Python 算法交易秘籍（一）（4）-阿里云开发者社区

Python 算法交易秘籍（一）（3）https://developer.aliyun.com/article/1523085

将 DataFrame 转换为其他格式

本配方演示了将DataFrame对象转换为其他格式，如.csv文件、json对象和pickle对象。将其转换为.csv文件可以使进一步使用电子表格应用程序处理数据变得更加容易。json格式对于通过网络 API 传输DataFrame对象非常有用。pickle格式对于通过套接字将一个 Python 会话中创建的DataFrame对象传输到另一个 Python 会话中而无需重新创建它们非常有用。

准备工作

确保在您的 Python 命名空间中可用对象df。请参阅本章的创建 pandas.DataFrame 对象配方来设置此对象。

如何做…

执行此配方的以下步骤：

将df转换并保存为 CSV 文件：

>>> df.to_csv('dataframe.csv', index=False)

将df转换为 JSON 字符串：

>>> df.to_json()

我们得到以下输出：

'{
    "timestamp":{
        "0":"13-11-2019 09:00:00","1":"13-11-2019 09:15:00",
        "2":"13-11-2019 09:30:00","3":"13-11-2019 09:45:00",
        "4":"13-11-2019 10:00:00","5":"13-11-2019 10:15:00",
        "6":"13-11-2019 10:30:00","7":"13-11-2019 10:45:00",
        "8":"13-11-2019 11:00:00","9":"13-11-2019 11:15:00"},
    "open":{
        "0":71.8075,"1":71.7925,"2":71.7925, "3":71.76,         
        "4":71.7425,"5":71.775,"6":71.815, "7":71.775,
        "8":71.7525,"9":71.7625},
    "high"{
        "0":71.845,"1":71.8,"2":71.8125,"3":71.765,
        "4":71.78,"5":71.8225,"6":71.83,"7":71.7875,
        "8":71.7825,"9":71.7925},
    "low":{
        "0":71.7775,"1":71.78,"2":71.76,"3":71.735,
        "4":71.7425,"5":71.77,"6":71.7775,"7":71.7475,
        "8":71.7475,"9":71.76},
    "close":{
        "0":71.7925,"1":71.7925,"2":71.7625,"3":71.7425,
        "4":71.7775,"5":71.815,"6":71.78,"7":71.7525,
        "8":71.7625,"9":71.7875},
    "volume":{
        "0":219512,"1":59252,"2":57187,"3":43048,
        "4":45863,"5":42460,"6":62403,"7":34090,
        "8":39320,"9":20190}}'

将df保存为一个文件：

>>> df.to_pickle('df.pickle')

工作原理…

在 步骤 1 中，你使用 to_csv() 方法将 df 保存为 .csv 文件。你将 dataframe.csv，一个生成 .csv 文件的文件路径，作为第一个参数传递，将索引设置为 False 作为第二个参数。将索引设置为 False 可以防止索引被转储到 .csv 文件中。如果你想将 DataFrame 与其索引一起保存，可以将索引设置为 True 传递给 to_csv() 方法。

在 步骤 2 中，你使用 to_json() 方法将 df 转换为 JSON 字符串。你没有向 to_json() 方法传递任何额外的参数。

在 步骤 3 中，你使用 to_pickle() 方法对对象进行 pickle（序列化）。同样，你没有向 to_pickle() 方法传递任何额外的参数。

方法 to_csv()、to_json() 和 to_pickle() 可以接受比本示例中显示的更多可选参数。有关这些方法的完整信息，请参阅官方文档：

to_csv(): pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.to_csv.html
to_json(): pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.to_json.html
to_pickle(): pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.to_pickle.html

从其他格式创建 DataFrame

在这个示例中，你将从其他格式（如 .csv 文件、.json 字符串和 pickle 文件）创建 DataFrame 对象。使用电子表格应用程序创建的 .csv 文件、通过 web API 接收的有效 JSON 数据或通过套接字接收的有效 pickle 对象都可以通过将它们转换为 DataFrame 对象来进一步处理。

从不受信任的来源加载 pickled 数据可能是不安全的。请谨慎使用 read_pickle()。你可以在这里找到更多详细信息：docs.python.org/3/library/pickle.html。如果你在之前的示例中使用此函数的 pickle 文件，那么使用 read_pickle() 是完全安全的。

准备工作

在开始此示例之前，请确保你已经按照上一个示例的步骤进行了操作。

如何操作…

执行以下步骤来完成这个示例：

通过读取 CSV 文件创建一个 DataFrame 对象：

>>> pandas.read_csv('dataframe.csv')

我们得到以下输出：

timestamp    open    high     low   close volume
0 2019-11-13 09:00:00 71.8075 71.8450 71.7775 71.7925 219512
1 2019-11-13 09:15:00 71.7925 71.8000 71.7800 71.7925  59252
2 2019-11-13 09:30:00 71.7925 71.8125 71.7600 71.7625  57187
3 2019-11-13 09:45:00 71.7600 71.7650 71.7350 71.7425  43048
4 2019-11-13 10:00:00 71.7425 71.7800 71.7425 71.7775  45863
5 2019-11-13 10:15:00 71.7750 71.8225 71.7700 71.8150  42460
6 2019-11-13 10:30:00 71.8150 71.8300 71.7775 71.7800  62403
7 2019-11-13 10:45:00 71.7750 71.7875 71.7475 71.7525  34090
8 2019-11-13 11:00:00 71.7525 71.7825 71.7475 71.7625  39320
9 2019-11-13 11:15:00 71.7625 71.7925 71.7600 71.7875  20190

通过读取 JSON 字符串创建一个 DataFrame 对象：

>>> pandas.read_json("""{
        "timestamp": {
            "0":"13-11-2019 09:00:00", "1":"13-11-2019 09:15:00", 
            "2":"13-11-2019 09:30:00","3":"13-11-2019 09:45:00", 
            "4":"13-11-2019 10:00:00","5":"13-11-2019 10:15:00",
            "6":"13-11-2019 10:30:00","7":"13-11-2019 10:45:00",
            "8":"13-11-2019 11:00:00","9":"13-11-2019 11:15:00"},
        "open":{
            "0":71.8075,"1":71.7925,"2":71.7925,"3":71.76,
            "4":71.7425,"5":71.775,"6":71.815,"7":71.775,
            "8":71.7525,"9":71.7625},
        "high":{
            "0":71.845,"1":71.8,"2":71.8125,"3":71.765,"4":71.78,
            "5":71.8225,"6":71.83,"7":71.7875,"8":71.7825,
            "9":71.7925},
        "low":{
            "0":71.7775,"1":71.78,"2":71.76,"3":71.735,"4":71.7425,
            "5":71.77,"6":71.7775,"7":71.7475,"8":71.7475,
            "9":71.76},
        "close":{
            "0":71.7925,"1":71.7925,"2":71.7625,"3":71.7425,
            "4":71.7775,"5":71.815,"6":71.78,"7":71.7525,
            "8":71.7625,"9":71.7875},
        "volume":{
            "0":219512,"1":59252,"2":57187,"3":43048,"4":45863,
            "5":42460,"6":62403,"7":34090,"8":39320,"9":20190}}
            """)

我们得到以下输出：

timestamp    open    high     low   close volume
0 2019-11-13 09:00:00 71.8075 71.8450 71.7775 71.7925 219512
1 2019-11-13 09:15:00 71.7925 71.8000 71.7800 71.7925  59252
2 2019-11-13 09:30:00 71.7925 71.8125 71.7600 71.7625  57187
3 2019-11-13 09:45:00 71.7600 71.7650 71.7350 71.7425  43048
4 2019-11-13 10:00:00 71.7425 71.7800 71.7425 71.7775  45863
5 2019-11-13 10:15:00 71.7750 71.8225 71.7700 71.8150  42460
6 2019-11-13 10:30:00 71.8150 71.8300 71.7775 71.7800  62403
7 2019-11-13 10:45:00 71.7750 71.7875 71.7475 71.7525  34090
8 2019-11-13 11:00:00 71.7525 71.7825 71.7475 71.7625  39320
9 2019-11-13 11:15:00 71.7625 71.7925 71.7600 71.7875  20190

通过取消反序列化 df.pickle 文件来创建一个 DataFrame 对象：

>>> pandas.read_pickle('df.pickle')

我们得到以下输出：

timestamp    open    high     low   close volume
0 2019-11-13 09:00:00 71.8075 71.8450 71.7775 71.7925 219512
1 2019-11-13 09:15:00 71.7925 71.8000 71.7800 71.7925  59252
2 2019-11-13 09:30:00 71.7925 71.8125 71.7600 71.7625  57187
3 2019-11-13 09:45:00 71.7600 71.7650 71.7350 71.7425  43048
4 2019-11-13 10:00:00 71.7425 71.7800 71.7425 71.7775  45863
5 2019-11-13 10:15:00 71.7750 71.8225 71.7700 71.8150  42460
6 2019-11-13 10:30:00 71.8150 71.8300 71.7775 71.7800  62403
7 2019-11-13 10:45:00 71.7750 71.7875 71.7475 71.7525  34090
8 2019-11-13 11:00:00 71.7525 71.7825 71.7475 71.7625  39320
9 2019-11-13 11:15:00 71.7625 71.7925 71.7600 71.7875  20190

工作原理如下…

在 步骤 1 中，你使用 pandas.read_csv() 函数从 .csv 文件创建一个 DataFrame 对象。你将 dataframe.csv，即 .csv 文件应该读取的文件路径，作为参数传递。回想一下，在前一个示例的 步骤 1 中创建了 dataframe.csv。

在第 2 步中，你使用pandas.read_json()函数从有效的 JSON 字符串创建一个DataFrame对象。你将前一个示例中第 2 步的输出的 JSON 字符串作为此函数的参数传递。

在第 3 步中，你使用pandas.read_pickle()方法从pickle文件创建一个DataFrame对象。你将df.pickle，即 pickle 文件应该读取的文件路径，作为此函数的参数传递。回忆一下，你在前一个示例的第 3 步中创建了df.pickle。

如果你遵循了前一个示例，那么所有三个步骤的输出都将是相同的DataFrame对象。这与前一个示例中的df完全相同。

方法read_csv()、read_json()和read_pickle()可以接受比本示例中显示的更多的可选参数。请参考官方文档以获取有关这些方法的完整信息。

read_csv(): pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html#pandas.read_csv
read_json(): pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_json.html#pandas.read_json
read_pickle(): pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_pickle.html#pandas.read_pickle

第二章：股票市场-交易入门

在构建算法交易系统时，有必要与提供用于程序化下单和查询交易的 API 的现代经纪人开设账户。这样我们就可以通过我们的 Python 脚本控制经纪账户，而传统上是通过经纪人的网站手动操作经纪账户，这个 Python 脚本将成为我们更大型算法交易系统的一部分。本章演示了一些基本的配方，介绍了开发完整的算法交易系统所需的基本经纪 API 调用。

本章涵盖以下配方：

设置 Python 与经纪人的连接
查询工具列表
获取工具
查询交易所列表
查询段列表
了解经纪人支持的其他属性
下单普通订单
下单布林订单
下单交割订单
下单当日订单
查询保证金和资金
计算经纪费
计算政府征收的税费

让我们开始吧！

技术要求

要成功执行本章中的示例，您将需要以下内容：

Python 3.7+
Python 的pyalgotrading包（$ pip install pyalgotrading）

本章的最新 Jupyter 笔记本可以在 GitHub 上找到：github.com/PacktPublishing/Python-Algorithmic-Trading-Cookbook/tree/master/Chapter02。

本章演示了现代经纪人ZERODHA的 API，它受到pyalgotrading的支持。您也可以选择其他由pyalgotrading支持的经纪人。本章中的配方对于任何其他经纪人应该大致相同。pyalgotrading包将经纪 API 抽象为统一的接口，因此您不需要担心底层经纪 API 调用。

要设置与ZERODHA的经纪账户，请参阅附录 I中提供的详细步骤。

设置 Python 与经纪人的连接

设置与经纪人的连接的第一步是获取 API 密钥。经纪人通常为每个客户提供唯一的密钥，通常是作为api-key和api-secret密钥对。这些 API 密钥通常是收费的，通常按月订阅。在开始本配方之前，您需要从经纪人的网站获取api-key和api-secret的副本。有关更多详细信息，请参阅附录 I。

怎么做…

我们执行以下步骤来完成此配方：

导入必要的模块：

>>> from pyalgotrading.broker.broker_connection_zerodha import BrokerConnectionZerodha

从经纪人那里获取api_key和api_secret密钥。这些对您是唯一的，并将由经纪人用于识别您的 Demat 账户：

>>> api_key = "<your-api-key>"
>>> api_secret = "<your-api-secret>"
>>> broker_connection = BrokerConnectionZerodha(api_key, api_secret)

您将获得以下结果：

Installing package kiteconnect via pip...
Please login to this link to generate your request token: https://kite.trade/connect/login?api_key=<your-api-key>&v=3

从上述网址获取请求令牌：

>>> request_token = "<your-request-token>"
>>> broker_connection.set_access_token(request_token)

工作原理…

在 第一步 中，你从 pyalgotrading 导入 BrokerConnectionZerodha 类。BrokerConnectionZerodha 类提供了围绕特定经纪人 API 的抽象。对于 第二步，你需要经纪人的 API 密钥和 API 秘密。如果你没有它们，请参考 附录 I 获取详细的说明和带有截图的指导。在 第二步 中，你将你的 API 密钥和 API 秘密分配给新的 api_key 和 api_secret 变量，并使用它们创建 broker_connection，BrokerConnectionZerodha 类的一个实例。如果你是第一次运行这个程序并且没有安装 kiteconnect，pyalgotrading 将自动为你安装它。（kiteconnect 是官方的 Python 包，用于与 Zerodha 后端通信；BrokerConnectionZerodha 是在 kiteconnect 之上的一个封装。）第二步 生成一个登录链接。在这里，你需要点击链接并使用你的 Zerodha 凭据登录。如果认证过程成功，你将在浏览器地址栏中看到一个类似以下的链接：

https://127.0.0.1/?request_token=&action=login&status=success

例如，完整的链接将如下所示：

https://127.0.0.1/?request_token=H06I6Ydv95y23D2Dp7NbigFjKweGwRP7&action=login&status=success

复制字母数字令牌，H06I6Ydv95y23D2Dp7NbigFjKweGwRP7，并将其粘贴到 第三步 的 request_token 中。broker_connection 实例现在已准备好执行 API 调用。

查询一组工具

一旦 broker_connection 句柄准备好，它就可以用来查询包含经纪人提供的所有金融工具的列表。

准备工作

确保 broker_connection 对象在你的 Python 命名空间中可用。请参考本章中前一个配方设置此对象。

如何做…

我们执行以下步骤来完成这个配方：

显示所有工具：

>>> instruments = broker_connection.get_all_instruments()
>>> instruments

你将会得到类似以下的输出。对你来说，确切的输出可能会有所不同：

instrument_token exchange_token tradingsymbol name last_price expiry strike tick_size lot_size instrument_type segment exchange
0 267556358 1045142 EURINR20AUGFUT EURINR 0.0 2020-08-27 0.0 0.0025 1 FUT BCD-FUT BCD
1 268660998 1049457 EURINR20DECFUT EURINR 0.0 2020-12-29 0.0 0.0025 1 FUT BCD-FUT BCD
2 266440966 1040785 EURINR20JULFUT EURINR 0.0 2020-07-29 0.0 0.0025 1 FUT BCD-FUT BCD
3 266073606 1039350 EURINR20JUNFUT EURINR 0.0 2020-06-26 0.0 0.0025 1 FUT BCD-FUT BCD
4 265780742 1038206 EURINR20MAYFUT EURINR 0.0 2020-05-27 0.0 0.0025 1 FUT BCD-FUT BCD
... ... ... ... ... ... ... ... ... ... ... ... ...
64738 978945 3824 ZODJRDMKJ ZODIAC JRD-MKJ 0.0 0.0 0.0500 1 EQ NSE NSE
64739 2916865 11394 ZOTA ZOTA HEALTH CARE 0.0 0.0 0.0500 1 EQ NSE NSE
64740 7437825 29054 ZUARI-BE ZUARI AGRO CHEMICALS 0.0 0.0 0.0500 1 EQ NSE NSE
64741 979713 3827 ZUARIGLOB ZUARI GLOBAL 0.0 0.0 0.0500 1 EQ NSE NSE
64742 4514561 17635 ZYDUSWELL ZYDUS WELLNESS 0.0 0.0 0.0500 1 EQ NSE NSE
64743 rows × 12 columns

打印工具总数：

>>> print(f'Total instruments: {len(instruments)}')

我们得到以下输出（你的输出可能会有所不同）：

Total instruments: 64743

工作原理…

第一步使用 broker_connection 的 get_all_instruments() 方法获取所有可用的金融工具。此方法返回一个 pandas.DataFrame 对象。此对象分配给一个新变量 instruments，显示在 第一步 的输出中。由于经常添加新的金融工具并定期过期现有的工具，这个输出可能对你来说有所不同。最后一步显示了经纪人提供的工具总数。

关于前面的 API 调用返回的数据的解释将在第三章中深入讨论，分析金融数据。对于这个配方，知道如何获取工具列表的方法就足够了。

获取一个工具

工具，也称为金融工具或证券，是可以在交易所交易的资产。在交易所中，可以有数万种工具。本示例演示了如何根据其交易所和交易符号获取工具。

准备就绪

确保 broker_connection 对象在你的 Python 命名空间中可用。请参考本章第一个示例设置此对象。

怎么做…

获取特定交易符号和交易所的工具：

>>> broker_connection.get_instrument(segment='NSE', tradingsymbol='TATASTEEL')

你将得到以下输出：

segment: NSE
exchange: NSE
tradingsymbol: TATASTEEL
broker_token: 895745
tick_size: 0.05
lot_size: 1
expiry: 
strike_price: 0.0

工作原理…

broker_connection 对象提供了一个方便的方法，get_instrument，用于获取任何金融工具。在返回工具之前，它以 segment 和 tradingsymbol 为属性。返回对象是 Instrument 类的一个实例。

查询交易所列表

交易所 是一个交易工具交易的市场。交易所确保交易过程公平且始终按规则进行。通常，经纪人支持多个交易所。本示例演示了如何查找经纪人支持的交易所列表。

准备就绪

确保 instruments 对象在你的 Python 命名空间中可用。请参考本章第二个示例以了解如何设置此对象。

怎么做…

显示经纪人支持的交易所：

>>> exchanges = instruments.exchange.unique()
>>> print(exchanges)

你将得到以下输出：

['BCD' 'BSE' 'NSE' 'CDS' 'MCX' 'NFO']

工作原理…

instruments.exchange 返回一个 pandas.Series 对象。其 unique() 方法返回一个由经纪人支持的唯一交易所组成的 numpy.ndarray 对象。

查询分段列表

一个分段实质上是根据其类型对工具进行分类。在交易所中常见的各种分段类型包括现金/股票、期货、期权、大宗商品和货币。每个分段可能有不同的运营时间。通常，经纪人支持多个交易所内的多个分段。本示例演示了如何查找经纪人支持的分段列表。

准备就绪

确保 instruments 对象在你的 Python 命名空间中可用。请参考本章第二个示例以了解如何设置此对象。

怎么做…

显示经纪人支持的分段：

>>> segments = instruments.segment.unique()
>>> print(segments)

你将得到以下输出：

['BCD-FUT' 'BCD' 'BCD-OPT' 'BSE' 'INDICES' 'CDS-FUT' 'CDS-OPT' 'MCX-FUT' 'MCX-OPT' 'NFO-OPT' 'NFO-FUT' 'NSE']

工作原理…

instruments.segment 返回一个 pandas.Series 对象。它的 unique 方法返回一个由经纪人支持的唯一分段组成的 numpy.ndarray 对象。

了解经纪人支持的其他属性

为了下订单，需要以下属性：订单交易类型、订单种类、订单类型和订单代码。不同的经纪人可能支持不同类型的订单属性。例如，一些经纪人可能仅支持普通订单，而其他经纪人可能支持普通订单和止损订单。可以使用 pyalgotrading 包提供的经纪人特定常量查询经纪人支持的每个属性的值。

如何做…

我们执行以下步骤来完成此配方：

从pyalgotrading模块中导入必要的类：

>>> from pyalgotrading.broker.broker_connection_zerodha import BrokerConnectionZerodha

列出订单交易类型：

>>> list(BrokerConnectionZerodha.ORDER_TRANSACTION_TYPE_MAP.keys())

我们将得到以下输出：

[<BrokerOrderTransactionTypeConstants.BUY: 'BUY'>,
 <BrokerOrderTransactionTypeConstants.SELL: 'SELL'>]

列出订单品种：

>>> list(BrokerConnectionZerodha.ORDER_VARIETY_MAP.keys())

我们将得到以下输出：

[<BrokerOrderVarietyConstants.MARKET: 'ORDER_VARIETY_MARKET'>,
 <BrokerOrderVarietyConstants.LIMIT: 'ORDER_VARIETY_LIMIT'>,
 <BrokerOrderVarietyConstants.STOPLOSS_LIMIT: 'ORDER_VARIETY_STOPLOSS_LIMIT'>,
 <BrokerOrderVarietyConstants.STOPLOSS_MARKET: 'ORDER_VARIETY_STOPLOSS_MARKET'>]

列出订单类型：

>>> list(BrokerConnectionZerodha.ORDER_TYPE_MAP.keys())

我们将得到以下输出：

[<BrokerOrderTypeConstants.REGULAR: 'ORDER_TYPE_REGULAR'>,
 <BrokerOrderTypeConstants.BRACKET: 'ORDER_TYPE_BRACKET'>,
 <BrokerOrderTypeConstants.COVER: 'ORDER_TYPE_COVER'>,
 <BrokerOrderTypeConstants.AMO: 'ORDER_TYPE_AFTER_MARKET_ORDER'>]

列出订单代码：

>>> list(BrokerConnectionZerodha.ORDER_CODE_MAP.keys())

我们将得到以下输出：

[<BrokerOrderCodeConstants.INTRADAY: 'ORDER_CODE_INTRADAY'>,
 <BrokerOrderCodeConstants.DELIVERY: 'ORDER_CODE_DELIVERY_T0'>]

它是如何工作的…

在步骤 1 中，我们从pyalgotrading导入BrokerConnectionZerodha类。此类保存了pyalgotrading和特定经纪人常量之间的订单属性映射，作为字典对象。接下来的步骤获取并打印这些映射。步骤 2 显示您的经纪人支持BUY和SELL订单交易类型。

步骤 3 显示您的经纪人支持MARKET、LIMIT、STOPLOSS_LIMIT和STOPLOSS_MARKET订单品种。步骤 4 显示您的经纪人支持REGULAR、BRACKET、COVER和AFTER_MARKET订单类型。步骤 5 显示您的经纪人支持INTRADAY和DELIVERY订单代码。

输出可能因经纪人而异，因此如果您使用不同的经纪人，请查阅您的经纪人文档。所有这些类型参数的详细解释将在第六章 在交易所下订单 中涵盖。本配方仅概述这些参数，因为它们在本章后续配方中需要。

放置一个简单的常规订单

本配方演示了如何通过经纪人在交易所上放置REGULAR订单。REGULAR订单是最简单的订单类型。尝试完此配方后，通过登录经纪人网站检查您的经纪人账户；您会发现一个订单已经被放置在那里。您可以将订单 ID 与本配方中显示的最后一个代码片段中返回的订单 ID 匹配。

准备就绪

确保broker_connection对象在你的 Python 命名空间中可用。参考本章第一个配方，了解如何设置此对象。

如何做…

我们执行以下步骤来完成此配方：

从pyalgotrading中导入必要的常量：

>>> from pyalgotrading.constants import *

获取特定交易符号和交易所的金融工具：

>>> instrument = broker_connection.get_instrument(segment='NSE', 
                                        tradingsymbol='TATASTEEL')

放置一个简单的常规订单 - 一个BUY、REGULAR、INTRADAY、MARKET订单：

>>> order_id = broker_connection.place_order(
                   instrument=instrument, 
                   order_transaction_type= \
                       BrokerOrderTransactionTypeConstants.BUY,
                   order_type=BrokerOrderTypeConstants.REGULAR, 
                   order_code=BrokerOrderCodeConstants.INTRADAY,
                   order_variety= \
                       BrokerOrderVarietyConstants.MARKET, 
                   quantity=1)
>>> order_id

我们将得到以下输出：

191209000001676

它是如何工作的…

在步骤 1 中，您从pyalgotrading导入常量。在步骤 2 中，您使用broker_connection的get_instrument()方法以segment = 'NSE'和tradingsymbol = 'TATASTEEL'获取金融工具。在步骤 3 中，您使用broker_connection的place_order()方法放置一个REGULAR订单。place_order()方法接受的参数描述如下：

instrument：必须放置订单的金融工具。应该是Instrument类的实例。您在这里传递instrument。
order_transaction_type: 订单交易类型。应为BrokerOrderTransactionTypeConstants类型的枚举。在这里，你传递了BrokerOrderTransactionTypeConstants.BUY。
order_type: 订单类型。应为BrokerOrderTypeConstants类型的枚举。在这里，你传递了BrokerOrderTypeConstants.REGULAR。
order_code: 订单代码。应为BrokerOrderCodeConstants类型的枚举。在这里，你传递了BrokerOrderCodeConstants.INTRADAY。
order_variety: 订单种类。应为BrokerOrderVarietyConstants类型的枚举。在这里，你传递了BrokerOrderVarietyConstants.MARKET。
quantity: 要交易的股票数量。应为正整数。我们在这里传递了1。

如果订单放置成功，该方法将返回一个订单 ID，您可以随时以后用于查询订单状态。

不同类型参数的详细解释将在第六章中介绍，在交易所上下订单。这个配方旨在让你了解如何下达REGULAR订单，这是各种可能订单类型之一的想法。

下达一个简单的 BRACKET 订单

这个配方演示了如何通过经纪人在交易所上下达一个BRACKET订单。BRACKET订单是两腿订单。一旦第一个订单执行完毕，经纪人会自动下达两个新订单 – 一个STOPLOSS订单和一个TARGET订单。在任何时候只有一个订单被执行；当第一个订单完成时，另一个订单将被取消。在尝试了此配方后，通过登录经纪人的网站，您可以在您的经纪账户中找到已下达的订单。您可以将订单 ID 与本配方中显示的最后一个代码片段中返回的订单 ID 进行匹配。

准备就绪

确保broker_connection对象在你的 Python 命名空间中可用。参考本章的第一个配方，学习如何设置此对象。

如何操作…

我们执行以下步骤完成此配方：

导入必要的模块：

>>> from pyalgotrading.constants import *

获取特定交易符号和交易所的工具：

>>> instrument = broker_connection.get_instrument(segment='NSE', 
                                        tradingsymbol='ICICIBANK')

获取工具的最新交易价格：

>>> ltp = broker_connection.get_ltp(instrument)

下达一个简单的BRACKET订单 – 一个BUY，BRACKET，INTRADAY，LIMIT订单：

>>> order_id = broker_connection.place_order(
                   instrument=instrument,
                   order_transaction_type= \
                       BrokerOrderTransactionTypeConstants.BUY,
                   order_type=BrokerOrderTypeConstants.BRACKET, 
                   order_code=BrokerOrderCodeConstants.INTRADAY, 
                   order_variety=BrokerOrderVarietyConstants.LIMIT,
                   quantity=1, price=ltp-1, 
                   stoploss=2, target=2)
>>> order_id

我们将得到以下输出：

191212001268839

如果在执行此代码时收到以下错误，则意味着由于市场波动性较高，经纪人阻止了 Bracket 订单：

InputException: 由于市场预期波动性较高，Bracket 订单暂时被阻止。

当经纪人开始允许 Bracket 订单时，你应该稍后尝试该配方。你可以不时地查看经纪人网站以了解 Bracket 订单何时被允许。

工作原理…

在步骤 1中，您从pyalgotrading导入常量。在步骤 2中，您使用broker_connection的get_instrument()方法获取segment = 'NSE'和tradingsymbol = 'ICICBANK'的金融工具。在步骤 3中，您获取工具的最后交易价格或LTP。（LTP 将在第三章的分析金融数据中更详细地解释。）在步骤 4中，您使用broker_connection的place_order()方法放置一个BRACKET订单。place_order()方法接受的参数的描述如下：

instrument: 必须放置订单的金融工具。应该是Instrument类的实例。你在这里传递instrument。
order_transaction_type: 订单交易类型。应该是BrokerOrderTransactionTypeConstants类型的枚举。你在这里传递BrokerOrderTransactionTypeConstants.BUY。
order_type: 订单类型。应该是BrokerOrderTypeConstants类型的枚举。你在这里传递BrokerOrderTypeConstants.BRACKET。
order_code: 订单代码。应该是BrokerOrderCodeConstants类型的枚举。你在这里传递BrokerOrderCodeConstants.INTRADAY。
order_variety: 订单种类。应该是BrokerOrderVarietyConstants类型的枚举。你在这里传递BrokerOrderVarietyConstants.LIMIT。
quantity: 给定工具要交易的股份数量。应为正整数。你在这里传递1。
price: 应该放置订单的限价。你在这里传递ltp-1，这意味着低于ltp值的 1 个单位价格。
stoploss: 初始订单价格的价格差，应该放置止损订单的价格。应为正整数或浮点值。你在这里传递2。
target: 初始价格的价格差，应该放置目标订单的价格。应为正整数或浮点值。你在这里传递2。

如果订单放置成功，该方法会返回一个订单 ID，您可以随时稍后用于查询订单的状态。

对不同类型参数的详细解释将在第六章中进行，在交易所上放置交易订单。本示例旨在向您展示如何放置BRACKET订单，这是各种可能订单类型之一。

Python 算法交易秘籍（一）（5）https://developer.aliyun.com/article/1523098

Python 算法交易秘籍（一）（4）

将 DataFrame 转换为其他格式

准备工作

如何做…

工作原理…

从其他格式创建 DataFrame

准备工作

如何操作…

工作原理如下…

第二章：股票市场-交易入门

技术要求

设置 Python 与经纪人的连接

怎么做…

工作原理…

查询一组工具

准备工作

如何做…

工作原理…

获取一个工具

准备就绪

怎么做…

工作原理…

查询交易所列表

准备就绪

怎么做…

工作原理…

查询分段列表

准备就绪

怎么做…

工作原理…

了解经纪人支持的其他属性

如何做…

它是如何工作的…

放置一个简单的常规订单

准备就绪

如何做…

它是如何工作的…

下达一个简单的 BRACKET 订单

准备就绪

如何操作…

工作原理…

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像