从回测到实盘：AutoTrader 三步把量化策略跑起来的完整分步指南

从回测到实盘AutoTrader 三步把量化策略跑起来的完整分步指南【免费下载链接】AutoTraderA Python-based development platform for automated trading systems - from backtesting to optimisation to livetrading.项目地址: https://gitcode.com/gh_mirrors/au/AutoTraderAutoTrader 是一个用 Python 写的自动化交易系统开发平台覆盖量化交易从回测、参数优化到实盘执行的完整链路。本文按你遇到的问题来组织先说清为什么回测好看却难以上线再带你装好环境、写出第一个策略、验证它、最后把它接到 OANDA / IB / CCXT 等真实账户。① 量化新手都会遇到的难题为什么回测好看却上不了实盘大多数人卡住的不是写不出信号而是回测和实盘之间那道缝。手工把回测订单抄到交易软件里既慢又容易漏单行情一走就脱节。每家经纪商的 API 签名、报单字段都不一样自己对接光读文档就得花掉一个周末。参数越调越漂亮但一换时间段就崩典型的过拟合。AutoTrader 的思路是让同一套策略代码在回测和实盘里跑同一个内核这样你切换环境的成本只是改一行配置而不是重写一遍逻辑。② 五分钟快速开始AutoTrader 安装与初始配置先克隆仓库并安装依赖这一步只跑一次。git clone https://gitcode.com/gh_mirrors/au/AutoTrader cd AutoTrader pip install -r requirements.txt装完准备一个行情数据源内置 Yahoo 等 feed和一份策略配置就可以跑第一次回测了。 后面几个章节的代码都基于AutoTrader这个主类先把它 import 进来。③ 三步写出第一个策略继承 Strategy、写信号、管订单在 AutoTrader 里策略就是一个继承Strategy的类。你只需要做三件事初始化、实现generate_signal、在信号里返回一个订单对象。以最常见的 MACD 金叉/死叉为例精简版骨架如下from datetime import datetime from autotrader.strategy import Strategy from autotrader.brokers.trading import Order class SimpleMACD(Strategy): def __init__(self, parameters, instrument, broker, *args, **kwargs): self.instrument instrument self.parameters parameters # 来自 yaml 的 PARAMETERS self.data broker.get_candles(instrument, granularityparameters[interval]) def generate_signal(self, dt: datetime): # 用指标判断是否出现 MACD 交叉信号 # 有信号return Order(instrument, direction1, size0.5, stop_loss..., take_profit...) # 无信号return None return None这里有个关键点__init__拿到的数据是整个回测段适合算画图用的指标但generate_signal里只能用当前时间点之前的数据否则会引入未来函数。策略的参数、标的清单写在一份 yaml 配置里改参数不用改代码。④ 回测与参数优化如何确认你的策略真的有效跑一次回测你会先看到终端里的汇总期初/期末净值、总收益、胜率、最大回撤、最长连亏然后 AutoPlot 自动生成图表把每一笔的止损/止盈标出来。别只看总收益重点看这三项最大回撤账户最多能亏多少决定了你扛不扛得住。平均赢/亏比赢单和亏单的期望结构。出场位置图上能看到止损是不是太早、止盈是不是没吃满。调参用optimise(...)它会按你给的范围与步长bounds、Ns做网格扫描。⚠️ 别把范围拉太大参数一多、区间一宽很容易拟合到噪声。稳妥做法是留出样本外时段单独跑一遍两个区间表现都稳才算过。⑤ 实盘三步走OANDA / IB / CCXT 接入步骤回测通过后上实盘就是改配置 选经纪商 选环境。 三步先在虚拟经纪商上演练。virtual_account_config(...)配一个模拟账户初始资金、点差、手续费、杠杆用真实行情数据模拟成交验证你的策略在实时环境下的表现。选真实账户。把 API 密钥写进keys.yaml在configure(...)里指定broker如oanda/ib/ CCXT 兼容的交易所名和environmentpaper或live。从模拟切到实盘。把environment从paper改成live再at.run()订单就会发到真实账户执行。也就是说改一行environment配置就能在模拟和实盘之间切换。各经纪商的适配代码在 autotrader/brokers/ 下分别对应oanda.py、ib.py、ccxt.py等文件。at AutoTrader() at.configure(verbosity1, brokeroanda, environmentlive, feedyahoo, update_interval1h) at.add_strategy(macd) # 指向你的策略 yaml at.run() # 实时运行新数据到来时自动下单⑥ 老手工具箱风险控制与多策略并行上线后风控比收益更决定你能走多远。止损与仓位Order对象支持stop_loss、take_profit和订单类型市价/限价/止损限价配合固定风险比例控制单笔敞口。最大回撤控制用回测里的回撤数据设一条熔断线回撤超过阈值就停止开新仓Strategy.stop_trading()提供自停入口。多策略并行把多个策略加进同一实例每个策略×每个标的会部署一个独立的 bot共享同一个经纪商账户方便你做分散与对冲。多个策略同时跑时记得给每个策略的WATCHLIST和参数独立配置资金分配用仓位大小体现而不是靠改全局杠杆。⑦ 总结AutoTrader 把量化交易的三个环节——回测、优化、实盘——压在同一套内核上你切换环境只需要改一行配置而不用重写策略。先把策略在虚拟经纪商里跑稳再上模拟盘最后接真实账户这样每一步都能兜住风险。想深入可看这几处策略开发细节docs/source/userfiles/strategy.md教程与分步讲解docs/source/tutorials/技术指标模块autotrader/indicators.pyAPI 参考docs/source/core/【免费下载链接】AutoTraderA Python-based development platform for automated trading systems - from backtesting to optimisation to livetrading.项目地址: https://gitcode.com/gh_mirrors/au/AutoTrader创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考