去中心化项目系统开发技术原理

简介: 去中心化项目系统开发技术原理

  

  PTime-Series:以时间为索引的Series。

  DataFrame:二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。

  Panel:三维的数组,可以理解为DataFrame的容器。Panel4D:是像Panel一样的4维数据容器。PanelND:拥有factory集合,可以创建像Panel4D一样N维命名容器的模块。

  运用Pandas的强大特性来进行网格策略的编码网格策略秉持的原则是“仓位策略比择时策略更重要”。其基本操作方式就是以某点为基点,每上涨戓下跌一定点数挂一定数量空单戓多单,设定盈利目标,但不设止损,当价格朝期望方向进展时获利平仓,并在原点位挂同样的买单戓卖单。这样布下的这些交易单形成了一张像鱼网样的阵列,在震荡的市场中来回获利。

  本策略首先计算了过去300个价格数据的均值和标准差,并根据均值加减1和2个标准差得到网格的区间分界线,并分别配以0.3和0.5的仓位权重,然后根据价格所在的区间来配置仓位(+/-40为上下界,无实际意义):

  (-40,-3],(-3,-2],(-2,2],(2,3],(3,40](具体价格等于均值+数字倍标准差)-0.5,-0.3,0.0,0.3,0.5第一步,我们需要引入策略代码中需要用到的库

  import typesimport numpy as npimport pandas as pd复制第二步,我们需要在量化平台初始化合约数据,这个例子中,我们还是使用螺纹钢期货为例子。

  def init():

  #订阅螺纹钢的2005合约,并且取得量化平台当前周期的所有收盘价exchange.SetContractType("rb2005")records=exchange.GetRecords()close_01=records.Close

  #获取网格区间分界线context.band=np.mean(close_01)+np.array([-40,-3,-2,2,3,40])*np.std(close_01)#设置网格的仓位context.weight=[0.5,0.3,0.0,0.3,0.5]

  复制代码

  复制第三步,也是最重要的,我们开始编写策略逻辑和实现自动化交易

  这里需要注意的是,我们需要用到量化平台的国内商品期货模版,各位在量化策略编写页面进行编码时,需要把模版先复制到自己的策略库,然后在回测时勾选上,这里请各位读者注意

  策略逻辑与实现其自动化交易:

  def onTick(context,bars):

  obj=ext.NewPositionManager()#使用量化交易类库

  #此处用来获取持仓信息positions=exchange.GetPosition()#获取持仓数组if len(positions)==0:#如果持仓数组的长度是0 return 0#证明是空仓,返回0for i in range(len(positions)):#遍历持仓数组if(positions['Type']==PD_LONG)or(positions['Type']==PD_LONG_YD):position_long=1#将position_long标记为1

  elif(positions['Type']==PD_SHORT)or(positions['Type']==PD_SHORT_YD):position_short=-1#将position_short标记为-1

  bar=bars[0]#根据价格落在(-40,-3],(-3,-2],(-2,2],(2,3],(3,40]的区间范围来获取最新收盘价所在的价格区间grid=pd.cut([close_01],context.band,labels=[0,1,2,3,4])[0]

  #若无仓位且价格突破则按照设置好的区间开仓if not position_long and not position_short and grid!=2:#大于3为在中间网格的上方,做多if grid>=3:obj.OpenLong("rb2005",1)#以市价单开多仓到仓位if grid<=1:obj.OpenShort("rb2005",1)#以市价单开空仓到仓位

  #持有多仓的处理elif position_long:if grid>=3:obj.OpenLong("rb2005",1)#以市价单调多仓到仓位#等于2为在中间网格,平仓elif grid==2:obj.closebuy("rb2005",1)#以市价单全平多仓

  #小于1为在中间网格的下方,做空elif grid<=1:obj.closebuy("rb2005",1)#以市价单全平多仓obj.OpenShort("rb2005",1)#以市价单开空仓到仓位

  #持有空仓的处理elif position_short:#小于1为在中间网格的下方,做空if grid<=1:obj.OpenShort("rb2005",1)#以市价单调空仓到仓位#等于2为在中间网格,平仓elif grid==2:obj.closesell("rb2005",1)#以市价单全平空仓

  #大于3为在中间网格的上方,做多elif grid>=3:obj.closesell("rb2005",

相关文章
|
11天前
|
数据采集 人工智能 安全
|
6天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
325 164
|
5天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
327 155
|
6天前
|
编解码 人工智能 自然语言处理
⚽阿里云百炼通义万相 2.6 视频生成玩法手册
通义万相Wan 2.6是全球首个支持角色扮演的AI视频生成模型,可基于参考视频形象与音色生成多角色合拍、多镜头叙事的15秒长视频,实现声画同步、智能分镜,适用于影视创作、营销展示等场景。
389 4
|
13天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
925 7