盘口策略 | 交易中最重要的是什么？

量化策略开发，高质量社群，交易思路分享等相关内容

『正文』

交易中最重要的是什么？

当然是Timing啊~~~

“时机是这个世界上最难得到，又最容易失去的东西”夫难得而易失者,时也；时至而不旋踵者,机也,故圣人常顺时而动,智者必因机而发.原文出自《九州春秋》

被套不是最难受的，难受的是你止损后行情来了，就差一点你就见到黎明的太阳了。这叫什么？Timing啊~~~

A大架狙一分钟没人来，刚切道具人就拉出来把你秒了，这叫什么？Timing啊~~~

桓温枋头撤军，以精兵叠后，谨慎小心了一路，马上就要回到东晋了松懈了，被慕容垂8000精骑兵突袭死伤过半。这叫什么？Timing啊~~~

人生有太多timing时刻，不是你抓别人的，就是别人抓你的。这个市场何尝不是，我也想抓抓市场的timing,不知可否。

言归正传，我们想抓市场的机会需要有具体的方法和既定规则，我们是做量化的所以每一步都要能说明清楚。

几年前接触到订单流觉得很有意思，它是从微观角度来描述这个市场的，使用最小颗粒的数据计算出主动买卖的指标，找到价格的支撑，阻力，哪个K线主动买入多，哪个是主动卖出多，整个市场主动买卖力量是如何分布的等等之类，它最吸引我的地方是可以用数量描述清楚市场的多空力量。这一点儿对于做量化策略非常关键，可以编写一个完整的交易条件，而不是像某些主观理论存在模棱两可的地方。《订单流图表与普通K线的不同》

订单流不会错吗？错，会经常错。不怕它错,有对应的止损止盈，做的是一个盈亏比。

(图表来源:松鼠沙盘)

图中的红绿横线就是由多个失衡造成的堆积，分为多头堆积和空头堆积。也就是在某一个K线上出现了供需矛盾极大的情况，有一方占有绝对优势，

这是一个交易的信号。当出现信号时，可以尝试把握这种机会。止损设置在信号K线的最低价或者空头的最高价。以小的试错成本等待一个较大盈亏比的机会。也就是说你要抓主力的timing~哈哈

策略逻辑

1.开仓条件：多头堆积次数大于X做多，空头堆积次数大于X做空.互为正反手。

2.固定止损：以开仓价格的百分比计算止损价。

3.跟踪止盈：以吊灯方法跟踪价格计算出场线。

策略逻辑非常简单，没有那么多弯弯绕。这也是我非常喜欢它的地方，不用动脑子。订单流策略不同于传统技术指标策略，它无法预测信号。如果是MACD或者KDJ，你甚至可以预判到是否会交叉，但是订单流不行。它是基于最小颗粒度计算的主动买卖力量，只能等到它出现你才知道。

策略模块

1.通过tick(或逐笔)数据计算of数据

2.基于of数据计算堆积信号或其他指标

3.合成堆积信号为bar数据进行回测

4.基于CTP实时生成OF数据及信号（实盘版）

盘口策略我们分为俩个版本：回测版和实盘版，今天讲的是回测版本，俱乐部里拿到源码后，群友一定会问很多的问题，策略代码实现较为复杂。我们先消化了回测版，然后7月初发布CTP实盘版。

tick生成of数据：

def orderflow_df_new(df_tick,df_min):df_of=pd.DataFrame({})t1 = time.time()startArray = pd.to_datetime(df_min['starttime']).valuesvoluememin= df_min['volume'].valueshighs=df_min['high'].valueslows=df_min['low'].valuesopens=df_min['open'].valuescloses=df_min['close'].valuesendArray = pd.to_datetime(df_min['datetime']).valuestTickArray = pd.to_datetime(df_tick['datetime']).valuesbp1TickArray = df_tick['bid_p'].valuesap1TickArray = df_tick['ask_p'].valueslastTickArray = df_tick['lastprice'].valuesvolumeTickArray = df_tick['volume'].valuessymbolarray = df_tick['symbol'].valuesindexFinal = 0for index,tEnd in enumerate(endArray):start = startArray[index]bidDict = {}askDict = {} bar_vol=voluememin[index]bar_close=closes[index]bar_open=opens[index]bar_low=lows[index]bar_high=highs[index]bar_symbol=symbolarray[index]dt=endArray[index]for indexTick in range(indexFinal,len(df_tick)):#.........................bidDictResult,askDictResult = process(bidDict,askDict)bidDictResult=dict(sorted(bidDictResult.items(),key=operator.itemgetter(0)))askDictResult=dict(sorted(askDictResult.items(),key=operator.itemgetter(0)))prinslist=list(bidDictResult.keys())asklist=list(askDictResult.values())bidlist=list(bidDictResult.values())delta=(sum(askDictResult.values()) - sum(bidDictResult.values()))df=pd.DataFrame({'price':pd.Series([prinslist]),'Ask':pd.Series([asklist]),'Bid':pd.Series([bidlist])})df['symbol']=bar_symboldf['datetime']=dtdf['delta']=str(delta)df['close']=bar_closedf['open']=bar_opendf['high']=bar_highdf['low']=bar_lowdf['volume']=bar_voldf['ticktime']=tTickArray[indexTick]df['dj']=GetOrderFlow_dj(df)print(df)df_of = pd.concat([df_of, df], ignore_index=True)print(time.time() - t1)return df_of

计算好订单流数据后，输出是这样：

price,Ask,Bid这三列就是订单流K线里的核心数据，入下图：

有了这个脚本，你就可以源源不断的生成orderflow数据用于研究。然后我们在计算每个K线的失衡，堆积。我们的交易条件是基于堆积的，因此我们只要算出堆积列就可以实现Bar级别回测了。如下图：

sig列就是这个bar的堆积次数，正数是多头堆积，负数是空头堆积。

计算堆积的代码：

order= {"Price":price_s[i], "Ask":{ "Value":Bid_s[i]},"Bid":{ "Value":Ask_s[i]}} if i>=1 and i<len(price_s)-1:if (order["Ask"]["Value"]>Ask_s[i+1]*int(Config['Value1'])):order["Ask"]["Color"]=itemAskBG[1]gxx+=1gj+=1if gj>=int(Config['Value2']) and Config['Value4']==True:duiji['price']=price_s[i]duiji['time']=dtimeduiji['longshort']=-1duiji['cout']=gjduiji['color']='rgba(0,139,0,0.45)'#绿色if float(duiji['price'])>0:djcout+=1else :gj=0if (order["Bid"]["Value"]>Bid_s[i-1]*int(Config['Value1'])):xq+=1xxx+=1order["Bid"]["Color"]=itemBidBG[1] if xq>=int(Config['Value2']) and Config['Value4']==True:duiji['price']=price_s[i]duiji['time']=dtimeduiji['longshort']=1duiji['cout']=xqduiji['color']='rgba(255,0,0,0.45)' #红色if float(duiji['price'])>0:djcout+=-1else :xq=0

为什么要用Bar级别去回测订单流策略？

我们之前开发过很多orderflow策略脚本，详情可以查看orderflow系列。都是逐Tick回测，说实话太慢了，6个月的逐tick回测要好几个小时，这么慢的速度很难做研究，如果你的机器内存小，还有中途崩溃的问题。于是我们改变思路，在数据生成时讲信号计算好，我们只要回测含有信号的Bar就可以了。数据生成+回测用时有了质的飞跃，不到2分钟就可以完成这些工作，如下图：