【量亿数据-金融数据-量化交易】PyAlgoTrade框架研究

最近研究量化交易,看了几个回测的框架,最后盯上PyAlgoTrade这个项目。感觉很不错,支持
策略回测和实盘交易,提供全面的技术分析接口,算是python的量化交易框架里比较出色的作品。所以对这个框架进行了一番研究。

程序化交易系统的编程范式:事件驱动的编程

量化交易,一般是采用统计学和数学工具,对资产的各个方面进行定量分析,并制订程序化的交易策略严格执行来获得收益。这里面有两大核心任务, 一个是数据分析,一个是程序化交易。

与纯粹的数据分析不同,因为有交易动作的存在,同时,在实盘交易中,还要实时更新价格、成交量等数据。这里面可以很明显的看到系统的结构:

数据分析模块—-行情接口和数据源—-交易订单管理模块—-交易下单API

这几个模块之间还存在状态一致性的维护。因此,交易系统的设计,一般采用事件驱动的设计。比如MetaTrader 4的设计,MQL也是采用事件回调来计算指标或者进行EA交易。PyAlgoTrade也是基于这个理念开发的。PyAlgoTrade自己封装了一套事件分发机制,具体的实现可以参考:
observer
dispatcher这两个模块

数据结构的取舍

量化交易中的数据以资产价格或者成交量的时间序列为主,这类序列化数据的分析框架有很多。大部分的科学计算框架,比如:Numpy、SciPy、statsmodels、scikit-learn等等,都支持序列或者Array的分析。在Python的科学计算框架体系中,Numpy是核心,其核心的ndarray数据结构也被广泛使用于其他数据分析框架之中。但是尽管ndarray适用于分析领域,在程序化交易中,仍然希望数据结构内的变化依然能有一个对外的通知,需要一个带有事件支持的数据结构。因此PyAlgoTrade并没有采用ndarray或者pandas的dataframe作为基础数据结构,而是自行封装了一个DataSeries结构,以及针对每个K线或者蜡烛图的Bar结构。

与数据分析框架的整合方式

尽管因为需求的原因,需要单独实现一套数据结构,但是要使用主流的分析框架,依然需要使用ndarray这样的数据结构。这里就存在一个数据转换的问题。同时,由于实盘交易的原因,PyAlgoTrade策略实现上,以复写onBars方法(其意义与MQL中的onTick方法类似)为主,因此也是需要每次更新Tick数据就进行一次计算。
这里就涉及到一个移动窗口问题。PyAlgoTrade也对此做了一定的封装。这里可以参考:
technical.EventWindow这个类。
talibext.indicator模块中包含了talib的封装。

发布了0 篇原创文章 · 获赞 0 · 访问量 1万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 大白 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览