TqSdk2 与 vn.py 有哪些差别

TqSdk 与 vn.py 有非常多的差别. 如果您是一位有经验的 vn.py 用户, 刚开始接触 TqSdk, 下面的信息将帮助您尽快理解 TqSdk.

系统整体架构

vn.py 是一套 all-in-one 的结构, 在一个Python软件包中包含了数据库, 行情接收/存储, 交易接口, 图形界面等功能.

TqSdk2 则使用基于网络协作的组件设计. 如下图:

如图所示, 整个系统结构包括这些关键组件:

• 行情网关 (Open Md Gateway) 负责提供实时行情和历史数据

• 交易中继网关 (Open Trade Gateway) 负责连接到期货公司交易系统

• 上面两个网关统一以 Diff 协议对下方提供服务

• TqSdk2 按照Diff协议连接到行情网关和交易中继网关, 实现行情和交易功能

这样的结构可以给用户带来一些好处:

• TqSdk2 很小, 安装也很方便, 只要简单 pip install tqsdk2 即可

• 官方专门运维行情数据库, 用户可以直接使用, 不需要自己接收和存储数据

• 交易相关接口被大幅度简化, 不再需要处理 CTP 接口的复杂回调, 也不需要发起任何查询请求

• 任何语言只要支持 websocket 协议, 都可以用来进行策略开发

同时对于速度更加有要求的用户，TqSdk2 通过将中继服务器并入本地，来提供直连模式供用户使用：

因此在选择 TqSdk2 直连模式时:

• 用户代码从中继模式切换到直连模式下的代码，只用修改一行

• 省去了用户交易指令传输需要经过交易中继网关流程，减少了用户交易指令到达期货公司的延迟

需要注意选择直连模式时，用户需要向期货公司申请程序化接入并且填写自己的接入信息

同时 TqSdk2 中将 TqSdk 里的底层代码全部用 C++ 进行了重构，这会给用户额外带来这些好处：

• 维持了 TqSdk 中对外接口，让用户 TqSdk 中的代码可以在大多数情况下无缝迁移到 TqSdk2

• 有效减少了系统内交易指令运算耗时

• 将同等代码 TqSdk 的回测速度提升了十倍以上

每个策略是一个单独运行的py文件

在 vn.py 中, 要实现一个策略程序, 通常是从 CtaTemplate 等基类派生一个子类, 像这样:

class DoubleMaStrategy(CtaTemplate):

  parameters = ["fast_window", "slow_window"]
  variables = ["fast_ma0", "fast_ma1", "slow_ma0", "slow_ma1"]

  def __init__(self, cta_engine, strategy_name, vt_symbol, setting):
    ...

  def on_tick(self, tick: TickData):
    ...

  def on_bar(self, bar: BarData):
    ...

这个 DoubleMaStrategy 类写好以后, 由 vn.py 的策略管理器负责加载运行. 整个程序结构中, vn.py 作为调用方, 用户代码作为被调用方, 结构图是这样的:

而在 TqSdk2 中, 策略程序并没有一个统一的基类. TqSdk2 只是提供一些行情和交易函数, 用户可以任意组合它们来实现自己的策略程序, 还是以双均线策略为例:

'''
双均线策略
'''
from tqsdk2 import TqApi, TqAuth, TqSim, TargetPosTask
from tqsdk2.tafunc import ma

SHORT = 30
LONG = 60
SYMBOL = "SHFE.bu1912"

api = TqApi(auth=TqAuth("信易账户", "账户密码"))

data_length = LONG + 2
klines = api.get_kline_serial(SYMBOL, duration_seconds=60, data_length=data_length)
target_pos = TargetPosTask(api, SYMBOL)

while True:
    api.wait_update()

    if api.is_changing(klines.iloc[-1], "datetime"):  # 产生新k线:重新计算SMA
        short_avg = ma(klines.close, SHORT)  # 短周期
        long_avg = ma(klines.close, LONG)  # 长周期

        # 均线下穿，做空
        if long_avg.iloc[-2] < short_avg.iloc[-2] and long_avg.iloc[-1] > short_avg.iloc[-1]:
            target_pos.set_target_volume(-3)
            print("均线下穿，做空")

        # 均线上穿，做多
        if short_avg.iloc[-2] < long_avg.iloc[-2] and short_avg.iloc[-1] > long_avg.iloc[-1]:
            target_pos.set_target_volume(3)
            print("均线上穿，做多")

以上代码文件单独运行, 即可执行一个双均线交易策略. 整个程序结构中, 用户代码作为调用方, TqSdk2 库代码作为被调用方, 每个策略是完全独立的. 结构是这样:

TqSdk2 将每个策略作为一个独立进程运行, 这样就可以:

• 在运行多策略时可以充分利用多CPU的计算能力

• 每个策略都可以随时启动/停止/调试/修改代码, 而不影响其它策略程序的运行

• 可以方便的针对单个策略程序进行调试

在策略程序中, 用户代码可以随意调用 TqSdk2 包中的任意函数, 这带来了更大的自由度, 比如:

• 在一个策略程序中使用多个合约或周期的K线数据, 盘口数据和Tick数据. 对于某些类型的策略来说这是很方便的

• 对多个合约的交易指令进行精细管理

• 管理复杂的子任务

• 方便策略程序跟其它库或框架集成

以一个套利策略的代码为例:

'''
价差回归
当近月-远月的价差大于200时做空近月，做多远月
当价差小于150时平仓
'''
api = TqApi(auth=TqAuth("信易账户", "账户密码"))
quote_near = api.get_quote("SHFE.rb1910")
quote_deferred = api.get_quote("SHFE.rb2001")
# 创建 rb1910 的目标持仓 task，该 task 负责调整 rb1910 的仓位到指定的目标仓位
target_pos_near = TargetPosTask(api, "SHFE.rb1910")
# 创建 rb2001 的目标持仓 task，该 task 负责调整 rb2001 的仓位到指定的目标仓位
target_pos_deferred = TargetPosTask(api, "SHFE.rb2001")

while True:
    api.wait_update()
    if api.is_changing(quote_near) or api.is_changing(quote_deferred):
        spread = quote_near.last_price - quote_deferred.last_price
        print("当前价差:", spread)
        if spread > 250:
            print("目标持仓: 空近月，多远月")
            # 设置目标持仓为正数表示多头，负数表示空头，0表示空仓
            target_pos_near.set_target_volume(-1)
            target_pos_deferred.set_target_volume(1)
        elif spread < 200:
            print("目标持仓: 空仓")
            target_pos_near.set_target_volume(0)
            target_pos_deferred.set_target_volume(0)

在这个程序中, 我们同时跟踪两个合约的行情信息, 并为两个合约各创建一个调仓任务, 可以方便的实现套利策略

K线数据与指标计算

使用 vn.py 时, K线是由 vn.py 接收实时行情, 并在用户电脑上生成K线, 存储于用户电脑上的数据库中.

而在 TqSdk2 中, K线数据和其它行情数据一样是由行情网关生成并推送的. 这带来了一些差别:

• 用户不再需要维护K线数据库. 用户电脑实时行情中断后, 也不再需要补历史数据

• 行情服务器生成K线时, 采用了按K线时间严格补全对齐的算法. 这与 vn.py 或其它软件有明显区别, 详见 https://www.shinnytech.com/blog/why-our-kline-different/

• 行情数据只在每次程序运行时通过网络获取, 不在用户硬盘保存. 如果策略研究工作需要大量静态历史数据, 我们推荐使用数据下载工具, 另行下载csv文件使用.

TqSdk2 中的K线序列采用 pandas.DataFrame 格式. pandas 提供了 非常丰富的数据处理函数 , 使我们可以非常方便的进行数据处理, 例如:

ks = api.get_kline_serial("SHFE.cu1901", 60)
print(ks.iloc[-1])            # <- 最后一根K线
print(ks.close)               # <- 收盘价序列
ks.high - ks.high.shift(1)    # <- 每根K线最高价-前一根K线最高价, 形成一个新序列

TqSdk 也通过 tqsdk2.tafunc 提供了一批行情分析中常用的计算函数, 例如:

from tqsdk2 import tafunc
ks = api.get_kline_serial("SHFE.cu1901", 60)
ms = tafunc.max(ks.open, ks.close)           # <- 取每根K线开盘价和收盘价的高者构建一个新序列
median3 = tafunc.median(ks.close, 100)       # <- 求最近100根K线收盘价的中间值
ss = tafunc.std(ks.close, 5)                 # <- 每5根K线的收盘价标准差

数据接收和更新

vn.py 按照事件回调模型设计, 使用 CtaTemplate 的 on_xxx 回调函数进行行情数据和回单处理:

class DoubleMaStrategy(CtaTemplate):
  def on_tick(self, tick: TickData):
    ...
  def on_bar(self, bar: BarData):
    ...
  def on_order(self, order: OrderData):
    pass
  def on_trade(self, trade: TradeData):
    self.put_event()

TqSdk2 则不使用事件回调机制. wait_update() 函数设计用来获取任意数据更新, 像这样:

api = TqApi(auth=TqAuth("信易账户", "账户密码"))
ks = api.get_kline_serial("SHFE.cu1901", 60)

while True:
  api.wait_update()       # <- 这个 wait_update 将尝试更新所有数据. 如果没有任何新信息, 程序会阻塞在这一句. 一旦有任意数据被更新, 程序会继续往下执行
  print(ks.close.iloc[-1])      # <- 最后一根K线的收盘价

一次 wait_update 可能更新多个实体, 在这种情况下, is_changing() 被用来判断某个实体是否有变更:

api = TqApi(auth=TqAuth("信易账户", "账户密码"))
q = api.get_quote("SHFE.cu1901")
ks = api.get_kline_serial("SHFE.cu1901", 60)
x = api.insert_order("SHFE.cu1901", direction="BUY", offset="OPEN", volume=1, limit_price=50000)

while True:
  api.wait_update()      # <- 这个 wait_update 将尝试更新所有数据. 如果没有任何新信息, 程序会阻塞在这一句. 一旦有任意数据被更新, 程序会继续往下执行
  if api.is_changing(q): # <- 这个 is_changing 用来判定这次更新是否影响到了q
    print(q)
  if api.is_changing(x, "status"): # <- 这个 is_changing 用来判定这次更新是否影响到了报单的status字段
    print(x)

TqSdk2 针对行情数据和交易信息都采用相同的 wait_update/is_changing 方案. 用户需要记住的要点包括:

• get_quote, get_kline_serial, insert_order 等业务函数返回的是一个引用(refrence, not value), 它们的值总是在 wait_update 时更新.

• 用户程序除执行自己业务逻辑外, 需要反复调用 wait_update. 在两次 wait_update 间, 所有数据都不更新

• 用 insert_order 函数下单, 报单指令实际是在 insert_order 后调用 wait_update 时发出的.

• 用户程序中需要避免阻塞, 不要使用 sleep 暂停程序

关于 wait_update 机制的详细说明, 请见 策略程序结构

其它区别

此外, 还有一些差别值得注意

• TqSdk 要求 Python 3.6.4 以上版本, 不支持 Python 2.x

要学习使用 TqSdk, 推荐从 十分钟快速入门 开始