Advertisement

天勤量化开发包提供期货量化、实时行情和历史数据，支持实盘交易。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
TqSdk天勤量化交易策略程序开发包，TqSdk 是一款由发起并主要贡献代码的开源 Python 库。它能够帮助用户通过极简的代码量来构建多种类型的转换交易策略程序，同时提供一份涵盖期货、收益、股票的历史数据、实时数据以及全面的开发调试、策略回测、模拟交易、实盘交易、运行监控和风险管理解决方案。通过使用 TqSdk，开发者可以轻松地实现各种量化交易策略的构建与应用。例如，利用 TqApi 类创建 TqApi 实例，并指定交易账户“海通期货”，账户号为“4003242”，密码为“123456”，从而获取报价信息。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • tqsdk-python：天勤量化开发包，支持期货量化、实时行情与历史数据及实盘交易
    优质
    Tqsdk-python是天勤提供的量化交易平台接口，专为Python用户设计，集成了期货量化策略开发所需的所有功能，包括但不限于实时市场数据获取、深度历史数据分析以及模拟和实盘交易执行。 TqSdk 是一个由社区发起并贡献主要代码的开源 Python 库。依托 TqSdk，用户可以使用少量代码构建各种类型的交易策略程序，并提供包含期货、收益和股票的历史数据、实时数据等完整解决方案，包括开发调试、策略回测、模拟交易、实盘交易、运行监控以及风险管理等功能。 ```python from tqsdk import TqApi, TqAccount api = TqApi(TqAccount(H海通期货, 4003242, 123456)) # 创建 TqApi 实例，指定交易账户 ``` 注意：示例代码中的具体账号信息在实际使用中需要替换为有效的用户数据。
     
  • tqsdk-python：天勤量化开发包，支持期货量化、实时行情与历史数据分析及实盘交易
    优质
    TQSDK-Python是天勤提供的量化交易平台，适用于期货量化分析和策略回测。它不仅提供实时市场数据和历史数据的深度挖掘功能，还支持直接连接真实交易环境进行实战操作。 TqSdk 是一个由社区发起并贡献主要代码的开源 Python 库。依托 TqSdk，用户可以使用少量代码构建各种类型的交易策略程序，并且该库提供包括期货、收益和股票在内的历史数据、实时数据以及开发调试、策略回测、模拟交易、实盘交易、运行监控及风险管理等完整解决方案。 ```python from tqsdk import TqApi, TqAccount api = TqApi(TqAccount(H海通期货, 4003242, 123456)) # 创建 TqApi 实例，指定交易账户 ```
     
  • 期货量化交易系统的设计与实现
    优质
    本项目致力于设计并实现一套高效、稳定的期货量化交易平台，集成先进的算法模型，支持复杂策略编程和实时数据分析，旨在为投资者提供精准决策支持。 期货量化交易平台提供专业的交易工具和服务，帮助用户实现自动化、智能化的期货投资策略。平台集成了多种技术分析指标，并支持自定义策略开发，旨在为投资者创造更高的收益机会。同时，该平台注重用户体验与安全性，确保每一位用户的资金安全和操作便捷性。
     
  • LazzyQuant: 期货量化预算交易系统
    优质
    LazzyQuant是一款专为期货市场设计的量化交易平台，支持自动化策略开发与回测，助力投资者实现高效、智能的投资决策。 极客量化交易平台具有以下主要功能： - 接收市场行情数据，并生成K线数据并保存至数据库。 - 根据交易策略寻找获利机会，进行开仓平仓、止损止盈等决策。 - 自动执行报单和撤单操作。 - 支持上期CTP交易接口以及多种数据源用于盘后复盘分析。 - 提供美式及欧式期权的实时定价功能（基于二叉树模型）。 - 支持各种套利策略、预埋订单及组合订单的操作。 - 兼容MQL5语法进行策略设计。 开发与测试环境包括： Windows平台上的Visual Studio 2015/2017，Linux平台下的GCC版本为7.3或9.2，Qt框架的最低要求是5.10（推荐使用5.12.9），以及MySQL数据库管理系统5.7.30。 在Linux环境下编译该程序的具体步骤如下： - 使用git命令克隆代码库至本地。 - 进入项目目录后执行qmake指令进行配置，并通过-j4参数加快多线程构建速度。
     
  • 股票量化框架EasyQuant，支持行情获取与交易.zip
    优质
    EasyQuant是一款开源的Python股票量化交易平台，提供高效的行情数据获取和自动化交易策略执行功能。 EasyQuant是一个股票量化框架，支持行情获取以及交易功能。
     
  • 上期所CTP-Api C++交易Demo版（支持实时期货模拟交易）
    优质
    这是一款基于上期所CTP-Api开发的C++版本期货交易演示程序，适用于进行实时期的期货市场模拟交易与测试。 上期所CTP-Api之C++交易Demo可以让用户在申请SIMNOW模拟账号后进行实时的期货模拟交易。此外，也可以使用从证券公司注册的账户来进行交易。这个工具非常实用。
     
  • Python期货量化书籍推荐——《Python期货量化交易基础教程》第12部分.pdf
    优质
    本PDF为《Python期货量化交易基础教程》系列之一，专注于利用Python进行期货市场的量化分析与交易策略开发的基础知识和技巧。 Python期货量化交易的基础教程在第12章深入讲解了多线程编程技术，这是实现异步任务的关键手段之一。通过使用多线程，程序可以在同一进程中并发执行多个任务，并共享进程资源以提高效率。Python提供了`threading`模块来支持这类操作。 该模块提供了一系列方法用于管理和控制线程。例如，`current_thread()`返回当前调用者所对应的线程对象；如果调用者不是通过`threading`创建的，则会返回一个功能受限的主线程对象`MainThread`。而`enumerate()`则可以列出所有活跃状态下的线程（包括主线程和守护进程），但不会包含已终止或尚未开始运行的线程。此外，使用`active_count()`方法可以获得当前正在运行的所有`Thread`类实例的数量。 对于创建线程来说，核心是利用`threading.Thread`类进行操作。该类的主要参数有：指定目标函数、设置名称和传递给函数的位置及关键字参数等选项，并可以确定是否作为守护进程启动。通过调用这些方法中的一个或多个，用户能够灵活地控制新生成的线程的行为。 例如，使用`start()`开始执行特定于每个线程的任务；利用`run()`定义实际要运行的功能代码块；检查线程状态时可借助`is_alive()`判断其是否仍然活跃。此外还有如设置和获取名称等辅助功能方法可供选择。 示例中展示了如何运用这些机制创建并管理多个独立的执行路径（即“线程”）。通过实例化不同的参数值，可以为每个新生成的对象指派特定的任务目标或行为特性，并使用`start()`来启动它们。同时还能方便地检查各线程的状态或者等待所有子任务完成后再继续后续操作。 在期货量化交易的实际应用中，多线程技术能够帮助并行处理大量市场数据、实时监控多个合约的价格变化以及加速回测策略的计算过程等场景下发挥重要作用。比如一个单独的执行路径可能专注于收集最新的市场价格信息，而另一个则进行数据分析和制定交易决策。通过有效地运用这些并发机制，可以显著提升程序的整体性能与响应速度。 综上所述，Python中的`threading`模块为构建高效且快速反应的期货量化交易平台提供了强大的支持工具集。掌握并熟练应用多线程编程技巧对于优化此类系统的运行效率至关重要。
     
  • 天然气期货的历史数据下载
    优质
    本资源提供详细的天然气期货历史交易数据下载服务，包括价格变动、成交量等关键信息，助力市场分析与投资决策。 天然气期货历史数据可以下载。
     
  • MATLAB案例合集.rar_MATLAB量化交易_MATLAB量化实例_Wind MATLAB_量化交易
    优质
    本资源为《MATLAB案例合集》，专注于介绍使用MATLAB进行量化交易的方法和技巧，涵盖Wind MATLAB集成应用及多个具体实例。 案例 MATLAB量化交易案例汇总 基于Wind-MATLAB接口的实现方案汇集了多个实际应用示例，涵盖了从数据获取、策略开发到回测分析等多个环节的具体操作步骤和技术细节。这些案例不仅提供了理论知识的应用场景，还为初学者和进阶用户构建了一个学习与实践的有效平台。通过使用Wind提供的MATLAB接口，投资者可以更加便捷地进行金融数据分析，并基于此设计个性化的交易模型以优化投资决策过程。