综合交易模型--雪球跟单参数说明支持qmt,同花顺

2024-06-02 22:52

本文主要是介绍综合交易模型--雪球跟单参数说明支持qmt,同花顺,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

经过测试,目前完成了这个策略。支持多策略,支持全市场,包括股票,etf,可转债

全部的参数

图片

{    "雪球跟单":"跟单原理",    "原理":"比重变大默认买入,变小默认卖出,持股不追加,支持多策略跟单",    "雪球cookie":"cookiesu=241715400714727; device_id=a3ef10a376ef5247ffa076b3f60cda63; smidV2=20240511121735f94708a388b3849549dd32f49888adb60042a1a6f570c88a0; remember=1; xq_is_login=1; u=1342909666; s=cb127hrtpz; bid=f1b5e01be977a7023f9ec859cdf24ad4_lw1xly5z; __utmz=1.1715421398.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); xq_a_token=8d2185ec88fc34490976cbe2eb4caf7d6961e32e; xqat=8d2185ec88fc34490976cbe2eb4caf7d6961e32e; xq_id_token=eyJ0eXAiOiJKV1QiLCJhbGciOiJSUzI1NiJ9.eyJ1aWQiOjEzNDI5MDk2NjYsImlzcyI6InVjIiwiZXhwIjoxNzE5MTk1Mzc4LCJjdG0iOjE3MTY2MDMzNzgxMjIsImNpZCI6ImQ5ZDBuNEFadXAifQ.Sjy6h4gQ8nX3P1QvfN8d1jaozlDCQ_z4fPU1gnU97hmcEbDlAQE9tZ5_SAB2uVHJgUvmXEKKlHPWhNHnipI404hz5I0AxAXAod1nAAXUu9xyRlpN5HvISph3snFPInKOrDYas6Pf7mtunhHXHvdiCtt0j__P2hOyA0VevN3Mqc34a6NJDh2yftTIXWpDVAI03hHo1izuEuA9Reld-7OX8H_KGfFGbIN0frJFfvR_KiTadHK_hJK4LafSetP71-RC1qgouIcB2Eb4tS_IANZ8G-ETk9Y-6DW2_SwffzEUiCNscRvGmzCMy9XPWA5413QphlGdfbgk2rN7enArOVx3Cw; xq_r_token=d8d877c6634c1dccc7472835539149f69c6f9f70; Hm_lvt_1db88642e346389874251b5a1eded6e3=1716392246,1716473979,1716554527,1716603379; acw_tc=276077ab17166051880926379e31d55708918c25a7b1b7778b05ec078e0cb6; __utma=1.694453535.1715421398.1715524198.1716605549.4; __utmc=1; __utmt=1; .thumbcache_f24b8bbe5a5934237bbc0eda20c1b6e7=yLJiLZESXni8VXn3zlUOJUOfp16pud99AQIv/v5OtCn72W3NDQ3kBY3tY4OxOBlzf3eoH+ByDMs2DcwGjEhdMw%3D%3D; __utmb=1.2.10.1716605549; Hm_lpvt_1db88642e346389874251b5a1eded6e3=1716605925",    "组合名称":["实验"],    "组合id":["ZH3368671"],    "不同策略间隔更新时间":0.05,    "同步持股说明":"同步持股就是买入目前的持股,不然就同步成交",    "资金模式":"雪球",    "资金模式说明":"雪球/自定义",    "雪球资金设置":"设置**********************",    "账户跟单比例":0.5,    "自定义资金设置":"设置————————下面设置分析配置是参考,保持和分析配置里面一样————————————————",    "交易模式":"金额",    "固定交易资金":10000,    "持有金额限制":10000,    "固定交易数量":100,    "持有限制":100,    "持股限制":10,    "下单交易模式":"立马下单",    "下单交易模式说明":"立马下单/通过综合交易模型"
}

雪球cookie直接账户的cookie自己获取

组合id支持多组合,多个组合用逗号隔开比如[1,2,3]

重点在下, 的交易模式

"同步持股说明":"同步持股就是买入目前的持股,不然就同步成交",    "资金模式":"雪球",    "资金模式说明":"雪球/自定义",    "雪球资金设置":"设置**********************",    "账户跟单比例":0.5,    "自定义资金设置":"设置————————下面设置分析配置是参考,保持和分析配置里面一样————————————————",    "交易模式":"金额",    "固定交易资金":10000,    "持有金额限制":10000,    "固定交易数量":100,    "持有限制":100,    "持股限制":10,    "下单交易模式":"立马下单",    "下单交易模式说明":"立马下单/通过综合交易模型"

资金模式 雪球完全按雪球的模式交易,按比例进行调整仓位,这个模式好完全自带匹配账户资金,比如你账户有10万买入1%就是1000,比如你账户有100万,调整1%就是自动匹配账户自己,下面的就自定义资金的,"下单交易模式":"立马下单",直接下单不用排队,速度非常的快,还在直接看源代码快​​​​​​​

def start_trader_on(self):        '''        开始下单        '''        with open(r'{}\雪球跟单设置.json'.format(self.path),encoding='utf-8') as f:            com=f.read()        text=json.loads(com)        df=pd.read_excel(r'{}\下单股票池\下单股票池.xlsx'.format(self.path))        try:            del df['Unnamed: 0']        except:            pass        #资金模式        cash_models=text['资金模式']        #下单模式        trader_models=text['下单交易模式']        #自定义资金设置        data_type=text['交易模式']        value=text['固定交易资金']        limit_value=text['持有金额限制']        amount1=text['固定交易数量']        limit_amount=text['持股限制']        if df.shape[0]>0:            df['证券代码']=df['证券代码'].astype(str)            #print(df['证券代码'])            df['证券代码']=df['证券代码'].apply(lambda x: '0'*(6-len(str(x)))+str(x))            if cash_models=='雪球' and trader_models=='通过综合交易模型':                buy_df=df[df['交易方向']=='buy']                if buy_df.shape[0]>0:                    buy_df=buy_df[['证券代码','证券名称','自动价格','价格','交易类型','数量','交易状态']]                    buy_df.to_excel(r'自定义买入股票\自定义买入股票.xlsx')                else:                    print('{} {} 没有买入股票'.format(cash_models,trader_models))                sell_df=df[df['交易方向']=='sell']                if sell_df.shape[0]>0:                    sell_df=sell_df[['证券代码','证券名称','自动价格','价格','交易类型','数量','交易状态']]                    sell_df.to_excel(r'自定义卖出股票\自定义卖出股票.xlsx')                else:                    print('{} {} 没有卖出股票'.format(cash_models,trader_models))            elif cash_models=='自定义' and trader_models=='通过综合交易模型':                buy_df=df[df['交易方向']=='buy']                if buy_df.shape[0]>0:                    buy_df=buy_df[['证券代码','证券名称','交易状态']]                    buy_df.to_excel(r'买入股票\买入股票.xlsx')                else:                    print('{} {} 没有买入股票'.format(cash_models,trader_models))                sell_df=df[df['交易方向']=='sell']                if sell_df.shape[0]>0:                    sell_df=sell_df[['证券代码','证券名称','交易状态']]                    sell_df.to_excel(r'卖出股票\卖出股票.xlsx')                else:                    print('{} {} 没有卖出股票'.format(cash_models,trader_models))            #先卖在买            elif cash_models=='雪球' and trader_models=='立马下单':                sell_df=df[df['交易方向']=='sell']                if sell_df.shape[0]>0:                    for stock,amount in zip(sell_df['证券代码'],sell_df['数量']):                        try:                            price=self.data.get_spot_data(stock=stock)['最新价']                            self.trader.sell(security=stock,price=price,amount=amount)                            print('{} {} 卖出 股票{} 数量{} 价格{}'.format(cash_models,trader_models,stock,amount,price))                        except Exception as e:                            print(e)                            print(print('{} {} 卖出 股票{} 有问题'.format(cash_models,trader_models,stock)))                else:                    print('{} {} 没有卖出股票'.format(cash_models,trader_models))                buy_df=df[df['交易方向']=='buy']                if buy_df.shape[0]>0:                    for stock,amount in zip(buy_df['证券代码'],buy_df['数量']):                        try:                            price=self.data.get_spot_data(stock=stock)['最新价']                            self.trader.buy(security=stock,price=price,amount=amount)                            print('{} {} 买入 股票{} 数量{} 价格{}'.format(cash_models,trader_models,stock,amount,price))                        except Exception as e:                            print(e)                            print(print('{} {} 买入 股票{} 有问题'.format(cash_models,trader_models,stock)))                else:                    print('{} {} 没有买入股票'.format(cash_models,trader_models))            #先卖在买            elif cash_models=='自定义' and trader_models=='立马下单':                sell_df=df[df['交易方向']=='sell']                if sell_df.shape[0]>0:                    for stock in sell_df['证券代码'].tolist():                        try:                            price=self.data.get_spot_data(stock=stock)['最新价']                            trader_type,amount,price=self.trader.check_av_target_trader(data_type=data_type,trader_type='sell',                                        amount=amount1,limit_volume=limit_amount,value=value,limit_value=limit_value,                                        stock=stock,price=price)                            if trader_type=='sell':                                self.trader.sell(security=stock,price=price,amount=amount)                                print('{} {} 卖出 股票{} 数量{} 价格{}'.format(cash_models,trader_models,stock,amount,price))                            else:                                print('{} {} 卖出 股票{} 数量{} 价格{} 不可以交易'.format(cash_models,trader_models,stock))                        except Exception as e:                            print(e)                            print(print('{} {} 卖出 股票{} 有问题'.format(cash_models,trader_models,stock)))                else:                    print('{} {} 没有卖出股票'.format(cash_models,trader_models))                buy_df=df[df['交易方向']=='buy']                if buy_df.shape[0]>0:                    for stock,amount in zip(buy_df['证券代码'],buy_df['数量']):                        try:                            price=self.data.get_spot_data(stock=stock)['最新价']                            trader_type,amount,price=self.trader.check_av_target_trader(data_type=data_type,trader_type='buy',                                    amount=amount1,limit_volume=limit_amount,value=value,limit_value=limit_value,                                    stock=stock,price=price)                            if trader_type=='buy':                                self.trader.buy(security=stock,price=price,amount=amount)                                print('{} {} 买入 股票{} 数量{} 价格{}'.format(cash_models,trader_models,stock,amount,price))                            else:                                print('{} {} 买入 股票{} 数量{} 价格{} 不可以交易'.format(cash_models,trader_models,stock))                        except Exception as e:                            print(e)                            print(print('{} {} 买入 股票{} 有问题'.format(cash_models,trader_models,stock)))                else:                    print('{} {} 没有买入股票'.format(cash_models,trader_models))            else:                print('未知的下单模式***********************')        else:            print('没有需要下单的数据**************************')

后面我给完整的教程设置

图片

源代码全部上次了不懂的问我就可以

图片

这篇关于综合交易模型--雪球跟单参数说明支持qmt,同花顺的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1025318

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Zookeeper安装和配置说明

一、Zookeeper的搭建方式 Zookeeper安装方式有三种,单机模式和集群模式以及伪集群模式。 ■ 单机模式:Zookeeper只运行在一台服务器上,适合测试环境; ■ 伪集群模式:就是在一台物理机上运行多个Zookeeper 实例; ■ 集群模式:Zookeeper运行于一个集群上,适合生产环境,这个计算机集群被称为一个“集合体”(ensemble) Zookeeper通过复制来实现

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

C++11第三弹:lambda表达式 | 新的类功能 | 模板的可变参数

🌈个人主页: 南桥几晴秋 🌈C++专栏: 南桥谈C++ 🌈C语言专栏: C语言学习系列 🌈Linux学习专栏: 南桥谈Linux 🌈数据结构学习专栏: 数据结构杂谈 🌈数据库学习专栏: 南桥谈MySQL 🌈Qt学习专栏: 南桥谈Qt 🌈菜鸡代码练习: 练习随想记录 🌈git学习: 南桥谈Git 🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈�

如何在页面调用utility bar并传递参数至lwc组件

1.在app的utility item中添加lwc组件: 2.调用utility bar api的方式有两种: 方法一,通过lwc调用: import {LightningElement,api ,wire } from 'lwc';import { publish, MessageContext } from 'lightning/messageService';import Ca

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

4B参数秒杀GPT-3.5:MiniCPM 3.0惊艳登场!

​ 面壁智能 在 AI 的世界里,总有那么几个时刻让人惊叹不已。面壁智能推出的 MiniCPM 3.0,这个仅有4B参数的"小钢炮",正在以惊人的实力挑战着 GPT-3.5 这个曾经的AI巨人。 MiniCPM 3.0 MiniCPM 3.0 MiniCPM 3.0 目前的主要功能有: 长上下文功能:原生支持 32k 上下文长度,性能完美。我们引入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}