現貨合約量化交易系統開發|量化機器人開發原始碼案例

　　量化策略思想大致來源於以下幾個方面：經典理論、邏輯推理、經驗總結、資料探勘、機器學習等。不論基本面還是技術面，都可以使用量化的方法進行分析，進而得出量化交易策略。比如，在基本面上，國內生產總值(GDP)增幅、貨幣發行量增幅、供需平衡表等都可以使用量化方法進行描述和分析；在技術面上，移動平均線、指數平滑移動平均線(MACD)等絕大部分技術分析指標都是量化策略思想來源。

　　“量化交易”有著兩層含義：

　　【一】是從狹義上來講，是指量化交易的內容，將交易條件轉變成為程式，自動下單；

　　【二】是從廣義上來講，是指系統交易方法，量化交易平臺13z開4z77發z558，就是一個整合的交易系統。

　　即為根據一系列交易條件，智慧化輔助決策體系，將豐富的從業經驗與交易條件相結合，在交易過程管理好風險控制。

　　常見的量化交易策略有很多種，例如趨勢型，網格型，剝頭皮，機率法則，高頻交易等，今天主要給大家介紹2種低頻的交易策略，高拋低吸網格交易策略、日內做T策略。

　　量化交易策略原始碼(部分)

　　#你選擇的證券的資料更新將會觸發此段邏輯，例如日或分鐘歷史資料切片或者是實時資料切片更新

　　def handle_bar(context,bar_dict):

　　...

　　if newPrice>=context.nextSellPrice:

　　logger.info("執行高拋交易,對應價格:{}".format(newPrice))

　　amount=context.portfolio.positions[context.s1].quantity

　　if amount>=context.tradeNumber:

　　logger.info("執行高拋交易,對應數量:{}".format(context.tradeNumber))

　　order_shares(context.s1,-context.tradeNumber)

　　plot("S",newPrice)

　　elif amount>=100:

　　logger.info("執行高拋交易,對應數量:{}".format(amount))

　　order_shares(context.s1,-amount)

　　plot("S",newPrice)

　　calc_next_trade_price(context,newPrice)

　　obj={

　　"nextSellPrice":context.nextSellPrice,

　　"nextBuyPrice":context.nextBuyPrice,

　　"curTradePrice":context.curTradePrice

　　}

　　context.buyTradeList.append(obj)

　　if newPrice<=context.nextBuyPrice:

　　logger.info("執行低吸交易,對應價格:{}".format(newPrice))

　　amount=int(context.portfolio.cash/newPrice/100.0)*100

　　if amount>=context.tradeNumber:

　　logger.info("執行低吸交易,對應數量:{}".format(context.tradeNumber))

　　order_shares(context.s1,context.tradeNumber)

　　plot("B",newPrice)

　　calc_next_trade_price(context,newPrice)

　　obj={

　　"nextSellPrice":context.nextSellPrice,

　　"nextBuyPrice":context.nextBuyPrice,

　　"curTradePrice":context.curTradePrice

　　}

　　context.sellTradeList.append(obj)