原創內容第969篇，專注AGI+，AI量化投資、個人成長與財富自由。

星球好多同學希望說說實盤，我們就從實盤開始吧。

我們選擇tqsdk給大家講解，tqsdk支持免費注冊，使用模擬賬戶，歷史和實時數據，方便我們回測、實盤一體化的策略開發。

需要注冊一個賬戶即可，默認就有一個模擬賬戶。

然后統一訪問的api接口：

api?= TqApi(auth=TqAuth(username, password))

然后就可以訪問數據：

01 數據篇

查詢所有的主連合約，一共85個:

查詢上交所所有有股票列表，一共2421支：

查詢上交所所有基金列表，一共970支：

下面我們來獲取時序數據——螺紋鋼主連合約15分鐘線（500個數據）# 定義主連合約代碼（格式：KQ.m@{交易所}.{品種}）

symbol =?"KQ.m@SHFE.rb"??# 螺紋鋼主連示例# 其他常見主連代碼：# ? KQ.m@DCE.m ?-> 豆粕主連# ? KQ.m@CFFEX.IF -> 滬深300股指主連# ? KQ.m@SHFE.au -> 黃金主連
# 請求分鐘線數據（以15分鐘線為例）df?= api.get_kline_serial(? ? symbol=symbol,? ? duration_seconds=60 * 15, ?# 周期：15分鐘（可修改為60=1分鐘）? ? data_length=500, ? ? ? ? ?# 獲取K線數量)df['datetime'] = pd.to_datetime(df['datetime'], unit='ns') ?# 毫秒轉datetimedf.set_index('datetime', inplace=True) ?df

使用tqsdk，我們不需要去管理數據，可以按需要獲取數據，這是非常方便的。

另外，tqsdk還是回測功能，真正做到策略實盤和回測一體。

02 回測篇

在30分鐘線上的回測——收盤價大于均線時做多，小于均線時平倉：

from?datetime?import?datefrom?tqsdk?import?TqApi, TqAuth, TqBacktest, TargetPosTask
'''如果當前價格大于5分鐘K線的MA15則開多倉如果小于則平倉回測從 2018-05-01 到 2018-10-01'''# 在創建 api 實例時傳入 TqBacktest 就會進入回測模式#api = TqApi(backtest=TqBacktest(start_dt=date(2018, 5, 1), end_dt=date(2018, 10, 1)), auth=TqAuth("快期賬戶", "賬戶密碼"))api = TqApi(backtest=TqBacktest(start_dt=date(2018,?5,?1), end_dt=date(2018,?10,?1)), auth=TqAuth(username, password))api# 獲得 m1901 5分鐘K線的引用klines = api.get_kline_serial("DCE.m1901",?30*?60, data_length=15)# 創建 m1901 的目標持倉 task，該 task 負責調整 m1901 的倉位到指定的目標倉位target_pos = TargetPosTask(api,?"DCE.m1901")
while?True:? ? api.wait_update()? ??if?api.is_changing(klines):? ? ? ? ma =?sum(klines.close.iloc[-15:]) /?15? ? ? ??#print("最新價", klines.close.iloc[-1], "MA", ma)? ? ? ??if?klines.close.iloc[-1] > ma:? ? ? ? ? ??#print("最新價大于MA: 目標多頭5手")? ? ? ? ? ??# 設置目標持倉為多頭5手? ? ? ? ? ? target_pos.set_target_volume(5)? ? ? ??elif?klines.close.iloc[-1] < ma:? ? ? ? ? ??#print("最新價小于MA: 目標空倉")? ? ? ? ? ??# 設置目標持倉為空倉? ? ? ? ? ? target_pos.set_target_volume(0)

點擊 “查看原文”，直接訪問策略集合。

擴展 ?? ?歷史文章 ??

EarnMore（賺得更多）基于RL的投資組合管理框架：一致的股票表示，可定制股票池管理。（附論文+代碼）

年化收益200%+的策略集 | 實時板塊資金熱力圖 「aitrader 5.0系統代碼發布」

機器學習驅動的策略開發通過流程 | 普通人階層躍遷的可能路徑？

年化30.24%，最大回撤19%，綜合動量多因子評分策略再升級（python代碼+數據）

三秒鐘創建一個年化28%，夏普比1.25的策略（python系統已開放源代碼下載）

會員專屬策略可以直接下載了，多個十年年化30+%策略集|polars重構因子引擎（代碼+數據下載）

6年年化收益46%，最大回撤率為16%的策略（附python代碼）