1.量化投资之工具篇：Backtrader从入门到精通（3）Cerebro代码详解
2.Python配对交易策略统计套利量化交易分析股票市场|附代码数据
3.VNPY官方VNTrader策略模块说明书
4.Python搞量化交易策略分析&tushare/baostock库介绍（附代码）
5.量化交易Python实用功能函数（6）
6.用python写MACD策略 - 基于发明者量化平台
量化投资之工具篇：Backtrader从入门到精通（3）Cerebro代码详解
在量化投资领域，交易交易Backtrader是策略策略广受好评的交易策略开发和回测工具。为了深入理解并有效运用Backtrader，源码源码本文将详细解析Cerebro模块的交易交易代码实现。Cerebro作为Backtrader的策略策略核心组件，负责整个交易策略的源码源码积分互换平台源码协调和执行。本篇内容将从元类的交易交易概念开始，逐步剖析Cerebro在Backtrader中的策略策略作用和功能。
在Python的源码源码面向对象编程中，元类（MetaClass）是交易交易一个特殊的类，它用来创建其他类。策略策略Backtrader中的源码源码元类主要作用于其类定义中，以实现更灵活的交易交易类创建机制。以MetaBase类为例，策略策略它继承自type和object，源码源码是所有类的基础。所有类都是type生成的，而type则是一个元类，负责创建类。
元类创建类与普通类的不同之处在于，元类会先调用__call__函数，然后才是__new__和__init__方法。这使得元类能够控制类生成的过程，如参数的提取和设置。MetaBase类的donew函数就是这一机制的体现，它提取参数并进行赋值操作，以便后续类的使用。
回到Cerebro，它是Backtrader系统中的核心，负责管理数据源、策略、通源码头钓鱼交易者等组件。Cerebro的初始化相对简单，主要是设置一些公共属性，如数据源、策略、交易者等。增加数据源可以通过`addData`方法实现，系统支持各种数据格式，包括普通数据、重采样数据和回放数据。
加入策略、交易者等组件时，Cerebro通过特定的接口进行管理，如`addStrategy`方法用于添加策略。这些组件在初始化时并不立即创建实例，而是在运行时才进行实例化，以实现动态管理和控制。
在Cerebro的运行机制中，数据驱动是关键。它通过时间序列顺序执行策略，协调各个组件协同工作，如记录过程的writer、进行分析的analyzer以及观察交易过程的observer。这些组件在运行时被激活，执行各自的任务。
在实际应用中，Cerebro执行策略时会调用`run`方法。这个方法启动整个交易流程，包括策略执行、数据更新、万公式源码结果记录等。`run`方法内部调用`runStrategies`，进一步协调各个组件的运行。整个过程按照时间顺序进行，确保策略在数据集上逐步执行。
最后，Cerebro提供`plot`方法用于可视化交易结果，帮助投资者直观了解策略的表现。整个流程中，Cerebro作为中央控制器，通过管理各类组件，实现交易策略的自动化执行和数据驱动的回测。
总结，通过深入理解Cerebro的代码实现，可以更有效地利用Backtrader进行策略开发和回测。本篇内容着重于Cerebro的核心功能和代码解析，为读者提供了一条从概念到实践的清晰路径。下篇将深入探讨数据类的使用，进一步丰富Backtrader的实战应用。
Python配对交易策略统计套利量化交易分析股票市场|附代码数据
在股票市场寻求盈利，方法多种多样。在金融领域，似乎无论走到哪里，人们都在建议学习 Python。
Python 是一种流行的编程语言，适用于各类领域，包括数据科学。众多软件包可帮助实现目标，许多公司用 Python 开发以数据为中心的金融应用和科学计算。
Python 有助于运用多种交易策略，趋势双轨指标源码如配对交易，这些策略若没有 Python 将难以分析。
配对交易是均值回归的一种形式，具有对冲市场波动的独特优势，基于数学分析。
该策略基于一对具有潜在经济联系的证券 X 和 Y，如生产相同产品的两家公司或供应链中的两家公司。
理解配对交易需要掌握三个数学概念：平稳性、差分和协整。
平稳性是时间序列分析中最常见的假设。当数据生成过程的参数不随时间变化时，我们通常假设数据是平稳的。
为了测试平稳性，我们需要测试一个叫做单位根的东西。自回归单位根检验基于以下假设检验：如果时间序列是平稳的，那么可以证明其根等于 1。
协整是衡量两个金融数量之间联系的更稳健的衡量标准。
在交易中，数据科学起着至关重要的作用。通过分析配对交易中的数据，我们可以发现具有协整关系的股票对。
计算价差和比率可以帮助我们理解股票之间的联系，并确定交易信号。
然而，这个策略并非完美，需要进一步改进和优化。
本文摘选自《Python配对交易策略Pairs Trading统计套利量化交易分析股票市场》，点击“阅读原文”获取全文完整资料。
VNPY官方VNTrader策略模块说明书
VNPY官方的VNTrader支持两种编程语言开发量化交易策略，以提高开发效率和性能。阿拉德私服源码首先是Python策略，凭借其快速的开发速度和丰富的库（如numpy和pandas），策略实现简洁高效。
其次，C++策略功能也在计划中，预计于年底推出C++策略DEMO，这将提供更高的保密性和卓越的执行性能。
在使用VNTrader时，系统会自动加载位于strategyfile目录下的策略文件。目前，目录下包含strategy1.py, strategy2.py, 和 strategy3.py三个策略文件，分别代表完整的策略实现。
策略的运行依赖于相应的合约配置，如strategy1.csv, strategy2.csv, strategy3.csv，这些文件定义了交易的合约细节。
策略的启用状态则通过strategy1.ini, strategy2.ini, strategy3.ini等策略设置文件管理，它们记录了每个策略的启用状态和其他相关参数。
这些文件之间的对应关系是明确的，如之前的文章中所详细介绍过，如《VNPY官方发布VNTrader的EMA策略实现》等，展示了策略开发和配置的详细过程。
如果你对VNTrader的期货CTP接口、开发环境配置、使用Github Desktop等主题感兴趣，可以查阅《VNPY官方新架构VNTrader期货CTP接口Python开源框架共同开发者邀请》、《VNTrader项目开源地址》以及《VNPY官方发布VNTrader期货CTP框架开发环境配置快速入门教程》等文章。
Python搞量化交易策略分析&tushare/baostock库介绍（附代码）
在Python的量化交易世界中，tushare和baostock是重要的数据获取工具。tushare，由“挖地兔”团队开发，曾是免费资源，但现已升级为pro版，需要积分购买。而baostock则以免费且执行效率高吸引用户，功能相对简单但能满足基本需求。
对于数据获取，tushare提供了get_k_data函数，如获取平安银行（）k线数据，参数包括代码、开始和结束日期等。实战中，可以编写代码下载历史数据，分析涨跌情况，如查找涨幅超过5%的日期或开盘价跌幅较大的日子，甚至模拟投资策略的回测。
baostock作为备选，其导入数据后，数据格式清晰，可轻松转换为DataFrame并导出CSV。对于初学者来说，无须复杂的收费环节，使得它成为理想的选择。
本文简要介绍了这两款金融数据包，它们在量化交易策略分析中扮演着基础角色。通过历史数据的处理和策略验证，投资者能够理解回测的重要性，寻找盈利机会。后续还会继续探讨国外数据库，如在美股的数据获取上。
最后，推荐书籍《Python金融大数据分析 第2版》作为进一步学习的资源，帮助读者深化理解并应用于实践。
量化交易Python实用功能函数（6）
量化交易的一大功能是“回测”，通过回测可以直观检验策略的有效性及存在问题。
上篇文章《大牛量化：量化双均线策略回测效果如何？》对双均线策略的回测分析，总结经验，量化交易不再迷茫，将不确定行情转化为可操作交易。
已介绍的代码功能包括：
获取股票上市时间（get_open_date()）
判断回测模式（ContextInfo.do_back_test）
设置回测基准（ContextInfo.benchmark）
设定回测系统日志显示级别（ContextInfo.data_info_level）
获取特定记录（get_result_records()）
接下来，将分享QMT量化平台的行情函数：
(一) 设置定时器（ContextInfo.run_time(funcName,period,startTime)）
实现：设置定时器执行指定函数
参数：funcName回调函数名称，period执行周期，startTime开始时间
示例：ContextInfo.run_time('funcName', '1min', '--')
(二) 创建板块（create_sector(parent_node,sector_name,overwrite)）
实现：在指定节点下创建板块
参数：parent_node根节点，sector_name板块名称，overwrite覆盖已有板块
示例：create_sector('root', 'my_sector', True)
(三) 创建板块目录节点（create_sector_folder(parent_node,folder_name,overwrite)）
实现：在指定目录下创建节点
参数：parent_node根节点，folder_name节点名称，overwrite覆盖已有节点
示例：create_sector_folder('root_folder', 'my_subfolder', True)
(四) 获取板块目录信息（get_sector_list(node)）
实现：获取指定节点下的所有板块信息
参数：node目标节点
示例：get_sector_list('root')
(五) 设置板块成分股（reset_sector_stock_list(sector,stock_list)）
实现：更新板块内成分股
参数：sector板块名称，stock_list股票代码列表
示例：reset_sector_stock_list('my_sector', ['AAPL', 'GOOGL'])
用python写MACD策略 - 基于发明者量化平台
在量化交易的世界里，MACD，即指数平滑异同移动平均线，是交易者们的常用工具。由查拉尔德·阿佩尔在年代创立，它的核心原理是通过对比不同周期的均线来洞察市场趋势。
MACD的基本构成包括黄白线和红绿柱。白线DIF代表短期变化，它是价格的快线，而黄线DEA则是DIF的均线，提供更稳定的参考。红绿柱BAR则反映了DIF与DEA之间的差异，柱子颜色的变化反映了短期与长期趋势的相对强度。
计算过程分四步：首先，通过EMA和EMA对价格数据进行平滑处理，EMA更注重近期内的数据权重。接着，计算DIF，即均线差值，它揭示了短期与长期成本的相对涨速。DEA则是对DIF再次进行平滑，形成趋势的辅助线。最后，计算DIF与DEA的差值，形成MACD直方图，即红绿柱图，直观显示短期动量与长期趋势的偏离。
在编写基于MACD的交易策略时，关键的逻辑往往集中于'onTick'函数，这是策略的主要执行单元，通常包含策略的核心算法。而'main'函数则是策略的入口，通过while循环不断调用'onTick'，以实时响应市场变化。
使用Python的Easytrader库来实现自动交易
利用Python的Easytrader库，您可以轻松实现自动交易。Easytrader是一个开源库，提供便捷的API，用于连接不同券商的交易接口。借助它，您可以将交易策略自动化，并进行实时交易。以下是一个示例，展示了如何使用Easytrader连接华泰证券并执行自动交易。
from easytrader import api
user = api.use('ht')
user.prepare('ht.json')
获取股票价格
price = user.get_quote('')
下单
user.buy('', price, )
用 Python 实现你的量化交易策略
Python以其易学和强大的科学计算功能，深受量化交易者的喜爱，尤其在策略开发和执行方面提供了便利。本文主要介绍了如何利用Python在量化交易平台，如优矿、聚宽和米筐等，实现基本的交易策略，如买入涨幅超过%的股票，或在股价下跌%时止损。一个简单的策略示例展示了其潜在的高收益，但也强调了真实市场中的风险。量化交易是一个需要深入了解的领域，对新手来说，学习如何入门和实践是关键。
Python作为强大的工具，因其易用性和丰富的库，特别是在量化交易中扮演重要角色。例如，通过优矿（uqer.io）、聚宽(joinquant.com）和米筐(ricequant.com）等平台，开发者可以编写并测试策略，利用其API进行交易。策略开发通常包括回测函数（如handle_data），通过initialize设置参数，如时间框架、股票池和资金管理。
以优矿为例，新用户可以创建Notebook，选择策略模板，然后编写策略逻辑。如一个基础策略可能是，若股票连续两天上涨%，则以账户5%资金买入。反之，若下跌%，则止损卖出。尽管这个简单的策略在模拟中可能表现出色，但在实战中，市场复杂性将带来挑战。
对于想进入量化交易领域的人来说，首先要理解其基本原理，比如策略回测、风险控制等。可以参考入门指南和比较分析文章，如“学习量化交易如何入门？”等，逐渐提升技能。尽管Python抓取和编程基础知识也很重要，但量化交易的核心是策略设计与市场理解。
无论你是编程新手还是有经验的开发者，都可以从编写第一个策略开始，探索这个充满潜力的领域。也许，下一个金融巨头就隐藏在你的代码中：）
