AlgoTrading - 算法委托执行交易模块¶

功能简介¶

AlgoTrading是用于算法委托执行交易的模块，用户可以通过其UI界面操作来便捷完成启动算法、保存配置、停止算法等任务。

算法交易负责委托订单的具体执行过程。目前，AlgoTrading提供了多种示例算法，用户可以通过把大笔订单自动拆分成合适的小单分批委托，有效降低交易成本和冲击成本（如冰山算法、狙击手算法），也可以在设定的阈值内进行高抛低吸操作（如网格算法、套利算法）。

加载启动¶

# 写在顶部
from vnpy_algotrading import AlgoTradingApp

# 写在创建main_engine对象后
main_engine.add_app(AlgoTradingApp)

启动模块¶

对于用户搭建的算法，需要放到algo_trading.algos目录中，才能被识别加载。

在启动模块之前，请先连接交易接口（连接方法详见基本使用篇的连接接口部分）。看到VeighNa Trader主界面【日志】栏输出“合约信息查询成功”之后再启动模块，如下图所示：

请注意，IB接口因为登录时无法自动获取所有的合约信息，只有在用户手动订阅行情时才能获取。因此需要在主界面上先行手动订阅合约行情，再启动模块。

成功连接交易接口后，在菜单栏中点击【功能】-> 【算法交易】，或者点击左侧按钮栏的图标：

即可进入算法委托执行交易模块的UI界面，如下图所示：

配置算法¶

配置参数要求如下：

• 算法：在下拉框中选择要执行的交易算法；

• 本地代码：格式为vt_symbol（合约代码 + 交易所名称）；

• 方向：多、空；

• 价格：委托下单的价格；

• 数量：委托的总数量，需要拆分成小批订单进行交易；

• 执行时间（秒）：运行该算法交易的总时间，以秒为单位；

• 每轮间隔（秒）：每隔多少时间进行委托下单操作，以秒为单位；

• 开平：开、平、平今、平昨。

启动算法¶

目前VeighNa一共提供了六种常用的示例算法。本文档以时间加权平均算法（TWAP）为例，介绍算法启动过程。

参数配置完成后（已保存的算法信息，通过在【配置】栏对应的算法下点击【使用】，可切换界面左侧配置的信息内容），点击【启动算法】按钮，即可立刻执行算法交易。

若启动成功，则可在右上角【执行中】界面观测到该算法的执行状态。

图中算法执行的任务具体为：使用时间加权平均算法，买入10000手豆油2109合约（y2109），执行价格为9000元，执行时间为600秒，每轮间隔为6秒；即每隔6秒钟，当合约卖一价小于等于9000时，以9000的价格买入100手豆油2109合约，将买入操作分割成100次。

CSV启动¶

当有较多算法需要启动时，可以通过CSV文件来一次性批量启动。点击图形界面左侧的【CSV启动】按钮，在弹出的对话框中找到要导入的CSV文件后打开即可快速启动算法。

请注意，CSV文件的格式应如下图所示，和左侧编辑区的各字段一致：

结合Excel的表格快速编辑功能，批量添加算法较为方便。启动成功后，CSV文件中所有算法的执行情况均会显示在【执行中】界面下，如下图所示：

请注意，CSV启动之后，只能在【执行中】、【日志】和【已结束】三个界面观测到内容输出及变化，不会将CSV文件中的算法信息添加到配置中。

停止算法¶

当用户需要停止正在执行的交易算法时，可以在【执行中】界面点击【停止】按钮，停止某个正在执行的算法交易，如下图所示：

用户也可以在委托交易界面点击最下方的【全部停止】按钮，一键停止所有执行中的算法交易，如下图所示：

数据监控¶

数据监控界面由四个部分构成：

执行中组件：显示正在执行的算法交易，包括：算法、参数和状态。成功启动算法之后，切换到右上角【执行中】界面，会显示该算法的执行状态，如下图所示：

已结束组件：显示已完成的算法交易，同样包括：算法、参数和状态。算法结束或者停止之后，切换到右上角【已结束】界面，会显示该算法的执行状态，如下图所示：

日志组件：显示启动、停止、完成算法的相关日志信息。在打开算法交易模块后，会进行初始化，故【日志】组件会首先输出“算法交易引擎启动”和“算法配置载入成功”，如下图所示：

配置组件：用于载入algo_trading_setting.json的配置信息，并以图形化界面显示在【配置】栏下，如下图所示：

• 点击配置组件的【使用】按钮立刻读取该配置信息，并显示在委托交易界面上，随后点击【启动算法】即可开始进行交易；

• 点击配置组件的【移除】按钮可以移除该算法配置，并同步更新到json文件内。

示例算法¶

示例算法路径位于algo_trading.algos文件夹下（请注意，个别算法是没有写开平方向的，若有需要，可基于自身需求进行个性化修改）。目前，算法交易模块提供了以下六种内置算法：