現貨量化交易機器人開發穩定版丨現貨量化交易機器人系統開發（成熟及方案）

　　 量化交易策略大體上可以分為兩類，一類是判斷趨勢進行高拋低吸的策略，即趨勢策略；另一類是消除系統性的風險獲取相對穩健收益的策略，即策略。

　　自動交易機器人在雲伺服器上24小時執行。初始化設定引數之後，機器人將按照策略進行自動交易。達到設定條件自動買入或者賣出，無須長時間盯盤。

　　機器人內建多種交易策略，滿足不同的型別。

　　void Calibration::_initMaps(){

　　_featureInfo.clear();

　　_opInfo.clear();

　　_tensorMap.clear();

　　//run mnn once,initialize featureMap,opInfo map

　　//MNN提供了每個op計算的callback,一個計算前一個是計算後

　　//計算前的callback完成的工作是為input tensor建立TensorStatistic物件；op info的填充op->input,output的對映

　　MNN::TensorCallBackWithInfo before=[&](const std::vector<MNN::Tensor*>&nTensors,const MNN::OperatorInfo*info){

　　_opInfo[info->name()].first=nTensors;

　　if(Helper::gNeedFeatureOp.find(info->type())!=Helper::gNeedFeatureOp.end()){

　　for(auto t:nTensors){開發需求及案例:MrsFu123

　　if(_featureInfo.find(t)==_featureInfo.end()){

　　_featureInfo[t]=std::shared_ptr<TensorStatistic>(

　　new TensorStatistic(t,_featureQuantizeMethod,info->name()+"__input"));

　　}

　　}

　　}

　　return false;

　　};

　　//計算後的callback完成的工作是為output tensor建立TensorStatistic物件；op info的填充op->input,output的對映

　　MNN::TensorCallBackWithInfo after=[this](const std::vector<MNN::Tensor*>&nTensors,

　　const MNN::OperatorInfo*info){

　　_opInfo[info->name()].second=nTensors;

　　if(Helper::gNeedFeatureOp.find(info->type())!=Helper::gNeedFeatureOp.end()){

　　for(auto t:nTensors){

　　if(_featureInfo.find(t)==_featureInfo.end()){

　　_featureInfo[t]=

　　std::shared_ptr<TensorStatistic>(new TensorStatistic(t,_featureQuantizeMethod,info->name()));

　　}

　　}

　　}

　　return true;

　　};

　　_interpreter->runSessionWithCallBackInfo(_session,before,after);

　　//遍歷op,由op的<input/output index,input/output>加入到tensorMap

　　for(auto&op:_originaleModel->oplists){

　　if(_opInfo.find(op->name)==_opInfo.end()){

　　continue;

　　}

　　for(int i=0;i<op->inputIndexes.size();++i){

　　_tensorMap[op->inputIndexes<i>]=_opInfo[op->name].first<i>;

　　}

　　for(int i=0;i<op->outputIndexes.size();++i){

　　_tensorMap[op->outputIndexes<i>]=_opInfo[op->name].second<i>;

　　}

　　}

　　if(_featureQuantizeMethod=="KL"){

　　//set the tensor-statistic method of input tensor as THRESHOLD_MAX

　　auto inputTensorStatistic=_featureInfo.find(_inputTensor);

　　if(inputTensorStatistic!=_featureInfo.end()){

　　inputTensorStatistic->second->setThresholdMethod(THRESHOLD_MAX);

　　}

　　}

　　}