python量化交易平台开发教程系列_Python量化交易平台开发教程系列6-中层引擎设计...

本文介绍了一个交易系统的API接口功能,包括登录、订阅合约、查询账户、查询投资者、查询持仓等操作,并展示了如何通过这些接口进行发单、撤单及循环查询等功能。

#----------------------------------------------------------------------

def login(self, userid, mdPassword, tdPassword, brokerid, mdAddress, tdAddress):

"""登陆"""

self.md.login(mdAddress, userid, mdPassword, brokerid)

self.td.login(tdAddress, userid, tdPassword, brokerid)

#----------------------------------------------------------------------

def subscribe(self, instrumentid, exchangeid):

"""订阅合约"""

self.md.subscribe(instrumentid, exchangeid)

#----------------------------------------------------------------------

def getAccount(self):

"""查询账户"""

self.td.getAccount()

#----------------------------------------------------------------------

def getInvestor(self):

"""查询投资者"""

self.td.getInvestor()

#----------------------------------------------------------------------

def getPosition(self):

"""查询持仓"""

self.td.getPosition()

#----------------------------------------------------------------------

def getInstrument(self):

"""获取合约"""

event = Event(type_=EVENT_LOG)

log = u'查询合约信息'

event.dict_['log'] = log

self.ee.put(event)

self.td.getInstrument()

#----------------------------------------------------------------------

def sendOrder(self, instrumentid, exchangeid, price, pricetype, volume, direction, offset):

"""发单"""

self.td.sendOrder(instrumentid, exchangeid, price, pricetype, volume, direction, offset)

#----------------------------------------------------------------------

def cancelOrder(self, instrumentid, exchangeid, orderref, frontid, sessionid):

"""撤单"""

self.td.cancelOrder(instrumentid, exchangeid, orderref, frontid, sessionid)

#----------------------------------------------------------------------

def getAccountPosition(self, event):

"""循环查询账户和持仓"""

self.countGet = self.countGet + 1

# 每5秒发一次查询

if self.countGet > 5:

self.countGet = 0 # 清空计数

if self.lastGet == 'Account':

self.getPosition()

self.lastGet = 'Position'

else:

self.getAccount()

self.lastGet = 'Account'

#----------------------------------------------------------------------

def initGet(self, event):

"""在交易服务器登录成功后,开始初始化查询"""

# 打开设定文件setting.vn

f = shelve.open('setting.vn')

# 尝试读取设定字典,若该字典不存在,则发出查询请求

try:

d = f['instrument']

# 如果本地保存的合约数据是今日的,则载入,否则发出查询请求

today = date.today()

if d['date'] == today:

self.dictInstrument = d['dictInstrument']

event = Event(type_=EVENT_LOG)

log = u'合约信息读取完成'

event.dict_['log'] = log

self.ee.put(event)

self.getInvestor()

# 开始循环查询

self.ee.register(EVENT_TIMER, self.getAccountPosition)

else:

self.getInstrument()

except KeyError:

self.getInstrument()

f.close()

#----------------------------------------------------------------------

def insertInstrument(self, event):

"""插入合约对象"""

data = event.dict_['data']

last = event.dict_['last']

self.dictInstrument[data['InstrumentID']] = data

# 合约对象查询完成后,查询投资者信息并开始循环查询

if last:

# 将查询完成的合约信息保存到本地文件,今日登录可直接使用不再查询

self.saveInstrument()

event = Event(type_=EVENT_LOG)

log = u'合约信息查询完成'

event.dict_['log'] = log

self.ee.put(event)

self.getInvestor()

# 开始循环查询

self.ee.register(EVENT_TIMER, self.getAccountPosition)

#----------------------------------------------------------------------

def selectInstrument(self, instrumentid):

"""获取合约信息对象"""

try:

instrument = self.dictInstrument[instrumentid]

except KeyError:

instrument = None

return instrument

#----------------------------------------------------------------------

def exit(self):

"""退出"""

# 销毁API对象

self.td = None

self.md = None

# 停止事件驱动引擎

self.ee.stop()

#----------------------------------------------------------------------

def saveInstrument(self):

"""保存合约属性数据"""

f = shelve.open('setting.vn')

d = {}

d['dictInstrument'] = self.dictInstrument

d['date'] = date.today()

f['instrument'] = d

f.close()

内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值