oke_auto_trade 项目文档

本项目旨在自动化寻找并评估量化交易策略，并将最佳策略部署到实盘。整体流程可拆解为 6 个阶段，每一步都对应独立、可复用的模块与脚本。

---

一、项目概述

项目通过以下主要步骤实现量化交易策略的全流程：

1. 数据获取
2. 策略回测
3. 策略组合优化
4. 实盘操作部署

各阶段均有专门的模块与脚本支持，并通过文件持久化保存中间结果，以便后续分析和策略优选。

---

二、模块说明

2.1 数据获取

• 模块名称: get_feature_op.download_data
• 功能描述:
  • 从 OKX 交易所下载加密货币的历史 K 线数据；
  • 根据预设的配置批量获取不同交易对、时间粒度与数据量的 K 线数据，并保存为 CSV 文件。
• 副作用:
  • 文件创建:
    • 在 kline_data 目录下，如子目录不存在则创建之，然后保存 CSV 文件。
  • CSV 文件内容:
    • 经过初步处理（如将时间戳转换为北京时间、添加未来涨跌幅目标变量等）。
  • 文件命名:
    • 命名格式示例：
      origin_data_1m_100000_BTC-USDT-SWAP_2024-01-24.csv

---

2.2 策略回测

2.2.1 策略过滤

• 模块: bread_through_strategy_fast_check_op.py
• 功能描述:
  • 通过半年轮动筛选出满足基础条件的候选策略。
• 副作用:
  • 文件创建:
    • 在 temp 文件夹下生成多个批次的候选文件；
    • 每半年的结果汇总至文件，例如：

      temp_back/all_files_{year}_1m_5000000_{inst_id}_short_donchian_1_20_1_relate_400_1000_100_1_40_6_cci_1_2000_1000_1_2_1_atr_1_3000_3000_boll_1_3000_100_1_50_2_rsi_1_1000_500_abs_1_100_100_40_100_1_macd_300_1000_50_macross_1_3000_100_1_3000_100__{is_reverse}.parquet
      

2.2.2 好策略全量回测

• 模块: bread_through_strategy_ga_target.py
• 功能描述:
  • 对筛选后的好策略进行全量历史数据回测，并计算 20+ 个维度的绩效指标。
• 副作用:
  • 文件创建:
    • 生成回测结果文件，路径为：

      os.path.join("temp_back", f"statistic_results_final_{inst_id}_{is_reverse}.parquet")
      

2.2.3 注意事项

• 参数调整:
  • 回测中需修改 is_reverse 参数以区分正向与反向回测；
• 代码修改位置:
  • bread_through_strategy_fast_check.py:50
  • bread_through_strategy_ga_target.py:755
  • bread_through_strategy_ga_target.py:659

---

2.3 策略组合优化

2.3.1 过滤相似子策略

• 模块: bread_through_strategy_compute_corr.filter_similar_strategy_all
• 功能描述:
  • 针对同一方向（做多、做空）的策略：
    • 进行合并；
    • 过滤掉表现较差的策略；
    • 计算策略间两两相关系数，过滤掉相关性过高的策略。
• 副作用:
  • 文件生成:
    • 输出文件路径为：
      temp_back/{inst_id}_{is_reverse}_all_filter_similar_strategy.parquet

2.3.2 好策略组合

• 模块: bread_through_strategy_choose_zuhe.choose_zuhe_beam_opt
• 功能描述:
  • 对全量策略进行组合优化；
  • 计算各组合的表现打分、每周胜率、每周平均亏损等指标，最终选出最优策略组合。
• 副作用:
  • 文件生成:
    • 输出文件路径格式为：
      out_dir / f"result_elements_{inst}_adp_{typ}_op.parquet"
  • 最终不同组合的得分情况如下:https://drive.google.com/drive/folders/18V24Eajn1sP5-W845w5GLF4n7o9A4tDT?usp=drive_link

---

2.4 实盘操作

2.4.1 程序启动

• 模块: watchdog.py
• 功能描述:
  • 实现每天定时重启，确保资金信息更新并解决部分系统问题。

2.4.2 实际操作

• 模块: run.py
• 功能描述:
  • 加载每种币种中表现最佳的文件，选出最优策略组合，执行实盘交易。

---

三、策略实现流程

本节描述从数据原始因变量定义到策略实盘部署的全流程步骤。

3.1 定义因变量

• 核心任务:
  • 从原始 K 线或 Tick 数据中提取多种技术指标（如 MACD、RSI 等），并标准化为可组合的交易信号。
• 关键代码:
  • common_utils.compute_signal

3.2 构造策略空间

• 方法:
  • 对所有交易信号进行穷举组合，每一种组合即为一条候选策略。
• 优化手段:
  • 采用 6 个月滑动窗口回测，显著降低内存占用与计算成本。
• 关键代码:
  • bread_through_strategy_fast_check.example

3.3 快速筛选

• 过滤规则:
  1. 最大连续亏损小于 30；
  2. 总收益大于 0。
• 说明:
  • 在约 10% 的参数空间内完成评估，大幅缩短搜索时长。
• 关键代码:
  • bread_through_strategy_fast_check.fast_check

3.4 详细回测

• 对象:
  • 对通过快速筛选的候选策略进行全量回测。
• 输出:
  • 输出 20+ 个维度的绩效指标，如周度收益、无杠杆最终收益等。
• 关键代码:
  • bread_through_strategy_ga_target.validation

3.5 策略组合优化

• 方法:
  1. 计算各策略之间的相关系数；
  2. 采用贪心算法，选取高收益且低相关性的策略，构建组合。
• 目标:
  • 构建风险分散且收益领先的策略组合。
• 关键代码:
  • bread_through_strategy_choose_zuhe.py

3.6 实盘部署

• 接口描述:
  • 对接 OKX API，实现以下功能：
    • 分钟级行情数据拉取；
    • WebSocket 实时订阅；
    • 订单执行。
• 关键代码:
  • run.run_instrument

---

四、目录结构（节选）