PTrade
Ptrade QMT 哪家费率最便宜，门槛最低？
券商万一免五 • 绫波丽 发表了文章 • 0 个评论 • 182 次浏览 • 2022-11-27 19:09
最近咨询的朋友很多。这里做个汇总，可以节省大家的时间。
笔者只会推荐合适的券商和量化接口给你，而不会推荐坑爹的券商给你。
如果你不信任，绕路即可，莫浪费大家时间。或者你有好的资源或者券商，你也可以推荐给我，可以给你发红包，奖励你提供有用的情报信息。
目前支持ptrade，qmt可以股票可以免五（0.1元起步）的券商，只有国盛，需要的可以找我开。 但是有入金门槛，ptrade门槛30w, qmt 的门槛50w。 国盛的ptrade可以链接外网。其他家的不行。但国盛的qmt不支持运行在云服务器。
其他家的qmt是支持的云服务器的，但国金的qmt会每天自动退出，需要每次手动点击登录，我也写了一个自动登录的小脚本，开完户的朋友可以拿去用用。
门槛低的国信，适合新手使用，但是没有miniqmt，这个东西也不一定适合你。 真的需要这个功能，在qmt里面可以写一段代码，让它把下单接口变成http指令，把下单功能独立出来，也是可以的。不过这个属于进阶功能。 需要的也可以把代码给你。
笔者用过大部分券商的ptrade qmt，所以个人的指导与推荐还是很有指导意见的。 写过的策略也大部分人（99%）多， 平台好坏，坑的多寡，哪里有雷，都已经摸清摸楚。 可以大大节省你们的时间。 当然你也可以忽略，自己去折腾折腾。选ptrade 还是qmt，然后哪个券商，什么费率。
需要开户或者可以提供更低费用的资源的可以加微信：
查看全部
笔者只会推荐合适的券商和量化接口给你，而不会推荐坑爹的券商给你。
如果你不信任，绕路即可，莫浪费大家时间。或者你有好的资源或者券商，你也可以推荐给我，可以给你发红包，奖励你提供有用的情报信息。
目前支持ptrade，qmt可以股票可以免五（0.1元起步）的券商，只有国盛，需要的可以找我开。 但是有入金门槛，ptrade门槛30w, qmt 的门槛50w。 国盛的ptrade可以链接外网。其他家的不行。但国盛的qmt不支持运行在云服务器。
其他家的qmt是支持的云服务器的，但国金的qmt会每天自动退出，需要每次手动点击登录，我也写了一个自动登录的小脚本，开完户的朋友可以拿去用用。
门槛低的国信，适合新手使用，但是没有miniqmt，这个东西也不一定适合你。 真的需要这个功能，在qmt里面可以写一段代码，让它把下单接口变成http指令，把下单功能独立出来，也是可以的。不过这个属于进阶功能。 需要的也可以把代码给你。
笔者用过大部分券商的ptrade qmt，所以个人的指导与推荐还是很有指导意见的。 写过的策略也大部分人（99%）多， 平台好坏，坑的多寡，哪里有雷，都已经摸清摸楚。 可以大大节省你们的时间。 当然你也可以忽略，自己去折腾折腾。选ptrade 还是qmt，然后哪个券商，什么费率。
需要开户或者可以提供更低费用的资源的可以加微信：
查看全部
最近咨询的朋友很多。这里做个汇总，可以节省大家的时间。
笔者只会推荐合适的券商和量化接口给你，而不会推荐坑爹的券商给你。
如果你不信任，绕路即可，莫浪费大家时间。或者你有好的资源或者券商，你也可以推荐给我，可以给你发红包，奖励你提供有用的情报信息。
目前支持ptrade，qmt可以股票可以免五（0.1元起步）的券商，只有国盛，需要的可以找我开。 但是有入金门槛，ptrade门槛30w, qmt 的门槛50w。 国盛的ptrade可以链接外网。其他家的不行。但国盛的qmt不支持运行在云服务器。
其他家的qmt是支持的云服务器的，但国金的qmt会每天自动退出，需要每次手动点击登录，我也写了一个自动登录的小脚本，开完户的朋友可以拿去用用。
门槛低的国信，适合新手使用，但是没有miniqmt，这个东西也不一定适合你。 真的需要这个功能，在qmt里面可以写一段代码，让它把下单接口变成http指令，把下单功能独立出来，也是可以的。不过这个属于进阶功能。 需要的也可以把代码给你。
笔者用过大部分券商的ptrade qmt，所以个人的指导与推荐还是很有指导意见的。 写过的策略也大部分人（99%）多， 平台好坏，坑的多寡，哪里有雷，都已经摸清摸楚。 可以大大节省你们的时间。 当然你也可以忽略，自己去折腾折腾。选ptrade 还是qmt，然后哪个券商，什么费率。
需要开户或者可以提供更低费用的资源的可以加微信：
笔者只会推荐合适的券商和量化接口给你，而不会推荐坑爹的券商给你。
如果你不信任，绕路即可，莫浪费大家时间。或者你有好的资源或者券商，你也可以推荐给我，可以给你发红包，奖励你提供有用的情报信息。
目前支持ptrade，qmt可以股票可以免五（0.1元起步）的券商，只有国盛，需要的可以找我开。 但是有入金门槛，ptrade门槛30w, qmt 的门槛50w。 国盛的ptrade可以链接外网。其他家的不行。但国盛的qmt不支持运行在云服务器。
其他家的qmt是支持的云服务器的，但国金的qmt会每天自动退出，需要每次手动点击登录，我也写了一个自动登录的小脚本，开完户的朋友可以拿去用用。
门槛低的国信，适合新手使用，但是没有miniqmt，这个东西也不一定适合你。 真的需要这个功能，在qmt里面可以写一段代码，让它把下单接口变成http指令，把下单功能独立出来，也是可以的。不过这个属于进阶功能。 需要的也可以把代码给你。
笔者用过大部分券商的ptrade qmt，所以个人的指导与推荐还是很有指导意见的。 写过的策略也大部分人（99%）多， 平台好坏，坑的多寡，哪里有雷，都已经摸清摸楚。 可以大大节省你们的时间。 当然你也可以忽略，自己去折腾折腾。选ptrade 还是qmt，然后哪个券商，什么费率。
需要开户或者可以提供更低费用的资源的可以加微信：
Ptrade多策略如何编写？
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 328 次浏览 • 2022-11-16 11:33
多策略需要解决的一个最主要的问题，就是仓位管理。
系统自带的读取仓位函数需要你重写。
目前使用一个类来管理仓位：
初始化部分：class PositionManager():
def __init__(self):
if SINGLE_FACTOR not in [1, 2, 3, 4]:
raise ValueError('策略数字有误')
self.strategy = SINGLE_FACTOR
NOTEBOOK_PATH = '/home/fly/notebook/'
# self.filename = NOTEBOOK_PATH + 'S-{}.txt'.format(self.strategy)
self.filename = NOTEBOOK_PATH + personal_define_filename
self.portfolio = self.read()
log.info(self.portfolio)
self.write()
def init_data(self):
js_data = {
'cash': CASH,
'strategy': self.strategy,
'positions': ,
'portfolio_value': None,
'positions_value': None,
'capital_used': None,
'start_date': datetime.datetime.now().strftime('%Y%m%d%H%M%S'),
'current_day': 0,
}
数据需要收盘后保存到文件，数据库也行；不过考虑到大部分ptrade（除了国盛，需要开通的可以联系公众号：可转债量化分析）都没有连接外网功能，所以最简单的方式就是写入文件，纯粹的文本文件。
目前笔者使用json存储
点击查看大图
这样存储有一个好处，就是如果你想中途修改策略持仓，可以直接修改这个文本文件。比如你的策略不小心买入了一只强赎的转债，你想手动卖掉，那么很简单，你只要在这个json文件里面把对应的持仓删除，再把他的市值加到可用资金里面去即可。 用法是相当灵活。
需要完整代码或者指导的朋友可以关注下面公众号和知识星球。
查看全部
系统自带的读取仓位函数需要你重写。
目前使用一个类来管理仓位：
初始化部分：class PositionManager():
def __init__(self):
if SINGLE_FACTOR not in [1, 2, 3, 4]:
raise ValueError('策略数字有误')
self.strategy = SINGLE_FACTOR
NOTEBOOK_PATH = '/home/fly/notebook/'
# self.filename = NOTEBOOK_PATH + 'S-{}.txt'.format(self.strategy)
self.filename = NOTEBOOK_PATH + personal_define_filename
self.portfolio = self.read()
log.info(self.portfolio)
self.write()
def init_data(self):
js_data = {
'cash': CASH,
'strategy': self.strategy,
'positions': ,
'portfolio_value': None,
'positions_value': None,
'capital_used': None,
'start_date': datetime.datetime.now().strftime('%Y%m%d%H%M%S'),
'current_day': 0,
}
数据需要收盘后保存到文件，数据库也行；不过考虑到大部分ptrade（除了国盛，需要开通的可以联系公众号：可转债量化分析）都没有连接外网功能，所以最简单的方式就是写入文件，纯粹的文本文件。
目前笔者使用json存储
点击查看大图
这样存储有一个好处，就是如果你想中途修改策略持仓，可以直接修改这个文本文件。比如你的策略不小心买入了一只强赎的转债，你想手动卖掉，那么很简单，你只要在这个json文件里面把对应的持仓删除，再把他的市值加到可用资金里面去即可。 用法是相当灵活。
需要完整代码或者指导的朋友可以关注下面公众号和知识星球。
查看全部
多策略需要解决的一个最主要的问题，就是仓位管理。
系统自带的读取仓位函数需要你重写。
目前使用一个类来管理仓位：
初始化部分：
数据需要收盘后保存到文件，数据库也行；不过考虑到大部分ptrade（除了国盛，需要开通的可以联系公众号：可转债量化分析）都没有连接外网功能，所以最简单的方式就是写入文件，纯粹的文本文件。
目前笔者使用json存储
点击查看大图
这样存储有一个好处，就是如果你想中途修改策略持仓，可以直接修改这个文本文件。比如你的策略不小心买入了一只强赎的转债，你想手动卖掉，那么很简单，你只要在这个json文件里面把对应的持仓删除，再把他的市值加到可用资金里面去即可。 用法是相当灵活。
需要完整代码或者指导的朋友可以关注下面公众号和知识星球。
系统自带的读取仓位函数需要你重写。
目前使用一个类来管理仓位：
初始化部分：
class PositionManager():
def __init__(self):
if SINGLE_FACTOR not in [1, 2, 3, 4]:
raise ValueError('策略数字有误')
self.strategy = SINGLE_FACTOR
NOTEBOOK_PATH = '/home/fly/notebook/'
# self.filename = NOTEBOOK_PATH + 'S-{}.txt'.format(self.strategy)
self.filename = NOTEBOOK_PATH + personal_define_filename
self.portfolio = self.read()
log.info(self.portfolio)
self.write()
def init_data(self):
js_data = {
'cash': CASH,
'strategy': self.strategy,
'positions': ,
'portfolio_value': None,
'positions_value': None,
'capital_used': None,
'start_date': datetime.datetime.now().strftime('%Y%m%d%H%M%S'),
'current_day': 0,
}
数据需要收盘后保存到文件，数据库也行；不过考虑到大部分ptrade（除了国盛，需要开通的可以联系公众号：可转债量化分析）都没有连接外网功能，所以最简单的方式就是写入文件，纯粹的文本文件。
目前笔者使用json存储
点击查看大图
这样存储有一个好处，就是如果你想中途修改策略持仓，可以直接修改这个文本文件。比如你的策略不小心买入了一只强赎的转债，你想手动卖掉，那么很简单，你只要在这个json文件里面把对应的持仓删除，再把他的市值加到可用资金里面去即可。 用法是相当灵活。
需要完整代码或者指导的朋友可以关注下面公众号和知识星球。
Ptrade拆单 分批下单 python代码 可转债/股票
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 188 次浏览 • 2022-11-10 00:35
在转债市场，部分转债的流动性很差，有时候连成交100张也需要等待一段时间。
所以如果资金量大，就需要拆单操作。
交易代码部分，如果设置 SPLIT_ORDER_ENABLE = True 即进行拆单操作：
在交易部分：(省略部分不相关代码) if SPLIT_ORDER_ENABLE:
split_order(code, BUY_DIRECTION, amount)
else:
buy_price = round(buy_price, 3)
ret = order(code, amount, limit_price=buy_price)BUY_DIRECTION 为买，值是1，一个常量
SELL_DIRECTION为卖，值为-1，也是一个常量，传入拆单函数中
拆单函数提取出来：def split_order(code, direction, target_count):
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
count = int(target_count / EACH_ORDER_COUNT)
# 例如：560张， 200 张一单， 2次 + 最后一次160 张
remain_count = target_count % EACH_ORDER_COUNT
for i in range(count):
ret = order(code, direction * EACH_ORDER_COUNT)
time.sleep(SPLIT_ORDER_DELAY) # 拆开的单子等待一个时间，再下另外一单
if direction == 1: # 买的时候需要整数，卖则不需要
remain_count = int(remain_count / 10) * 10
if remain_count > 0:
ret = order(code, direction * remain_count)常用的操作都类似，写成模块方便下次调用。写多了就是套模块。
在可转债实盘中，拆单后每笔下单200张，就是每次200张下一次单，因为有可能不是马上成交，所以还需要一段等待延时，再去下单；不然你的拆单也变得没有意义，因为委托那里都是挂的你的单，并没有被消化掉。
可以看到实盘交易日志，即使拆单为200张一笔，外加一段延时，成交张数也是稀稀拉拉的，出现了不少的部分成交；也就是一次连200张都未成交完成；一笔200张的，部分成交10张，20张，都是有可能的，这也足以说明，可转债的流动性问题，滑点是很难被忽略的。
当然，这是轮动调仓的时候，金额较大的情况下拆单。如果高频交易下就不能这么操作了。
具体怎么写，可以关注个人公众号与知识星球。
知识星球原文：
如需要代写量化策略实盘代码，可以到个人公众号【可转债量化分析】后台留言。
查看全部
所以如果资金量大，就需要拆单操作。
交易代码部分，如果设置 SPLIT_ORDER_ENABLE = True 即进行拆单操作：
在交易部分：(省略部分不相关代码) if SPLIT_ORDER_ENABLE:
split_order(code, BUY_DIRECTION, amount)
else:
buy_price = round(buy_price, 3)
ret = order(code, amount, limit_price=buy_price)BUY_DIRECTION 为买，值是1，一个常量
SELL_DIRECTION为卖，值为-1，也是一个常量，传入拆单函数中
拆单函数提取出来：def split_order(code, direction, target_count):
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
count = int(target_count / EACH_ORDER_COUNT)
# 例如：560张， 200 张一单， 2次 + 最后一次160 张
remain_count = target_count % EACH_ORDER_COUNT
for i in range(count):
ret = order(code, direction * EACH_ORDER_COUNT)
time.sleep(SPLIT_ORDER_DELAY) # 拆开的单子等待一个时间，再下另外一单
if direction == 1: # 买的时候需要整数，卖则不需要
remain_count = int(remain_count / 10) * 10
if remain_count > 0:
ret = order(code, direction * remain_count)常用的操作都类似，写成模块方便下次调用。写多了就是套模块。
在可转债实盘中，拆单后每笔下单200张，就是每次200张下一次单，因为有可能不是马上成交，所以还需要一段等待延时，再去下单；不然你的拆单也变得没有意义，因为委托那里都是挂的你的单，并没有被消化掉。
可以看到实盘交易日志，即使拆单为200张一笔，外加一段延时，成交张数也是稀稀拉拉的，出现了不少的部分成交；也就是一次连200张都未成交完成；一笔200张的，部分成交10张，20张，都是有可能的，这也足以说明，可转债的流动性问题，滑点是很难被忽略的。
当然，这是轮动调仓的时候，金额较大的情况下拆单。如果高频交易下就不能这么操作了。
具体怎么写，可以关注个人公众号与知识星球。
知识星球原文：
如需要代写量化策略实盘代码，可以到个人公众号【可转债量化分析】后台留言。
查看全部
在转债市场，部分转债的流动性很差，有时候连成交100张也需要等待一段时间。
所以如果资金量大，就需要拆单操作。
交易代码部分，如果设置 SPLIT_ORDER_ENABLE = True 即进行拆单操作：
在交易部分：(省略部分不相关代码)
SELL_DIRECTION为卖，值为-1，也是一个常量，传入拆单函数中
拆单函数提取出来：
在可转债实盘中，拆单后每笔下单200张，就是每次200张下一次单，因为有可能不是马上成交，所以还需要一段等待延时，再去下单；不然你的拆单也变得没有意义，因为委托那里都是挂的你的单，并没有被消化掉。
可以看到实盘交易日志，即使拆单为200张一笔，外加一段延时，成交张数也是稀稀拉拉的，出现了不少的部分成交；也就是一次连200张都未成交完成；一笔200张的，部分成交10张，20张，都是有可能的，这也足以说明，可转债的流动性问题，滑点是很难被忽略的。
当然，这是轮动调仓的时候，金额较大的情况下拆单。如果高频交易下就不能这么操作了。
具体怎么写，可以关注个人公众号与知识星球。
知识星球原文：
如需要代写量化策略实盘代码，可以到个人公众号【可转债量化分析】后台留言。
所以如果资金量大，就需要拆单操作。
交易代码部分，如果设置 SPLIT_ORDER_ENABLE = True 即进行拆单操作：
在交易部分：(省略部分不相关代码)
if SPLIT_ORDER_ENABLE:BUY_DIRECTION 为买，值是1，一个常量
split_order(code, BUY_DIRECTION, amount)
else:
buy_price = round(buy_price, 3)
ret = order(code, amount, limit_price=buy_price)
SELL_DIRECTION为卖，值为-1，也是一个常量，传入拆单函数中
拆单函数提取出来：
def split_order(code, direction, target_count):常用的操作都类似，写成模块方便下次调用。写多了就是套模块。
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
count = int(target_count / EACH_ORDER_COUNT)
# 例如：560张， 200 张一单， 2次 + 最后一次160 张
remain_count = target_count % EACH_ORDER_COUNT
for i in range(count):
ret = order(code, direction * EACH_ORDER_COUNT)
time.sleep(SPLIT_ORDER_DELAY) # 拆开的单子等待一个时间，再下另外一单
if direction == 1: # 买的时候需要整数，卖则不需要
remain_count = int(remain_count / 10) * 10
if remain_count > 0:
ret = order(code, direction * remain_count)
在可转债实盘中，拆单后每笔下单200张，就是每次200张下一次单，因为有可能不是马上成交，所以还需要一段等待延时，再去下单；不然你的拆单也变得没有意义，因为委托那里都是挂的你的单，并没有被消化掉。
可以看到实盘交易日志，即使拆单为200张一笔，外加一段延时，成交张数也是稀稀拉拉的，出现了不少的部分成交；也就是一次连200张都未成交完成；一笔200张的，部分成交10张，20张，都是有可能的，这也足以说明，可转债的流动性问题，滑点是很难被忽略的。
当然，这是轮动调仓的时候，金额较大的情况下拆单。如果高频交易下就不能这么操作了。
具体怎么写，可以关注个人公众号与知识星球。
知识星球原文：
如需要代写量化策略实盘代码，可以到个人公众号【可转债量化分析】后台留言。
Ptrade里写策略坑比较多的地方（一）
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 269 次浏览 • 2022-11-03 11:26
总结一些，给过来人少踩些坑
1. 后缀符号不统一
这个是天煞的产品涉及的问题。 好好地代码后缀，比如 深圳市场的 有时候出现 300333.SZ , 有时候结构体里面却会是 300333.XSHE，
比如返回的orders 字典，里面用的是 00333.XSHE，而仓位的结构体 position 里面用的缺失 .sz
类似这样的问题在很多函数里面都有。
2. 部分成交 的主推函数
如果一个订单，部分成交，会先触发部分成交主推； 然后最后一个部分成交，反而会触发全部成交主推。
细想，似乎也是合理的，只是，你在全部成交里面返回的成交数量，实际只是最后一次部分成交的量。
3. 想到再写
更多更新 可以参看个人知识星球或者公众号。
查看全部
1. 后缀符号不统一
这个是天煞的产品涉及的问题。 好好地代码后缀，比如 深圳市场的 有时候出现 300333.SZ , 有时候结构体里面却会是 300333.XSHE，
比如返回的orders 字典，里面用的是 00333.XSHE，而仓位的结构体 position 里面用的缺失 .sz
类似这样的问题在很多函数里面都有。
2. 部分成交 的主推函数
如果一个订单，部分成交，会先触发部分成交主推； 然后最后一个部分成交，反而会触发全部成交主推。
细想，似乎也是合理的，只是，你在全部成交里面返回的成交数量，实际只是最后一次部分成交的量。
3. 想到再写
更多更新 可以参看个人知识星球或者公众号。
查看全部
总结一些，给过来人少踩些坑
1. 后缀符号不统一
这个是天煞的产品涉及的问题。 好好地代码后缀，比如 深圳市场的 有时候出现 300333.SZ , 有时候结构体里面却会是 300333.XSHE，
比如返回的orders 字典，里面用的是 00333.XSHE，而仓位的结构体 position 里面用的缺失 .sz
类似这样的问题在很多函数里面都有。
2. 部分成交 的主推函数
如果一个订单，部分成交，会先触发部分成交主推； 然后最后一个部分成交，反而会触发全部成交主推。
细想，似乎也是合理的，只是，你在全部成交里面返回的成交数量，实际只是最后一次部分成交的量。
3. 想到再写
更多更新 可以参看个人知识星球或者公众号。
1. 后缀符号不统一
这个是天煞的产品涉及的问题。 好好地代码后缀，比如 深圳市场的 有时候出现 300333.SZ , 有时候结构体里面却会是 300333.XSHE，
比如返回的orders 字典，里面用的是 00333.XSHE，而仓位的结构体 position 里面用的缺失 .sz
类似这样的问题在很多函数里面都有。
2. 部分成交 的主推函数
如果一个订单，部分成交，会先触发部分成交主推； 然后最后一个部分成交，反而会触发全部成交主推。
细想，似乎也是合理的，只是，你在全部成交里面返回的成交数量，实际只是最后一次部分成交的量。
3. 想到再写
更多更新 可以参看个人知识星球或者公众号。
Ptrade量化交易之 拆单买入卖出操作
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 383 次浏览 • 2022-09-30 16:20
在交易过程中，如果遇到成交量小的股票或者可转债，etf，稍微买多一些会对现价造成冲击，价格容易被你自己拉起来。所以假如你的交易量很大的话，一般最好使用拆单操作。 可以参考下面的python拆单代码：
注：代码里面针对的是可转债交易，股票的话把这一行：
remain_count=int(remain_count/10)*10 改为
remain_count=int(remain_count/100)*100 就可以了
股票100股整数倍买，转债是10张倍数买。
code,direction,target_count ： 第一个代码，第二个买卖方向，第三个是目标数目
each_order_count = 100 # 每单的股数,张数
def split_order(code,direction,target_count):
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
SPLIT_ORDER_DELAY =1
each_order_count = 100 # 每单的股数,张数
count = int(target_count/each_order_count)
remain_count = target_count%each_order_count
for i in range(count):
ret = order(code,direction*each_order_count)
time.sleep(SPLIT_ORDER_DELAY)
if direction==1:
remain_count=int(remain_count/10)*10 # 可转债买的时候只能10的倍数交易，
if remain_count>0:
ret = order(code,direction*each_order_count)
更多ptrade实盘代码，欢迎关注个人知识星球 查看全部
注：代码里面针对的是可转债交易，股票的话把这一行：
remain_count=int(remain_count/10)*10 改为
remain_count=int(remain_count/100)*100 就可以了
股票100股整数倍买，转债是10张倍数买。
code,direction,target_count ： 第一个代码，第二个买卖方向，第三个是目标数目
each_order_count = 100 # 每单的股数,张数
def split_order(code,direction,target_count):
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
SPLIT_ORDER_DELAY =1
each_order_count = 100 # 每单的股数,张数
count = int(target_count/each_order_count)
remain_count = target_count%each_order_count
for i in range(count):
ret = order(code,direction*each_order_count)
time.sleep(SPLIT_ORDER_DELAY)
if direction==1:
remain_count=int(remain_count/10)*10 # 可转债买的时候只能10的倍数交易，
if remain_count>0:
ret = order(code,direction*each_order_count)
更多ptrade实盘代码，欢迎关注个人知识星球 查看全部
在交易过程中，如果遇到成交量小的股票或者可转债，etf，稍微买多一些会对现价造成冲击，价格容易被你自己拉起来。所以假如你的交易量很大的话，一般最好使用拆单操作。 可以参考下面的python拆单代码：
注：代码里面针对的是可转债交易，股票的话把这一行：
remain_count=int(remain_count/10)*10 改为
remain_count=int(remain_count/100)*100 就可以了
股票100股整数倍买，转债是10张倍数买。
code,direction,target_count ： 第一个代码，第二个买卖方向，第三个是目标数目
each_order_count = 100 # 每单的股数,张数
更多ptrade实盘代码，欢迎关注个人知识星球
注：代码里面针对的是可转债交易，股票的话把这一行：
remain_count=int(remain_count/10)*10 改为
remain_count=int(remain_count/100)*100 就可以了
股票100股整数倍买，转债是10张倍数买。
code,direction,target_count ： 第一个代码，第二个买卖方向，第三个是目标数目
each_order_count = 100 # 每单的股数,张数
def split_order(code,direction,target_count):
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
SPLIT_ORDER_DELAY =1
each_order_count = 100 # 每单的股数,张数
count = int(target_count/each_order_count)
remain_count = target_count%each_order_count
for i in range(count):
ret = order(code,direction*each_order_count)
time.sleep(SPLIT_ORDER_DELAY)
if direction==1:
remain_count=int(remain_count/10)*10 # 可转债买的时候只能10的倍数交易，
if remain_count>0:
ret = order(code,direction*each_order_count)
更多ptrade实盘代码，欢迎关注个人知识星球
Ptrade挂单后撤单函数 实现
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 331 次浏览 • 2022-09-29 16:40
在ptrade的每一笔挂单，都不一定能够保证很成功，比如刚挂了单，股票就飞了。
所以也需要有撤单，重新挂的动作。
order(code,amount) # 买入或者卖出
time.sleep(CANCEL_ORDER_TIME) # 等待片刻
cancel_order_reorder(context) # 进入撤单函数
中间需要有个等待时间。
1。 买入后，并不一定买上成交，需要一点时间消化，尤其是量大的单子，得要慢慢吃掉。
2。 成交回报并不是实时的。记住，ptrade的成交回报是有个延时，约9秒。 也就是你成交后，立即调用get_positions函数 看看你持仓，是无法看到你刚刚买入的股票数据的。
比如：
def initialize(context):
g.security = '600570.SS'
set_universe(g.security)
def handle_data(context, data):
order(g.security,100)
position = get_position(g.security)
log.info(position)这样你是无法获取的你的持仓的。
下面的示例代码，获取还在挂单的委托单子，然后逐个撤销，重新按照最新的市价下单。
def cancel_order_reorder(context):
'''
取消订单，重新下单
:return:
'''
open_orders = get_open_orders()
for _order in open_orders:
_id = _order.id
amount=_order.amount
filled=_order.filled
next_amount = amount-filled
code = _order.symbol
log.info('撤单{} - {}'.format(code,next_amount))
cancel_order(_id)
# time.sleep(1)
log.info('重新下单{} 数量{}'.format(code,next_amount))
order(code,next_amount)
后话：
很多投资者没有编程基础，学习起来会很吃力，耗费大量的时间，得不偿失。写出来的代码也是很多bug而不自知。等到实盘了用真金白银 得到了教训，还不如早期跟一两个人有经验的人学习，甚至找个代写代码就好了。
当然，能力超强，精力旺盛的大神就无视了，这个人折腾起来什么都可以搞得有模有样。
查看全部
所以也需要有撤单，重新挂的动作。
order(code,amount) # 买入或者卖出
time.sleep(CANCEL_ORDER_TIME) # 等待片刻
cancel_order_reorder(context) # 进入撤单函数
中间需要有个等待时间。
1。 买入后，并不一定买上成交，需要一点时间消化，尤其是量大的单子，得要慢慢吃掉。
2。 成交回报并不是实时的。记住，ptrade的成交回报是有个延时，约9秒。 也就是你成交后，立即调用get_positions函数 看看你持仓，是无法看到你刚刚买入的股票数据的。
比如：
def initialize(context):
g.security = '600570.SS'
set_universe(g.security)
def handle_data(context, data):
order(g.security,100)
position = get_position(g.security)
log.info(position)这样你是无法获取的你的持仓的。
下面的示例代码，获取还在挂单的委托单子，然后逐个撤销，重新按照最新的市价下单。
def cancel_order_reorder(context):
'''
取消订单，重新下单
:return:
'''
open_orders = get_open_orders()
for _order in open_orders:
_id = _order.id
amount=_order.amount
filled=_order.filled
next_amount = amount-filled
code = _order.symbol
log.info('撤单{} - {}'.format(code,next_amount))
cancel_order(_id)
# time.sleep(1)
log.info('重新下单{} 数量{}'.format(code,next_amount))
order(code,next_amount)
后话：
很多投资者没有编程基础，学习起来会很吃力，耗费大量的时间，得不偿失。写出来的代码也是很多bug而不自知。等到实盘了用真金白银 得到了教训，还不如早期跟一两个人有经验的人学习，甚至找个代写代码就好了。
当然，能力超强，精力旺盛的大神就无视了，这个人折腾起来什么都可以搞得有模有样。
查看全部
在ptrade的每一笔挂单，都不一定能够保证很成功，比如刚挂了单，股票就飞了。
所以也需要有撤单，重新挂的动作。
中间需要有个等待时间。
1。 买入后，并不一定买上成交，需要一点时间消化，尤其是量大的单子，得要慢慢吃掉。
2。 成交回报并不是实时的。记住，ptrade的成交回报是有个延时，约9秒。 也就是你成交后，立即调用get_positions函数 看看你持仓，是无法看到你刚刚买入的股票数据的。
比如：
下面的示例代码，获取还在挂单的委托单子，然后逐个撤销，重新按照最新的市价下单。
后话：
很多投资者没有编程基础，学习起来会很吃力，耗费大量的时间，得不偿失。写出来的代码也是很多bug而不自知。等到实盘了用真金白银 得到了教训，还不如早期跟一两个人有经验的人学习，甚至找个代写代码就好了。
当然，能力超强，精力旺盛的大神就无视了，这个人折腾起来什么都可以搞得有模有样。
所以也需要有撤单，重新挂的动作。
order(code,amount) # 买入或者卖出
time.sleep(CANCEL_ORDER_TIME) # 等待片刻
cancel_order_reorder(context) # 进入撤单函数
中间需要有个等待时间。
1。 买入后，并不一定买上成交，需要一点时间消化，尤其是量大的单子，得要慢慢吃掉。
2。 成交回报并不是实时的。记住，ptrade的成交回报是有个延时，约9秒。 也就是你成交后，立即调用get_positions函数 看看你持仓，是无法看到你刚刚买入的股票数据的。
比如：
def initialize(context):这样你是无法获取的你的持仓的。
g.security = '600570.SS'
set_universe(g.security)
def handle_data(context, data):
order(g.security,100)
position = get_position(g.security)
log.info(position)
下面的示例代码，获取还在挂单的委托单子，然后逐个撤销，重新按照最新的市价下单。
def cancel_order_reorder(context):
'''
取消订单，重新下单
:return:
'''
open_orders = get_open_orders()
for _order in open_orders:
_id = _order.id
amount=_order.amount
filled=_order.filled
next_amount = amount-filled
code = _order.symbol
log.info('撤单{} - {}'.format(code,next_amount))
cancel_order(_id)
# time.sleep(1)
log.info('重新下单{} 数量{}'.format(code,next_amount))
order(code,next_amount)
后话：
很多投资者没有编程基础，学习起来会很吃力，耗费大量的时间，得不偿失。写出来的代码也是很多bug而不自知。等到实盘了用真金白银 得到了教训，还不如早期跟一两个人有经验的人学习，甚至找个代写代码就好了。
当然，能力超强，精力旺盛的大神就无视了，这个人折腾起来什么都可以搞得有模有样。
Ptrade在一个循环事件里 能否不断获取股票实时价格？
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 294 次浏览 • 2022-09-28 10:53
假设在一个事件循环里：
如：
run_daily(context, get_price, '09:44')
定义的get_price 函数，
然后get_price函数里面有一个死循环，不断地获取价格。
因为ptrade的行情切片 是每3秒更新的一次的，如果行情没更新，那么当前的价格也是过去最近的一个3s的价格。
现在问题是，在一个固定的时间里面，不断地读取价格函数，能获取到最新的价格吗 ？
我们用代码实践一下：
import time
def initialize(context):
# 初始化策略
run_daily(context, get_price, '09:44')
def handle_data(context, data):
pass
def get_price(context):
for i in range(10):
target_list =['113585.SS','123057.SZ']
bond_gear_price_target = get_gear_price(target_list)
for code in target_list:
price = bond_gear_price_target[code]['offer_grp'][1][0]
log.info('code: {} price {} '.format(code,price))
time.sleep(1)
输出的结果：
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:00 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:01 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:02 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:04 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:07 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:10 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:12 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:12 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:13 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:13 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:14 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:14 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:15 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:15 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:16 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:16 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:17 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:17 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:18 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:18 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:19 - INFO - code: 113585.SS price 169.062
2022-09-28 10:31:19 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:20 - INFO - code: 113585.SS price 169.062
为了更为直观，过滤掉另外一只可转债
只保留一只
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066 可以看到价格也是基本没个3s更新一次。
更多ptrade实盘代码，请常见个人星球。
【可转债追涨杀跌日内T+0，双低 低价 低溢价 规模多因子轮动】
查看全部
如：
run_daily(context, get_price, '09:44')
定义的get_price 函数，
然后get_price函数里面有一个死循环，不断地获取价格。
因为ptrade的行情切片 是每3秒更新的一次的，如果行情没更新，那么当前的价格也是过去最近的一个3s的价格。
现在问题是，在一个固定的时间里面，不断地读取价格函数，能获取到最新的价格吗 ？
我们用代码实践一下：
import time
def initialize(context):
# 初始化策略
run_daily(context, get_price, '09:44')
def handle_data(context, data):
pass
def get_price(context):
for i in range(10):
target_list =['113585.SS','123057.SZ']
bond_gear_price_target = get_gear_price(target_list)
for code in target_list:
price = bond_gear_price_target[code]['offer_grp'][1][0]
log.info('code: {} price {} '.format(code,price))
time.sleep(1)
输出的结果：
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:00 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:01 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:02 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:04 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:07 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:10 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:12 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:12 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:13 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:13 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:14 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:14 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:15 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:15 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:16 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:16 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:17 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:17 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:18 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:18 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:19 - INFO - code: 113585.SS price 169.062
2022-09-28 10:31:19 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:20 - INFO - code: 113585.SS price 169.062
为了更为直观，过滤掉另外一只可转债
只保留一只
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066 可以看到价格也是基本没个3s更新一次。
更多ptrade实盘代码，请常见个人星球。
【可转债追涨杀跌日内T+0，双低 低价 低溢价 规模多因子轮动】
查看全部
假设在一个事件循环里：
如：
run_daily(context, get_price, '09:44')
定义的get_price 函数，
然后get_price函数里面有一个死循环，不断地获取价格。
因为ptrade的行情切片 是每3秒更新的一次的，如果行情没更新，那么当前的价格也是过去最近的一个3s的价格。
现在问题是，在一个固定的时间里面，不断地读取价格函数，能获取到最新的价格吗 ？
我们用代码实践一下：
输出的结果：
为了更为直观，过滤掉另外一只可转债
只保留一只
更多ptrade实盘代码，请常见个人星球。
【可转债追涨杀跌日内T+0，双低 低价 低溢价 规模多因子轮动】
如：
run_daily(context, get_price, '09:44')
定义的get_price 函数，
然后get_price函数里面有一个死循环，不断地获取价格。
因为ptrade的行情切片 是每3秒更新的一次的，如果行情没更新，那么当前的价格也是过去最近的一个3s的价格。
现在问题是，在一个固定的时间里面，不断地读取价格函数，能获取到最新的价格吗 ？
我们用代码实践一下：
import time
def initialize(context):
# 初始化策略
run_daily(context, get_price, '09:44')
def handle_data(context, data):
pass
def get_price(context):
for i in range(10):
target_list =['113585.SS','123057.SZ']
bond_gear_price_target = get_gear_price(target_list)
for code in target_list:
price = bond_gear_price_target[code]['offer_grp'][1][0]
log.info('code: {} price {} '.format(code,price))
time.sleep(1)
输出的结果：
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:00 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:01 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:02 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:04 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:07 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:10 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:12 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:12 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:13 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:13 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:14 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:14 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:15 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:15 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:16 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:16 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:17 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:17 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:18 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:18 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:19 - INFO - code: 113585.SS price 169.062
2022-09-28 10:31:19 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:20 - INFO - code: 113585.SS price 169.062
为了更为直观，过滤掉另外一只可转债
只保留一只
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147可以看到价格也是基本没个3s更新一次。
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066
更多ptrade实盘代码，请常见个人星球。
【可转债追涨杀跌日内T+0，双低 低价 低溢价 规模多因子轮动】
ptrade 微信通知
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 320 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？
回复量化交易-Ptrade-QMT • 李魔佛 回复了问题 • 1 人关注 • 1 个回复 • 428 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
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 555 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。
ptrade和qmt的内置代码编辑器，哪个比较好用？
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 451 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。）
Ptrade 逆回购+自动申购新股可转债
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 439 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
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 391 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：
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 380 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
不同券商的ptrade的异同
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 1024 次浏览 • 2022-06-17 16:36
国盛vs湘财
1. 湘财无法访问外网，国盛的可以
2.
get_cb_list 获取可转债列表 的 国盛没有
get_history 获取历史数据函数
get_history(5, frequency='1d', field='close', security_list=['123084.SZ'], fq=None, include=False, fill='nan')国盛是没有fill参数的。
持续更新。。。待续
Ptrade开户联系：
查看全部
1. 湘财无法访问外网，国盛的可以
2.
get_cb_list 获取可转债列表 的 国盛没有
get_history 获取历史数据函数
get_history(5, frequency='1d', field='close', security_list=['123084.SZ'], fq=None, include=False, fill='nan')国盛是没有fill参数的。
持续更新。。。待续
Ptrade开户联系：
查看全部
国盛vs湘财
1. 湘财无法访问外网，国盛的可以
2.
get_cb_list 获取可转债列表 的 国盛没有
get_history 获取历史数据函数
持续更新。。。待续
Ptrade开户联系：
1. 湘财无法访问外网，国盛的可以
2.
get_cb_list 获取可转债列表 的 国盛没有
get_history 获取历史数据函数
get_history(5, frequency='1d', field='close', security_list=['123084.SZ'], fq=None, include=False, fill='nan')国盛是没有fill参数的。持续更新。。。待续
Ptrade开户联系：
ptrade qmt量化平台收费吗？
券商万一免五 • 李魔佛 回复了问题 • 2 人关注 • 1 个回复 • 1555 次浏览 • 2022-07-13 17:04
开通Ptrade Python量化接口 国金证券/国盛证券
股票 • 绫波丽 发表了文章 • 0 个评论 • 9812 次浏览 • 2021-07-06 08:40
目前不少在A股做量化的大部分使用tushare，优矿，米筐，聚宽等等，无论教程，还是实际操作，基本没见有教怎么用程序下单，实盘交易的。
而退而求其次使用按键精灵，模拟点击交易软件进行点击下单，非常不稳定，无法判断下单后是否成交，也无法实时获取行情数据。如果使用tushare或者新浪接口数据，扫描一次全市场的行情用时很久且不稳定，等扫描结束，再下单，此时价格可能已经是几分钟前的了，且此类接口调用次数多是会被封IP的。
笔者使用的是券商提供的量化软件：Ptrade。是恒生电子研发的提供给机构使用的程序化交易软件。提供策略回测，下单API接口，实时行情获取，并且使用的开发语言python，易于上手。
策略回测与实盘交易
研究页面
研究页面，熟悉python jupyter notebook的朋友对这个界面肯定很熟悉。
研究的页面实际就运行你逐行输出调试程序，了解每个函数的具体使用，或者你策略的中途结果调试。
回测策略
实际代码需要在回测策略里面写，写完后确定无误，就可以放在仿真环境下真实运行。如果你运行得到的结果很满意，那么就可以直接部署到实盘服务器上。实盘服务器是在券商那边，不需要个人购买服务器，也不需要本地开着这个Ptrade，就是说不需要在个人电脑上一直开着跑，你的最终代码和程序是在券商服务器上部署与运行，除非有报错异常停止，不然在你不暂停或者停止的前提下，可以一直运行下去。
条件满足后下单
可视化量化
同时也提供一些常见的现成的量化策略，选中后只要鼠标点点点也能够自动化跑这些策略了，当然里面很多参数都可以用鼠标点点点修改。
接口文档也非常详细：
一些常见策略代码：
集合竞价追涨停策略def initialize(context):
# 初始化此策略
# 设置我们要操作的股票池, 这里我们只操作一支股票
g.security = '600570.SS'
set_universe(g.security)
#每天9:23分运行集合竞价处理函数
run_daily(context, aggregate_auction_func, time='9:23')
def aggregate_auction_func(context):
stock = g.security
#最新价
snapshot = get_snapshot(stock)
price = snapshot[stock]['last_px']
#涨停价
up_limit = snapshot[stock]['up_px']
#如果最新价不小于涨停价，买入
if float(price) >= float(up_limit):
order(g.security, 100, limit_price=up_limit)
def handle_data(context, data):
pass
双均线策略def initialize(context):
# 初始化此策略
# 设置我们要操作的股票池, 这里我们只操作一支股票
g.security = '600570.SS'
set_universe(g.security)
pass
#当五日均线高于十日均线时买入，当五日均线低于十日均线时卖出
def handle_data(context, data):
security = g.security
#得到十日历史价格
df = get_history(10, '1d', 'close', security, fq=None, include=False)
# 得到五日均线价格
ma5 = round(df['close'][-5:].mean(), 3)
# 得到十日均线价格
ma10 = round(df['close'][-10:].mean(), 3)
# 取得昨天收盘价
price = data[security]['close']
# 得到当前资金余额
cash = context.portfolio.cash
# 如果当前有余额，并且五日均线大于十日均线
if ma5 > ma10:
# 用所有 cash 买入股票
order_value(security, cash)
# 记录这次买入
log.info("Buying %s" % (security))
# 如果五日均线小于十日均线，并且目前有头寸
elif ma5 < ma10 and get_position(security).amount > 0:
# 全部卖出
order_target(security, 0)
# 记录这次卖出
log.info("Selling %s" % (security))
tick级别均线策略
通俗点就是按照秒级别进行操作。def initialize(context):
# 初始化此策略
# 设置我们要操作的股票池, 这里我们只操作一支股票
g.security = '600570.SS'
set_universe(g.security)
#每3秒运行一次主函数
run_interval(context, func, seconds=3)
#盘前准备历史数据
def before_trading_start(context, data):
history = get_history(10, '1d', 'close', g.security, fq='pre', include=False)
g.close_array = history['close'].values
#当五日均线高于十日均线时买入，当五日均线低于十日均线时卖出
def func(context):
stock = g.security
#获取最新价
snapshot = get_snapshot(stock)
price = snapshot[stock]['last_px']
# 得到五日均线价格
days = 5
ma5 = get_MA_day(stock, days, g.close_array[-4:], price)
# 得到十日均线价格
days = 10
ma10 = get_MA_day(stock, days, g.close_array[-9:], price)
# 得到当前资金余额
cash = context.portfolio.cash
# 如果当前有余额，并且五日均线大于十日均线
if ma5 > ma10:
# 用所有 cash 买入股票
order_value(stock, cash)
# 记录这次买入
log.info("Buying %s" % (stock))
# 如果五日均线小于十日均线，并且目前有头寸
elif ma5 < ma10 and get_position(stock).amount > 0:
# 全部卖出
order_target(stock, 0)
# 记录这次卖出
log.info("Selling %s" % (stock))
#计算实时均线函数
def get_MA_day(stock,days,close_array,current_price):
close_sum = close_array[-(days-1):].sum()
MA = (current_price + close_sum)/days
return MA
def handle_data(context, data):
pass
macd策略def f_expma(N,m,EXPMA1,price):
a = m/(N+1)
EXPMA2 = a * price + (1 - a)*EXPMA1
return EXPMA2 #2为后一天值
#定义macd函数，输入平滑系数参数、前一日值，输出当日值
def macd(N1,N2,N3,m,EXPMA12_1,EXPMA26_1,DEA1,price):
EXPMA12_2 = f_expma(N1,m,EXPMA12_1,price)
EXPMA26_2 = f_expma(N2,m,EXPMA26_1,price)
DIF2 = EXPMA12_2 - EXPMA26_2
a = m/(N3+1)
DEA2 = a * DIF2 + (1 - a)*DEA1
BAR2=2*(DIF2-DEA2)
return EXPMA12_2,EXPMA26_2,DIF2,DEA2,BAR2
def initialize(context):
global init_price
init_price = None
# 获取沪深300股票
g.security = get_index_stocks('000300.SS')
#g.security = ['600570.SS']
# 设置我们要操作的股票池, 这里我们只操作一支股票
set_universe(g.security)
def handle_data(context, data):
# 获取历史数据，这里只获取了2天的数据，如果希望最终MACD指标结果更准确最好是获取
# 从股票上市至今的所有历史数据，即增加获取的天数
close_price = get_history(2, '1d', field='close', security_list=g.security)
#如果是停牌不进行计算
for security in g.security:
if data[security].is_open >0:
global init_price,EXPMA12_1,EXPMA26_1,EXPMA12_2,EXPMA26_2,DIF1,DIF2,DEA1,DEA2
if init_price is None:
init_price = close_price[security].mean()#nan和N-1个数，mean为N-1个数的均值
EXPMA12_1 = init_price
EXPMA26_1 = init_price
DIF1 = init_price
DEA1 = init_price
# m用于计算平滑系数a=m/(N+1)
m = 2.0
#设定指数平滑基期数
N1 = 12
N2 = 26
N3 = 9
EXPMA12_2,EXPMA26_2,DIF2,DEA2,BAR2 = macd(N1,N2,N3,m,EXPMA12_1,EXPMA26_1,DEA1,close_price[security][-1])
# 取得当前价格
current_price = data[security].price
# 取得当前的现金
cash = context.portfolio.cash
# DIF、DEA均为正，DIF向上突破DEA，买入信号参考
if DIF2 > 0 and DEA2 > 0 and DIF1 < DEA1 and DIF2 > DEA2:
# 计算可以买多少只股票
number_of_shares = int(cash/current_price)
# 购买量大于0时，下单
if number_of_shares > 0:
# 以市单价买入股票，日回测时即是开盘价
order(security, +number_of_shares)
# 记录这次买入
log.info("Buying %s" % (security))
# DIF、DEA均为负，DIF向下突破DEA，卖出信号参考
elif DIF2 < 0 and DEA2 < 0 and DIF1 > DEA1 and DIF2 < DEA2 and get_position(security).amount > 0:
# 卖出所有股票,使这只股票的最终持有量为0
order_target(security, 0)
# 记录这次卖出
log.info("Selling %s" % (security))
# 将今日的值赋给全局变量作为下一次前一日的值
DEA1 = DEA2
DIF1 = DIF2
EXPMA12_1 = EXPMA12_2
EXPMA26_1 = EXPMA26_2
软件与交易接口开通条件：
开通该券商后，存入资金指定资金即可开通。开通后股票交易费率万一
本身券商的交易费率为股票万一，可转债沪百万分之五，深十万分之五，基金万0.5，非常厚道。
不太了解量化行业的可以了解下，不少面向机构的量化交易软件的佣金是万2.5的，且开户门槛高，基本是500W以上，比如华泰的matic量化的门槛是1千万元起步。
所以笔者还是很推荐目前该券商的量化交易接口。
需要开通咨询了解的朋友可以扫码联系：
开通券商账户后可以 可以先试用，再考虑是否开通量化接口权限 查看全部
而退而求其次使用按键精灵，模拟点击交易软件进行点击下单，非常不稳定，无法判断下单后是否成交，也无法实时获取行情数据。如果使用tushare或者新浪接口数据，扫描一次全市场的行情用时很久且不稳定，等扫描结束，再下单，此时价格可能已经是几分钟前的了，且此类接口调用次数多是会被封IP的。
笔者使用的是券商提供的量化软件：Ptrade。是恒生电子研发的提供给机构使用的程序化交易软件。提供策略回测，下单API接口，实时行情获取，并且使用的开发语言python，易于上手。
策略回测与实盘交易
研究页面
研究页面，熟悉python jupyter notebook的朋友对这个界面肯定很熟悉。
研究的页面实际就运行你逐行输出调试程序，了解每个函数的具体使用，或者你策略的中途结果调试。
回测策略
实际代码需要在回测策略里面写，写完后确定无误，就可以放在仿真环境下真实运行。如果你运行得到的结果很满意，那么就可以直接部署到实盘服务器上。实盘服务器是在券商那边，不需要个人购买服务器，也不需要本地开着这个Ptrade，就是说不需要在个人电脑上一直开着跑，你的最终代码和程序是在券商服务器上部署与运行，除非有报错异常停止，不然在你不暂停或者停止的前提下，可以一直运行下去。
条件满足后下单
可视化量化
同时也提供一些常见的现成的量化策略，选中后只要鼠标点点点也能够自动化跑这些策略了，当然里面很多参数都可以用鼠标点点点修改。
接口文档也非常详细：
一些常见策略代码：
集合竞价追涨停策略def initialize(context):
# 初始化此策略
# 设置我们要操作的股票池, 这里我们只操作一支股票
g.security = '600570.SS'
set_universe(g.security)
#每天9:23分运行集合竞价处理函数
run_daily(context, aggregate_auction_func, time='9:23')
def aggregate_auction_func(context):
stock = g.security
#最新价
snapshot = get_snapshot(stock)
price = snapshot[stock]['last_px']
#涨停价
up_limit = snapshot[stock]['up_px']
#如果最新价不小于涨停价，买入
if float(price) >= float(up_limit):
order(g.security, 100, limit_price=up_limit)
def handle_data(context, data):
pass
双均线策略def initialize(context):
# 初始化此策略
# 设置我们要操作的股票池, 这里我们只操作一支股票
g.security = '600570.SS'
set_universe(g.security)
pass
#当五日均线高于十日均线时买入，当五日均线低于十日均线时卖出
def handle_data(context, data):
security = g.security
#得到十日历史价格
df = get_history(10, '1d', 'close', security, fq=None, include=False)
# 得到五日均线价格
ma5 = round(df['close'][-5:].mean(), 3)
# 得到十日均线价格
ma10 = round(df['close'][-10:].mean(), 3)
# 取得昨天收盘价
price = data[security]['close']
# 得到当前资金余额
cash = context.portfolio.cash
# 如果当前有余额，并且五日均线大于十日均线
if ma5 > ma10:
# 用所有 cash 买入股票
order_value(security, cash)
# 记录这次买入
log.info("Buying %s" % (security))
# 如果五日均线小于十日均线，并且目前有头寸
elif ma5 < ma10 and get_position(security).amount > 0:
# 全部卖出
order_target(security, 0)
# 记录这次卖出
log.info("Selling %s" % (security))
tick级别均线策略
通俗点就是按照秒级别进行操作。def initialize(context):
# 初始化此策略
# 设置我们要操作的股票池, 这里我们只操作一支股票
g.security = '600570.SS'
set_universe(g.security)
#每3秒运行一次主函数
run_interval(context, func, seconds=3)
#盘前准备历史数据
def before_trading_start(context, data):
history = get_history(10, '1d', 'close', g.security, fq='pre', include=False)
g.close_array = history['close'].values
#当五日均线高于十日均线时买入，当五日均线低于十日均线时卖出
def func(context):
stock = g.security
#获取最新价
snapshot = get_snapshot(stock)
price = snapshot[stock]['last_px']
# 得到五日均线价格
days = 5
ma5 = get_MA_day(stock, days, g.close_array[-4:], price)
# 得到十日均线价格
days = 10
ma10 = get_MA_day(stock, days, g.close_array[-9:], price)
# 得到当前资金余额
cash = context.portfolio.cash
# 如果当前有余额，并且五日均线大于十日均线
if ma5 > ma10:
# 用所有 cash 买入股票
order_value(stock, cash)
# 记录这次买入
log.info("Buying %s" % (stock))
# 如果五日均线小于十日均线，并且目前有头寸
elif ma5 < ma10 and get_position(stock).amount > 0:
# 全部卖出
order_target(stock, 0)
# 记录这次卖出
log.info("Selling %s" % (stock))
#计算实时均线函数
def get_MA_day(stock,days,close_array,current_price):
close_sum = close_array[-(days-1):].sum()
MA = (current_price + close_sum)/days
return MA
def handle_data(context, data):
pass
macd策略def f_expma(N,m,EXPMA1,price):
a = m/(N+1)
EXPMA2 = a * price + (1 - a)*EXPMA1
return EXPMA2 #2为后一天值
#定义macd函数，输入平滑系数参数、前一日值，输出当日值
def macd(N1,N2,N3,m,EXPMA12_1,EXPMA26_1,DEA1,price):
EXPMA12_2 = f_expma(N1,m,EXPMA12_1,price)
EXPMA26_2 = f_expma(N2,m,EXPMA26_1,price)
DIF2 = EXPMA12_2 - EXPMA26_2
a = m/(N3+1)
DEA2 = a * DIF2 + (1 - a)*DEA1
BAR2=2*(DIF2-DEA2)
return EXPMA12_2,EXPMA26_2,DIF2,DEA2,BAR2
def initialize(context):
global init_price
init_price = None
# 获取沪深300股票
g.security = get_index_stocks('000300.SS')
#g.security = ['600570.SS']
# 设置我们要操作的股票池, 这里我们只操作一支股票
set_universe(g.security)
def handle_data(context, data):
# 获取历史数据，这里只获取了2天的数据，如果希望最终MACD指标结果更准确最好是获取
# 从股票上市至今的所有历史数据，即增加获取的天数
close_price = get_history(2, '1d', field='close', security_list=g.security)
#如果是停牌不进行计算
for security in g.security:
if data[security].is_open >0:
global init_price,EXPMA12_1,EXPMA26_1,EXPMA12_2,EXPMA26_2,DIF1,DIF2,DEA1,DEA2
if init_price is None:
init_price = close_price[security].mean()#nan和N-1个数，mean为N-1个数的均值
EXPMA12_1 = init_price
EXPMA26_1 = init_price
DIF1 = init_price
DEA1 = init_price
# m用于计算平滑系数a=m/(N+1)
m = 2.0
#设定指数平滑基期数
N1 = 12
N2 = 26
N3 = 9
EXPMA12_2,EXPMA26_2,DIF2,DEA2,BAR2 = macd(N1,N2,N3,m,EXPMA12_1,EXPMA26_1,DEA1,close_price[security][-1])
# 取得当前价格
current_price = data[security].price
# 取得当前的现金
cash = context.portfolio.cash
# DIF、DEA均为正，DIF向上突破DEA，买入信号参考
if DIF2 > 0 and DEA2 > 0 and DIF1 < DEA1 and DIF2 > DEA2:
# 计算可以买多少只股票
number_of_shares = int(cash/current_price)
# 购买量大于0时，下单
if number_of_shares > 0:
# 以市单价买入股票，日回测时即是开盘价
order(security, +number_of_shares)
# 记录这次买入
log.info("Buying %s" % (security))
# DIF、DEA均为负，DIF向下突破DEA，卖出信号参考
elif DIF2 < 0 and DEA2 < 0 and DIF1 > DEA1 and DIF2 < DEA2 and get_position(security).amount > 0:
# 卖出所有股票,使这只股票的最终持有量为0
order_target(security, 0)
# 记录这次卖出
log.info("Selling %s" % (security))
# 将今日的值赋给全局变量作为下一次前一日的值
DEA1 = DEA2
DIF1 = DIF2
EXPMA12_1 = EXPMA12_2
EXPMA26_1 = EXPMA26_2
软件与交易接口开通条件：
开通该券商后，存入资金指定资金即可开通。开通后股票交易费率万一
本身券商的交易费率为股票万一，可转债沪百万分之五，深十万分之五，基金万0.5，非常厚道。
不太了解量化行业的可以了解下，不少面向机构的量化交易软件的佣金是万2.5的，且开户门槛高，基本是500W以上，比如华泰的matic量化的门槛是1千万元起步。
所以笔者还是很推荐目前该券商的量化交易接口。
需要开通咨询了解的朋友可以扫码联系：
开通券商账户后可以 可以先试用，再考虑是否开通量化接口权限 查看全部
目前不少在A股做量化的大部分使用tushare，优矿，米筐，聚宽等等，无论教程，还是实际操作，基本没见有教怎么用程序下单，实盘交易的。
而退而求其次使用按键精灵，模拟点击交易软件进行点击下单，非常不稳定，无法判断下单后是否成交，也无法实时获取行情数据。如果使用tushare或者新浪接口数据，扫描一次全市场的行情用时很久且不稳定，等扫描结束，再下单，此时价格可能已经是几分钟前的了，且此类接口调用次数多是会被封IP的。
笔者使用的是券商提供的量化软件：Ptrade。是恒生电子研发的提供给机构使用的程序化交易软件。提供策略回测，下单API接口，实时行情获取，并且使用的开发语言python，易于上手。
策略回测与实盘交易
研究页面
研究页面，熟悉python jupyter notebook的朋友对这个界面肯定很熟悉。
研究的页面实际就运行你逐行输出调试程序，了解每个函数的具体使用，或者你策略的中途结果调试。
回测策略
实际代码需要在回测策略里面写，写完后确定无误，就可以放在仿真环境下真实运行。如果你运行得到的结果很满意，那么就可以直接部署到实盘服务器上。实盘服务器是在券商那边，不需要个人购买服务器，也不需要本地开着这个Ptrade，就是说不需要在个人电脑上一直开着跑，你的最终代码和程序是在券商服务器上部署与运行，除非有报错异常停止，不然在你不暂停或者停止的前提下，可以一直运行下去。
条件满足后下单
可视化量化
同时也提供一些常见的现成的量化策略，选中后只要鼠标点点点也能够自动化跑这些策略了，当然里面很多参数都可以用鼠标点点点修改。
接口文档也非常详细：
一些常见策略代码：
集合竞价追涨停策略
双均线策略
tick级别均线策略
通俗点就是按照秒级别进行操作。
macd策略
软件与交易接口开通条件：
开通该券商后，存入资金指定资金即可开通。开通后股票交易费率万一
本身券商的交易费率为股票万一，可转债沪百万分之五，深十万分之五，基金万0.5，非常厚道。
不太了解量化行业的可以了解下，不少面向机构的量化交易软件的佣金是万2.5的，且开户门槛高，基本是500W以上，比如华泰的matic量化的门槛是1千万元起步。
所以笔者还是很推荐目前该券商的量化交易接口。
需要开通咨询了解的朋友可以扫码联系：
开通券商账户后可以 可以先试用，再考虑是否开通量化接口权限
而退而求其次使用按键精灵，模拟点击交易软件进行点击下单，非常不稳定，无法判断下单后是否成交，也无法实时获取行情数据。如果使用tushare或者新浪接口数据，扫描一次全市场的行情用时很久且不稳定，等扫描结束，再下单，此时价格可能已经是几分钟前的了，且此类接口调用次数多是会被封IP的。
笔者使用的是券商提供的量化软件：Ptrade。是恒生电子研发的提供给机构使用的程序化交易软件。提供策略回测，下单API接口，实时行情获取，并且使用的开发语言python，易于上手。
策略回测与实盘交易
研究页面
研究页面，熟悉python jupyter notebook的朋友对这个界面肯定很熟悉。
研究的页面实际就运行你逐行输出调试程序，了解每个函数的具体使用，或者你策略的中途结果调试。
回测策略
实际代码需要在回测策略里面写，写完后确定无误，就可以放在仿真环境下真实运行。如果你运行得到的结果很满意，那么就可以直接部署到实盘服务器上。实盘服务器是在券商那边，不需要个人购买服务器，也不需要本地开着这个Ptrade，就是说不需要在个人电脑上一直开着跑，你的最终代码和程序是在券商服务器上部署与运行，除非有报错异常停止，不然在你不暂停或者停止的前提下，可以一直运行下去。
条件满足后下单
可视化量化
同时也提供一些常见的现成的量化策略，选中后只要鼠标点点点也能够自动化跑这些策略了，当然里面很多参数都可以用鼠标点点点修改。
接口文档也非常详细：
一些常见策略代码：
集合竞价追涨停策略
def initialize(context):
# 初始化此策略
# 设置我们要操作的股票池, 这里我们只操作一支股票
g.security = '600570.SS'
set_universe(g.security)
#每天9:23分运行集合竞价处理函数
run_daily(context, aggregate_auction_func, time='9:23')
def aggregate_auction_func(context):
stock = g.security
#最新价
snapshot = get_snapshot(stock)
price = snapshot[stock]['last_px']
#涨停价
up_limit = snapshot[stock]['up_px']
#如果最新价不小于涨停价，买入
if float(price) >= float(up_limit):
order(g.security, 100, limit_price=up_limit)
def handle_data(context, data):
pass
双均线策略
def initialize(context):
# 初始化此策略
# 设置我们要操作的股票池, 这里我们只操作一支股票
g.security = '600570.SS'
set_universe(g.security)
pass
#当五日均线高于十日均线时买入，当五日均线低于十日均线时卖出
def handle_data(context, data):
security = g.security
#得到十日历史价格
df = get_history(10, '1d', 'close', security, fq=None, include=False)
# 得到五日均线价格
ma5 = round(df['close'][-5:].mean(), 3)
# 得到十日均线价格
ma10 = round(df['close'][-10:].mean(), 3)
# 取得昨天收盘价
price = data[security]['close']
# 得到当前资金余额
cash = context.portfolio.cash
# 如果当前有余额，并且五日均线大于十日均线
if ma5 > ma10:
# 用所有 cash 买入股票
order_value(security, cash)
# 记录这次买入
log.info("Buying %s" % (security))
# 如果五日均线小于十日均线，并且目前有头寸
elif ma5 < ma10 and get_position(security).amount > 0:
# 全部卖出
order_target(security, 0)
# 记录这次卖出
log.info("Selling %s" % (security))
tick级别均线策略
通俗点就是按照秒级别进行操作。
def initialize(context):
# 初始化此策略
# 设置我们要操作的股票池, 这里我们只操作一支股票
g.security = '600570.SS'
set_universe(g.security)
#每3秒运行一次主函数
run_interval(context, func, seconds=3)
#盘前准备历史数据
def before_trading_start(context, data):
history = get_history(10, '1d', 'close', g.security, fq='pre', include=False)
g.close_array = history['close'].values
#当五日均线高于十日均线时买入，当五日均线低于十日均线时卖出
def func(context):
stock = g.security
#获取最新价
snapshot = get_snapshot(stock)
price = snapshot[stock]['last_px']
# 得到五日均线价格
days = 5
ma5 = get_MA_day(stock, days, g.close_array[-4:], price)
# 得到十日均线价格
days = 10
ma10 = get_MA_day(stock, days, g.close_array[-9:], price)
# 得到当前资金余额
cash = context.portfolio.cash
# 如果当前有余额，并且五日均线大于十日均线
if ma5 > ma10:
# 用所有 cash 买入股票
order_value(stock, cash)
# 记录这次买入
log.info("Buying %s" % (stock))
# 如果五日均线小于十日均线，并且目前有头寸
elif ma5 < ma10 and get_position(stock).amount > 0:
# 全部卖出
order_target(stock, 0)
# 记录这次卖出
log.info("Selling %s" % (stock))
#计算实时均线函数
def get_MA_day(stock,days,close_array,current_price):
close_sum = close_array[-(days-1):].sum()
MA = (current_price + close_sum)/days
return MA
def handle_data(context, data):
pass
macd策略
def f_expma(N,m,EXPMA1,price):
a = m/(N+1)
EXPMA2 = a * price + (1 - a)*EXPMA1
return EXPMA2 #2为后一天值
#定义macd函数，输入平滑系数参数、前一日值，输出当日值
def macd(N1,N2,N3,m,EXPMA12_1,EXPMA26_1,DEA1,price):
EXPMA12_2 = f_expma(N1,m,EXPMA12_1,price)
EXPMA26_2 = f_expma(N2,m,EXPMA26_1,price)
DIF2 = EXPMA12_2 - EXPMA26_2
a = m/(N3+1)
DEA2 = a * DIF2 + (1 - a)*DEA1
BAR2=2*(DIF2-DEA2)
return EXPMA12_2,EXPMA26_2,DIF2,DEA2,BAR2
def initialize(context):
global init_price
init_price = None
# 获取沪深300股票
g.security = get_index_stocks('000300.SS')
#g.security = ['600570.SS']
# 设置我们要操作的股票池, 这里我们只操作一支股票
set_universe(g.security)
def handle_data(context, data):
# 获取历史数据，这里只获取了2天的数据，如果希望最终MACD指标结果更准确最好是获取
# 从股票上市至今的所有历史数据，即增加获取的天数
close_price = get_history(2, '1d', field='close', security_list=g.security)
#如果是停牌不进行计算
for security in g.security:
if data[security].is_open >0:
global init_price,EXPMA12_1,EXPMA26_1,EXPMA12_2,EXPMA26_2,DIF1,DIF2,DEA1,DEA2
if init_price is None:
init_price = close_price[security].mean()#nan和N-1个数，mean为N-1个数的均值
EXPMA12_1 = init_price
EXPMA26_1 = init_price
DIF1 = init_price
DEA1 = init_price
# m用于计算平滑系数a=m/(N+1)
m = 2.0
#设定指数平滑基期数
N1 = 12
N2 = 26
N3 = 9
EXPMA12_2,EXPMA26_2,DIF2,DEA2,BAR2 = macd(N1,N2,N3,m,EXPMA12_1,EXPMA26_1,DEA1,close_price[security][-1])
# 取得当前价格
current_price = data[security].price
# 取得当前的现金
cash = context.portfolio.cash
# DIF、DEA均为正，DIF向上突破DEA，买入信号参考
if DIF2 > 0 and DEA2 > 0 and DIF1 < DEA1 and DIF2 > DEA2:
# 计算可以买多少只股票
number_of_shares = int(cash/current_price)
# 购买量大于0时，下单
if number_of_shares > 0:
# 以市单价买入股票，日回测时即是开盘价
order(security, +number_of_shares)
# 记录这次买入
log.info("Buying %s" % (security))
# DIF、DEA均为负，DIF向下突破DEA，卖出信号参考
elif DIF2 < 0 and DEA2 < 0 and DIF1 > DEA1 and DIF2 < DEA2 and get_position(security).amount > 0:
# 卖出所有股票,使这只股票的最终持有量为0
order_target(security, 0)
# 记录这次卖出
log.info("Selling %s" % (security))
# 将今日的值赋给全局变量作为下一次前一日的值
DEA1 = DEA2
DIF1 = DIF2
EXPMA12_1 = EXPMA12_2
EXPMA26_1 = EXPMA26_2
软件与交易接口开通条件：
开通该券商后，存入资金指定资金即可开通。开通后股票交易费率万一
本身券商的交易费率为股票万一，可转债沪百万分之五，深十万分之五，基金万0.5，非常厚道。
不太了解量化行业的可以了解下，不少面向机构的量化交易软件的佣金是万2.5的，且开户门槛高，基本是500W以上，比如华泰的matic量化的门槛是1千万元起步。
所以笔者还是很推荐目前该券商的量化交易接口。
需要开通咨询了解的朋友可以扫码联系：
开通券商账户后可以 可以先试用，再考虑是否开通量化接口权限
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？
回复量化交易-Ptrade-QMT • 李魔佛 回复了问题 • 1 人关注 • 1 个回复 • 428 次浏览 • 2022-09-11 21:07
Ptrade QMT 哪家费率最便宜，门槛最低？
券商万一免五 • 绫波丽 发表了文章 • 0 个评论 • 182 次浏览 • 2022-11-27 19:09
最近咨询的朋友很多。这里做个汇总，可以节省大家的时间。
笔者只会推荐合适的券商和量化接口给你，而不会推荐坑爹的券商给你。
如果你不信任，绕路即可，莫浪费大家时间。或者你有好的资源或者券商，你也可以推荐给我，可以给你发红包，奖励你提供有用的情报信息。
目前支持ptrade，qmt可以股票可以免五（0.1元起步）的券商，只有国盛，需要的可以找我开。 但是有入金门槛，ptrade门槛30w, qmt 的门槛50w。 国盛的ptrade可以链接外网。其他家的不行。但国盛的qmt不支持运行在云服务器。
其他家的qmt是支持的云服务器的，但国金的qmt会每天自动退出，需要每次手动点击登录，我也写了一个自动登录的小脚本，开完户的朋友可以拿去用用。
门槛低的国信，适合新手使用，但是没有miniqmt，这个东西也不一定适合你。 真的需要这个功能，在qmt里面可以写一段代码，让它把下单接口变成http指令，把下单功能独立出来，也是可以的。不过这个属于进阶功能。 需要的也可以把代码给你。
笔者用过大部分券商的ptrade qmt，所以个人的指导与推荐还是很有指导意见的。 写过的策略也大部分人（99%）多， 平台好坏，坑的多寡，哪里有雷，都已经摸清摸楚。 可以大大节省你们的时间。 当然你也可以忽略，自己去折腾折腾。选ptrade 还是qmt，然后哪个券商，什么费率。
需要开户或者可以提供更低费用的资源的可以加微信：
查看全部
笔者只会推荐合适的券商和量化接口给你，而不会推荐坑爹的券商给你。
如果你不信任，绕路即可，莫浪费大家时间。或者你有好的资源或者券商，你也可以推荐给我，可以给你发红包，奖励你提供有用的情报信息。
目前支持ptrade，qmt可以股票可以免五（0.1元起步）的券商，只有国盛，需要的可以找我开。 但是有入金门槛，ptrade门槛30w, qmt 的门槛50w。 国盛的ptrade可以链接外网。其他家的不行。但国盛的qmt不支持运行在云服务器。
其他家的qmt是支持的云服务器的，但国金的qmt会每天自动退出，需要每次手动点击登录，我也写了一个自动登录的小脚本，开完户的朋友可以拿去用用。
门槛低的国信，适合新手使用，但是没有miniqmt，这个东西也不一定适合你。 真的需要这个功能，在qmt里面可以写一段代码，让它把下单接口变成http指令，把下单功能独立出来，也是可以的。不过这个属于进阶功能。 需要的也可以把代码给你。
笔者用过大部分券商的ptrade qmt，所以个人的指导与推荐还是很有指导意见的。 写过的策略也大部分人（99%）多， 平台好坏，坑的多寡，哪里有雷，都已经摸清摸楚。 可以大大节省你们的时间。 当然你也可以忽略，自己去折腾折腾。选ptrade 还是qmt，然后哪个券商，什么费率。
需要开户或者可以提供更低费用的资源的可以加微信：
查看全部
最近咨询的朋友很多。这里做个汇总，可以节省大家的时间。
笔者只会推荐合适的券商和量化接口给你，而不会推荐坑爹的券商给你。
如果你不信任，绕路即可，莫浪费大家时间。或者你有好的资源或者券商，你也可以推荐给我，可以给你发红包，奖励你提供有用的情报信息。
目前支持ptrade，qmt可以股票可以免五（0.1元起步）的券商，只有国盛，需要的可以找我开。 但是有入金门槛，ptrade门槛30w, qmt 的门槛50w。 国盛的ptrade可以链接外网。其他家的不行。但国盛的qmt不支持运行在云服务器。
其他家的qmt是支持的云服务器的，但国金的qmt会每天自动退出，需要每次手动点击登录，我也写了一个自动登录的小脚本，开完户的朋友可以拿去用用。
门槛低的国信，适合新手使用，但是没有miniqmt，这个东西也不一定适合你。 真的需要这个功能，在qmt里面可以写一段代码，让它把下单接口变成http指令，把下单功能独立出来，也是可以的。不过这个属于进阶功能。 需要的也可以把代码给你。
笔者用过大部分券商的ptrade qmt，所以个人的指导与推荐还是很有指导意见的。 写过的策略也大部分人（99%）多， 平台好坏，坑的多寡，哪里有雷，都已经摸清摸楚。 可以大大节省你们的时间。 当然你也可以忽略，自己去折腾折腾。选ptrade 还是qmt，然后哪个券商，什么费率。
需要开户或者可以提供更低费用的资源的可以加微信：
笔者只会推荐合适的券商和量化接口给你，而不会推荐坑爹的券商给你。
如果你不信任，绕路即可，莫浪费大家时间。或者你有好的资源或者券商，你也可以推荐给我，可以给你发红包，奖励你提供有用的情报信息。
目前支持ptrade，qmt可以股票可以免五（0.1元起步）的券商，只有国盛，需要的可以找我开。 但是有入金门槛，ptrade门槛30w, qmt 的门槛50w。 国盛的ptrade可以链接外网。其他家的不行。但国盛的qmt不支持运行在云服务器。
其他家的qmt是支持的云服务器的，但国金的qmt会每天自动退出，需要每次手动点击登录，我也写了一个自动登录的小脚本，开完户的朋友可以拿去用用。
门槛低的国信，适合新手使用，但是没有miniqmt，这个东西也不一定适合你。 真的需要这个功能，在qmt里面可以写一段代码，让它把下单接口变成http指令，把下单功能独立出来，也是可以的。不过这个属于进阶功能。 需要的也可以把代码给你。
笔者用过大部分券商的ptrade qmt，所以个人的指导与推荐还是很有指导意见的。 写过的策略也大部分人（99%）多， 平台好坏，坑的多寡，哪里有雷，都已经摸清摸楚。 可以大大节省你们的时间。 当然你也可以忽略，自己去折腾折腾。选ptrade 还是qmt，然后哪个券商，什么费率。
需要开户或者可以提供更低费用的资源的可以加微信：
Ptrade多策略如何编写？
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 328 次浏览 • 2022-11-16 11:33
多策略需要解决的一个最主要的问题，就是仓位管理。
系统自带的读取仓位函数需要你重写。
目前使用一个类来管理仓位：
初始化部分：class PositionManager():
def __init__(self):
if SINGLE_FACTOR not in [1, 2, 3, 4]:
raise ValueError('策略数字有误')
self.strategy = SINGLE_FACTOR
NOTEBOOK_PATH = '/home/fly/notebook/'
# self.filename = NOTEBOOK_PATH + 'S-{}.txt'.format(self.strategy)
self.filename = NOTEBOOK_PATH + personal_define_filename
self.portfolio = self.read()
log.info(self.portfolio)
self.write()
def init_data(self):
js_data = {
'cash': CASH,
'strategy': self.strategy,
'positions': ,
'portfolio_value': None,
'positions_value': None,
'capital_used': None,
'start_date': datetime.datetime.now().strftime('%Y%m%d%H%M%S'),
'current_day': 0,
}
数据需要收盘后保存到文件，数据库也行；不过考虑到大部分ptrade（除了国盛，需要开通的可以联系公众号：可转债量化分析）都没有连接外网功能，所以最简单的方式就是写入文件，纯粹的文本文件。
目前笔者使用json存储
点击查看大图
这样存储有一个好处，就是如果你想中途修改策略持仓，可以直接修改这个文本文件。比如你的策略不小心买入了一只强赎的转债，你想手动卖掉，那么很简单，你只要在这个json文件里面把对应的持仓删除，再把他的市值加到可用资金里面去即可。 用法是相当灵活。
需要完整代码或者指导的朋友可以关注下面公众号和知识星球。
查看全部
系统自带的读取仓位函数需要你重写。
目前使用一个类来管理仓位：
初始化部分：class PositionManager():
def __init__(self):
if SINGLE_FACTOR not in [1, 2, 3, 4]:
raise ValueError('策略数字有误')
self.strategy = SINGLE_FACTOR
NOTEBOOK_PATH = '/home/fly/notebook/'
# self.filename = NOTEBOOK_PATH + 'S-{}.txt'.format(self.strategy)
self.filename = NOTEBOOK_PATH + personal_define_filename
self.portfolio = self.read()
log.info(self.portfolio)
self.write()
def init_data(self):
js_data = {
'cash': CASH,
'strategy': self.strategy,
'positions': ,
'portfolio_value': None,
'positions_value': None,
'capital_used': None,
'start_date': datetime.datetime.now().strftime('%Y%m%d%H%M%S'),
'current_day': 0,
}
数据需要收盘后保存到文件，数据库也行；不过考虑到大部分ptrade（除了国盛，需要开通的可以联系公众号：可转债量化分析）都没有连接外网功能，所以最简单的方式就是写入文件，纯粹的文本文件。
目前笔者使用json存储
点击查看大图
这样存储有一个好处，就是如果你想中途修改策略持仓，可以直接修改这个文本文件。比如你的策略不小心买入了一只强赎的转债，你想手动卖掉，那么很简单，你只要在这个json文件里面把对应的持仓删除，再把他的市值加到可用资金里面去即可。 用法是相当灵活。
需要完整代码或者指导的朋友可以关注下面公众号和知识星球。
查看全部
多策略需要解决的一个最主要的问题，就是仓位管理。
系统自带的读取仓位函数需要你重写。
目前使用一个类来管理仓位：
初始化部分：
数据需要收盘后保存到文件，数据库也行；不过考虑到大部分ptrade（除了国盛，需要开通的可以联系公众号：可转债量化分析）都没有连接外网功能，所以最简单的方式就是写入文件，纯粹的文本文件。
目前笔者使用json存储
点击查看大图
这样存储有一个好处，就是如果你想中途修改策略持仓，可以直接修改这个文本文件。比如你的策略不小心买入了一只强赎的转债，你想手动卖掉，那么很简单，你只要在这个json文件里面把对应的持仓删除，再把他的市值加到可用资金里面去即可。 用法是相当灵活。
需要完整代码或者指导的朋友可以关注下面公众号和知识星球。
系统自带的读取仓位函数需要你重写。
目前使用一个类来管理仓位：
初始化部分：
class PositionManager():
def __init__(self):
if SINGLE_FACTOR not in [1, 2, 3, 4]:
raise ValueError('策略数字有误')
self.strategy = SINGLE_FACTOR
NOTEBOOK_PATH = '/home/fly/notebook/'
# self.filename = NOTEBOOK_PATH + 'S-{}.txt'.format(self.strategy)
self.filename = NOTEBOOK_PATH + personal_define_filename
self.portfolio = self.read()
log.info(self.portfolio)
self.write()
def init_data(self):
js_data = {
'cash': CASH,
'strategy': self.strategy,
'positions': ,
'portfolio_value': None,
'positions_value': None,
'capital_used': None,
'start_date': datetime.datetime.now().strftime('%Y%m%d%H%M%S'),
'current_day': 0,
}
数据需要收盘后保存到文件，数据库也行；不过考虑到大部分ptrade（除了国盛，需要开通的可以联系公众号：可转债量化分析）都没有连接外网功能，所以最简单的方式就是写入文件，纯粹的文本文件。
目前笔者使用json存储
点击查看大图
这样存储有一个好处，就是如果你想中途修改策略持仓，可以直接修改这个文本文件。比如你的策略不小心买入了一只强赎的转债，你想手动卖掉，那么很简单，你只要在这个json文件里面把对应的持仓删除，再把他的市值加到可用资金里面去即可。 用法是相当灵活。
需要完整代码或者指导的朋友可以关注下面公众号和知识星球。
Ptrade拆单 分批下单 python代码 可转债/股票
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 188 次浏览 • 2022-11-10 00:35
在转债市场，部分转债的流动性很差，有时候连成交100张也需要等待一段时间。
所以如果资金量大，就需要拆单操作。
交易代码部分，如果设置 SPLIT_ORDER_ENABLE = True 即进行拆单操作：
在交易部分：(省略部分不相关代码) if SPLIT_ORDER_ENABLE:
split_order(code, BUY_DIRECTION, amount)
else:
buy_price = round(buy_price, 3)
ret = order(code, amount, limit_price=buy_price)BUY_DIRECTION 为买，值是1，一个常量
SELL_DIRECTION为卖，值为-1，也是一个常量，传入拆单函数中
拆单函数提取出来：def split_order(code, direction, target_count):
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
count = int(target_count / EACH_ORDER_COUNT)
# 例如：560张， 200 张一单， 2次 + 最后一次160 张
remain_count = target_count % EACH_ORDER_COUNT
for i in range(count):
ret = order(code, direction * EACH_ORDER_COUNT)
time.sleep(SPLIT_ORDER_DELAY) # 拆开的单子等待一个时间，再下另外一单
if direction == 1: # 买的时候需要整数，卖则不需要
remain_count = int(remain_count / 10) * 10
if remain_count > 0:
ret = order(code, direction * remain_count)常用的操作都类似，写成模块方便下次调用。写多了就是套模块。
在可转债实盘中，拆单后每笔下单200张，就是每次200张下一次单，因为有可能不是马上成交，所以还需要一段等待延时，再去下单；不然你的拆单也变得没有意义，因为委托那里都是挂的你的单，并没有被消化掉。
可以看到实盘交易日志，即使拆单为200张一笔，外加一段延时，成交张数也是稀稀拉拉的，出现了不少的部分成交；也就是一次连200张都未成交完成；一笔200张的，部分成交10张，20张，都是有可能的，这也足以说明，可转债的流动性问题，滑点是很难被忽略的。
当然，这是轮动调仓的时候，金额较大的情况下拆单。如果高频交易下就不能这么操作了。
具体怎么写，可以关注个人公众号与知识星球。
知识星球原文：
如需要代写量化策略实盘代码，可以到个人公众号【可转债量化分析】后台留言。
查看全部
所以如果资金量大，就需要拆单操作。
交易代码部分，如果设置 SPLIT_ORDER_ENABLE = True 即进行拆单操作：
在交易部分：(省略部分不相关代码) if SPLIT_ORDER_ENABLE:
split_order(code, BUY_DIRECTION, amount)
else:
buy_price = round(buy_price, 3)
ret = order(code, amount, limit_price=buy_price)BUY_DIRECTION 为买，值是1，一个常量
SELL_DIRECTION为卖，值为-1，也是一个常量，传入拆单函数中
拆单函数提取出来：def split_order(code, direction, target_count):
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
count = int(target_count / EACH_ORDER_COUNT)
# 例如：560张， 200 张一单， 2次 + 最后一次160 张
remain_count = target_count % EACH_ORDER_COUNT
for i in range(count):
ret = order(code, direction * EACH_ORDER_COUNT)
time.sleep(SPLIT_ORDER_DELAY) # 拆开的单子等待一个时间，再下另外一单
if direction == 1: # 买的时候需要整数，卖则不需要
remain_count = int(remain_count / 10) * 10
if remain_count > 0:
ret = order(code, direction * remain_count)常用的操作都类似，写成模块方便下次调用。写多了就是套模块。
在可转债实盘中，拆单后每笔下单200张，就是每次200张下一次单，因为有可能不是马上成交，所以还需要一段等待延时，再去下单；不然你的拆单也变得没有意义，因为委托那里都是挂的你的单，并没有被消化掉。
可以看到实盘交易日志，即使拆单为200张一笔，外加一段延时，成交张数也是稀稀拉拉的，出现了不少的部分成交；也就是一次连200张都未成交完成；一笔200张的，部分成交10张，20张，都是有可能的，这也足以说明，可转债的流动性问题，滑点是很难被忽略的。
当然，这是轮动调仓的时候，金额较大的情况下拆单。如果高频交易下就不能这么操作了。
具体怎么写，可以关注个人公众号与知识星球。
知识星球原文：
如需要代写量化策略实盘代码，可以到个人公众号【可转债量化分析】后台留言。
查看全部
在转债市场，部分转债的流动性很差，有时候连成交100张也需要等待一段时间。
所以如果资金量大，就需要拆单操作。
交易代码部分，如果设置 SPLIT_ORDER_ENABLE = True 即进行拆单操作：
在交易部分：(省略部分不相关代码)
SELL_DIRECTION为卖，值为-1，也是一个常量，传入拆单函数中
拆单函数提取出来：
在可转债实盘中，拆单后每笔下单200张，就是每次200张下一次单，因为有可能不是马上成交，所以还需要一段等待延时，再去下单；不然你的拆单也变得没有意义，因为委托那里都是挂的你的单，并没有被消化掉。
可以看到实盘交易日志，即使拆单为200张一笔，外加一段延时，成交张数也是稀稀拉拉的，出现了不少的部分成交；也就是一次连200张都未成交完成；一笔200张的，部分成交10张，20张，都是有可能的，这也足以说明，可转债的流动性问题，滑点是很难被忽略的。
当然，这是轮动调仓的时候，金额较大的情况下拆单。如果高频交易下就不能这么操作了。
具体怎么写，可以关注个人公众号与知识星球。
知识星球原文：
如需要代写量化策略实盘代码，可以到个人公众号【可转债量化分析】后台留言。
所以如果资金量大，就需要拆单操作。
交易代码部分，如果设置 SPLIT_ORDER_ENABLE = True 即进行拆单操作：
在交易部分：(省略部分不相关代码)
if SPLIT_ORDER_ENABLE:BUY_DIRECTION 为买，值是1，一个常量
split_order(code, BUY_DIRECTION, amount)
else:
buy_price = round(buy_price, 3)
ret = order(code, amount, limit_price=buy_price)
SELL_DIRECTION为卖，值为-1，也是一个常量，传入拆单函数中
拆单函数提取出来：
def split_order(code, direction, target_count):常用的操作都类似，写成模块方便下次调用。写多了就是套模块。
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
count = int(target_count / EACH_ORDER_COUNT)
# 例如：560张， 200 张一单， 2次 + 最后一次160 张
remain_count = target_count % EACH_ORDER_COUNT
for i in range(count):
ret = order(code, direction * EACH_ORDER_COUNT)
time.sleep(SPLIT_ORDER_DELAY) # 拆开的单子等待一个时间，再下另外一单
if direction == 1: # 买的时候需要整数，卖则不需要
remain_count = int(remain_count / 10) * 10
if remain_count > 0:
ret = order(code, direction * remain_count)
在可转债实盘中，拆单后每笔下单200张，就是每次200张下一次单，因为有可能不是马上成交，所以还需要一段等待延时，再去下单；不然你的拆单也变得没有意义，因为委托那里都是挂的你的单，并没有被消化掉。
可以看到实盘交易日志，即使拆单为200张一笔，外加一段延时，成交张数也是稀稀拉拉的，出现了不少的部分成交；也就是一次连200张都未成交完成；一笔200张的，部分成交10张，20张，都是有可能的，这也足以说明，可转债的流动性问题，滑点是很难被忽略的。
当然，这是轮动调仓的时候，金额较大的情况下拆单。如果高频交易下就不能这么操作了。
具体怎么写，可以关注个人公众号与知识星球。
知识星球原文：
如需要代写量化策略实盘代码，可以到个人公众号【可转债量化分析】后台留言。
Ptrade里写策略坑比较多的地方（一）
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 269 次浏览 • 2022-11-03 11:26
总结一些，给过来人少踩些坑
1. 后缀符号不统一
这个是天煞的产品涉及的问题。 好好地代码后缀，比如 深圳市场的 有时候出现 300333.SZ , 有时候结构体里面却会是 300333.XSHE，
比如返回的orders 字典，里面用的是 00333.XSHE，而仓位的结构体 position 里面用的缺失 .sz
类似这样的问题在很多函数里面都有。
2. 部分成交 的主推函数
如果一个订单，部分成交，会先触发部分成交主推； 然后最后一个部分成交，反而会触发全部成交主推。
细想，似乎也是合理的，只是，你在全部成交里面返回的成交数量，实际只是最后一次部分成交的量。
3. 想到再写
更多更新 可以参看个人知识星球或者公众号。
查看全部
1. 后缀符号不统一
这个是天煞的产品涉及的问题。 好好地代码后缀，比如 深圳市场的 有时候出现 300333.SZ , 有时候结构体里面却会是 300333.XSHE，
比如返回的orders 字典，里面用的是 00333.XSHE，而仓位的结构体 position 里面用的缺失 .sz
类似这样的问题在很多函数里面都有。
2. 部分成交 的主推函数
如果一个订单，部分成交，会先触发部分成交主推； 然后最后一个部分成交，反而会触发全部成交主推。
细想，似乎也是合理的，只是，你在全部成交里面返回的成交数量，实际只是最后一次部分成交的量。
3. 想到再写
更多更新 可以参看个人知识星球或者公众号。
查看全部
总结一些，给过来人少踩些坑
1. 后缀符号不统一
这个是天煞的产品涉及的问题。 好好地代码后缀，比如 深圳市场的 有时候出现 300333.SZ , 有时候结构体里面却会是 300333.XSHE，
比如返回的orders 字典，里面用的是 00333.XSHE，而仓位的结构体 position 里面用的缺失 .sz
类似这样的问题在很多函数里面都有。
2. 部分成交 的主推函数
如果一个订单，部分成交，会先触发部分成交主推； 然后最后一个部分成交，反而会触发全部成交主推。
细想，似乎也是合理的，只是，你在全部成交里面返回的成交数量，实际只是最后一次部分成交的量。
3. 想到再写
更多更新 可以参看个人知识星球或者公众号。
1. 后缀符号不统一
这个是天煞的产品涉及的问题。 好好地代码后缀，比如 深圳市场的 有时候出现 300333.SZ , 有时候结构体里面却会是 300333.XSHE，
比如返回的orders 字典，里面用的是 00333.XSHE，而仓位的结构体 position 里面用的缺失 .sz
类似这样的问题在很多函数里面都有。
2. 部分成交 的主推函数
如果一个订单，部分成交，会先触发部分成交主推； 然后最后一个部分成交，反而会触发全部成交主推。
细想，似乎也是合理的，只是，你在全部成交里面返回的成交数量，实际只是最后一次部分成交的量。
3. 想到再写
更多更新 可以参看个人知识星球或者公众号。
Ptrade量化交易之 拆单买入卖出操作
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 383 次浏览 • 2022-09-30 16:20
在交易过程中，如果遇到成交量小的股票或者可转债，etf，稍微买多一些会对现价造成冲击，价格容易被你自己拉起来。所以假如你的交易量很大的话，一般最好使用拆单操作。 可以参考下面的python拆单代码：
注：代码里面针对的是可转债交易，股票的话把这一行：
remain_count=int(remain_count/10)*10 改为
remain_count=int(remain_count/100)*100 就可以了
股票100股整数倍买，转债是10张倍数买。
code,direction,target_count ： 第一个代码，第二个买卖方向，第三个是目标数目
each_order_count = 100 # 每单的股数,张数
def split_order(code,direction,target_count):
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
SPLIT_ORDER_DELAY =1
each_order_count = 100 # 每单的股数,张数
count = int(target_count/each_order_count)
remain_count = target_count%each_order_count
for i in range(count):
ret = order(code,direction*each_order_count)
time.sleep(SPLIT_ORDER_DELAY)
if direction==1:
remain_count=int(remain_count/10)*10 # 可转债买的时候只能10的倍数交易，
if remain_count>0:
ret = order(code,direction*each_order_count)
更多ptrade实盘代码，欢迎关注个人知识星球 查看全部
注：代码里面针对的是可转债交易，股票的话把这一行：
remain_count=int(remain_count/10)*10 改为
remain_count=int(remain_count/100)*100 就可以了
股票100股整数倍买，转债是10张倍数买。
code,direction,target_count ： 第一个代码，第二个买卖方向，第三个是目标数目
each_order_count = 100 # 每单的股数,张数
def split_order(code,direction,target_count):
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
SPLIT_ORDER_DELAY =1
each_order_count = 100 # 每单的股数,张数
count = int(target_count/each_order_count)
remain_count = target_count%each_order_count
for i in range(count):
ret = order(code,direction*each_order_count)
time.sleep(SPLIT_ORDER_DELAY)
if direction==1:
remain_count=int(remain_count/10)*10 # 可转债买的时候只能10的倍数交易，
if remain_count>0:
ret = order(code,direction*each_order_count)
更多ptrade实盘代码，欢迎关注个人知识星球 查看全部
在交易过程中，如果遇到成交量小的股票或者可转债，etf，稍微买多一些会对现价造成冲击，价格容易被你自己拉起来。所以假如你的交易量很大的话，一般最好使用拆单操作。 可以参考下面的python拆单代码：
注：代码里面针对的是可转债交易，股票的话把这一行：
remain_count=int(remain_count/10)*10 改为
remain_count=int(remain_count/100)*100 就可以了
股票100股整数倍买，转债是10张倍数买。
code,direction,target_count ： 第一个代码，第二个买卖方向，第三个是目标数目
each_order_count = 100 # 每单的股数,张数
更多ptrade实盘代码，欢迎关注个人知识星球
注：代码里面针对的是可转债交易，股票的话把这一行：
remain_count=int(remain_count/10)*10 改为
remain_count=int(remain_count/100)*100 就可以了
股票100股整数倍买，转债是10张倍数买。
code,direction,target_count ： 第一个代码，第二个买卖方向，第三个是目标数目
each_order_count = 100 # 每单的股数,张数
def split_order(code,direction,target_count):
'''
拆单
:param code: 股票代码
:param direction: 买：1 卖：-1
:param target_count: 总共要卖的股数
:return:
'''
SPLIT_ORDER_DELAY =1
each_order_count = 100 # 每单的股数,张数
count = int(target_count/each_order_count)
remain_count = target_count%each_order_count
for i in range(count):
ret = order(code,direction*each_order_count)
time.sleep(SPLIT_ORDER_DELAY)
if direction==1:
remain_count=int(remain_count/10)*10 # 可转债买的时候只能10的倍数交易，
if remain_count>0:
ret = order(code,direction*each_order_count)
更多ptrade实盘代码，欢迎关注个人知识星球
Ptrade挂单后撤单函数 实现
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 331 次浏览 • 2022-09-29 16:40
在ptrade的每一笔挂单，都不一定能够保证很成功，比如刚挂了单，股票就飞了。
所以也需要有撤单，重新挂的动作。
order(code,amount) # 买入或者卖出
time.sleep(CANCEL_ORDER_TIME) # 等待片刻
cancel_order_reorder(context) # 进入撤单函数
中间需要有个等待时间。
1。 买入后，并不一定买上成交，需要一点时间消化，尤其是量大的单子，得要慢慢吃掉。
2。 成交回报并不是实时的。记住，ptrade的成交回报是有个延时，约9秒。 也就是你成交后，立即调用get_positions函数 看看你持仓，是无法看到你刚刚买入的股票数据的。
比如：
def initialize(context):
g.security = '600570.SS'
set_universe(g.security)
def handle_data(context, data):
order(g.security,100)
position = get_position(g.security)
log.info(position)这样你是无法获取的你的持仓的。
下面的示例代码，获取还在挂单的委托单子，然后逐个撤销，重新按照最新的市价下单。
def cancel_order_reorder(context):
'''
取消订单，重新下单
:return:
'''
open_orders = get_open_orders()
for _order in open_orders:
_id = _order.id
amount=_order.amount
filled=_order.filled
next_amount = amount-filled
code = _order.symbol
log.info('撤单{} - {}'.format(code,next_amount))
cancel_order(_id)
# time.sleep(1)
log.info('重新下单{} 数量{}'.format(code,next_amount))
order(code,next_amount)
后话：
很多投资者没有编程基础，学习起来会很吃力，耗费大量的时间，得不偿失。写出来的代码也是很多bug而不自知。等到实盘了用真金白银 得到了教训，还不如早期跟一两个人有经验的人学习，甚至找个代写代码就好了。
当然，能力超强，精力旺盛的大神就无视了，这个人折腾起来什么都可以搞得有模有样。
查看全部
所以也需要有撤单，重新挂的动作。
order(code,amount) # 买入或者卖出
time.sleep(CANCEL_ORDER_TIME) # 等待片刻
cancel_order_reorder(context) # 进入撤单函数
中间需要有个等待时间。
1。 买入后，并不一定买上成交，需要一点时间消化，尤其是量大的单子，得要慢慢吃掉。
2。 成交回报并不是实时的。记住，ptrade的成交回报是有个延时，约9秒。 也就是你成交后，立即调用get_positions函数 看看你持仓，是无法看到你刚刚买入的股票数据的。
比如：
def initialize(context):
g.security = '600570.SS'
set_universe(g.security)
def handle_data(context, data):
order(g.security,100)
position = get_position(g.security)
log.info(position)这样你是无法获取的你的持仓的。
下面的示例代码，获取还在挂单的委托单子，然后逐个撤销，重新按照最新的市价下单。
def cancel_order_reorder(context):
'''
取消订单，重新下单
:return:
'''
open_orders = get_open_orders()
for _order in open_orders:
_id = _order.id
amount=_order.amount
filled=_order.filled
next_amount = amount-filled
code = _order.symbol
log.info('撤单{} - {}'.format(code,next_amount))
cancel_order(_id)
# time.sleep(1)
log.info('重新下单{} 数量{}'.format(code,next_amount))
order(code,next_amount)
后话：
很多投资者没有编程基础，学习起来会很吃力，耗费大量的时间，得不偿失。写出来的代码也是很多bug而不自知。等到实盘了用真金白银 得到了教训，还不如早期跟一两个人有经验的人学习，甚至找个代写代码就好了。
当然，能力超强，精力旺盛的大神就无视了，这个人折腾起来什么都可以搞得有模有样。
查看全部
在ptrade的每一笔挂单，都不一定能够保证很成功，比如刚挂了单，股票就飞了。
所以也需要有撤单，重新挂的动作。
中间需要有个等待时间。
1。 买入后，并不一定买上成交，需要一点时间消化，尤其是量大的单子，得要慢慢吃掉。
2。 成交回报并不是实时的。记住，ptrade的成交回报是有个延时，约9秒。 也就是你成交后，立即调用get_positions函数 看看你持仓，是无法看到你刚刚买入的股票数据的。
比如：
下面的示例代码，获取还在挂单的委托单子，然后逐个撤销，重新按照最新的市价下单。
后话：
很多投资者没有编程基础，学习起来会很吃力，耗费大量的时间，得不偿失。写出来的代码也是很多bug而不自知。等到实盘了用真金白银 得到了教训，还不如早期跟一两个人有经验的人学习，甚至找个代写代码就好了。
当然，能力超强，精力旺盛的大神就无视了，这个人折腾起来什么都可以搞得有模有样。
所以也需要有撤单，重新挂的动作。
order(code,amount) # 买入或者卖出
time.sleep(CANCEL_ORDER_TIME) # 等待片刻
cancel_order_reorder(context) # 进入撤单函数
中间需要有个等待时间。
1。 买入后，并不一定买上成交，需要一点时间消化，尤其是量大的单子，得要慢慢吃掉。
2。 成交回报并不是实时的。记住，ptrade的成交回报是有个延时，约9秒。 也就是你成交后，立即调用get_positions函数 看看你持仓，是无法看到你刚刚买入的股票数据的。
比如：
def initialize(context):这样你是无法获取的你的持仓的。
g.security = '600570.SS'
set_universe(g.security)
def handle_data(context, data):
order(g.security,100)
position = get_position(g.security)
log.info(position)
下面的示例代码，获取还在挂单的委托单子，然后逐个撤销，重新按照最新的市价下单。
def cancel_order_reorder(context):
'''
取消订单，重新下单
:return:
'''
open_orders = get_open_orders()
for _order in open_orders:
_id = _order.id
amount=_order.amount
filled=_order.filled
next_amount = amount-filled
code = _order.symbol
log.info('撤单{} - {}'.format(code,next_amount))
cancel_order(_id)
# time.sleep(1)
log.info('重新下单{} 数量{}'.format(code,next_amount))
order(code,next_amount)
后话：
很多投资者没有编程基础，学习起来会很吃力，耗费大量的时间，得不偿失。写出来的代码也是很多bug而不自知。等到实盘了用真金白银 得到了教训，还不如早期跟一两个人有经验的人学习，甚至找个代写代码就好了。
当然，能力超强，精力旺盛的大神就无视了，这个人折腾起来什么都可以搞得有模有样。
Ptrade在一个循环事件里 能否不断获取股票实时价格？
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 294 次浏览 • 2022-09-28 10:53
假设在一个事件循环里：
如：
run_daily(context, get_price, '09:44')
定义的get_price 函数，
然后get_price函数里面有一个死循环，不断地获取价格。
因为ptrade的行情切片 是每3秒更新的一次的，如果行情没更新，那么当前的价格也是过去最近的一个3s的价格。
现在问题是，在一个固定的时间里面，不断地读取价格函数，能获取到最新的价格吗 ？
我们用代码实践一下：
import time
def initialize(context):
# 初始化策略
run_daily(context, get_price, '09:44')
def handle_data(context, data):
pass
def get_price(context):
for i in range(10):
target_list =['113585.SS','123057.SZ']
bond_gear_price_target = get_gear_price(target_list)
for code in target_list:
price = bond_gear_price_target[code]['offer_grp'][1][0]
log.info('code: {} price {} '.format(code,price))
time.sleep(1)
输出的结果：
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:00 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:01 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:02 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:04 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:07 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:10 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:12 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:12 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:13 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:13 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:14 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:14 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:15 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:15 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:16 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:16 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:17 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:17 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:18 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:18 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:19 - INFO - code: 113585.SS price 169.062
2022-09-28 10:31:19 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:20 - INFO - code: 113585.SS price 169.062
为了更为直观，过滤掉另外一只可转债
只保留一只
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066 可以看到价格也是基本没个3s更新一次。
更多ptrade实盘代码，请常见个人星球。
【可转债追涨杀跌日内T+0，双低 低价 低溢价 规模多因子轮动】
查看全部
如：
run_daily(context, get_price, '09:44')
定义的get_price 函数，
然后get_price函数里面有一个死循环，不断地获取价格。
因为ptrade的行情切片 是每3秒更新的一次的，如果行情没更新，那么当前的价格也是过去最近的一个3s的价格。
现在问题是，在一个固定的时间里面，不断地读取价格函数，能获取到最新的价格吗 ？
我们用代码实践一下：
import time
def initialize(context):
# 初始化策略
run_daily(context, get_price, '09:44')
def handle_data(context, data):
pass
def get_price(context):
for i in range(10):
target_list =['113585.SS','123057.SZ']
bond_gear_price_target = get_gear_price(target_list)
for code in target_list:
price = bond_gear_price_target[code]['offer_grp'][1][0]
log.info('code: {} price {} '.format(code,price))
time.sleep(1)
输出的结果：
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:00 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:01 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:02 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:04 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:07 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:10 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:12 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:12 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:13 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:13 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:14 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:14 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:15 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:15 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:16 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:16 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:17 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:17 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:18 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:18 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:19 - INFO - code: 113585.SS price 169.062
2022-09-28 10:31:19 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:20 - INFO - code: 113585.SS price 169.062
为了更为直观，过滤掉另外一只可转债
只保留一只
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066 可以看到价格也是基本没个3s更新一次。
更多ptrade实盘代码，请常见个人星球。
【可转债追涨杀跌日内T+0，双低 低价 低溢价 规模多因子轮动】
查看全部
假设在一个事件循环里：
如：
run_daily(context, get_price, '09:44')
定义的get_price 函数，
然后get_price函数里面有一个死循环，不断地获取价格。
因为ptrade的行情切片 是每3秒更新的一次的，如果行情没更新，那么当前的价格也是过去最近的一个3s的价格。
现在问题是，在一个固定的时间里面，不断地读取价格函数，能获取到最新的价格吗 ？
我们用代码实践一下：
输出的结果：
为了更为直观，过滤掉另外一只可转债
只保留一只
更多ptrade实盘代码，请常见个人星球。
【可转债追涨杀跌日内T+0，双低 低价 低溢价 规模多因子轮动】
如：
run_daily(context, get_price, '09:44')
定义的get_price 函数，
然后get_price函数里面有一个死循环，不断地获取价格。
因为ptrade的行情切片 是每3秒更新的一次的，如果行情没更新，那么当前的价格也是过去最近的一个3s的价格。
现在问题是，在一个固定的时间里面，不断地读取价格函数，能获取到最新的价格吗 ？
我们用代码实践一下：
import time
def initialize(context):
# 初始化策略
run_daily(context, get_price, '09:44')
def handle_data(context, data):
pass
def get_price(context):
for i in range(10):
target_list =['113585.SS','123057.SZ']
bond_gear_price_target = get_gear_price(target_list)
for code in target_list:
price = bond_gear_price_target[code]['offer_grp'][1][0]
log.info('code: {} price {} '.format(code,price))
time.sleep(1)
输出的结果：
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:00 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:01 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:02 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:04 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 128053.SZ price 144.8
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:07 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:10 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 128053.SZ price 144.746
2022-09-28 10:31:12 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:12 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:13 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:13 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:14 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:14 - INFO - code: 128053.SZ price 144.785
2022-09-28 10:31:15 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:15 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:16 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:16 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:17 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:17 - INFO - code: 128053.SZ price 144.692
2022-09-28 10:31:18 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:18 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:19 - INFO - code: 113585.SS price 169.062
2022-09-28 10:31:19 - INFO - code: 128053.SZ price 144.691
2022-09-28 10:31:20 - INFO - code: 113585.SS price 169.062
为了更为直观，过滤掉另外一只可转债
只保留一只
2022-09-28 10:31:00 - INFO - code: 113585.SS price 169.147可以看到价格也是基本没个3s更新一次。
2022-09-28 10:31:01 - INFO - code: 113585.SS price 169.147
2022-09-28 10:31:02 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:03 - INFO - code: 113585.SS price 169.156
2022-09-28 10:31:04 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:05 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:06 - INFO - code: 113585.SS price 169.199
2022-09-28 10:31:07 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:08 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:09 - INFO - code: 113585.SS price 169.068
2022-09-28 10:31:10 - INFO - code: 113585.SS price 169.066
2022-09-28 10:31:11 - INFO - code: 113585.SS price 169.066
更多ptrade实盘代码，请常见个人星球。
【可转债追涨杀跌日内T+0，双低 低价 低溢价 规模多因子轮动】
ptrade 微信通知
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 320 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
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 555 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。
ptrade和qmt的内置代码编辑器，哪个比较好用？
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 451 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。）
Ptrade 逆回购+自动申购新股可转债
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 439 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
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 391 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：
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 380 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
Ptrade下单接口 order，order_target， order_value，order_target_value的区别
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 514 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
Ptrade抢新上市的可转债
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 450 次浏览 • 2022-08-11 10:20
更新：早上的单子如期挂上了。只是成交量太少，轮不动我的。不过也好，省点心，不用每次盯盘操作。
PS: 也不是每一只都是去抢，还是需要提前判断下。规模小的优先。
欢迎关注公众号
PS: 也不是每一只都是去抢，还是需要提前判断下。规模小的优先。
欢迎关注公众号
