在數字貨幣量化領域的資料實在是太少了，我總結了一下我的經驗（以火幣交易所爲例）以供小白參考
第一步：申請api key和secret，
第二步：查看交易所的api文檔（https://huobiapi.github.io/docs/spot/v1/cn/#185368440e）
第三步：這裏其實是困擾很多小白的一部，就是拿到了api不知道該怎麼用，首先火幣提供了不同語言版本的sdk，可以利用這些sdk中提供的方法來查詢歷史k線，盤口情況，實時價格以及常用的各種信息，當然也可以選擇一些封裝好的第三方庫比如ccxt，來實現上述數據的獲取。一般來說ccxt這種庫會對數據格式進行進一步處理，使用起來方便，而火幣原生的sdk只是提供方法，後面的數據處理得自己實現，就比如原生sdk獲取的歷史k線是按時間降序排序的，你計算ma的時候還要自己重新排序，但如果想要實現一個量化系統的話還是建議使用sdk好一點，自己寫輪子方便調用
第四步：就是把自己的交易邏輯用代碼實現，比如使用雙均線策略，
huobipro = ccxt.huobipro({
'apiKey': '',
'secret': '',
})
先使用ccxt獲取交易所的實例，然後獲取歷史k線，得到的數據使用dataframe格式接受
huobipro.fetch_ohlcv(symbol=symbol, limit=limit_num, timeframe=timeframe)
然後利用pandas提供的函數計算MA，
df['median_short'] = df['close'].rolling(n_short, min_periods=1).mean()
df['median_long'] = df['close'].rolling(n_long, min_periods=1).mean()
然後再找出買入賣出信號，
# 找出買入信號 condition1 = df['median_short'] > df['median_long'] # 短均線上穿長均線 condition2 = df['median_short'].shift(1) <= df['median_long'].shift(1) df.loc[condition1 & condition2, 'signal'] = 1 # 產生買入信號的k線標記爲1 # 找出賣出信號 condition1 = df['median_short'] < df['median_long'] # 短均線上穿長均線 condition2 = df['median_short'].shift(1) >= df['median_long'].shift(1) df.loc[condition1 & condition2, 'signal'] = 0 # 產生賣出信號的k線標記爲0
有了交易信號，就可以獲取信號，再判斷進行下單（huobipro.create_limit_buy/sell_order（）了）
第五步：其實第四步就可以交易了，第五步是回測，一般來說先回測再根據回測結果選用策略，最後才進行實盤
回測分析的相關有很多種，在這方面我也不是很懂，目前我還是習慣用累計利潤來進行分析，
# 由signal計算出實際的每天持倉 df['pos'] = df['signal'].shift() df['pos'].fillna(method='ffill', inplace=True) df['pos'].fillna(value=0, inplace=True)
到這裏持倉信號就有了，就可以根據持倉和歷史k線的價格計算累計利潤了，
df['change'] = df['close'].pct_change(1) # 根據收盤價計算漲跌幅
df['by_at_open_change'] = df['close'] / df['open'] - 1 # 開盤買入到收盤的漲跌幅
df['sell_next_open_change'] = df['open'].shift(-1) / df['close'] - 1 # 這根收盤到下根開盤的漲跌幅
df.at[len(df) - 1, 'sell_next_open_change'] = 0 # 補全空值 df.at[4, 'B']
# 選取開倉條件
condition1 = df['pos'] == 1
condition2 = df['pos'] != df['pos'].shift(1)
open_pos_condition = condition1 & condition2
# 選取平倉條件
condition1 = df['pos'] == 0
condition2 = df['pos'] != df['pos'].shift(1)
close_pos_condition = condition1 & condition2
# 對每次交易進行分組
df.loc[open_pos_condition, 'start_time'] = df['open_time']
df['start_time'].fillna(method='ffill', inplace=True)
df.loc[df['pos'] == 0, 'start_time'] = pd.NaT
init_cash = 1000 # 初始資金
# 計算倉位變動
# 開倉時倉位
df.loc[open_pos_condition, 'position'] = init_cash * (1 + df['by_at_open_change'])
group_num = len(df.groupby('start_time'))
if group_num > 1:
temp = df.groupby('start_time').apply(lambda x: x['close'] / x.iloc[0]['close'] * x.iloc[0]['position'])
temp = temp.reset_index(level=[0])
df['position'] = temp['close']
df['position_max'] = df['position'] * df['high'] / df['close']
df['position_min'] = df['position'] * df['low'] / df['close']
# #平倉時的倉位
# df.loc[close_pos_condition,'position']*=(1+df.loc[close_pos_condition,'sell_next_open_change'])
# 計算持倉利潤
df['porfit'] = (df['position'] - init_cash) * df['pos'] # 持倉利潤或虧損
# df.loc[df['pos']==1,'porfit_min']=(df['position_min']-init_cash)*df['pos'] #最小持倉盈利或虧損
# df.loc[df['pos']==0,'porfit_max']=(df['position_max']-init_cash)*df['pos']
# 計算實際資金量
df['cash'] = init_cash + df['porfit'] # 實際資金
# 計算資金曲線
df['equity_change'] = df['cash'].pct_change()
# 開倉日收益率
df.loc[open_pos_condition, 'equity_change'] = df.loc[open_pos_condition, 'cash'] / init_cash - 1
df['equity_change'].fillna(value=0, inplace=True)
df['equity_curve'] = (1 + df['equity_change']).cumprod()
df['equity_curve'] = df['equity_curve'] * init_cash
從回測結果來看，雙均線策略比較喫單邊行情，震盪行情的話基本就是送手續費，而且比較適合大週期，日線級別啥的，不適合高頻交易，以bsv爲例，bsv是回測結果比較好的
實際走勢：
以投入1000u爲例，不考慮手續費的情況下，每天的資金情況如回測結果所示，最小640，最大10521，十倍，基本算是約等於bsv的最大漲幅，但還有很多小波段沒喫到，而且週期算是比較長的，btc回測也有3倍左右，最慘的是山寨，基本都是虧損
嗯，先寫這麼多，後面有想法了再更，可能是可視化回測方面的
可以看到其自上線最低價爲49.17，最高價爲455.55，最大漲幅爲9.26倍．如果2018年12月6號91買入，現價192.5，持倉到現在利潤約爲2.11倍，而該系統的收益爲8.43倍．也就是說該系統的雙均線策略遠遠領先不操作的收益．但是也應該看到該幣種最大漲幅爲9.26倍，該策略尚未領先其最大漲幅，
可以看到其自上線最低價爲49.17，最高價爲455.55，最大漲幅爲9.26倍．如果2018年12月6號91買入，現價192.5，持倉到現在利潤約爲2.11倍，而該系統的收益爲8.43倍．也就是說該系統的雙均線策略遠遠領先不操作的收益．但是也應該看到該幣種最大漲幅爲9.26倍，該策略尚未領先其最大漲幅，