掘金量化api使用方法

量化大师说，经过大半年数据挖掘和无数回测后，他找到了一个成功率百分之七十六点八的超级信号，并经过了五年的 a 股交易数据测试，非常靠谱。这样的信号指标，你心动了吗？ 大家好，我是专注于量化投资的，行不行？前段时间我看到一篇文章，说是量化回测了无数指标信号后，发现了其中最准的一个，还分享了出来，我一看，点赞那么多，应该很靠谱吧，所以赶紧去仔细拜读了一下。这位量化大师说，他总结了三种不同的方法，并将其合为一体， 形成了一个全新的超底信号。其中的第一个方法呢，被它命名为价格动能衰竭，是从价格角度出发的超底信号。他认为超底不是简单看价格跌了多少，而是看下跌速度的变化。所以这个信号的构成需要股票在过去五个交易日的跌幅大于百分之八，但当天的跌幅要小于百分之三，这说明股价下跌开始减速。 并且还要求当天下眼线长度要大于实体长度的一点五倍，这叫股价下方有承接。而方法二则是成交量维度的，大师说叫成交量萎缩，是关键中的关键。他要求当天成交量要小于前五天平均成交量的百分之六十，并且成交量要连续两天萎缩，当天换手率也要小于百分之三，来代表没人愿意割肉了。 先不管大师的指标有没有效果，看到成交量连续两天萎缩的表述，我就有点敏感啊，毕竟在量化交易中，这种表达就显得很模棱两可了，不应该准确说明，比如要找今天的成交量比昨天低，且昨天的成交量比前天低的股票吗？ 然后我们看大师的第三个条件叫技术超跌，说是用了一个改良版的 i s i 指标，要求抄底时 i s i 要小于二十五，也就是触发了这个指标的超慢。这里用到的 i s i 的 参数是十四，看的是最近十四天股价的相对强弱。同时大师还要求参数十五的 i s i 指标要出现拐头向上的趋势， m a c d 的 快线也要开始收敛。这 这里又用了模糊的表述啊。我们再翻译成量化的语言，就是昨天的 r s i 五要小于前天的数值，今天的又需要大于昨天的数值， m a c d 中的快线也要做相同的处理。最后，量化。大师在文章里也明确说了，只有这三大信号，九个小条件同时满足的时候，才是抄底之时缺一不可，不然会大幅降低准确率的。 虽然通度下来，我个人感觉大师说的这个超低指标有一股子之前讲过的六脉神剑和一叶之孤法那样的相似的网络大师的味道。但他既然都说了这是自己回测后效果好的指标，那我们还是老老实实来复现一下好了。于是我找来了所有股票每天的历史交易数据，并编写了对应的代码来做测试，我们直接运行代码，得到了这样的结果。 别紧张，你的手机、电脑、网络都没问题。刚刚不是卡顿，只是我们回测了从二零零七年至今所有的股票后，发现根本没有同时符合大师说的三大条件的情况出现过。而大师说自己在二零年到二四年之间，仅在呼声三百乘风股中就找出了一千八百五十四次符合条件的信号，这好像出入有点太大了吧？ 我又再去研读了大师的文章，发现他在后面很贴心的给出了指标代码，虽然其中 i s i 的 计算公式是错的，还有些其他的小错，但我们都不用管，直接用他的代码来计算信号，再把回测的时间设置成了和他一样的二零二零年到二零二四年，然后重新运行一下我们的代码。结果就是这样的， 五年时间，在所有股票的历史上共出现了一百七十七次。大师说的信号远远没有他说的那么多，信号出现后，一天、五天、十天、二十天，股票上涨的概率都不足百分之七十六点八，平均收益倒都是正的， 但和他所说差的也太多了吧，这年头怎么做量化的也弄虚作假起来了，大数据面前哪有那么多的侥幸，就不怕真有人去回测吗？果然网上大佬千千万，大数据一考，打底裤都快扒没了。然后呢？从我自己的角度来看，他用了这么多的条件来做选择，且很多条件中参数的选择也比较莫名其妙， 量化交易中一味的片面堆积各类条件，最终即使有效，也只会带来过你和的风险。所以这个大师的方法给我的感觉不像是量化，反而更像是之前我们打假过的一夜持股法，它也是堆积了一大堆看似有效的条件，结果根本选不到符合要求的股票。这其实也是大家做量化交易的过程中需要注意的很重要的一点， 也就是要确保我们在策略中使用的每个指标应该都是可解释的且符合逻辑的。由于大师的三合一指标选不到任何股票，所以我把价格动能衰竭、成交量萎缩和技术超跌当成了三个不同的信号，分别从二零零七年开始做了三次回测，当然用的是我自己写的代码，他的代码有问题，我肯定也不会去用了。 结果是这样的，大家感兴趣的可以自行截图查看。总的来说啊，三个信号分开使用时都有一定的效果，和组合到一起相比，表现反而更好了，这和大师说的完全相反。看图中的数据，我们也能知道为什么三个条件合一的时候没有产生信号了，就在于技术抄接下能选到的符合条件的股票太少了，拖累了整个大组合。这 其实也是我们自己构建策略时一直倾向于做减法，而不是一味堆砌各种条件和指标的原因所在。我又翻了下大师其他作品，发现不仅有这个抄底的信号，还有一个准确率百分之七十八的逃顶指标，大概这样的里面也贴出了相应的信号计算代码，我去看了下，代码里 i s i 的 计算公式也写错了，尸体和上瘾性的计算也有问题， 我就稍微改了一下他的代码，按照大师说的，测试了从二零二零年到二零二四年的信号表现，代码运行。结果是这样的，五年间一共出现了九百四十六次逃顶信号，逃顶后，未来一天、五天、十天、二十天，股价的下跌概率和平均收益如图所示， 能说效果比较一般吧，而大师贴出来的仅在沪深三百成分股内信号就比我测试全部 a 股产生了更多，表现更是如此，大家可以自己比较的看一下，差异还是很明显的。最后我再吐槽一句，虽然大师的文章够长，而且看上去面面俱到的，但我读来总感觉文字有一股 ai 味，并且这个指标的构成方式和给出的回测结果也真的很像 ai 幻觉。 以上都只是我瞎说的，做不得真，但如果还有更多大师的战法策略想测试的，也欢迎在评论区留言，遇到有趣的我们就会去用量化代码做测试，并做成视频把结果公布出来。总而言之一句话，我们用数据说话。好，那么本期视频就到此结束，我们下期再见！

我们已经掌握了如何利用 ez xt 获取和处理市场数据，这是量化交易的基石。今天，我们将深入探讨交易 api 的 使用，这正是实现自动化交易的核心所在。 我们将一步步带您了解如何通过 ez xt 进行下单、撤单以及查询账户信息等关键操作。 在深入细节之前，让我们快速回顾一下 e z xt 的 价值定位。它本质上是驯头 q m t 的 一个强大扩展，只在解决原生 q m t 接口复杂、学习曲线陡峭的问题。 通过提供一套简洁易用的 python api， e z xt 显著降低了量化交易的门槛，让策略从想法到落地变得更加高效。 更重要的是，这是一个开源项目，意味着他在社区的持续贡献下不断进化，为专业人士提供了更强大的工具箱。要开始任何交易操作，第一步永远是建立连接，这就像你要打电话得先拨通号码一样。 在 ez xt 中，初识化交易服务是整个流程的基石。你需要导入 ez xt 模块，然后创建一个 api 实力，接着调用 innata data 和 innata trade 的 方法，分别连接数据服务和交易服务。 这里有个小贴士，确保你的 python 脚本能正确找到。 easyxt 模块通常意味着将项目根目录添加到 cs dot path 中，或者将文件放在正确的位置， 如果路径不对，后续所有操作都会卡壳。连接成功后，下一步就是明确你要用哪个账户进行交易。 这就好比你开了多个银行账户，每次取钱得指定是哪个卡。在 easyxt 里，你需要提供你的 qmt 客户端中的实际账户 id 以及账户类型，比如股票账户 lock 或融资融券账户 credit。 调用 add account 方法传入这两个参数，如果返回 success 为初，就说明账户添加成功，可以开始下一步操作了。这个步骤非常基础，但却是后续所有交易指令生效的前提。 现在我们来看最直接的交易方式，试驾单。顾名思义，试驾单就是以当前市场上最好的价格立即成交。 它的核心特点就是快。当你需要迅速买入或卖出，对价格不那么敏感时，比如捕捉突发新闻后的市场反应，或者执行高频策略，试驾单是首选。 在 e c x t 中下单时，只需将 price 参数设为零，并指定 price type 等于 market。 记住，追求速度的同时也要注意潜在的价格冲击风险，尤其是在流动性较差的标地上。 与试驾单追求速度不同，限价单则更注重价格控制。你可以设定一个目标价格，只有当市场价格达到或优于你设定的价格时，订单才会成交。 这就像你去超市买东西，心里有个预算，不会超过这个数。在 easy xt 中下单时，需要明确指定 price 参数为你期望的价格，并将 price type 设为 limit。 这种方式非常适合那些对成本敏感，希望在特定价位附近建仓或平仓的策略。 当然，价格是把双刃剑，设置过低可能导致无法成交，设置过高则可能错过机会。 交易并非一成不变，有时我们需要根据市场变化或策略调整来撤销之前的委托， 这就引出了撤单操作。无论是现价单因为价格迟迟不到而失效，还是因为策略逻辑发生改变，需要取消原有的交易计划？撤单都是一个必要的工具。 在 ez xt 中，使用看搜 order 方法传入账户 id 和需要撤销的订单 id 即可。需要注意的是，只有未成交或部分成交的订单 id 即可。需要注意的是，没有完全成交的订单自然无法撤回。 此外，车单操作本身也可能失败，比如网络问题或系统延迟，所以检查返回结果很重要。 在进行了一系列交易操作后，实时监控账户状态变得直观重要，这就像开车要看仪表盘，随时了解油量、速度等信息。 ez xt 提供了丰富的查询接口，帮助你全面掌握账户动态。 你可以用 get account asset 查看总资产、可用资金和持仓市值。用 get positions 获取详细的持仓列表。用 get orders 查询当前未成交的委托， 还有 gettrays 可以 查看历史成交记录。这些信息对于评估策略表现、管理风险和做出下一步决策都直观重要。对于需要更高效率和更复杂操作的场景， easyxt 提供了高级交易 api， 这就像从普通公路升级到了高速公路，性能大幅提升，其中两个核心功能是异步下单和批量操作。 要使用这些高级功能，你需要先创建 advanced trade api 的 实力，并通过 connect 方法连接交易服务。同样需要提供 qmt 的 user data 路径和绘画 id。 之后，别忘了用 id account 方法将你的交易账户添加到这个高级 api 实力中。 这些功能是为更复杂的交易策略和更高的执行频率设计的，让我们聚焦于异步下单这个高级特性。传统的同步下单方式就像你发个快递，必须等快递员上门取件并告知结果，期间你啥也干不了。 而异步下单则完全不同，你只需要提交订单，程序就继续往下跑，不需要等待交易所的回复。交易所那边处理完了，会通过一个叫做回调函数的机制通知你结果。 这种方式极大地提高了程序的执行效率，尤其适合需要快速发出大量订单的高频交易策略。 你可以把回调函数想象成快递到达时，快递员给你打的电话告诉你包裹到了。另一个强大的高级功能是批量下单。 如果你需要同时操作多只股票，比如进行组合调仓，或者执行网格交易策略，逐个下单，显然效率低下。批量下单允许你一次性提交多个订单，就向一次快递寄出多件物品。 这不仅减少了与交易服务器的通信次数，节省了时间，而且在很多实线中还具有原则性，即要么所有订单都成功提交，要么全部失败，避免了部分成交带来的混乱。 这对于需要精确控制多笔交易的策略来说，简直是福音。最后，但同样重要的是风险管理自动化交易威力巨大，但也伴随着风险。 ez xt 的 高级 api 允许你设置风险参数，为你的交易加上安全阀。 比如，你可以设定单只股票的最大持仓比例 max position ratio， 防止过度集中风险，可以限制单笔交易的最大金额。 max single order amount， 避免单词操作失误造成过大损失， 还可以预估并考虑滑点 slay 配置的影响。这些参数就像给你的交易策略装上了保险丝和刹车，确保在追求收益的同时能够有效控制潜在的风险。

大家好，我是图图，不聊涨停板，也不猜明天涨跌。今天我们来聊聊一个常被误解的话题，机器学习到底能不能用在交易里？ 很多人以为机器学习就是让电脑自动赚钱，其实没那么简单。它真正的作用是帮我们从海量历史数据中找出那些反复出现、有统计意义的市场行为模式。 比如当某些技术指标组合同时出现时，未来一段时间价格更可能上涨。这种关系人眼很难察觉，但模型可以通过大量样本学出来。当然，他不会预测明天一定涨，而是给出一个基于历史规律的概率性判断。 而我们要做的是在信号足够清晰时才行动，在模糊地带保持克制。但光有信号还不够， 因为再好的模型也会犯错，市场本身也充满不确定性，这时候仓位管理就变得至观重要。你可以把仓位管理理解为如何分配信任， 即使模型对某只股票给出了积极信号，也不代表要把所有资金压上去。合理的资金分配能在捕捉机会的同时防止一次误判带来过大损失。举个常见的例子，金字塔式仓位。 他的逻辑很简单，先建立一个基础持仓，覆盖多个被初步认可的标的，之后只对其中信号持续增强，表现更优的个别标的追加投入， 这样底仓保证了分散性，加仓则体现了对高致信度机会的几种响应。当然，金字塔只是众多仓位思路中的一种， 有人喜欢均匀分配，有人根据波动调整头寸，还有人动态平衡风险场口。选择哪种方式，取决于你对风险的理解和交易目标。机器学习提供的是方向，而如何走这条路始终由你自己决定。 说到底，机器学习不是魔法，而是一种工具，它不能消除市场的不确定性，但能帮我们更理性的面对它。 如果你对这类数据驱动的思路感兴趣，或者想了解完整的实现逻辑和回测框架，你会找到我的。我是图图，一个喜欢用规则代替情绪的劝商打工人。

今天我们聊一下怎么让 deepsea 帮我们写出一个啊，可以进行交易的量化策略啊。不管你是不是会编程，会不会量化啊，只要你有想法，我们都可以提出来让 deepsea 去帮我写，帮我们写出一个这样的一个可以执行的策略 啊。首先该怎么做呢？首先第一步啊，我们必须告诉他是什么样的一个软件，什么样的一个框架，因为不同的软件他使用的 api 不 一样，那程序肯定就不一样啊。我这边以那个极致量化为例，这是个免费的软件啊。啊，请帮我写一个极致量化框架 框架下的量化策略啊。第一步，你要告诉他是什么样的一个软件，然后呢，如果你能拿到这个呃，帮助文档啊，我这里已经下下载好了这个帮助文档，你最好把帮助文档给传给他。 然后呢，最好再传两个官方的，一个官方的啊，两搞个两三个吧，这种智力他他都不会去学习的。好吧，我们就传给他， 请学习上传的帮助文档和官方示意 并啊，还需要干嘛？让他自己去啊，官网并去官网学习 学习相关技术信息啊，就这么简单他就知道了。那你告诉他怎么需要哪些文档 好，现在我们已经告诉他这个东西怎么写了啊，他自己本身就有一些知识库啊，可能他也学过了。好了，现在我们已经告诉他这个框架是什么了，该怎么调用哪些 pr 了啊？这个文档里面都有，包括视腻该怎么做以及呢，可能还有网上的，官网的一些技术信息，他都都会去学习。 好了，写完这个以后呢？呃，接着我们要告诉他你有一些什么样的想法？假如说啊，你自己会有一些平常操作中啊，有自己的一个策略， 对吧？你是根据什么样的一个指标，根据什么样的一个信息去做你的，呃买入卖出，那你就直接告诉他，假如没有啊？没有，那你也可以去看一些呃常用的策略，比如说这个海龟啊，多金线啊，因子多因子策略， 呃包括一些趋势跟踪策略、君子回归，反正这些东西你可以去看一下，假如你没有的话啊，正常来讲大家肯定是心里有一套自己的想法啊，如果你可以不写，你可以让他自己去想一个策略，对吧？但是我要告诉他，我们要达到一个目标啊？什么目标呢啊？盈亏比， 赢，亏比超过二比一啊？亏一个赢两个赢，亏比超过多少？胜率五比五啊，你不要太离谱了啊，能达到这个也不得了了，对吧？胜率五比五 啊，这是要他需要达到要求。然后还有一个你是做日内的还是做波段的还是做长线的？那这里面我们要告诉他，比如，呃交易频率 日内啊，做日内，我就觉得建议大家也不要做，做太多了这个手续费，对吧？啊？每天我可以限制它次数来交一次数，三次以内啊， 好。呃这个接着我们要告诉他，我们我们尽量就是让我们的一个策略比较平稳，所以这个地方呢，我们告诉他一个下浮比例啊，下浮比例的话它是一个切万收率跟这个波动的一个比值， 它整体反映了你这个策略的这个啊，收益跟风险的一个比例啊，你越高的话，那说明这个策略越好，所以我们把下部比例的话，我们这里指定一下，你不要太离谱啊，下部比例我们这个地方写，写个二，好吧？下部比例二以上啊，好，第三个 好，写完下步比例我们再告诉他，我们一个止盈止损的一个条件就是我们最大亏损多少，单次最大亏损多少，因为你这里面有个盈亏比嘛，二比一嘛，那你要告诉他这个单次最大亏损多少？ 当然了，你如果不写，他其实也会有一个耿耿出一个这样的一个止盈止损， 比如说最大亏损不能超过百分之十哦。 啊，止盈止损我们也定好了啊，现在就是发挥，你可以告诉他发挥你的专业技能啊，帮我写一个策略啊， 帮我按上面要求写一个策略，只能阅读全部文凭的百分之九十七，那我们删一个吧。啊，删一个啊，他就在写啊，我们等一下， 你看它就会告诉我们它是做了一个什么样的一个策略啊？ a t r 通道突破与双重确认的日历量化这一策略，你可以看一下它的一个逻辑，看一下它的逻辑，然后最后它有个完整的一个代码，那这个代码的话呢？我们就可以直接复制丢到这个 极极极值量化里面，如果说它报错，我们就把错误丢给它，告诉它报错了，让它重新再修正一遍，一直到修正可以正常运行为止。 那尝试优化建议这个东西，你就嗯，熟悉软件以后就知道怎么优化了。好了，它这个基本上就是按我们的一个要求，对吧？ 这是风控的部分，这是风控确认机制日历交易特性啊，它这个是按我们要求写，写完了以后，其实我们这里还有个重要的一个点，就是怎么选标地，因为不同的策略它是适合不同的标的的啊，让他让他自己去生成一个选标的的一个代码，然后把整个代码再重新生成一遍，先添加，先根据当前策略 生成一段选择标的的代码， 并同以上代码一起输出。 好，已经啊，他已经把这个代码加进去了，我刚看了一下啊，这个策略的话基本是判断这个波动率呃，来筛选这个标的 啊，现在他写完了，写完了以后，现在我们要进行最后一步啊，就是回测，确认一下我们这个策略效果到底怎么样。他是一个模拟回测啊，模拟回测跟实际运行会有差距，但是肯定是有参考性的啊，我们现在看一下他这个策略能达到一个什么样的效果哦。怎么回测呢？请根据最近一年的数据筛选， 筛选五只适合的标的进行模拟回测啊。 好，这就跟将来回测一年的， 他会去网上去调取这个最近一年的数据，然后呢去判断这些这些标的他适不适合啊？做我们这个车型适合的话他就会进行回测，他会筛选合适的啊。 啊，这个地方啊，我们叫它直接给出回测结果啊，它是写了一个回测的一个代码，我们叫它直接给出回测结果， 那我们看一下它已经有一个回测结果了，这里面下个比例啊，基本是在二左右，胜率的话也是在百分之五十左右，盈亏比的话，哎，基本上也是按我们要求来年化收益啊，年化收益最大，回测啊，日均交易次数 基本上就达到我们要求。你就直接把刚刚我们那个代码，不要那个回车代码，直接开始那个策略代码复制进去，然后运行。如果说他有错误的话，报错，你就把错误丢给他，告诉他报错了，报这个错了，他会重新改变，反反复复。这样子啊？今天就这样。