一招搞定WonderTrader本地仿真环境

时间 2021-04-08

标签 python git github json segmentfault session 架构框架异步 async 栏目 Python 繁體版

原文原文链接

前言

最近群里的小伙伴们都在讨论simnow停用的事情，从3月31日开始，要持续一个半月，不出意外的话也要5月中旬才能恢复。因而不少搞CTA的研发人员可能最近都面临着到哪里去找仿真环境的问题。
笔者不禁得想起来，若干年前市面上尚未simnow的时候，要找一个期货仿真环境真的是很麻烦。一方面要看期货公司是否是部署了仿真环境，只有期货公司有仿真环境才好测试；另外一方面，可以交易的交易所和合约也是很是有限的；并且，全部的订单都须要对手盘，否则根本不会撮合，因此在测试的过程当中还须要请期货公司的人帮忙下对手单，要否则就只有本身搞自成交了。
本文主要内容就是介绍如何利用WonderTrader搭建本地仿真环境。python

TraderMocker简介

WonderTrader在v0.3.6发布的时候，发布过一个TraderMocker模块，基于该模块用户能够很是容易地搭建一个纯本地的仿真环境，而不用依赖任何第三方环境。
笔者最初在设计TraderMocker的时候，正在给WonderTrader适配股票交易。当时接入的是中泰XTP接口，XTP比较流行也比较容易接入，有互联网的测试环境，API也很是友好。
不过市面上不少股票测试环境多少都有一些问题，总结下来大概以下：git

有些仿真环境是基于撮合的，若是没有对手盘，根本没法成交
有些仿真环境是按概率撮合的，若是下单时没有成交，那就永远不会成交了，不符合正常的撮合逻辑
有些仿真环境多是没有接入实时行情，因此无论当前什么价格，价格如何变更，成交价都是挂单价

显然在这样的仿真环境下测试，策略仿真的结果实际上是有很大的迷惑性的。在这样的状况下，笔者便决定本身开发一个仿真环境。可是WonderTrader做为一个量化交易框架，自己都是各用户独立部署的，也没有中心化的服务，开发一套C/S的仿真环境，还须要硬件投入。对于WonderTrader这样的开源平台来讲，成本过高的话是不现实的。另外仿真环境的部署通常要根据市场、品种分别部署，对于WonderTrader这样面向全市场全品种的平台来讲，成本就更是翻了好几倍了。笔者纵然愿意分享源码，可是也没有办法持续性的投入资金去维护这样的仿真服务。基于这些基本考量，TraderMocker这种全本地化的、去中心的仿真模块就应运而生了。github

为了尽可能的模拟真实的接口调用，TraderMocker在设计上也有一些特色：json

异步执行segmentfault

异步执行的主要目的是为了还原真实交易的事件发生顺序。如下单为例，生产环境下，调用下单接口遵循如下数据： 下单接口调用-> 下单结果返回-> 订单回报-> 成交回报。若是不采用异步执行的机制，那么就会出现下单接口尚未返回的时候，已经收到订单回报和成交回报了，这样就不符合生产环境的真实场景了。
根据价格撮合session

TraderMocker天然不多是一个彻底的仿真环境，因此撮合的机制也相对简单。可是为了尽可能模拟实盘环境， TraderMocker会严格按照价格优先的机制进行撮合。这里的撮合，指的是不须要对手盘的撮合，即只要价格条件知足，即直接撮合成交，推送订单回报和成交回报。
支持不一样的品种架构

TraderMocker做为一个辅助的简化的本地仿真模块，要充分考虑对不一样的品种的支持。这样才能增长 TraderMocker的应用场景。

基于以上的设计原则，TraderMocker也表现出一些特色：框架

仿真的程度有限异步

TraderMocker毕竟不是真正的撮合系统，只是利用行情对订单作一个仿真处理。并且接入的行情，就算是期货，也是 500ms一笔的快照。另外，考虑到不一样行情源档位不一样，因此撮合处理的时候只利用了买一卖一的数据。 TraderMocker对订单之间的竞争也不考虑进去，统一按照最新的 tick的委托量进行处理。
不适合大单测试async

TraderMocker并无处理订单对限价订单簿的冲击。主要考虑到期货行情只有一档，没法进行冲击的处测算，因此就简化了。因此当一个订单的委托价格高于对手价的时候，一次撮合不完会等到下一笔 tick进来再利用对手价进行撮合，这显然不大符合真实场景。所以大单仿真的还原程度会更低，参考性也更低了。
不作验资操做

TraderMocker由于其特殊性，不会进行资金检查，只要合法的订单都能下单成功。一方面是由于 TraderMocker是为通用性设计的，因此没法兼顾全部的币种，若是增长验资的机制会增长复杂性。另一方面， WonderTrader的 1+N执行架构，其实是隔绝了策略对资金的关注，即便作验资，也没法将问题传递给策略。
不作结算处理

TraderMocker为了简化处理，不会进行结算处理。若是引入结算机制，会增长复杂性，并且还会要求仿真器一直在线直到接收到结算价为止。可是在策略的实操中，其实都主要关心的仍是进场价和出厂价，结算的意义对于策略来讲并不大。不过若是不结算，全部的持仓都是今仓，所以对于有些品种来讲，仿真环境中的手续费的设置就须要把平今设置为跟平昨一致。
订单都在内存中

对于 TraderMocker这样的简易仿真模块， 只会把必要的数据落地。目前 TraderMocker只会保存持仓数据，而 订单数据和成交数据都只在内存中。一单平台重启，订单和成交就都都没有了。
交易指令简化

TraderMocker为了兼容不一样的品种，因此 只能实现通用的指令，即 买卖和撤单的指令。其余的特殊指令就不支持了，好比 ETF申赎、期权的报价和执行等指令。

固然TraderMocker只是笔者仓促写出来的一个简易的仿真模块，有不少仿真功能由于使用场景有限，并无彻底实现。若是各位读者有兴趣的话，能够自行根据本身的需求进行完善。到时候若是愿意分享给你们的话，也能够提交一个PR。

如何搭建本地仿真环境

前文介绍了一下TraderMocker模块，下面本文就将介绍如何在利用WonderTrader搭建这样的本地仿真环境。搭建本地仿真环境，须要用到datakit_fut和hft_fut_mocker两个demo。这两个demo笔者已经提交到wtpy/demos下，有须要的读者能够自行获取，若是master分支没有的话，请到dev分支下载便可。

行情配置
datakit_fut是经过CTP接口落地行情数据的数据组件demo，基本配置以下：

{
"basefiles":{
    "session":"./common/sessions.json",
    "commodity":"./common/commodities.json",
    "contract":"./common/contracts.json",
    "holiday":"./common/holidays.json"
},
"writer":{
    "path":"./FUT_Data/",
    "savelog":false,
    "async":false,
    "groupsize":20
},
"parsers":[
    {
        "active":true,
        "module":"ParserCTP.dll",
        "front":"tcp://180.168.146.187:10111",
        "broker":"9999",
        "user":"你的SIMNOW帐号",
        "pass":"你的SIMNOW密码",
        "code":"CFFEX.IF2005,SHFE.au2012"
    }
],
"broadcaster":{
    "active":true,
    "bport":3997,
    "broadcast":[
        {
            "host":"255.255.255.255",
            "port":9001,
            "type":2
        }
    ]
}

在使用的时候，将parsers小节的CTP前置和帐号密码改为生产环境，并将code改为本身须要的合约代码进行订阅，而后启动runDT.py就能够正常运行了。

仿真配置
hft_fut_mocker则是从UDP广播通道接入行情，并调用TraderMocker进行仿真，配置以下：

{
"basefiles":{
    "session":"./common/sessions.json",
    "commodity":"./common/commodities.json",
    "contract":"./common/contracts.json",
    "holiday":"./common/holidays.json",
    "hot":"./common/hots.json"
},
"env":{
    "name":"hft",
    "mode": "product",
    "product":{
        "session":"TRADING"
    },
    "filters":"filters.json",
    "fees":"fees.json",
},
"data":{
    "store":{
        "path":"./FUT_Data/"
    }
},
"traders":[
    {
        "active":true,
        "id":"mocker",
        "module":"TraderMocker.dll",
        "front":"mocker://localhost",
        "mockerid":9999,
        "span":100,
        "newpx":true,
        "maxqty":100,
        "minqty":1,
        "user":"mocker9999",
        "udp_port":9001,
        "savedata":true
    }
],
"parsers":[
    {
        "active":true,
        "id":"parser1",
        "module":"ParserUDP.dll",
        "host":"127.0.0.1",
        "bport":9001,
        "sport":3997,
        "filter":""
    }
],
"bspolicy":"actpolicy.json"
}

从上面的配置能够看出，TraderMocker仿真器，要从udp广播通道接收最新的行情，才能进行撮合。可能有人会有疑问：为何不从行情通道经过WonderTrader直接向TraderMocker传递行情数据呢？其实也很好解释，由于Trader模块解耦之后，WonderTrader只和Trader交互交易数据，而行情数据，不在接口支持的数据范围内，因此TraderMocker只能本身解决行情接入的问题。所以TraderMocker天然就会依赖数据伺服组件提供的行情广播服务了。

配置修改好了之后，再检查一下策略启动入口：

from wtpy import WtEngine,EngineType
from strategies.HftStraDemo import HftStraDemo

if __name__ == "__main__":
    #建立一个运行环境，并加入策略
    engine = WtEngine(EngineType.ET_HFT)
    engine.init('./common/', "config.json")
    engine.commitConfig()

    straInfo = HftStraDemo(name="hft_IF", code="CFFEX.IF.2104", expsecs=5, offset=100, freq=0)
    engine.add_hft_strategy(straInfo, 'mocker')

    engine.run()

    kw = input('press any key to exit\n')

最后，运行run.py就能够正常进行仿真测试了，如图：

若是有须要进行股票仿真的，只须要修改./common目录下相应的基础文件，并修改配置文件中的行情接入模块的配置文件便可。若有不明白的地方，读者也能够私信咨询笔者。

结束语

如何利用WonderTrader的仿真模块TraderMocker来搭建本地的仿真环境，总结下来就是两个步骤：先运行一个数据伺服，再运行仿真环境。简单的两个步骤，就能够搞定一个仿真环境。相信对于有须要的人来讲，这是一个很轻松的事情。
对于想用simnow的用户来讲，在simnow缺位的这段时间，只须要一个CTPs实盘帐号便可进行仿真测试。对于那些不知足于券商提供的股票仿真环境的人来讲，本文介绍的这个攻略也许能够提高你仿真测试的效率。
固然，笔者水平有限，TraderMocker的开发也比较仓促，不免有不少错漏之处,各位读者在使用的时候还须要自行判断一下是否知足本身的需求。另外，仿真毕竟不是实盘，策略的表现是否合理还须要各位仔细辨别。

最后再安利一下WonderTrader
WonderTrader旨在给各位量化从业人员提供更好的轮子，将技术相关的东西都封装在平台中，力求给策略研发带来更好的策略开发体验。

WonderTrader的github地址：https://github.com/wondertrad...

WonderTrader官网地址：https://wondertrader.github.io

wtpy的github地址：https://github.com/wondertrad...

市场有风险，投资需谨慎。以上陈述仅做为对于历史事件的回顾，不表明对将来的观点，同时不做为任何投资建议。