量化研究---可转债量化交易系统上线快速服务器

现在可转债交易系统使用的人多，服务器比较小，今天对服务器进行了升级，提供快速的数据支持，同时我也给了服务器的源代码，支持自定义服务器数据支持，不通过我服务器，可以挂在服务器上面24小时快速交易,文章https://mp.weixin.qq.com/s/vmDorXu6ZbgazhJCS-JPSg

服务器24小时运行

配合高频量化模块

同时我也提供了大qmt版本

知识星球有全部直接下载就可以

高速服务器网页http://101.34.65.108:8023/

默认因子数据

合成因子

策略表现

我实盘的表现不错，可转债网页http://120.78.132.143:8888/

比如可转债5因子策略

点击选股数据

持股数据

交易报告

实盘设置点击可转债高速服务器策略

输入账户

支持自定义框架

源代码很多1000行可以研究

点击运行测试数据

选股数据

和网页一样的

挂模型实盘交易

源代码我全部上传了知识星球可以下载使用研究实盘框架，我也给了miniqmt版本

不懂的问我就可以，加我备注人群可以加入量化群

部分源代码，完整的1000多行太长了

#encoding:gbk'''小果可转债5因子轮动策略2，换了一个高速服务器小果可转债5因子轮动策略高速服务器作者:小果微信:15117320079时间：20250226输入自己的账户就可以"账户":"111111",建议使用综合交易模型，miniqmt，配合实时脉冲，网格，止盈止损交易先小资金测试熟悉,支持融资融券支持自定义服务器数据下单的价格编码数值	描述-1	无效(只对于algo_passorder起作用)0	卖5价1	卖4价2	卖3价3	卖2价4	卖1价5	最新价6	买1价7	买2价(组合不支持)8	买3价(组合不支持)9	买4价(组合不支持)10	买5价(组合不支持)'''import pandas as pdimport talibimport time from datetime import datetimeimport mathimport jsonimport requeststext={
	"账户":"",	"账户支持融资融券":"账户支持融资融券,账户类型STOCK/CREDIT",	"账户类型":"STOCK",
	"买入价格编码":5,	"卖出价格编码":5,
	"是否测试":"否",	"测试时间":'20250303',
	"黑名单":['600031.SH'],
	"是否隔离策略":"是",	"交易模式说明":"金额/数量",	"交易模式":"金额",	"固定交易金额":2000,	"固定交易数量":100,	"特殊交易标的设置":"特殊交易标的设置",	"特殊交易标的":[],	"特殊交易标的固定交易金额":15000,	"特殊交易标的固定交易数量":100,	"小果可转债自定义因子轮动策略": "小果可转债服务器提供实时因子数据支持",	"服务器数据源设置": "服务器数据源设置********",	"服务器": "http://101.34.65.108",	"端口": "8023",	"服务器编码":"5071dc6e12cd478aa2ab511bbb96abce1f6c0a05a17df9112582acfb29cc3216",	"授权码": "123456",	"时间设置":"时间设置********",	"交易时间段":8,	"交易开始时间":9,	"交易结束时间":24,	"是否参加集合竞价":"否",	"开始交易分钟":0,	"可转债自定义因子计算": "可转债自定义因子计算************,基于默认因子表计算,df是因子表名称",	"是否开启默认因子计算": "是",	"默认因子计算": {		"三要素评分": "df['溢价率']*100+df['剩余年限']-df['到期税前收益']*100"	},	"强制赎回设置": "************************",	"是否剔除强制赎回": "是",	"满足强制赎回天数": 10,	"排除上市天数": 3,	"是否排除ST": "是",	"排除市场": [],	"行业说明": "查询行业表**********,混合排除不区分一二三级行业",	"排除行业": [],	"排除企业类型": [],	"排除地域": [],	"排除外部评级": [],	"排除三方评级": [],	"添加排除因子": "排除因子设置************************",	"因子计算符号说明": "大于,小于,大于排名%,小于排名%,空值,排除是相反的,大于是小于",	"排除因子": [		"双低",		"双低",		"剩余规模(亿)",		"剩余规模(亿)",		"剩余年限",		"溢价率",		"溢价率",		"价格",		"价格",		"正股年化波动率",		"涨幅",		"换手率"	],	"因子计算符号": [		"大于",		"小于",		"大于",		"小于",		"小于",		"大于",		"小于",		"大于",		"小于",		"小于",		"小于",		"小于"	],	"因子值": [		170,		100,		8,		1,		1,		70,		-1,		150,		100,		60,		0,		5	],	"打分因子设置": "*************************************************",	"打分因子说明": "正相关：因子值越大得分越高；负相关：因子值越大得分越低,",	"打分因子": [		"5日斜率",		"正股年化波动率"	],	"因子相关性": [		"正相关",		"正相关"	],	"因子权重": [		1	],	"持有限制": 10,	"持股限制": 10,	"轮动规则设置": "轮动规则设置88888888**********排名",	"买入排名前N": 10,	"持有排名前N": 10,	"跌出排名卖出N": 10,	"买入前N": 10,}class A():	passa=A()
def init(c):	#账户	c.account=text['账户']	#账户类型	c.account_type=text['账户类型']	#交易股票池	hold_limit=text['持有限制']	if c.account_type=='stock' or c.account_type=='STOCK':		c.buy_code=23		c.sell_code=24	else:		#融资融券		c.buy_code=33		c.sell_code=34	c.buy_price_code=text['买入价格编码']	c.sell_price_code=text['卖出价格编码']	c.del_trader_list=text['黑名单']	#可以考虑一天轮动2次	c.run_time("run_tarder_func","1nDay","2024-07-25 10:30:00")	c.run_time("run_tarder_func","1nDay","2024-07-25 14:25:00")	#30分钟一次	#c.run_time("run_tarder_func","1800nSecond","2024-07-25 13:20:00")	c.run_time("trader_info","3nSecond","2024-07-25 13:20:00")	print(get_account(c,c.account,c.account_type))	print(get_position(c,c.account,c.account_type))	print(run_tarder_func(c))def handlebar(c):	#run_tarder_func(c)	passdef trader_info(c):	if check_is_trader_date_1():		print('{} 等待程序调仓'.format(datetime.now()))	else:		print('{} 不是交易时间等待程序调仓'.format(datetime.now()))
def get_price(c,stock):	'''	获取最新价格	'''	tick=c.get_full_tick(stock_code=[stock])	tick=tick[stock]	price=tick['lastPrice']	return pricedef get_trader_data(c):	'''	小果可转债5因子轮动策略	'''	url=text['服务器']	port=text['端口']	url_code=text['服务器编码']	password=text['授权码']	test=text['是否测试']	test_date=text['测试时间']	if test=='是':		print('开启测试模式实盘记得关闭********************')		date=test_date	else:		date=''.join(str(datetime.now())[:10].split('-'))	#date='20250229'	print('小果服务器提供数据支持***************************')	print('服务器{} 端口{} 授权码{}'.format(url,port,password))	models=small_fruit_custom_factor_selection_system(url=url,		port=port,		url_code=url_code,		password=password,		text=text,		date=date,		limit=30)	stats,df=models.get_select_result()	if stats==True:		print('可转债数据获取成功，开始轮动分析')		print('选股结果*********************')		print(df)		df['更新时间']=datetime.now()		hold_limit=text['持股限制']		buy_rank=text['持有排名前N']		hold_stock=get_position(c,c.account,c.account_type)		if hold_stock.shape[0]>0:			hold_stock=hold_stock[hold_stock['持仓量']>=10]			if hold_stock.shape[0]>0:				hold_stock['证券代码']=hold_stock['证券代码'].astype(str)				hold_stock_list=hold_stock['证券代码'].tolist()				hold_amount=hold_stock.shape[0]			else:				hold_stock_list=[]				hold_amount=0		else:			hold_stock_list=[]			hold_amount=0		df=df		if df.shape[0]>0:			df['可转债代码']=df['可转债代码'].astype(str)			df['可转债代码']=df['可转债代码'].apply(lambda x:adjust_stock(x))			all_stock_list=df['可转债代码'].tolist()			buy_stock_list=df['可转债代码'].tolist()[:buy_rank]		else:			all_stock_list=[]			buy_stock_list=[]			#轮动卖出		sell_stock_list=[]		for stock  in hold_stock_list:			if stock not in buy_stock_list:				print('卖出 {} 不在买入前{} 排名{}'.format(stock,buy_rank,buy_stock_list))				sell_stock_list.append(str(stock))			else:				print('持有 {} 在买入前{} 排名{}'.format(stock,buy_rank,buy_stock_list.index(stock)))		#轮动买入		buy_stock_list_1=[]		for stock in buy_stock_list:			if stock in hold_stock_list:				print('已经持有 {} 在买入前{} 排名{}'.format(stock,buy_rank,buy_stock_list.index(stock)))			else:				print('买入 {} 在买入前{} 排名{}'.format(stock,buy_rank,buy_stock_list.index(stock)))				buy_stock_list_1.append(stock)		sell_df=pd.DataFrame()		sell_df['证券代码']=sell_stock_list		sell_df['交易状态']='卖'		sell_amount=sell_df.shape[0]		av_buy=(hold_limit-hold_amount)+sell_amount		if av_buy>=hold_limit:			av_buy=hold_limit		else:			av_buy=av_buy		buy_df=pd.DataFrame()		buy_df['证券代码']=buy_stock_list_1[:av_buy]		buy_df['交易状态']='买'
		if sell_df.shape[0]>0:			sell_df['名称']=sell_df['证券代码']		else:			sell_df['名称']=None		if buy_df.shape[0]>0:			buy_df['证券代码']=buy_df['证券代码'].astype(str)			buy_df['名称']=buy_df['证券代码']		else:			buy_df['名称']=None		buy_df['交易时间']=datetime.now()		print('买入股票****************')		print(buy_df)		print('卖出股票*****************')		print(sell_df)		if hold_stock.shape[0]>0:			hold_stock=hold_stock[hold_stock['持仓量']>=10]			if hold_stock.shape[0]>0:				hold_stock['证券代码']=hold_stock['证券代码'].astype(str)				hold_stock['卖出']=hold_stock['证券代码'].apply(lambda x: '是' if x in sell_stock_list else '不是')				sell_df=hold_stock[hold_stock['卖出']=='是']			else:				sell_df=pd.DataFrame()		else:			sell_df=pd.DataFrame()		return buy_df,sell_df	else:		print('可转债数据获取失败，等待服务器更新')		buy_df=pd.DataFrame()		sell_df=pd.DataFrame()		return buy_df,sell_dfdef run_tarder_func(c):	'''	运行交易函数	'''	trader_models=text['交易模式']	fix_value=text['固定交易金额']	fix_amount=text['固定交易金额']	sep_fix_value=text['特殊交易标的固定交易金额']	sep_fix_amount=text['特殊交易标的固定交易数量']	sep_stock_list=text['特殊交易标的']	if check_is_trader_date_1():		#先卖在买入		buy_df,sell_df=get_trader_data(c)		if sell_df.shape[0]>0:			for stock,hold_amount,av_amount in zip(sell_df['证券代码'],sell_df['持仓量'],sell_df['可用数量']):				if stock not in c.del_trader_list:					print('{} 标的不在黑名单卖出'.format(stock))					try:						if av_amount>=10:							print('{} 持有数量{} 可以数量{}大于0 卖出数量{}'.format(stock,hold_amount,av_amount,av_amount))							passorder(c.sell_code, 1101,c.account, stock, c.sell_price_code, 0, av_amount, '',1,'',c)						else:							print('{} 持有数量{} 可以数量{}等于0 卖出数量{} 不交易'.format(stock,hold_amount,av_amount,av_amount))					except:						print('{}卖出有问题'.format(stock))				else:					print('{} 标的在黑名单不卖出'.format(stock))		else:			print('没有卖出的数据')		#买入		if buy_df.shape[0]>0:			for stock in buy_df['证券代码'].tolist():				if stock not in c.del_trader_list:					print('{} 标的不在黑名单买入'.format(stock))					try:						if stock  in sep_stock_list:							print('{}在特殊标的里面*********'.format(stock))							fix_value=sep_fix_value							volume=sep_fix_amount						else:							fix_value=text['固定交易金额']							volume=fix_amount						print(stock,fix_value)						if trader_models=='金额':							print('{}金额交易模式*******'.format(stock))							tader_type,amount,price=order_stock_value(c,c.account,c.account_type,stock,fix_value,'buy')							print(tader_type,amount,price)							if tader_type=='buy' and amount>=10 :								passorder(c.buy_code, 1101, c.account, str(stock), c.buy_price_code, 0, amount, '',1,'',c)								#passorder(23, 1101, c.account, str('513100.SH'), 5, 0, 100, '',1,'',c)								print('{} 最新价格 买入{} 元'.format(stock,fix_value))							else:								print('{}金额交易模式买入不了*******'.format(stock))						else:							print('{}数量交易模式*******'.format(stock))							passorder(23, 1101, c.account, str(stock), 5, 0, volume, '',1,'',c)							print('{} 最新价格 买入{} 数量'.format(stock,volume))					except Exception as e:						print(e,'{}买入有问题'.format(stock))				else:					print('{} 标的在黑名单不买入'.format(stock))
		else:			print('没有买入数据')	else:		print('{} 目前不少交易时间'.format(datetime.now()))class xg_bond_factor_data:	'''	小果可转债因子数据库	http://124.220.32.224:8023/	'''	def __init__(self,url='http://124.220.32.224',	port='8023',	url_code='5071dc6e12cd478aa2ab511bbb96abce1f6c0a05a17df9112582acfb29cc3216',	password='123456'):		'''		小果可转债因子数据库		url服务器网页		port端口		password授权码		'''		self.url=url		self.port=port		self.url_code=url_code		self.password=password	def xg_bond_factor_data(self,date_type='实时数据',date='2024-09-09'):		'''		小果可转债因子数据库		date_type=实时数据/全部默认因子/合成因子		'''		url='{}:{}/_dash-update-component'.format(self.url,self.port)		headers={'Content-Type':'application/json'}		data={			"output":"xg_bond_data_maker_table.data@{}".format(self.url_code),			"outputs":{"id":"xg_bond_data_maker_table","property":"data@{}".format(self.url_code)},			"inputs":[{"id":"password","property":"value","value":self.password},				{"id":"xg_bond_data_data_type","property":"value","value":date_type},				{"id":"xg_bond_data_end_date","property":"date","value":date},				{"id":"xg_bond_data_run","property":"value","value":"运行"},				{"id":"xg_bond_data_down_data","property":"value","value":"不下载数据"}],				"changedPropIds":["xg_bond_data_run.value"],				"parsedChangedPropsIds":["xg_bond_data_run.value"]}		res=requests.post(url=url,data=json.dumps(data),headers=headers)		text=res.json()		df=pd.DataFrame(text['response']['xg_bond_data_maker_table']['data'])		return dfclass small_fruit_custom_factor_selection_system:	def __init__(self,url='http://124.220.32.224',		port='8023',		url_code='5071dc6e12cd478aa2ab511bbb96abce1f6c0a05a17df9112582acfb29cc3216',		password='xg123456',		text={},		date='20250114',		limit=30):		print('小果可转债自定义因子选择系统        ')		print('作者:小果')		print('作者微信:15117320079,开实盘qmt可以联系我,开户也可以')		print('作者微信公众号:数据分析与运用')		print('公众号链接:https://mp.weixin.qq.com/s/rxGJpZYxdUIHitjvI-US1A')		print("作者知识星球:金融量化交易研究院  https://t.zsxq.com/19VzjjXNi")		self.url=url		self.port=port		self.url_code=url_code		self.password=password		self.text=text		self.xg_data=xg_bond_factor_data(url=self.url,port=self.port,url_code=self.url_code,password=self.password)		self.date=date		self.limit=limit		self.stats=False	def select_bond_cov(self,x):		'''		选择证券代码		'''		if x[:3] in ['110','113','123','127','128','111'] or x[:2] in ['11','12']:			return '是'		else:			return '不是'	def get_all_factor_data(self):		'''		获取可转债全部数据		'''		print("获取可转债全部数据************")		text=self.text		now_date=self.date		df=self.xg_data.xg_bond_factor_data(date_type='合成因子',date=now_date)		stats=df['数据状态'].tolist()[-1]		try:			if stats==True or stats=='True' or stats=='true':				df=df				print('可转债获取成功***********')				self.stats=True			else:				print(df)				df=pd.DataFrame()				self.stats=False		except Exception as e:			df=pd.DataFrame()			self.stats=False
		return df
	def get_cacal_factor_base_table(self):		'''		计算默认因子		'''		print('计算默认因子***********************')		text=self.text		is_open=text['是否开启默认因子计算']		df=self.get_all_factor_data()		if df.shape[0]>0:			factor=text['默认因子计算']			if is_open=='是':				print('开启计算默认因子***********************')				factor_name=list(factor.keys())				if len(factor_name)>0:					for name in factor_name:						try:							print(name,'因子计算完成')							func=factor[name]							df[name]=eval(func)						except Exception as e:							print(e,name,'因子计算有问题')				else:					print('没有默认因子需要计算')			else:				print('不开启计算默认因子***********************')		else:			df=pd.DataFrame()		return df	def get_del_qzsh_data(self):		'''		剔除强制赎回		'''		print('剔除强制赎回')		text=self.text		del_select=text['是否剔除强制赎回']		n=text['满足强制赎回天数']		df=self.get_cacal_factor_base_table()		if df.shape[0]>0:			select_list=['公告要强赎','已公告']			df['强赎']=df['强赎天计数'].apply(lambda x : '是' if '公告要强赎' in x or '已公告' in x else '不是')			df1=df[df['强赎']=='是']			df2=df[df['强赎']=='不是']			df2['强赎天计数']=df2['强赎天计数'].apply(lambda x: '0/15 | 30' if str(x)[:4]=='暂不强赎' or '不强赎' in x else x)			df2['强赎天数']=df2['强赎天计数'].apply(lambda x: int(str(x).split('/')[0]))			df2=df2[df2['强赎天数']<=n]		else:			df2=pd.DataFrame()		return df2	def days_excluded_from_market(self):		'''		排除上市天数		'''		print('排除上市天数')		text=self.text		df=self.get_del_qzsh_data()		if  df.shape[0]>0:			n=text['排除上市天数']			try:				df['上市天数']=df['上市天数'].apply(lambda x: float(str(x).split('days')[0]))				df=df[df['上市天数']>=n]			except:				df=df		else:			df=pd.DataFrame()
		return df	def st_exclusion(self):		'''		排除st		'''		print('排除st')		text=self.text		is_del=text['是否排除ST']		df=self.days_excluded_from_market()		if  df.shape[0]>0:			if is_del=='是':				def_list=['ST','st','*ST','*st']				df['ST']=df['正股名称'].apply(lambda x: '是' if 'st' in x or 'ST' in x or '*st' in x or '*ST' in x else '不是' )				df=df[df['ST']=='不是']			else:				df=df		else:			df=pd.DataFrame()		return df	def exclusion_of_market(self):		'''		排除市场		'''		print("排除市场")		text=self.text		exclusion_market_list = []		del_stock_list=text['排除市场']		for exclusion_market in del_stock_list:			if exclusion_market == '沪市主板':				exclusion_market_list.append(['110','113'])			elif exclusion_market == '深市主板':				exclusion_market_list.append(['127','128'])			elif exclusion_market == '创业板':				exclusion_market_list.append('123')			elif exclusion_market == '科创板':				exclusion_market_list.append('118')			else:				pass		df=self.st_exclusion()		if df.shape[0]>0:			df['market'] = df['转债代码'].apply(lambda x: '排除' if str(x)[:3] in exclusion_market_list  else '不排除')			df = df[df['market'] == '不排除']		else:			df=pd.DataFrame()		return df