tick数据合成k线的完整过程（含源代码）

码上助君

于 2024-10-07 22:44:11 发布

阅读量2.4k

点赞数 20

分类专栏： CTP-API开发系列量化交易系统文章标签：区块链量化交易程序化交易期货

本文链接：https://blog.csdn.net/Le_temps/article/details/142741427

版权

量化交易系统同时被 2 个专栏收录

25 篇文章

订阅专栏

CTP-API开发系列

12 篇文章

订阅专栏

tick数据合成k线的完整过程（含源代码）

写在前面

码上君量化互助社群已建立，所有源码免费对社群成员开放，如有需要请查看社群介绍文章，里面有加入社群的方式。

社群介绍：码上君量化互助社群介绍

公众号-码上助君（可跳转）
感兴趣的关注下公众号，优先发布，接收后续的更新内容会更及时奥

本文主要分享 tick 数据合成 k线的完整过程，这样我们的策略就可以在此 k 线的基础上，计算各种技术指标（如ema、atr、kdj、macd等等）。

tick 数据的选择

国内股票行情是3秒一个切片，期货是1秒推送两个切片，由于期货行情是免费且无需登录验证，方便获取，所以选择期货行情数据进行k线合成。

在前面的文章中分享过期货行情订阅的代码，主要是以下回调函数：
在这里插入图片描述

相关链接：CTP-API开发系列之九：行情登录及订阅代码

行情结构体字段

在这里插入图片描述

行情结构体里面的字段比较多，大部分是没有用的，在行情回调函数中我们仅保存部分需要用到的字段，最主要的就是合约代码InstrumentID、更新时间UpdateTime、最新价LastPrice、累计成交量Volume、累计成交额Turnover

def OnRtnDepthMarketData(self, pDepthMarketData: 'CThostFtdcDepthMarketDataField') -> "void":
	# Volume 成交量
	if pDepthMarketData.Volume == 0:
		return
	md = f"{pDepthMarketData.TradingDay},{pDepthMarketData.UpdateTime},{pDepthMarketData.UpdateMillisec},{pDepthMarketData.InstrumentID}," \
         f"{pDepthMarketData.LastPrice},{pDepthMarketData.BidPrice1},{pDepthMarketData.BidVolume1},{pDepthMarketData.AskPrice1}," \
         f"{pDepthMarketData.AskVolume1},{pDepthMarketData.Volume},{pDepthMarketData.Turnover}"
	log_md.info(md)

tick 行情示例

先以读取文件的方式，将所有的tick数据保存到 DataFrame 中

f = open('./logs/md_20240925085557.csv')

titles = ['date', 'time', 'mill', 'id', 'last_price', 'bid_price1', 'bid_volume1', 'ask_price1', 'ask_volume1', 'volume', 'turnover']
datas = []

for one in f.readlines():
    d = one.replace(' ', '').split('INFO:')[1].split('[')[0].split(',')
    datas.append(d)
    result = dict(zip(titles, d))

df = pd.DataFrame(datas, columns=titles)
print(df)

这里面有部分数据是非交易时间的，期货的交易日是从夜盘开始的，所以也会看到部分夜盘的最后一笔行情，需要在合成的时候进行特殊处理。

这里订阅的期货全是市场的主力合约，为了展示方便，后面仅以螺纹钢rb2501合约为例进行合成：

data = df.loc[df['id'] == 'rb2501']
print(data)

在这里插入图片描述

批量合成1分钟k线方式

time的格式 HH:MM:SS，合成1分钟k线，我们先按照time字段取 HH:MM，将相同时分内的数据，第一条记录的last_price记为open，最后一条记录的last_price记为close，最大一条记录的last_price记为high，最小一条记录的last_price记为low

每一条记录的成交量增量、成交额增量都是减去上一条记录对应的数值，相同时分内的增量进行累加记为volume、turnover

data['last_price'] = data['last_price'].astype(float)
data['volume'] = data['volume'].astype(float)
data['turnover'] = data['turnover'].astype(float)

data['volume_change'] = data['volume'] - data['volume'].shift(1)
data['turnover_change'] = data['turnover'] - data['turnover'].shift(1)
data['minute'] = data['time'].str[0:5]

minute_grouped = data.groupby('minute')

df = pd.DataFrame()
df['open'] = minute_grouped.first()['last_price']
df['high'] = minute_grouped.max()['last_price']
df['low'] = minute_grouped.min()['last_price']
df['close'] = minute_grouped.last()['last_price']
df['volume'] = minute_grouped.agg({'volume_change': 'sum'})
df['turnover'] = minute_grouped.agg({'turnover_change': 'sum'})
print(df)

在这里插入图片描述

下图是某商业软件的截图，我们取09:02的k线进行对比，可以发现与我们合成的数据09:01这条数据是一致的，也就是说09:01这一分钟内的数据，最终形成的k线时间是下一分钟的时间
在这里插入图片描述

df['tmp_minute'] = df.index.tolist()
df['new_minute'] = df['tmp_minute'].shift(-1)
df = df.drop('tmp_minute', axis=1)
df.dropna(inplace=True)
df.rename(columns={'new_minute': 'minute'}, inplace=True)
df.set_index('minute', inplace=True)

df = df[1:-1]
print(df)