟机登录QMT。
比如在vmare中安装了QMT，可以在QMT的信息里面看到：
点击查看大图
比如上面的截图， 如果和实体机的设备信息做一个对比，可以看到，虚拟机下的QMT的硬盘序列号（红框的位置) 是空的，而实体物理机下，红框的硬盘序列号 是有内容的。 所以一个办法是尝试修改这个硬盘序列号。
或者换一个支持虚拟机的券商。其实这个限制是券商端定制的功能，部分券商并没有限制虚拟机禁止登陆QMT的。
比如国金证券的QMT，可以在虚拟机或者云服务器上登录。费率也可以万一免五，参考文章：
http://www.30daydo.com/article/44479
通过mini qmt xtdata获取tick数据 python代码
李魔佛 发表了文章 • 0 个评论 • 356 次浏览 • 2022-08-17 18:03
def get_tick(code, start_time, end_time, period='tick'):
from xtquant import xtdata
xtdata.download_history_data(code, period=period, start_time=start_time, end_time=end_time)
data = xtdata.get_local_data(field_list=, stock_code=, period=period, count=10)
result_list = data df = pd.DataFrame(result_list)
df['time_str'] = df['time'].apply(lambda x: datetime.datetime.fromtimestamp(x / 1000.0))
return df
上面python代码传入一个代码，和初试时间，需要的周期数据（分钟，秒，日等），就可以返回一个dataframe格式的数据了。
欢迎关注公众号 查看全部
from xtquant import xtdata
xtdata.download_history_data(code, period=period, start_time=start_time, end_time=end_time)
data = xtdata.get_local_data(field_list=, stock_code=, period=period, count=10)
result_list = data df = pd.DataFrame(result_list)
df['time_str'] = df['time'].apply(lambda x: datetime.datetime.fromtimestamp(x / 1000.0))
return df
上面python代码传入一个代码，和初试时间，需要的周期数据（分钟，秒，日等），就可以返回一个dataframe格式的数据了。
欢迎关注公众号 查看全部
def get_tick(code, start_time, end_time, period='tick'):
from xtquant import xtdata
xtdata.download_history_data(code, period=period, start_time=start_time, end_time=end_time)
data = xtdata.get_local_data(field_list=, stock_code=
, period=period, count=10)
result_list = data
df = pd.DataFrame(result_list)
df['time_str'] = df['time'].apply(lambda x: datetime.datetime.fromtimestamp(x / 1000.0))
return df
上面python代码传入一个代码，和初试时间，需要的周期数据（分钟，秒，日等），就可以返回一个dataframe格式的数据了。
欢迎关注公众号
Ptrade下单接口 order，order_target， order_value，order_target_value的区别
李魔佛 发表了文章 • 0 个评论 • 276 次浏览 • 2022-08-11 23:57
order_target 接口通过持仓数量比较将入参的目标数量转换成需要交易的成交，传入 order
接口
order_value 接口通过 金额/限价 或者 金额/默认最新价 两种方式转换成需要交易的数量，
传入 order 接口
order_target_value 接口通过持仓金额比较得到需要交易的金额， 金额/限价 或者 金额/默
认最新价 两种方式转换成需要交易的数量，传入 order 接口
所以其他几个接口都是对order的封装。
order接口的逻辑：order 接口：
一、
先判断 limit_price 是否传入，传入则用传入价格限价，不传入则最新价代替，都是
限价方式报单。二、
判断隔夜单和交易时间，交易时间（9:10（系统可配）~15:00）范围的订单会马上
加入未处理订单队列，其他订单先放到一个队列，等时间到交易时间就放到未处理订单
队列三、
未处理订单队列的订单会进行限价判断，如果没有传入限价就按当前最新价处理，
然后报柜台
欢迎关注公众号 查看全部
接口
order_value 接口通过 金额/限价 或者 金额/默认最新价 两种方式转换成需要交易的数量，
传入 order 接口
order_target_value 接口通过持仓金额比较得到需要交易的金额， 金额/限价 或者 金额/默
认最新价 两种方式转换成需要交易的数量，传入 order 接口
所以其他几个接口都是对order的封装。
order接口的逻辑：order 接口：
一、
先判断 limit_price 是否传入，传入则用传入价格限价，不传入则最新价代替，都是
限价方式报单。二、
判断隔夜单和交易时间，交易时间（9:10（系统可配）~15:00）范围的订单会马上
加入未处理订单队列，其他订单先放到一个队列，等时间到交易时间就放到未处理订单
队列三、
未处理订单队列的订单会进行限价判断，如果没有传入限价就按当前最新价处理，
然后报柜台
欢迎关注公众号 查看全部
order_target 接口通过持仓数量比较将入参的目标数量转换成需要交易的成交，传入 order
接口
order_value 接口通过 金额/限价 或者 金额/默认最新价 两种方式转换成需要交易的数量，
传入 order 接口
order_target_value 接口通过持仓金额比较得到需要交易的金额， 金额/限价 或者 金额/默
认最新价 两种方式转换成需要交易的数量，传入 order 接口
所以其他几个接口都是对order的封装。
order接口的逻辑：
order 接口：
一、
先判断 limit_price 是否传入，传入则用传入价格限价，不传入则最新价代替，都是
限价方式报单。
二、
判断隔夜单和交易时间，交易时间（9:10（系统可配）~15:00）范围的订单会马上
加入未处理订单队列，其他订单先放到一个队列，等时间到交易时间就放到未处理订单
队列
三、
未处理订单队列的订单会进行限价判断，如果没有传入限价就按当前最新价处理，
然后报柜台
欢迎关注公众号
