量化交易 Quantitative Trading

实现读写云表格作为策略配置数据的功能后，生活变得如此简单。无论身在何地，无需登陆服务器，直接用浏览器打开云表格，修改就可以了。

最近在用 QMT 写量化策略，肯定需要获取一些行情数据。其中 AKShare（免费）和 TuShare 是最常用的 Python 库，但是在使用的时候碰到了一个比较棘手的问题。

为了不用考虑断网、断电的问题，我直接把 QMT 放在了 windows 服务器上运行，并且开启了「自动初始化」功能。 但是！！！偶尔会碰到需要填验证码

但是当我想让代码更简洁，把 buy_stock_by_money 提取到 utils.py 文件，然后让 main.py（宿主）引用 utils.py 的时候，就出问题了。

最近写 QMT 的策略，需要获取沪深 300 的历史市盈率。于是只能使用 tushare 等第三方库。再加上一些常用的策略开发提效的小经验，整理优化成此文。

但是遇到了一个比较麻烦的问题，那就是一些需要 GUI 交互的脚本无法顺利执行。 最近又在研究这块，专门深度问了一下 ChatGPT，还真找到了一个解决方法——VNC Server。

为了能够 24 小时运行量化程序，笔者弄了一个 Windows Server 2012 的服务器，这样就不怕断网断电什么的了。

本文的目的主要有 2 个： 1. 告诉大家如何获取股票、期权、期货等数据 2. 告诉大家一个低成本的服务实现方式 后者是一个基础技能，可复用性比较强，大家可以多看看，多研究下。这是程序员必备技能

Futu API（一）- 准备 中已经完成了基础环境的搭建，接下来就是通过监听股票实时数据来做一些事情了。 来看官方给的 Demo 代码

之前写了 Backtrader 的几篇文章，大概会用了，下面就是用真实数据模拟了。在找数据的过程中笔者发现了富途证券竟然有 OpenAPI，不但能读数据，还能自动交易（就是费用有点贵）。

手续费是量化当中不可以忽视的一个参数，普通人可能可以不用太在乎，但是量化的话，动辄每年成千上万次交易，这个成本肯定是不能忽视的。

为了更好地测试策略的使用场景，现将上证指数历史数据按照行情分割，分为上涨、横盘、下跌三种。后续会将策略分别用三种情况的数据来测试，这样会更科学。 数据来源：新浪财经

之前稍微研究了一下均线，这回我们来研究一下进阶版的策略：双指数移动平均线，俗称金叉或死叉。具体解释详见百度百科。这个策略到底怎么样，我们今天就来测试一下。

均线（MA，Moving Avarage）是最常用的技术指标，用法也多种多样。我们今天就来测一下均线相关的策略，看看效果到底怎么样。

前言 《【Backtrader】怎么获取指数数据》一文已经获取到了指数数据，接下来我们统计一下历年上证指数（SSE）的增长率。这个数据会作为基准值来与各策略的效果进行对比，所以会多次用到。

「定投」这个策略经常会被推荐。但是本着科学的怀疑精神，作为一个追求实事求是的码农，必须用数据说话。我们就以「上证指数」为基础，用 Backtrader 来回测一下「定投策略」是否真的能赚钱。

下面就是用真实数据来模拟实战了，测试策略还是用比较能反映市场规律的数据来测试，所以「指数数据」是比较好的选择，那么用哪些指数，指数的历史数据怎么获取呢？我们来研究一下。

终于要完结了，说实话，粗略的走一下 Guidance 基本上收获不大，即使是现在这样稍微细致点的研究，离真正实践还差的远，接下来如何精进，笔者也在探索中，各位同学如果有什么好的建议，欢迎推荐。

篇幅关系，详探系列会分成几篇来写，前篇《【Backtrader】Guidance 详探（一）》写到了【Our First Strategy】这个 Demo，本篇继续。

过了一遍 Guidance 之后，发现该不会用还是不会用，主要是各种细节还不知道怎么修改。当然，这是正常现象，所以有必要再深入探究下 Guidance 的这些 Demo。