java macd 开源,开源分布式量化交易系统——回测系统(一)

2023-10-29 22:50

本文主要是介绍java macd 开源,开源分布式量化交易系统——回测系统(一),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!

回测系统

基础概念

在开始编写策略系统之前,需要了解一些基础概念,搞明白什么是回测系统?怎么进行回测?如何进行回测分析?并且在回测中需要注意的一些要素,真正的做到有效的策略回测。

根据回测的精度可分为Bar回测和Tick回测,所谓的Bar是指一根包含上下引线的柱体,由开盘价、最高价、最低价、收盘价、成交量、成交额、持仓量、时间等组成的分钟、小时、天、周或年的数据,这种方式回测速度快但精度不够细,适用于中低频策略;而Tick由最新价、卖一价、卖一量、买一价、买一量、成交量、成交金额、持仓量、时间等组成的实时数据,这种方式精度细回测慢,适用于高频策略或针对中低频策略进行分段精细测试。

回测了最关键的是数据,但数据清理和检验是一件繁琐但又非常重要的事情,因为数据是策略回测的根源,根源出错了,所有的分析都是白费,所以找一份靠谱的数据源至关重要。

而对于期货品种来说,会涉及到换月问题,这里引入“主力复权合约”这个名词,主力换月通常会根据当天收盘后的成交量或持仓量进行判断是否需要将老的主力合约切到最活跃的合约上去,同时将换月缺口补齐,让数据的连续性更好,这样就形成了主力复权合约;通常历史回测需要加载较长一段时间数据进行测试,并且要考虑换月问题,所以用处理好的主力复权合约数据进行回测是最方便和最科学的方式。

有了历史数据就可以通过程序按时间先后顺序进行遍历,在遍历过程中加载策略逻辑,通过逻辑发出买卖信号并模拟产生成交,同时对每一笔的交易进行统计,如:记录交易次数、盈亏、手续费、最大盈利、最大回撤等分析指标。最终生成一份完整的策略报告用于评测策略的优劣。

策略编写时常常还会用到指标,所谓的指标即用一组数据利用各种数学公式计算得出一组新的数据,通常指标分为趋势类、震荡类、量能类等,如:MA均线、KDJ、MACD、BOLL、RSI、SAR、CCI、VOL等。而这些指标

有了这些概念,可以通过各种方式进行回测,如果数据不大,Excel也能达到回测效果,但是为了能更高效进行回测,需要搭建自己的回测系统,把一些重复的代码抽出来复用,并搭建好回测系统的结构,让策略编写人员的专注力放在策略逻辑上和分析上,而不是侧重于对数据整理、指标封装、信号入库等,本教程回测系统的架构如下:

be92297157cf

FTMAIN.png

be92297157cf

FTINNER.png

为了方便今后回测系统与实盘系统代码一致,我们把回测的策略内部架构改成与实盘一致的异步架构,并有以下几个函数组成:InitStrategy、RtnTickData、RtnBarData、RtnRspOrder、RtnRspTrade等。

注意点

策略编写过程中避免使用未来函数

报告分析时必须考虑滑点,实盘滑点是避免不了的

实盘交易时考虑换月问题和下单方式(需封装算法单)

盘后需要对信号进行检验,避免实盘和回测的运行结果不一致

定期回顾策略,不断优化、顺应市场

下面我们分别对指标库、回测中心、回测工人进行代码解析,并实战演练一下策略开发,并且对策略进行分析。

指标库

概念介绍

指标的某一时间点的Bar数据是对应这个时间点的一组指标数据,所以内部Bar的序列数量和指标序列数量是一一对应的,由于一个指标一个时间点存在多个值,所以用Dictionary进行分组保存每个时间点的值,最后通过遍历每个时间点,根据Bar数据进行公式计算即可得出一组指标数据,并将数据存放于ValueDict中供用户调用。基类中的GraphDict是用于存放画图用的值,后期介绍图形库的时候会详细介绍,下面看下具体指标基类的代码:

public class BaseIndicator

{

private int _count;

private int _maxCacheCount = 10;

protected List barDatas;

protected Dictionary> valueDict;

protected Dictionary graphDict;

public BaseIndicator(List bars)

{

barDatas = ne

这篇关于java macd 开源,开源分布式量化交易系统——回测系统(一)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/303910

相关文章

JVM 的类初始化机制

前言 当你在 Java 程序中new对象时,有没有考虑过 JVM 是如何把静态的字节码(byte code)转化为运行时对象的呢,这个问题看似简单,但清楚的同学相信也不会太多,这篇文章首先介绍 JVM 类初始化的机制,然后给出几个易出错的实例来分析,帮助大家更好理解这个知识点。 JVM 将字节码转化为运行时对象分为三个阶段,分别是:loading 、Linking、initialization

Spring Security 基于表达式的权限控制

前言 spring security 3.0已经可以使用spring el表达式来控制授权,允许在表达式中使用复杂的布尔逻辑来控制访问的权限。 常见的表达式 Spring Security可用表达式对象的基类是SecurityExpressionRoot。 表达式描述hasRole([role])用户拥有制定的角色时返回true (Spring security默认会带有ROLE_前缀),去

浅析Spring Security认证过程

类图 为了方便理解Spring Security认证流程,特意画了如下的类图,包含相关的核心认证类 概述 核心验证器 AuthenticationManager 该对象提供了认证方法的入口,接收一个Authentiaton对象作为参数; public interface AuthenticationManager {Authentication authenticate(Authenti

Spring Security--Architecture Overview

1 核心组件 这一节主要介绍一些在Spring Security中常见且核心的Java类,它们之间的依赖,构建起了整个框架。想要理解整个架构,最起码得对这些类眼熟。 1.1 SecurityContextHolder SecurityContextHolder用于存储安全上下文(security context)的信息。当前操作的用户是谁,该用户是否已经被认证,他拥有哪些角色权限…这些都被保

Spring Security基于数据库验证流程详解

Spring Security 校验流程图 相关解释说明(认真看哦) AbstractAuthenticationProcessingFilter 抽象类 /*** 调用 #requiresAuthentication(HttpServletRequest, HttpServletResponse) 决定是否需要进行验证操作。* 如果需要验证,则会调用 #attemptAuthentica

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

Java架构师知识体认识

源码分析 常用设计模式 Proxy代理模式Factory工厂模式Singleton单例模式Delegate委派模式Strategy策略模式Prototype原型模式Template模板模式 Spring5 beans 接口实例化代理Bean操作 Context Ioc容器设计原理及高级特性Aop设计原理Factorybean与Beanfactory Transaction 声明式事物

Java进阶13讲__第12讲_1/2

多线程、线程池 1.  线程概念 1.1  什么是线程 1.2  线程的好处 2.   创建线程的三种方式 注意事项 2.1  继承Thread类 2.1.1 认识  2.1.2  编码实现  package cn.hdc.oop10.Thread;import org.slf4j.Logger;import org.slf4j.LoggerFactory

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

阿里开源语音识别SenseVoiceWindows环境部署

SenseVoice介绍 SenseVoice 专注于高精度多语言语音识别、情感辨识和音频事件检测多语言识别: 采用超过 40 万小时数据训练,支持超过 50 种语言,识别效果上优于 Whisper 模型。富文本识别:具备优秀的情感识别,能够在测试数据上达到和超过目前最佳情感识别模型的效果。支持声音事件检测能力,支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件进行检测。高效推