当前位置: 首页 > news >正文

量化交易:Miniqmt获取可转债数据和交易python代码

哈喽,大家好,我是木头左!

低风险资产除了国债外,还有可转债,兼容有高收益的股性和低风险的债性,号称“下有保底,上不封顶”。

🔍 可转债:金融市场的双面娇娃

可转债,全称可转换债券,是一种可以在特定条件下转换为发行公司股票的债券。它既有债券的稳定收益特性,又有股票的增长潜力,是投资者进行资产配置的重要选择。

🎯 可转债的优势

  • 收益与风险的平衡:既有固定收益,又有转股后的增值潜力。
  • 市场适应性强:在不同的市场环境下,可转债都能展现出其独特的价值。
  • 流动性好:可转债通常在交易所上市,流动性较高。

🛠️ miniQMT:量化交易的瑞士军刀

miniQMT可以不依赖QMT客户端,可以在vscode中直接运行,它提供了丰富的数据接口和交易策略模板,使得用户可以轻松地构建和测试自己的量化交易策略。
前面已经安装好QMT,参考QMT量化入门 ,在安装目录下有userdata_mini,这就是我们后面要用的Miniqmt的安装目录。
在这里插入图片描述
直接下载的可以用,最好是使用最新版本的,可从官网下载:https://dict.thinktrader.net/nativeApi/download_xtquant.html?id=7zqjlm
在这里插入图片描述
直接覆盖即可,不可以通过pip install的方式安装。

💻 Python代码

下面,我将展示如何使用Python和miniQMT来获取可转债数据。

🔬 获取可转债数据

获取行情主要是通过xtdata实现。

xtdata.download_history_data2(stock_list,period="1d",start_time="20240224")  #批量下载
kline_data=xtdata.get_market_data(field_list=['time','open','high','low','close','volume','amount'],
print(res)

📊 连接客户端

如果要交易,本来还是要启miniQMT客户端,并配置资金帐户和安装目录。
在这里插入图片描述
否则会报错:
在这里插入图片描述

# coding:gbk
# @author      : 木头左
# @date        : 2024/06/03 22:18:26
# @description : 
from xtquant import xtdata
import randomfrom xtquant.xttype import StockAccount
from xtquant.xttrader import XtQuantTrader
from xtquant import xtconstant# miniQMT安装路径
mini_qmt_path = r'E:\programData\qmt\userdata_mini'
# QMT账号
account = 'xx'
# 创建session_id
session_id = int(random.randint(100000, 999999))
# 创建交易对象
xt_trader = XtQuantTrader(mini_qmt_path, session_id)
# 启动交易对象
xt_trader.start()
# 连接客户端
connect_result = xt_trader.connect()

🚀 执行交易

最后,我们将委托提交客户端。

if connect_result == 0:print('连接成功')
# 创建账号对象
acc = StockAccount(account)
# 订阅账号
xt_trader.subscribe(acc)
# 下单
res = xt_trader.order_stock(acc, stock_code=stock_code, order_type=xtconstant.STOCK_BUY, order_volume=100, price_type=xtconstant.FIX_PRICE, price=7.44)
print(res)

希望这篇文章能够激发你对量化交易的兴趣。记得点赞、分享和关注哦!👍🔄👀

http://www.lryc.cn/news/367811.html

相关文章:

  • 测试开发之自动化篇 —— 使用Selenium IDE录制脚本!
  • Django 外键关联数据
  • 开源与新质生产力
  • 如何将 Windows图片查看器的背景颜色改成浅色(灰白色)?
  • k8s-pod参数详解
  • 一些计算机网络面试题
  • transformer - 注意力机制
  • 三端植物大战僵尸杂交版来了
  • np.hstack()和np.vstack()函数解释
  • 【Linux】进程5——进程优先级
  • CNN简介与实现
  • 【AI大模型】Transformers大模型库(五):AutoModel、Model Head及查看模型结构
  • Hadoop yixing(移行),新增表字段,删除表字段,修改存储格式
  • 使用汇编和proteus实现仿真数码管显示电路
  • 【Unity】官方文档学习-光照系统
  • 1731. 每位经理的下属员工数量
  • 特征筛选LASSO回归封装好的代码、数据集和结果
  • Autosar 通讯栈配置-手动配置PDU及Signal-基于ETAS软件
  • Web前端工资调整:深入剖析与全面解读
  • cesium已知两个点 写一个简单具有动画尾迹效果的抛物线
  • C#中使用Mysql批量新增数据 MySqlBulkCopy
  • ARM-V9 RME(Realm Management Extension)系统架构之系统安全能力的架构差异
  • Ansible——stat模块
  • 第二十节:带你梳理Vue2:Vue子组件向父组件传参(事件传参)
  • 华为od-C卷100分题目 - 10寻找最富裕的小家庭
  • 本地部署AI大模型 —— Ollama文档中文翻译
  • 【前端技术】 ES6 介绍及常用语法说明
  • 程序员具备的职业素养(个人见解)
  • Springboot 开发-- 集成 Activiti 7 流程引擎
  • 一些常用的frida脚本