目前不清退的交易所推荐：

1、全球第二大交易所OKX欧意

国区邀请链接： https://www.myts3cards.com/cn/join/1837888   币种多，交易量大！

国际邀请链接：https://www.okx.com/join/1837888 注册简单，交易不需要实名，新用户能开合约，币种多，交易量大！

2、老牌交易所比特儿现改名叫芝麻开门 :https://www.gate.win/signup/649183

全球最大交易所币安，国区邀请链接：https://accounts.binance.com/zh-CN/register?ref=16003031  币安注册不了IP地址用香港，居住地选香港，认证照旧，邮箱推荐如gmail、outlook。支持币种多，交易安全！

买好币上KuCoin：https://www.kucoin.com/r/af/1f7w3  CoinMarketCap前五的交易所，注册友好操简单快捷！

FMZ量化交易平台邀请链接：https://www.fmz.com/

研究平台进阶——Python进行数据分析和策略回测.ipynb下载 

研究平台进阶

---

FMZ内置了jupyter notebook，帮助用户熟悉平台API以及进行策略研究，支持 Python3 C++11/17 以及 Javascript 的学习环境。notebook+Python是非常强大的工具，在进行数据分析、策略研究时几乎必不可少。FMZ平台自带的回测虽然很好用，但并不适合复杂和大数据量的策略。本篇文章将介绍jupyter notebook的一些进阶使用技巧，实现了对任意交易对、多交易对策略的回测。

jupyter使用

可以使用FMZ自带的研究环境，但联网不方便。推荐自己本机安装anaconda3，自带notebook,和常用的关于数学计算的相关库，共用本机的网络环境，性能也更好。也推荐使用Google的云端colab,虽然有一些储存上的限制，但是免费且性能强大，适合机器学习相关的研究。

学习教程

具体notebook和Python的使用技巧，网上的教程非常多，搜索Python量化、jupyter notebook教程，可以找到很多的资料。需要自己学习掌握爬虫、数据处理、回测、策略设计、画图等一系列基础。

数据获取

交易所一般都提供了API获取历史数据K线，有的也提供了逐笔成交。我们需要用爬虫把这些数据获取并保存。也可以直接接收交易所推送的数据，自己建立本地数据库储存。

接下来将演示如何在币安上获取永续合约的K线数据并且进行储存。

首先找到币安永续合约文档：https://binance-docs.github.io/apidocs/futures/cn/#c59e471e81 。可以看到需要的参数和返回的数据格式。通常API获取的K线数量有限制，币安最大为1000，因此需要循环迭代获取。其他交易所的情况与币安类似。注意需要网络能连接外网才能爬取到K线。

币安支持的周期有：1m 3m 5m 15m 30m 1h 2h 4h 6h 8h 12h 1d 3d 1w 1M

In [24]:

import requests #网络请求常用库
from datetime import date,datetime
import time
import pandas as pd

In [160]:

def GetKlines(symbol=\'BTC\',start=\'2020-8-10\',end=\'2021-8-10\',period=\'1h\'):
    Klines = []
    start_time = int(time.mktime(datetime.strptime(start, \"%Y-%m-%d\").timetuple()))*1000
    end_time = int(time.mktime(datetime.strptime(end, \"%Y-%m-%d\").timetuple()))*1000
    while start_time < end_time:
        res = requests.get(\'https://fapi.binance.com/fapi/v1/klines?symbol=%sUSDT&interval=%s&startTime=%s&limit=1000\'%(symbol,period,start_time))
        res_list = res.json()
        Klines += res_list
        #print(datetime.utcfromtimestamp(start_time/1000).strftime(\'%Y-%m-%d %H:%M:%S\') ,len(res_list))
        start_time = res_list[-1][0]
    return pd.DataFrame(Klines,columns=[\'time\',\'open\',\'high\',\'low\',\'close\',\'amount\',\'end_time\',\'volume\',\'count\',\'buy_amount\',\'buy_volume\',\'null\']).astype(\'float\')

In [85]:

df = GetKlines(symbol=\'BTC\',start=\'2021-1-1\',end=\'2021-8-10\',period=\'1h\')

数据的存储和读取都可以使用pandas库自带的功能，格式为csv，可以用excel软件直接打开。

币安返回的K线数据除了包含高开低收成交量，还有总成交额、主动买入量、成交笔数等，这些都是很有价值的信息，可以用于构建策略。

In [86]:

df.to_csv(\'btc_klines.csv\')
df = pd.read_csv(\'btc_klines.csv\',index_col=0)

In [87]:

df

Out[87]:

, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

	time	open	high	low	close	amount	end_time	volume	count	buy_amount	buy_volume	null
0	1596988800000	11575.08	11642.00	11566.07	11591.37	6541.466	1596992399999	7.592336e+07	25724	3127.898	3.630633e+07	0
1	1596992400000	11591.39	11610.23	11526.90	11534.39	6969.252	1596995999999	8.057780e+07	27403	3390.424	3.920162e+07	0
2	1596996000000	11534.39	11656.69	11527.93	11641.07	6439.365	1596999599999	7.469135e+07	25403	3446.186	3.997906e+07	0
3	1596999600000	11641.06	11665.90	11624.20	11635.30	3911.582	1597003199999	4.555459e+07	17820	1842.413	2.145768e+07	0
4	1597003200000	11635.29	11684.00	11635.29	11673.81	3461.004	1597006799999	4.036804e+07	15513	1660.575	1.936981e+07	0
…	…	…	…	…	…	…	…	…	…	…	…	…
8805	1628658000000	45627.72	45894.53	45540.00	45801.45	10296.202	1628661599999	4.710187e+08	112187	4988.565	2.282399e+08	0
8806	1628661600000	45801.46	46270.00	45800.01	46087.86	26409.962	1628665199999	1.215164e+09	247170	13696.301	6.302708e+08	0
8807	1628665200000	46087.87	46450.00	46087.87	46367.38	23969.309	1628668799999	1.110210e+09	232348	11990.951	5.554267e+08	0
8808	1628668800000	46367.37	46643.13	46002.01	46217.01	23472.769	1628672399999	1.086549e+09	229533	12334.292	5.711837e+08	0
8809	1628672400000	46217.01	46329.69	46046.54	46297.16	6579.477	1628675999999	3.039580e+08	78812	3313.055	1.530718e+08	0

,8810 rows × 12 columns

,

In [88]:

df.index = pd.to_datetime(df.time,unit=\'ms\') # 把索引转化为时间，方便画图参考

In [89]:

df.close.plot(figsize=(15,6),grid = True); #收盘价

Out[89]:

In [92]:

(df.buy_amount.rolling(150).mean()/df.amount.rolling(150).mean()).plot(figsize=(15,6),grid = True); #平滑后的主动买入量比例
#主动买入比例见底回升往往对应着价格的回升，但主动买入比例长期均值在49%

Out[92]:

In [93]:

(df[\'count\'].rolling(100).mean()).plot(figsize=(15,6),grid = True); #平滑后成交笔数，处于低位可能酝酿着行情

Out[93]:

回测引擎

以前的文章也给出过Python回测引擎，这里给出一个优化的版本。USDT本位(或者其他计价货币本位)的永续合约和现货非常相似，区别是永续可以加杠杆并且持有负的数量（相当于做空），可以共用一个回测引擎。币本位交割合约特殊，用币结算，需要专门的回测。

下面给出的是一个简单例子，可以实现多币种现货或多币种永续回测。忽略了很多细节：如期货的杠杆、保证金占用、资金费率、爆仓机制、做市和吃单成交、省略了订单维护等，但通常不影响正常的回测结果。并且撮合的价格和数量、账户的更新都是需要外部传入。读者可以在这个基础上完善。

Exchange类介绍：

• account:USDT代表基础货币，并非必须是USDT为基础货币，realised_profit：已实现盈亏，unrealised_profit：未实现盈亏，total：总权益，fee：手续费。其余各个交易对，amount数量（做空时为负），hold_price：持有价格，value：持仓价值，price：当前价格。
• trade_symbols：交易对数组，也可只传入一个交易对，默认的计价货币是USDT，但也可以进行其他计价货币的回测。
• fee：手续费，为了简洁，不区分maker和taker。
• initial_balance：初始资金，默认交易对的初始数量都是0 。
• Buy函数：买入，对应永续的做多或平空，直接以传入的价格和数量成交，没有撮合的机制。
• Sell函数：卖出。
• Update函数：更新账户信息，需要传入所有交易对的价格字典。

In [98]:

class Exchange:
    
    def __init__(self, trade_symbols, fee=0.0004, initial_balance=10000):
        self.initial_balance = initial_balance #初始的资产
        self.fee = fee
        self.trade_symbols = trade_symbols
        self.account = {\'USDT\':{\'realised_profit\':0, \'unrealised_profit\':0, \'total\':initial_balance, \'fee\':0}}
        for symbol in trade_symbols:
            self.account[symbol] = {\'amount\':0, \'hold_price\':0, \'value\':0, \'price\':0, \'realised_profit\':0,\'unrealised_profit\':0,\'fee\':0}
            
    def Trade(self, symbol, direction, price, amount):
        
        cover_amount = 0 if direction*self.account[symbol][\'amount\'] >=0 else min(abs(self.account[symbol][\'amount\']), amount)
        open_amount = amount - cover_amount
        self.account[\'USDT\'][\'realised_profit\'] -= price*amount*self.fee #扣除手续费
        self.account[\'USDT\'][\'fee\'] += price*amount*self.fee
        self.account[symbol][\'fee\'] += price*amount*self.fee

        if cover_amount > 0: #先平仓
            self.account[\'USDT\'][\'realised_profit\'] += -direction*(price - self.account[symbol][\'hold_price\'])*cover_amount  #利润
            self.account[symbol][\'realised_profit\'] += -direction*(price - self.account[symbol][\'hold_price\'])*cover_amount
            
            self.account[symbol][\'amount\'] -= -direction*cover_amount
            self.account[symbol][\'hold_price\'] = 0 if self.account[symbol][\'amount\'] == 0 else self.account[symbol][\'hold_price\']
            
        if open_amount > 0:
            total_cost = self.account[symbol][\'hold_price\']*direction*self.account[symbol][\'amount\'] + price*open_amount
            total_amount = direction*self.account[symbol][\'amount\']+open_amount
            
            self.account[symbol][\'hold_price\'] = total_cost/total_amount
            self.account[symbol][\'amount\'] += direction*open_amount
                    
    
    def Buy(self, symbol, price, amount):
        self.Trade(symbol, 1, price, amount)
        
    def Sell(self, symbol, price, amount):
        self.Trade(symbol, -1, price, amount)
        
    def Update(self, close_price): #对资产进行更新
        self.account[\'USDT\'][\'unrealised_profit\'] = 0
        for symbol in self.trade_symbols:
            self.account[symbol][\'unrealised_profit\'] = (close_price[symbol] - self.account[symbol][\'hold_price\'])*self.account[symbol][\'amount\']
            self.account[symbol][\'price\'] = close_price[symbol]
            self.account[symbol][\'value\'] = abs(self.account[symbol][\'amount\'])*close_price[symbol]
            self.account[\'USDT\'][\'unrealised_profit\'] += self.account[symbol][\'unrealised_profit\']
        self.account[\'USDT\'][\'total\'] = round(self.account[\'USDT\'][\'realised_profit\'] + self.initial_balance + self.account[\'USDT\'][\'unrealised_profit\'],6)

In [117]:

#测试，可以看到这里没有强调交易所是USDT本位还是现货，实际上结果是一样的，这也是不做区分的原因
e = Exchange([\'BTC\'], fee=0.0004, initial_balance=10000) #创建一个Exchange对象，只有一个交易对BTC
e.Buy(\'BTC\',40000, 0.1)#以40000价格买入0.1个BTC
e.Sell(\'BTC\',41000, 0.1)#以41000价格卖出0.1个BTC
e.Update({\'BTC\':41000}) #更新账户信息
print(e.account) #最终账户信息
print(\'利润：\',round(e.account[\'USDT\'][\'total\']-e.initial_balance,2))

Out[117]:

{\'USDT\': {\'realised_profit\': 96.76, \'unrealised_profit\': 0.0, \'total\': 10096.76, \'fee\': 3.24}, \'BTC\': {\'amount\': 0.0, \'hold_price\': 0, \'value\': 0.0, \'price\': 41000, \'realised_profit\': 100.0, \'unrealised_profit\': 0.0, \'fee\': 3.24}}
利润： 96.76

网格策略回测

首先回测一个经典的永续网格策略，这个策略最近在平台上很受欢迎，与现货网格相比不用持币、可加杠杆，比现货网格方便不少。但由于无法直接回测，不利于筛选币种。这里用刚才的引擎回测测试下。

围观置顶有官方实盘从2021年4月4号开始，持仓价值是150，网格间距是0.01，目前收益为3600USDT。用同样的参数用5minK线回测收益为3937USDT，由于实盘开始的持仓价值不到150USDT，所以结果还是相当准确的。如果把网格间距改为0.005，收益将达到5226U。网格间距0.005显然是比0.01更好的参数，需要通过回测才能发现。

K线周期越短相应的回测结果越准确，需要的数据量越大，读者可以将symbol参数改为自己想回测的交易对试试。

In [241]:

symbol = \'TRX\'
df = GetKlines(symbol=symbol,start=\'2021-4-4\',end=\'2021-8-11\',period=\'5m\')

In [286]:

value = 150
pct = 0.01

e = Exchange([symbol], fee=0.0002, initial_balance=10000)
init_price = df.loc[0,\'close\']
res_list = [] #用于储存中间结果
for row in df.iterrows():
    kline = row[1] #这样会测一根K线只会产生一个买单或一个卖单，不是特别精确
    buy_price = (value / pct - value) / ((value / pct) / init_price + e.account[symbol][\'amount\']) #买单价格，由于是挂单成交，也是最终的撮合价格
    sell_price = (value / pct + value) / ((value / pct) / init_price + e.account[symbol][\'amount\'])

    if kline.low < buy_price: #K线最低价低于当前挂单价，买单成交
        e.Buy(symbol,buy_price,value/buy_price)
    if kline.high > sell_price:
        e.Sell(symbol,sell_price,value/sell_price)
    e.Update({symbol:kline.close})
    res_list.append([kline.time, kline.close, e.account[symbol][\'amount\'], e.account[\'USDT\'][\'total\']-e.initial_balance])
res = pd.DataFrame(data=res_list, columns=[\'time\',\'price\',\'amount\',\'profit\'])
res.index = pd.to_datetime(res.time,unit=\'ms\')

In [287]:

e.account

Out[287]:

{\'USDT\': {\'realised_profit\': 3866.633149565143,
  \'unrealised_profit\': 70.54622281993666,
  \'total\': 13937.179372,
  \'fee\': 177.51000000000596},
 \'TRX\': {\'amount\': 36497.43208747655,
  \'hold_price\': 0.08203709078461048,
  \'value\': 3064.689372385406,
  \'price\': 0.08397,
  \'realised_profit\': 4044.143149565462,
  \'unrealised_profit\': 70.54622281993666,
  \'fee\': 177.51000000000596}}

In [288]:

res.profit.plot(figsize=(15,6),grid = True);

Out[288]:

In [170]:

res.price.plot(figsize=(15,6),grid = True); #收盘价

Out[170]:

现货平衡策略回测

这类策略也比较流行，但FMZ平台不太好回测多币种，正好用这个回测引擎回测下。我们选取四个主流币种BTC，ETH，LTC，XRP，分别配置25%的市值，每偏离1%平衡一次。

首先把四个币的过去1年的收盘价获取到，可以看到ETH涨幅最大，其余3个币的涨幅差不多。如果平均持有这四个币，最后的净值为4.5 。平衡策略经过回测最后净值为5.3，略有增强。

In [290]:

symbols = [\'BTC\',\'ETH\',\'LTC\',\'XRP\']
data = {}
for symbol in symbols:
    df = GetKlines(symbol=symbol,start=\'2020-8-11\',end=\'2021-8-11\',period=\'1h\')
    data[symbol] = df.close

In [291]:

df = pd.DataFrame([data[symbol].values for symbol in symbols],index=symbols).T

In [302]:

e = Exchange(symbols, fee=0.0004, initial_balance=10000)
res_list = []
for row in df.iterrows():
    prices = row[1]
    total = e.account[\'USDT\'][\'total\']
    e.Update(prices)
    for symbol in symbols:
        pct = e.account[symbol][\'value\']/total
        if pct > 0.26:
            e.Sell(symbol,prices[symbol],(pct-0.25)*total/prices[symbol])
        if pct < 0.24:
            e.Buy(symbol,prices[symbol],(0.25-pct)*total/prices[symbol])
    res_list.append([e.account[symbol][\'value\'] for symbol in symbols] + [e.account[\'USDT\'][\'total\']])
res = pd.DataFrame(data=res_list, columns=symbols+[\'total\'])

In [303]:

(df/df.iloc[0,:]).plot(figsize=(15,6),grid = True); #归一化画出走势

Out[303]:

In [304]:

(res.total/10000-(df/df.iloc[0,:]).mean(axis=1)).plot(figsize=(15,6),grid = True); #增强效果

Out[304]:

海龟策略

海龟策略是一个经典的趋势策略，包含完整的加仓止损逻辑，具体可以参考：https://zhuanlan.zhihu.com/p/27987938 。我们这里将实现一个简单的版本用于回测。

海龟的策略周期对策略影响很大，不易选择太短的周期，这里选择6h。唐安奇通道周期选择5，仓位比例根据回测选择了0.003.当价格突破通道上轨开多1个单位，开仓后如果价格继续上涨0.3个波动率，继续加仓1个单位，价格跌破最近开仓价的2.5个波动率止损。空单原理相同。由于ETH的大牛市，海龟策略抓住了主要的趋势，最终实现了27倍的收益，期间最大杠杆4倍。

海龟的参数和周期关系密切，需要通过回测选择，每次开仓的单位也要注意不可过大，避免风险太高。

从最终的净值图可以看出，海龟是个长期策略，期间可能3-4个月都没收益，反复止损，但一旦有单边的大行情，海龟可以顺势累计很大的仓位并且拿到趋势的末尾，获得很多盈利。在上涨的末尾，策略会累积很多仓位，此时的波动会比较大，往往很大的盈利都回撤了。使用海龟策略需要接受海龟的缺点并且耐心等待。

In [424]:

symbol = \'ETH\'
df = GetKlines(symbol=symbol,start=\'2019-8-11\',end=\'2021-8-11\',period=\'6h\')

In [425]:

df.index = pd.to_datetime(df.time,unit=\'ms\')

In [568]:

M = 5 #唐奇安通道周期数
pct = 0.003 #加仓占总仓位比例
df[\'up\'] = df[\'high\'].rolling(M).max().shift(1) #唐奇安通道上轨，用于做多突破判断
df[\'down\'] = df[\'low\'].rolling(M).max().shift(1)
df[\'middle\'] = (df[\'up\']+df[\'down\'])/2
df[\'true_range\'] = pd.concat([df[\'high\']-df[\'low\'],df[\'high\']-df[\'close\'].shift(1),df[\'close\'].shift(1)-df[\'low\']],axis=1).max(axis=1)
df[\'N\'] = df[\'true_range\'].rolling(50).mean() #N相当于最近波动率，用于加仓和止损的判断

In [572]:

open_times = 0.3 #开仓判断
stop_times = 2.5 #止损
e = Exchange([symbol], fee=0.0004, initial_balance=10000) #手续费设置为吃单万4
res_list = [] 
last_price = 0 #上次开仓价
for row in df.iterrows():
    kline = row[1]
    if kline.isnull().sum() > 0: #略过无数据部分
        continue
    unit = e.account[\'USDT\'][\'total\']*pct/kline.N #开仓单位数量
    
    if kline.high >  kline.up and e.account[symbol][\'amount\'] == 0: #第一次开多仓
        e.Buy(symbol,kline.up,unit) #注意这里的交易价格
        last_price = kline.up
    if e.account[symbol][\'amount\'] > 0 and kline.high > last_price + open_times*kline.N: #多仓加仓
        e.Buy(symbol,last_price + open_times*kline.N,unit)
        last_price = last_price + open_times*kline.N
    if e.account[symbol][\'amount\'] > 0 and kline.low < last_price - stop_times*kline.N: #多仓止损
        e.Sell(symbol,last_price - stop_times*kline.N,e.account[symbol][\'amount\'])
        
    if kline.low <  kline.down and e.account[symbol][\'amount\'] == 0: #空仓开仓
        e.Sell(symbol,kline.down,unit)
        last_price = kline.down
    if e.account[symbol][\'amount\'] < 0 and kline.low < last_price - open_times*kline.N: #空仓加仓
        e.Sell(symbol,last_price - open_times*kline.N,unit)
        last_price = last_price - open_times*kline.N
    if e.account[symbol][\'amount\'] < 0 and kline.high > last_price + stop_times*kline.N: #空仓止损
        e.Buy(symbol,last_price + stop_times*kline.N,-e.account[symbol][\'amount\'])
        
    e.Update({symbol:kline.close})
    res_list.append([kline.time, kline.close, e.account[symbol][\'amount\']*kline.close, e.account[\'USDT\'][\'total\']])
res = pd.DataFrame(data=res_list, columns=[\'time\',\'price\',\'value\',\'total\'])
res.index = pd.to_datetime(res.time,unit=\'ms\')
print(\'最终市值：\',res[\'total\'][-1])

Out[572]:

最终市值： 280760.566996

In [573]:

res.total.plot(figsize=(15,6),grid = True);

Out[573]:

In [571]:

(res.value/res.total).plot(figsize=(15,6),grid = True);

Out[571]:

总结

熟练使用jupyter notebook研究平台，可以很方便的进行数据获取、数据分析、策略回测、图表展示等工作，是量化交易的必经之路。如果你现在对策略编写无头绪，不妨先分析数据。对于新手，推荐资源：

利用 Python 进行数据分析 ： https://wizardforcel.gitbooks.io/pyda-2e/content/

Python 量化交易教程 : https://wizardforcel.gitbooks.io/python-quant-uqer/content/

In [ ]:

FMZ量化交易平台邀请链接：https://www.fmz.com/

全球最大交易所币安，国区邀请链接：https://accounts.binance.com/zh-CN/register?ref=16003031  币安注册不了IP地址用香港，居住地选香港，认证照旧，邮箱推荐如gmail、outlook。支持币种多，交易安全！

买好币上KuCoin：https://www.kucoin.com/r/af/1f7w3  CoinMarketCap前五的交易所，注册友好操简单快捷！

目前不清退的交易所推荐：

1、全球第二大交易所OKX欧意，邀请链接：https://www.myts3cards.com/cn/join/1837888 注册简单，交易不需要实名，新用户能开合约，币种多，交易量大！。

2、老牌交易所比特儿现改名叫芝麻开门 :https://www.gate.win/signup/649183

买好币上币库：https://www.kucoin.com/r/1f7w3

火必所有用户现在可用了，但是要重新注册账号火币：https://www.huobi.com

全球最大交易所币安，

国区邀请链接：https://accounts.suitechsui.mobi/zh-CN/register?ref=16003031 支持86手机号码，网页直接注册。