Я работал над инструментами для реального времени, но в течение некоторого времени я испытывал чувство, что переход к интерфейсу слишком сложный. Наконец-то я перешел к документам из руководства FMZ. Мы нашли в ней функцию, которую мы хотим, и вытащили ее с помощью волны, чтобы обсудить это с вами через полгода. Кстати говоря, в fmz очень мало статей, поэтому они полезны для новичков.
Во-первых, пользователи могут самостоятельно выбирать время начала и времени окончания, так что
Этого хватит, чтобы параметризировать:
Я не знаю, есть ли какая-то функция, которую можно инициализировать.
self.grid_setting = {
"min_price": min_price,
"max_price": max_price,
"grid_diff": grid_diff,
"re_diff": grid_diff,
"total_amount_B": total_amount_B
}
Параметры конфигурации решетки: минимальная, максимальная цена, интервал распределения решетки и интервал перезагрузки.
Все эти параметры предоставлены пользователями.
Основная функция bus -
def bus(self):
params = gen_params(self.begin, self.end, self.currency, self.balance, self.stocks)
task = VCtx(params)
done = self.train()
ret = task.Join(True)
benefit_cal = self.cal_benefit(ret,done)
result = {}
result['done'] = done
result['ret'] = benefit_cal
return result
Вызов task.Join ((() завершает задачу обратного анализа и возвращает данные чистой стоимости. Параметр Join не передает True, который возвращает исходные результаты обратного анализа, которые не были проанализированы, и после окончания нельзя вызывать функции, связанные с сделками или рынками.
По документам, я пытаюсь догадаться, что означают результаты стратегии.
Код, приложенный к возвращенным FMZ данным прибыли, рассчитан
def cal_benefit(self,ret,done):
#计算相隔多少天
day_begin = datetime.datetime.strptime(self.begin, '%Y-%m-%d %H:%M:%S')
day_end = datetime.datetime.strptime(self.end, '%Y-%m-%d %H:%M:%S')
days = (day_end - day_begin).days
begin = ret.iloc[0].net
end = ret.iloc[-1].net
fee = ret.iloc[-1].fee
#计算一共多少次套利
df = pd.DataFrame(done)
#如果没有成交记录
if len(done) == 0:
benefit_cal = {}
benefit_cal['benefit'] = 0
benefit_cal['count'] = 0
benefit_cal['fee'] = 0
benefit_cal['benefit_p'] = 0
return benefit_cal
buy_count = len(df[df['type'] == 'buy'])
sell_count = len(df[df['type'] == 'sell'])
count = min(buy_count , sell_count)
benefit = count * self.grid_diff * float(done[0]['amount'])
benefit_cal = {}
benefit_cal['benefit']= benefit
benefit_cal['count']= count
benefit_cal['fee']= fee
print(benefit_cal)
per = benefit / self.total_amount_B * 360 / days
print(per)
benefit_cal['benefit_p']= round( per , 4)
return benefit_cal
Да. Чувствую себя немного неловко, но сначала я расскажу о том, что мы думаем о нашей сети:
while True:
Sleep(1000 * 60 * 5)
if 'refreash_data_finish!' != mid.refreash_data():
continue
# 初始化网格
if not init_flag:
cur_price = mid.ticker['Last']
grid_list = grid.cal_grid_list(cur_price)
init_flag = True
# 开始挂单
if not place_flag:
grid.place_orders()
place_flag = True
# 开始检查订单状态及时挂单
grid.check_order_update()
done = grid.done
Наверное, так оно и есть, может показаться странным в первый раз.
Я хочу поделиться с вами тем, что скорость повторения FMZ за 14 дней в основном удовлетворяет ожиданиям пользователей на переднем конце, а когда она становится медленнее, это хороший инструмент для количественного повторения как интерфейса.
Да, в этот раз мы снова собираемся объявить о волне торговли, наша команда по количественному выигрышу провела торговлю, в которой можно бесплатно принять участие. Если вы предоставите API для запросов, вы можете зарегистрироваться, и выиграть бонус. Оставьте контактную страницу fengye607.
ТраваВам нужно получить результаты реального времени, а затем смоделировать результаты рецензирования. Это может привести к некоторым проблемам, но если это только одна сделка, вы можете попробовать написать собственную рецензирующую машину.