# AlgoPlus **Repository Path**: dxfgit/AlgoPlus ## Basic Information - **Project Name**: AlgoPlus - **Description**: AlgoPlus 2.0是使用c++语言开发的用于全市场交易的SDK，提供c++/python/java接口。 - **Primary Language**: Python - **License**: Not specified - **Default Branch**: master - **Homepage**: http://algo.plus - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 70 - **Created**: 2024-07-21 - **Last Updated**: 2024-07-21 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 简介 AlgoPlus是上期技术CTP API的Python封装。 # 官网 # 安装 首先配置Python环境，然后安装：```pip install AlgoPlus```。 或者下载AlgoPlus包文件，解压后放在项目目录中。 # 版本对应关系 | AlgoPlus版本号 | CTP API版本 | Python版本 | | :----: | :----: | :----: | | 3.1 | v6.6.9_20220914 9:57:19.2466 | 3.7、3.8、3.9 | # 入门视频教程 * [配置Python环境与安装AlgoPlus](https://www.bilibili.com/video/BV1p54y1m77t) * [CTP API的工作原理](https://www.bilibili.com/video/BV17v411C73r) # 应用范例 这里就给大家介绍介个基于AlgoPlus实现的应用范例，供大家参考。 ## 1、获取实时行情 发布实时行情是交易所实现价值发现职能的重要工作，而且是交易决策的重要依据。 CTP通过一个独立的MdApi接口发布行情。MdApi功能比较单一，只需要在与服务器建立连接后订阅相关合约，就可以自动接收到到实时行情。 AlgoPlus对MdApi进行了封装，我们只需要将账户信息及合约名称作为参数传进去，就可以接收到字典形式的实时行情数据。 演示这个功能的例子是`examples/get_tick.py`，运行之后可以看到如下的输出结果： ![](./img/get_tick.png) 从输出日志可以看到，AlgoPlus第一步连接服务器，第二步登陆账户，第三步订阅行情，最后就是接收行情数据。 ### 1.1 期货合约规范： * 上期/能源所：小写+4个数字 * 大商所：小写+4个数字 * 中金所：大写+4个数字 * 郑商所：大写+3个数字 ### 1.2 期权合约规范： * 上期所/能源所：小写+4个数字+C(或者P)+行权价 * 郑商所：大写+3个数字+C(或者P)+行权价 * 中金所：大写+4个数字+-C-(或者-P-)+行权价 * 大商所：小写+4个数字+-C-(或者-P-)+行权价 ## 2、将行情存为CSV文件 因为MdApi只推送实时行情，所以存储数据是量化交易至关重要的一项工作。虽然有多种数据库可以选择，但是简单起见，`examples/tick_to_csv.py`使用了csv文件。运行这个例子后，实时行情数据自动被存入`MarketData`文件夹下的csv文件中。 ## 3、合成K线 MdApi推送的实时行情是固定时间间隔（一般间隔是500ms）的快照，也就是我们常说Tick数据。 而交易决策的逻辑基础往往是K线数据，所谓的K线就是用固定时间间隔内开盘价、最高价、最低价、收盘价代理此间所有Tick。 K线自诞生以来就被二级市场所广泛使用。合理的选择K线周期，可以帮助我们抓住主线趋势，避免陷于短期波动。 `examples/get_bar.py`为大家演示了如何将Tick数据合成1分钟K线数据，字段内容如下： ```python { 'InstrumentID': b'', # 合约代码 'UpdateTime': b'00:46:00', # K线开始时间 'LastPrice': 3454.0, # 收盘价 'HighPrice': 3454.0, # 最高价 'LowPrice': 3454.0, # 最低价 'OpenPrice': 3454.0, # 开盘价 'BarVolume': 7, # 成交量 'BarTurnover': 24178.0, # 成交额 'BarSettlement': 3454.0, # K线成交均价 'BVolume': 0, # 主动买量 'SVolume': 7, # 主动卖量 'FVolume': 0, # 非主动买卖量 'DayVolume': 1381157, # 全天成交量 'DayTurnover': 4771897578.0, # 全天成交额 'DaySettlement': 3455.000103536383, # 全天成交均价 'OpenInterest': 1577415.0, # 持仓量 'TradingDay': b'20200508' # 交易日 } ``` 除了1分钟K线之外，大家也可以参考如下条件合成其他周期K线： ```python # 1分钟K线条件 is_new_1minute = (pDepthMarketData['UpdateTime'][:-2] != last_update_time[:-2]) and pDepthMarketData['UpdateTime'] != b'21:00:00' # 5分钟K线条件 is_new_5minute = is_new_1minute and int(pDepthMarketData['UpdateTime'][-4]) % 5 == 0 # 10分钟K线条件 is_new_10minute = is_new_1minute and pDepthMarketData['UpdateTime'][-4] == b"0" # 15分钟K线条件 is_new_10minute = is_new_1minute and int(pDepthMarketData['UpdateTime'][-5:-3]) % 15 == 0 # 30分钟K线条件 is_new_30minute = is_new_1minute and int(pDepthMarketData['UpdateTime'][-5:-3]) % 30 == 0 # 60分钟K线条件 is_new_hour = is_new_1minute and int(pDepthMarketData['UpdateTime'][-5:-3]) % 60 == 0 ``` 运行结果如下： ![](./img/get_bar.png) ## 4、看穿式认证 由于监管要求，接入期货公司的交易程序必须经过看穿式认证。简单的说，就是用交易程序在期货公司提供的仿真环境中完成指定的交易、查询任务就可以了。完成后，期货公司会提供用于生产环境的授权码。所谓的直连模式和中继模式，只要是自己用的都属于直连模式。 `examples/authenticate.py`这个例子虽然是为了方便大家做认证，但是其中的基础操作对熟悉交易接口是很有帮助的，例如： ```python # 买开仓 self.buy_open(...) # 卖平仓 self.sell_close(...) # 卖开仓 self.sell_open(...) # 买平仓 self.buy_close(...) # 撤单 self.req_order_action(...) # 查询订单 self.req_qry_order(...) # 查询成交 self.req_qry_trade() # 查询持仓 self.req_qry_investor_position() # 查询资金 self.req_qry_trading_account() ``` 需要注意的是交易接口的查询功能是有流控限制的，每秒限制只能查询1次。买卖报单以及撤单不受流控限制。 ![](./img/authenticate.png) ## 5、滚动交易 延时是很多量化交易会关注的问题，但是这又是一个很复杂的问题。 为了简单起见，我们设计了`examples/rolling_trade.py`这个滚动交易策略：收到前次报单成交回报时发起新的交易请求。完成300次交易之后，我们统计一下1秒内的交易次数，就可以计算出交易环境的延时，包括网络、交易程序、期货公司系统、交易所系统总的用时。 我使用simnow的7*24测试环境在阿里云服务器上运行该例子，1s内完成110笔成交。但是，需要说明的是，这个数据并不真实，因为7*24测试环境负载非常低。建议大家在正常的交易时间使用simnow仿真环境测试，可以获得相对更有价值的数据。 ![](./img/rolling_trade.png) ## 6、盈损管理 `examples/risk_manager.py`是一个相对复杂的例子，启动后可以监控账户的所有的成交，包括从快期或者其他终端软件报的单，当达到止盈止损条件时，就会自动平仓。启动前需要设置好止盈止损参数： ```python pl_parameter = { 'StrategyID': 9, # 盈损参数，'0'代表止盈, '1'代表止损，绝对价差 'ProfitLossParameter': { b'rb2010': {'0': [2], '1': [2]}, b'ni2007': {'0': [20], '1': [20]}, }, } ``` 简单起见，这里只实现了固定止盈止损，大家可以参考实现更复杂、有效的止损策略。这篇文章为大家提供一些关于止盈止损的思路：[http://algo.plus/researches/0002.html](http://algo.plus/researches/0002.html) 另外，我们也可以将这个策略部署到服务器上，成为属于自己的云端条件单系统。 因为目的是为了让大家快速熟悉AlgoPlus，所以很多问题都浅尝辄止，以后有机会我们再进行深入探讨，也欢迎大家在后台留言讨论。 ## 7、订阅全市场行情并落地为csv文件 期货合约都是有期限的，订阅全市场行情需要先使用`AlgoPlus.CTP.QueryInstrumentHelper.run_query_instrument`查询当前挂牌交易的所有合约，然后再交给`run_mdrecorder`订阅并存储。`subscribe_all.py`演示了具体如何使用。 ## 8、长短期均线例子 `example/long_short_ma_global.py`和`example/long_short_ma_multiprocessing.py`演示了如何编写行情驱动型策略。前者使用全局变量，MdApi收到行情通知`OnRtnDepthMarketData`后计算均线，符合条件则使用`TraderApi`实例报单。后者使用多进程，MdApi收到行情后放入所有绑定的队列中（一个MdApi可以绑定多个队列，创建实例时传入），`TraderApi`通过轮询从共享队列中取行情，然后判断是否报单。 # 仿真交易测试 ## 1、`SimNow同步仿真环境` ``` BrokerID = "9999" TraderFrontAddress = "tcp://180.168.146.187:10201" MdFrontAddress = "tcp://180.168.146.187:10211" AppID = "simnow_client_test" AuthCode = "0000000000000000" ``` ## 2、`SimNow同步仿真环境` ``` BrokerID = "9999" TraderFrontAddress = tcp://180.168.146.187:10202 MdFrontAddress = tcp://180.168.146.187:10212 AppID = "simnow_client_test" AuthCode = "0000000000000000" ``` ## 3、`SimNow同步仿真环境` ``` BrokerID = "9999" TraderFrontAddress = "tcp://218.202.237.33:10203" MdFrontAddress = "tcp://218.202.237.33:10213" AppID = "simnow_client_test" AuthCode = "0000000000000000" ``` ## 4、`SimNow7*24仿真环境` ``` BrokerID = "9999" TraderFrontAddress = "tcp://180.168.146.187:10130" MdFrontAddress = "tcp://180.168.146.187:10131" AppID = "simnow_client_test" AuthCode = "0000000000000000" ``` # 地址 1. 码云： 2. GitHub： ### 自媒体账号 * bilibili账号：**AlgoPlus** * 微信公众号：**AlgoPlus** ![](./img/微信公众号AlgoPlus.jpg) * QQ群：**866469866** ![](./img/QQ群866469866.png)