vnpy/vnpy_ctastrategy

VeighNa框架的CTA策略模块

VeighNa - By Traders, For Traders.

💬 Want to read this in english ? Go here

VeighNa是一套基于Python的开源量化交易系统开发框架，在开源社区持续不断的贡献下一步步成长为多功能量化交易平台，自发布以来已经积累了众多来自金融机构或相关领域的用户，包括私募基金、证券公司、期货公司等。

🚀 🚀 🚀 面向专业交易员的【VeighNa Elite量化终端】已经正式发布，针对专业交易员群体在海量策略并发、智能移仓换月、算法拆单执行、多账户交易支持等方面的需求提供了完善支持。了解更详细的信息请扫描下方二维码关注后，点击菜单栏的【社区交流 -> Elite会员服务】即可：

在使用VeighNa进行二次开发（策略、模块等）的过程中有任何疑问，请查看VeighNa项目文档，如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助，也欢迎在【经验分享】板块分享你的使用心得！

想要获取更多关于VeighNa的资讯信息？ 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】：

功能特点

1. 多功能量化交易平台（trader），整合了多种交易接口，并针对具体策略算法和功能开发提供了简洁易用的API，用于快速构建交易员所需的量化交易应用。

2. 覆盖国内外所拥有的下述交易品种的交易接口（gateway）：

   • 国内市场

     • CTP（ctp）：国内期货、期权

     • CTP Mini（mini）：国内期货、期权

     • CTP证券（sopt）：ETF期权

     • 飞马（femas）：国内期货

     • 恒生UFT（uft）：国内期货、ETF期权

     • 易盛（esunny）：国内期货、黄金TD

     • 顶点飞创（sec）：ETF期权

     • 顶点HTS（hts）：ETF期权

     • 中泰XTP（xtp）：国内证券（A股）、ETF期权

     • 华鑫奇点（tora）：国内证券（A股）、ETF期权

     • 国泰君安（hft）：国内证券（A股、两融）

     • 东证OST（ost）：国内证券（A股）

     • 东方财富EMT（emt）：国内证券（A股）

     • 飞鼠（sgit）：黄金TD、国内期货

     • 金仕达黄金（ksgold）：黄金TD

     • 融航（rohon）：期货资管

     • 杰宜斯（jees）：期货资管

     • 中汇亿达（comstar）：银行间市场

     • 掘金（gm）：国内证券（仿真）

     • 恒生云UF（uf）：国内证券（仿真）

     • TTS（tts）：国内期货（仿真）

   • 海外市场

     • Interactive Brokers（ib）：海外证券、期货、期权、贵金属等

     • 易盛9.0外盘（tap）：海外期货

     • 直达期货（da）：海外期货

   • 特殊应用

     • RQData行情（rqdata）：跨市场（股票、指数、ETF、期货）实时行情

     • 迅投研行情（xt）：跨市场（股票、指数、可转债、ETF、期货、期权）实时行情

     • RPC服务（rpc）：跨进程通讯接口，用于分布式架构

3. 覆盖下述各类量化策略的交易应用（app）：

   • cta_strategy：CTA策略引擎模块，在保持易用性的同时，允许用户针对CTA类策略运行过程中委托的报撤行为进行细粒度控制（降低交易滑点、实现高频策略）

   • cta_backtester：CTA策略回测模块，无需使用Jupyter Notebook，直接使用图形界面进行策略回测分析、参数优化等相关工作

   • spread_trading：价差交易模块，支持自定义价差，实时计算价差行情和持仓，支持价差算法交易以及自动价差策略两种模式

   • option_master：期权交易模块，针对国内期权市场设计，支持多种期权定价模型、隐含波动率曲面计算、希腊值风险跟踪等功能

   • portfolio_strategy：组合策略模块，面向同时交易多合约的量化策略（Alpha、期权套利等），提供历史数据回测和实盘自动交易功能

   • algo_trading：算法交易模块，提供多种常用的智能交易算法：TWAP、Sniper、Iceberg、BestLimit等

   • script_trader：脚本策略模块，面向多标的类量化策略和计算任务设计，同时也可以在命令行中实现REPL指令形式的交易，不支持回测功能

   • paper_account：本地仿真模块，纯本地化实现的仿真模拟交易功能，基于交易接口获取的实时行情进行委托撮合，提供委托成交推送以及持仓记录

   • chart_wizard：K线图表模块，基于RQData数据服务（期货）或者交易接口获取历史数据，并结合Tick推送显示实时行情变化

   • portfolio_manager：交易组合管理模块，以独立的策略交易组合（子账户）为基础，提供委托成交记录管理、交易仓位自动跟踪以及每日盈亏实时统计功能

   • rpc_service：RPC服务模块，允许将某一进程启动为服务端，作为统一的行情和交易路由通道，允许多客户端同时连接，实现多进程分布式系统

   • data_manager：历史数据管理模块，通过树形目录查看数据库中已有的数据概况，选择任意时间段数据查看字段细节，支持CSV文件的数据导入和导出

   • data_recorder：行情记录模块，基于图形界面进行配置，根据需求实时录制Tick或者K线行情到数据库中，用于策略回测或者实盘初始化

   • excel_rtd：Excel RTD（Real Time Data）实时数据服务，基于pyxll模块实现在Excel中获取各类数据（行情、合约、持仓等）的实时推送更新

   • risk_manager：风险管理模块，提供包括交易流控、下单数量、活动委托、撤单总数等规则的统计和限制，有效实现前端风控功能

   • web_trader：Web服务模块，针对B-S架构需求设计，实现了提供主动函数调用（REST）和被动数据推送（Websocket）的Web服务器

4. Python交易API接口封装（api），提供上述交易接口的底层对接实现。

   • REST Client（rest）：基于协程异步IO的高性能REST API客户端，采用事件消息循环的编程模型，支持高并发实时交易请求发送

   • Websocket Client（websocket）：基于协程异步IO的高性能Websocket API客户端，支持和REST Client共用事件循环并发运行

5. 简洁易用的事件驱动引擎（event），作为事件驱动型交易程序的核心。

6. 对接各类数据库的适配器接口（database）：

   • SQL类

     • SQLite（sqlite）：轻量级单文件数据库，无需安装和配置数据服务程序，VeighNa的默认选项，适合入门新手用户

     • MySQL（mysql）：主流的开源关系型数据库，文档资料极为丰富，且可替换其他NewSQL兼容实现（如TiDB）

     • PostgreSQL（postgresql）：特性更为丰富的开源关系型数据库，支持通过扩展插件来新增功能，只推荐熟手使用

   • NoSQL类

     • DolphinDB（dolphindb）：一款高性能分布式时序数据库，适用于对速度要求极高的低延时或实时性任务

     • Arctic（arctic）：高性能金融时序数据库，采用了分块化储存、LZ4压缩等性能优化方案，以实现时序数据的高效读写

     • TDengine（taos）：分布式、高性能、支持SQL的时序数据库，带有内建的缓存、流式计算、数据订阅等系统功能，能大幅减少研发和运维的复杂度

     • TimescaleDB（timescaledb）：基于PostgreSQL开发的一款时序数据库，以插件化扩展的形式安装，支持自动按空间和时间对数据进行分区

     • MongoDB（mongodb）：基于分布式文件储存（bson格式）的文档式数据库，内置的热数据内存缓存提供更快读写速度

     • InfluxDB（influxdb）：针对TimeSeries Data专门设计的时序数据库，列式数据储存提供极高的读写效率和外围分析应用

     • LevelDB（leveldb）：由Google推出的高性能Key/Value数据库，基于LSM算法实现进程内存储引擎，支持数十亿级别的海量数据

7. 对接下述各类数据服务的适配器接口（datafeed）：

   • 迅投研（xt）：股票、期货、期权、基金、债券

   • 米筐RQData（rqdata）：股票、期货、期权、基金、债券、黄金TD

   • 恒生UData（udata）：股票、期货、期权

   • TuShare（tushare）：股票、期货、期权、基金

   • 万得Wind（wind）：股票、期货、基金、债券

   • 天软Tinysoft（tinysoft）：股票、期货、基金、债券

   • 同花顺iFinD（ifind）：股票、期货、基金、债券

   • 天勤TQSDK（tqsdk）：期货

8. 跨进程通讯标准组件（rpc），用于实现分布式部署的复杂交易系统。

9. Python高性能K线图表（chart），支持大数据量图表显示以及实时数据更新功能。

10. 社区论坛和知乎专栏，内容包括VeighNa项目的开发教程和Python在量化交易领域的应用研究等内容。

11. 官方交流群262656087（QQ），管理严格（定期清除长期潜水的成员），入群费将捐赠给VeighNa社区基金。

注：以上关于功能特点的说明为根据说明文档发布时情况罗列，后续可能存在更新或调整。若功能描述同实际存在出入，欢迎通过Issue联系进行调整。

环境准备

• 推荐使用VeighNa团队为量化交易专门打造的Python发行版VeighNa Studio-3.9.2，集成内置了VeighNa框架以及VeighNa Station量化管理平台，无需手动安装
• 支持的系统版本：Windows 11以上 / Windows Server 2019以上 / Ubuntu 22.04 LTS以上
• 支持的Python版本：Python 3.10以上（64位），推荐使用Python 3.10

安装步骤

在这里下载Release发布版本，解压后运行以下命令安装：

Windows

install.bat

Ubuntu

bash install.sh

Macos

bash install_osx.sh

注意：setup.cfg中列举了VeighNa框架安装所需的依赖库，requirements.txt中给出了这些依赖库的推荐安装版本。

使用指南

1. 在SimNow注册CTP仿真账号，并在该页面获取经纪商代码以及交易行情服务器地址。

2. 在VeighNa社区论坛注册获得VeighNa Station账号密码（论坛账号密码即是）

3. 启动VeighNa Station（安装VeighNa Studio后会在桌面自动创建快捷方式），输入上一步的账号密码登录

4. 点击底部的VeighNa Trader按钮，开始你的交易！！！

注意：

• 在VeighNa Trader的运行过程中请勿关闭VeighNa Station（会自动退出）

脚本运行

除了基于VeighNa Station的图形化启动方式外，也可以在任意目录下创建run.py，写入以下示例代码：

from vnpy.event import EventEngine
from vnpy.trader.engine import MainEngine
from vnpy.trader.ui import MainWindow, create_qapp

from vnpy_ctp import CtpGateway
from vnpy_ctastrategy import CtaStrategyApp
from vnpy_ctabacktester import CtaBacktesterApp


def main():
    """Start VeighNa Trader"""
    qapp = create_qapp()

    event_engine = EventEngine()
    main_engine = MainEngine(event_engine)
    
    main_engine.add_gateway(CtpGateway)
    main_engine.add_app(CtaStrategyApp)
    main_engine.add_app(CtaBacktesterApp)

    main_window = MainWindow(main_engine, event_engine)
    main_window.showMaximized()

    qapp.exec()


if __name__ == "__main__":
    main()

在该目录下打开CMD（按住Shift->点击鼠标右键->在此处打开命令窗口/PowerShell）后运行下列命令启动VeighNa Trader：

python run.py

贡献代码

VeighNa使用Github托管其源代码，如果希望贡献代码请使用github的PR（Pull Request）的流程:

1. 创建 Issue - 对于较大的改动（如新功能，大型重构等）建议先开issue讨论一下，较小的improvement（如文档改进，bugfix等）直接发PR即可

2. Fork VeighNa - 点击右上角Fork按钮

3. Clone你自己的fork: git clone https://github.com/$userid/vnpy.git

   • 如果你的fork已经过时，需要手动sync：同步方法

4. 从dev创建你自己的feature branch: git checkout -b $my_feature_branch dev

5. 在$my_feature_branch上修改并将修改push到你的fork上

6. 创建从你的fork的$my_feature_branch分支到主项目的dev分支的[Pull Request] - 在此点击compare across forks，选择需要的fork和branch创建PR

7. 等待review, 需要继续改进，或者被Merge!

在提交代码的时候，请遵守以下规则，以提高代码质量：

• 使用flake8检查你的代码，确保没有error和warning。在项目根目录下运行flake8即可。

其他内容

• 获取帮助
• 社区行为准则
• Issue模板
• PR模板

版权说明

MIT

vnpy_ctastrategy's Issues

load_strategy_class_from_folder不能识别linux目录下的策略文件

bug说明：pathname没有区分windows及linux/Mac OS，导致非linux环境下，不能找到strategies目录下的策略文件
修正：pathname需要区分是否为windows环境
示例：
import platform
platform_name: str = platform.system().lower()
if platform_name == 'windows':
pathname: str = str(path) + f"\.{suffix}"
else:
pathname: str = str(path) + f"/.{suffix}"

回测停止单被错误触发

环境

• 操作系统: Debian
• Python版本: 3.10
• VeighNa版本: V3.9.0

Issue类型

Bug

重现步骤

回测的时候，在用limit_order 开单成功后，在 on_trade() 里面新下一个止损的停止单。
这个停止单会被当前bar 触发成交，这是不合理的

问题分析

backtesting 的执行逻辑如下，cross_limit_order() 里面触发 on_trade(), 然后新发出一个止损的stop_order。
这个stop_order 会被下面的 cross_stop_order() 触发成交，当前bar 已经走完，这里触发成交是不合理的。

` def new_bar(self, bar: BarData) -> None:
""""""
self.bar = bar
self.datetime = bar.datetime

    self.cross_limit_order()
    self.cross_stop_order()
    self.strategy.on_bar(bar)

`

删除策略以后，只会删除cta_strategy_setting.json而不会删除cta_strategy_data.json里的数

strategy_engine.remove_strategy("xxxxx")
调用remove_strategy以后，只有cta_strategy_setting.json里的相应的数据被清理了，但是保存变量的cta_strategy_data.json里的数据没被清理。
这会导致下次如果新建一样名字的策略，会加载之前的数据。这是故意这么设计的吗？为什么呢
从语义来说，既然是删除了策略，就应该把保存的变量也清理干净，就像删除了文件，总不能创建新的同名文件还会残留之前老文件的内容吧？

论坛帖子URL：https://www.vnpy.com/forum/topic/31619-shan-chu-ce-lue-yi-hou-zhi-hui-shan-chu-cta-strategy-setting-jsoner-bu-hui-shan-chu-cta-strategy-data-jsonli-de-shu-ju

如果在子线程使用roll_over, 因为直接调用了 QTextEdit 的append函数，会报错。

子线程使用roll_over中进行移仓，因为直接调用了 QTextEdit 的append函数，这个时候就会出现下面的错误：
QObject::connect: Cannot queue arguments of type 'QTextCursor'
(Make sure 'QTextCursor' is registered using qRegisterMetaType().)

代码：
def write_log(self, text: str) -> None:
""""""
now = datetime.now()
text = now.strftime("%H:%M:%S\t") + text
self.log_edit.append(text)

修改使用定义信号，改为信号槽
log_signal: QtCore.pyqtSignal = QtCore.pyqtSignal(str)

    def __init__
    ...
    self.log_signal.connect(self.log_txt_append)
    ...

def write_log(self, text: str) -> None:
	""""""
	now = datetime.now()
	text = now.strftime("%H:%M:%S\t") + text
	self.main_engine.write_log(text)
	self.log_signal.emit(text)

def log_txt_append(self,text):
	self.log_edit.append(text)
	self.log_edit.moveCursor(QtGui.QTextCursor.End)

callback(data)重复调用

应该把backtesting.py在load_bar函数下的callback调用加回来，把template下load_bar函数下的callback调用删掉（导致elite版本重复调用）

策略参数优化时需要一个进度或者时间

策略参数优化时需要一个deap优化算法的进度，或者时间。

bug: array mananger 计算 bollingerbands

一个在特定数据场景下出现的 am.boll 计算的错误，这个 bug 应该是 talib 的，代码如下所示：

import numpy as np
import talib as ta

close = np.array([
    0.06357,0.06359,0.06369,0.06356,0.06364,0.06358,0.06354,0.06345,0.0634,
    0.06345,0.0634 ,0.06346,0.06345,0.06372,0.06349,0.06378,0.06375,0.06381,
    0.06377,0.06364,0.06377,0.06361,0.06365,0.06379,0.06385,0.06381,0.06371,
    0.0637 ,0.06369,0.06369,0.06369,0.0638 ,0.06396,0.06392,0.06389,0.06382,
    0.06395,0.06393,0.064  ,0.06394,0.06387,0.0638 ,0.06385,0.06391,0.06389,
    0.06392,0.06395,0.06392,0.064  ,0.064  ,0.06411,0.06408,0.06405,0.06408,
    0.06403,0.06403,0.064  ,0.06401,0.06395,0.06395
])

sma = ta.SMA(close, 30)[-1]
std = ta.STDDEV(close, 30, 1)[-1]

up = sma + 2.8 * std
down = sma - 2.8 * std

print("原有方式：", sma, std, up, down)

bbands = ta.BBANDS(close, 30, 2.8, 2.8)
print("自带的 bbands：", bbands[0][-1], bbands[2][-1])

std = close[-30:].std()
up = sma + 2.8 * std
down = sma - 2.8 * std

print("使用 np 计算 std：", sma, std, up, down)

输出如下：

原有方式： 0.06394333333333334 0.0 0.06394333333333334 0.06394333333333334
自带的 bbands： 0.06394333333333334 0.06394333333333334
使用 np 计算 std： 0.06394333333333334 9.17363371601224e-05 0.06420019507738169 0.06368647158928499

talib 的 STDDEV 计算的标准差不知道为什么在这个数据集的计算结果为 0，估计要看 talib 源码了，但是 github 上没有找到，建议换成 numpy 的 std 计算标准。

不想引入其他技术指标库了，写了一个完全用 numpy 实现的 bollinger bands。

如下代码：

import numpy as np
from numpy.lib.stride_tricks import sliding_window_view as rolling

def boll(source, window, ndev, array=False):
    rolling_source = rolling(source, window_shape=window)

    sma: np.ndarray = rolling_source.mean(axis=1)
    std: np.ndarray = rolling_source.std(axis=1)

    up: np.ndarray = sma + ndev * std
    down: np.ndarray = sma - ndev * std

    if array:
        return up, down
    return up[-1], down[-1]

在返回成交信息很多时候，sync_strategy_data写入卡住

在ctaEngine 中 的process_trade_event，如在开盘时候挂单成交策略较多，挂单成交信息返回较多且散时，其中的sync_strategy_data 写入variables到json文件会卡住，没有报错信息，但是有策略没有更新，虽然内存中pos持仓正确，如果突然重启发现variables错误。

可以考虑使用更新到数据库，有缓冲机制；或者thread写入json file使用单独线程

建议使用show启动移仓助手RolloverTool

原帖链接：
https://www.vnpy.com/forum/topic/30047-jian-yi-shi-yong-showqi-dong-yi-cang-zhu-shou-rollovertool?page=1#pid53416

variables重复添加target_pos？

vnpy_ctastrategy/vnpy_ctastrategy/strategies/multi_signal_strategy.py

Line 150 in 049a1e3

variables = ["signal_pos", "target_pos"]

上面这里是不是重复了？下面有append。
如果去掉上面的，图形界面里变量会正常显示target_pos吗？

vnpy_ctastrategy/vnpy_ctastrategy/template.py

Line 393 in 049a1e3

self.variables.append("target_pos")

callback(bar) 重复调用

https://github.com/vnpy/vnpy_ctastrategy/blob/main/vnpy_ctastrategy/backtesting.py#L789

重复调用 callback(bar) 导致重复调用on_bar
vnpy_ctastrategy/template.py

    def load_bar(
        self,
        days: int,
        interval: Interval = Interval.MINUTE,
        callback: Callable = None,
        use_database: bool = False
    ) -> None:

        if not callback:
            callback: Callable = self.on_bar

        bars: List[BarData] = self.cta_engine.load_bar(
            self.vt_symbol,
            days,
            interval,
            callback,
            use_database
        )

        for bar in bars:
            callback(bar)

vnpy_ctastrategy/backtesting.py

    def load_bar(
        self,
        vt_symbol: str,
        days: int,
        interval: Interval,
        callback: Callable,
        use_database: bool
    ) -> List[BarData]:
        """"""
        self.callback = callback

        init_end = self.start - INTERVAL_DELTA_MAP[interval]
        init_start = self.start - timedelta(days=days)

        symbol, exchange = extract_vt_symbol(vt_symbol)

        bars: List[BarData] = load_bar_data(
            symbol,
            exchange,
            interval,
            init_start,
            init_end
        )

        for bar in bars:
            callback(bar)

        return bars

加载策略的时候会把 TargetPosTemplate 也加载进来

TargetPosTemplate只是一个模板，按道理不应该加载为策略
同时，我自己也封装了一些Template作为某些策略的基类，按道理这些都只是模板，而不应该直接当作策略使用。

回测成交为空报错

建议在backtesting.py中的calculate_result函数下进行results判断，没有results就输出日志，有results再给self.daily_df赋值

实盘换月可能部分成交、单腿成交，应维护未成交手数、增加撤未成交单功能

vnpy_ctastrategy/vnpy_ctastrategy/ui/rollover.py

Line 259 in a7e5508

self.write_log(msg)

可变对象在类实例化时不会重复创建，但单策略运行在多品种时需要对同一个类进行多次实例化，如何修改或避免？

vnpy_ctastrategy/vnpy_ctastrategy/template.py

Line 16 in 1c31a8c

parameters: list = []

在Python中，可变对象在类实例化时不会重复创建，这意味着它们在类的多次实例化中是共享的。这与不可变对象（如整数、字符串等）的行为不同，不可变对象在每次实例化时都会创建一个新的对象。

以下是一个简单的例子，说明了可变对象在类实例化中的共享特性：

class MutableObject:
    shared_list = []

    def add_item(self, item):
        self.shared_list.append(item)

# 实例化两个对象
obj1 = MutableObject()
obj2 = MutableObject()

# 在第一个对象上添加一个元素
obj1.add_item(1)

# 第二个对象也会受到影响，因为它们共享同一个可变对象
print(obj2.shared_list)  # 输出 [1]

在这个例子中，shared_list 是一个可变的类级别属性。当我们在 obj1 上添加一个元素时，shared_list 发生了变化，而 obj2 也受到了影响，因为它们都共享同一个列表对象。

这种共享特性对于某些用途可能是有用的，但在某些情况下，它也可能导致上述提到的问题，如内存占用过高、重复初始化和对象状态混乱。因此，在设计类时，我们需要注意对象的可变性，并确保适当地使用可变和不可变对象，以避免潜在的问题。

文件template中，函数sell和cover注释代码不一致

bug说明：在文件template.py中
函数sell中
注释：Send sell order to close a long position.
代码：return self.send_order(
Direction.SHORT,
Offset.CLOSE,
price,
volume,
stop,
lock,
net
)
修改：这里的Direction.SHORT是不是应该改成Direction.LONG?
函数cover中
注释：Send cover order to close a short position.
代码：return self.send_order(
Direction.LONG,
Offset.CLOSE,
price,
volume,
stop,
lock,
net
)
修改：同上，这里Direction.LONG是不是应该改成Direction.SHORT？

需要一个“查找策略”或者“定位策略”的按钮

在左侧面板中，现在只有“添加策略”一个按钮。最好有一个“查找策略”或者“定位策略”的按钮，能通过策略的名字或者关键字，快速查找或者定位到某个具体的策略，这样使用者就可以继续对该策略做停止或者参数修改的动作了。