保险做的好的网站新榜数据平台

以大QMT为例，etf全球大类资产资产配置策略介绍：

通过QMT平台周期分析etf数据，并执行自动交易操作。

通过选择全世界各地的etf比如纳斯达克etf，标普etf，黄金etf，德经etf，印度etf，日本etf，国债etf等，这些etf在历史上长期属于熊短牛长，具有很高的胜率以及安全边际。

自动交易执行

通过QMT平台的xtquant库连接券商交易接口，实现毫秒级的交易响应4

支持多种委托类型：限价单、最优五档、对手方最优价、本方最优价等4

灵活的策略配置

用户可通过图形界面(GUI)设置交易参数，包括账户信息、交易品种、资金分配、风险控制等4

支持多种交易策略的快速切换和组合

全面的风险管理

内置多重风险控制机制，包括单笔金额限制、总金额限制、价格波动幅度限制等4

自动止损止盈功能，保护投资者资金安全

实时监控与日志记录

提供直观的交易监控界面，实时显示交易状态和账户情况4

完整的操作日志记录，便于事后分析和策略优化

系统架构与技术实现  etf全球大类资产资产交易系统采用模块化设计，主要由以下几个核心组件构成：

预警监控模块

负责实时读取ETF选股池行情

采用高效的文件变化检测算法，确保预警信号的及时捕获

配置流程

设置ETF选股池

配置QMT交易账户和接口参数

设定交易策略参数和风险控制规则

运行模式

支持模拟交易和实盘交易两种模式

安装教程

直接导入大QMT即可

使用说明

一、打开大QMT

打开qmt，不选择独立交易，直接进入大QMT

二、导入策略

点击右键，选择导入策略

三、策略账户设置

点击qmt的文件编辑

修改为自己的股票账号

修改etf交易池

设置参数

设置动量参数：

设置购买股票数量：

四、模型测试

点击运行，编译成功后，点击运行

回测效果：

五、实盘设置

点击模型交易模型挂实盘

六、策略代码

源代码，部分。

import numpy as np
import pandas as pd
import mathclass A():pass
a=A()
#初始化函数 
def init(C):C.acct = '55003243'C.acct_type = 'STOCK'C.etf_pool = ['518880.SH', #黄金ETF（大宗商品）'513100.SH', #纳指100（海外资产）'159915.SZ', #创业板100（成长股，科技股，中小盘）'510180.SH', #上证180（价值股，蓝筹股，中大盘）]C.etf_pool = ['513100.SH', '518880.SH', #黄金ETF（大宗商品）'513100.SH', #纳指100（海外资产）'159915.SZ', #创业板100（成长股，科技股，中小盘）'510180.SH', #上证180（价值股，蓝筹股，中大盘）'159632.SZ', '159941.SZ', '159502.SZ', '159509.SZ', '159655.SZ','513500.SH','513300.SH','513400.SH', '513850.SH', '159659.SZ','159660.SZ','164824.SZ','159866.SZ', '513030.SH', '513080.SH', '513730.SH','159687.SZ', '159937.SZ', '159980.SZ','159985.SZ','159981.SZ']"""C.etf_pool = ['600309.SH', #黄金ETF（大宗商品）'600231.SH', #纳指100（海外资产）'000151.SZ', #创业板100（成长股，科技股，中小盘）'600000.SH', #上证180（价值股，蓝筹股，中大盘）]"""#C.etf_pool = C.get_stock_list_in_sector('沪深300')print(C.etf_pool)for i in C.etf_pool:download_history_data(i,'1d','','')download_history_data(i,'1m','','')C.m_days = 60 #动量参考天数C.Num = 5  #购买股票数量#C.run_time('trade','1nDay',"2024-07-25 14:57:00")def handlebar(C):#passtrade(C) #每天运行确保即时捕捉动量变化#trade(C) #每天运行确保即时捕捉动量变化def get_rank(C,etf_pool):score_list = []start_time = timetag_to_datetime(C.get_bar_timetag(C.barpos-C.m_days),'%Y%m%d')end_time = timetag_to_datetime(C.get_bar_timetag(C.barpos),'%Y%m%d')for etf in etf_pool:data = C.get_market_data_ex(fields=["close"],stock_code=[etf], period = "1d", start_time = start_time, end_time = end_time,count=C.m_days)df = data[etf]y = df['log'] = np.log(df.close)x = df['num'] = np.arange(df.log.size)slope, intercept = np.polyfit(x, y, 1)annualized_returns = math.pow(math.exp(slope), 250) - 1r_squared = 1 - (sum((y - (slope * x + intercept))**2) / ((len(y) - 1) * np.var(y, ddof=1)))score = annualized_returns * r_squaredscore_list.append(score)df = pd.DataFrame(index=etf_pool, data={'score':score_list})df = df.sort_values(by='score', ascending=False)rank_list = list(df.index)  return rank_list# 交易
def trade(C):# 获取动量最高的一只ETFtarget_num = C.Num  target_list = get_rank(C,C.etf_pool)[:target_num]#获取持仓信息holdings = get_trade_detail_data(C.acct, C.acct_type, 'position')#获取股票的代码和持仓数量的字典holdings = {i.m_strInstrumentID + '.' + i.m_strExchangeID : i.m_nCanUseVolume for i in holdings}# 卖出  hold_list = holdingsfor etf in hold_list:if etf not in target_list:passorder(24, 1101, C.acct, etf, 10, 0, holdings.get(etf,0), '', 1 , '', C)print(timetag_to_datetime(C.get_bar_timetag(C.barpos),'%Y%m%d'), '卖出' + str(etf))else:print( timetag_to_datetime(C.get_bar_timetag(C.barpos),'%Y%m%d'),'继续持有' + str(etf))

欢迎点赞关注

有任何疑问也欢迎留言交流心得。