quant_trading:量化机器人源码，自动炒币机器人，AI智能交易机器人，网格自动交易，量化机器人APP

151 Trading Strategies，151个量化交易策略

针对在多智能体系统的通信网络中需要对交换信息进行量化的客观情况, 研究基于量化信息的二阶多智能体系统蜂拥控制问题. 首先, 假设多智能体系统采用一致量化器对速度和位置信息进行量化, 并且有一个虚拟领导者沿着固定方向匀速运动; 然后, 设计基于量化信息的多智能体蜂拥控制输入, 并利用非平滑系统的Lyapunov 稳定性判据和不变集原理证明系统的稳定性; 最后, 利用Matlab 对多智能体系统在二维平面上的蜂拥运动进行仿真实验, 仿真结果验证了理论分析的正确性.

最近学习Python进行量化交易，第一步是获取实时行情数据，本资源是从新浪财经API接口获取期货实时行情数据的Python源代码（本代码获得的数据不再仅是5分钟行情数据，而是秒级行情更新，行情刷新间隔视网速及获取品种数量而定，一般6个期货品种以下，可以达到间隔数秒刷新），获得数据后转成DataFrame数据对象，以供进一步的数据分析。

最近学习Python进行量化交易，本资源是从新浪财经最新API接口获取期货秒级实时行情数据后，对开盘涨跌幅进行排序，选取涨跌幅最大的品种，另加自选3个品种进行实时监测，每隔2分钟对所有品种排一次序，然后再选涨跌幅最大品种，另加自选3个品种进行监测（因网速慢，同时监测8个品种，只能达到4秒更新），当涨幅达到一定幅度后预警，并输出预警品种名称。（目前限于网速，还需调整监测品种数量、监测间隔时间及预警涨跌幅等参数，以达到满意的灵敏度。另请注意本代码需在开盘前两分钟运行，最好用 Jupyter notebook。）

A industrial high-performance High Frequency Trading System by C 11, support CTP, Femas and so on. 基于C 11开发的量化交易平台，可实现CTP、飞马等平台的高频交易策略。

小白量化学习-自创指标设计 一、准备工作 1、首先把“HP_formula.py”文件复制到自己的工程目录中。 2、在新文件开始增加下面4条语句。 import numpy as np import pandas as pd from HP_formula import * import tushare as ts 二、对数据预处理 我们采用与tushare旧股票数据格式。 #首先要对数据预处理 df = ts.get_k_data('600080',ktype='D') mydf=df.copy() CLOSE=mydf['close'] LOW=mydf['low'] HIGH=mydf['high'] OPEN=mydf['open'] VOL=mydf['volume'] C=mydf['close'] L=mydf['low'] H=mydf['high'] O=mydf['open'] V=mydf['volume'] 三、仿通达信或大智慧公式 通达信公式转为python公式的过程。 1.‘:=’为赋值语句，用程序替换‘:=’为python的赋值命令‘='。 2.‘:’为公式的赋值带输出画线命令，再替换‘:’为‘=’，‘:’前为输出变量，顺序写到return 返回参数中。 3.全部命令转为英文大写。 4.删除绘图格式命令。 5.删除掉每行未分号; 。 6.参数可写到函数参数表中.例如: def KDJ(N=9, M1=3, M2=3): 例如通达信 KDJ指标公式描述如下。 参数表 N:=9, M1:=3, M2:=3 RSV:=(CLOSE-LLV(LOW,N))/(HHV(HIGH,N)-LLV(LOW,N))*100; K:SMA(RSV,M1,1); D:SMA(K,M2,1); J:3*K-2*D; # Python的KDJ公式 def KDJ(N=9, M1=3, M2=3): RSV = (CLOSE - LLV(LOW, N)) / (HHV(HIGH, N) - LLV(LOW, N)) * 100 K = SMA(RSV,M1,1) D = SMA(K,M2,1) J = 3*K-2*D return K, D, J #----------------------------------- #根据上面原理，我们把大智慧RSI指标改 # 为Python代码，如下。 def RSI(N1=6, N2=12, N3=24): """ RSI 相对强弱指标 """ LC = REF(CLOSE, 1) RSI1 = SMA(MAX(CLOSE - LC, 0), N1, 1) / SMA(ABS(CLOSE - LC), N1, 1) * 100 RSI2 = SMA(MAX(CLOSE - LC, 0), N2, 1) / SMA(ABS(CLOSE - LC), N2, 1) * 100 RSI3 = SMA(MAX(CLOSE - LC, 0), N3, 1) / SMA(ABS(CLOSE - LC), N3, 1) * 100 return RSI1, RSI2, RSI3 四、使用公式并绘图 #假定我们使用RSI指标 r1,r2,r3=RSI() mydf = mydf.join(pd.Series( r1,name='RSI1')) mydf = mydf.join(pd.Series( r2,name='RSI2')) mydf = mydf.join(pd.Series( r3,name='RSI3')) mydf['S80']=80 #增加上轨80轨迹线 mydf['X20']=20 #增加下轨20轨迹线 mydf=mydf.tail(100) #显示最后100条数据线 #下面是绘线语句 mydf.S80.plot.line() mydf.X20.plot.line() mydf.RSI1.plot.line(legend=True) mydf.RSI2.plot.line(legend=True) mydf.RSI2.plot.line(legend=True) 不懂就看我的博客 https://blog.csdn.net/hepu8/article/details/93378543

本文详细的介绍了针对大数据源数据质量量化的标准，通过将各业务线源数据的质量通过分数的方式呈现，最终达到告诉业务使用方“什么是可以用的高质量数据”“什么是可以使用但会存在一些问题的中质量数据”和“什么是暂不可用的低质量数据”

本文详细介绍了针对数据标签（事实类、模型类、预测类），通过标签质量量化的方式对每一维标签根据不同的指标进行质量评分，最终分别划分出优\中\差三类标签输出。

八叉树颜色量化算法。算法基本思路是：将图像中使用的RGB颜色值分布到层状的八叉树中。八叉树的深度可达9层，即根节点层加上分别表示8位的R、G、B值的每一位的8层节点。较低的节点层对应于较不重要的RGB值的位（右边的位），因此，为了提高效率和节省内存，可以去掉最低部的2 ~ 3层，这样不会对结果有太大的影响。叶节点编码存储像素的个数和R、G、B颜色分量的值；而中间的节点组成了从最顶层到叶节点的路径。这是一种高效的存储方式，既可以存储图像中出现的颜色和其出现的次数，也不会浪费内存来存储图像中不出现的颜色。算法特点：效率高，效果好。