合约交易所系统搭建开发实现原理

　　数字货币交易所系统开发，顾名思义就是进行某种信息及物品交易等等的场所或平台，数字货币现货期权合约交易所，所需要用的一个固定的地点或平台叫交易所。数字资产交易所，就是借助信息平台，实现产权信息共享、异地交易，统一协调。

　　交易所撮合引擎需要满足以下三个要求：

　　1.强大到变态的性能：交易所规模越大，并发的交易也就越多，撮合引擎性能的好坏，直接制约了交易所业务的发展。

　　2.多种订单类型全兼容：常用的订单类型就包括限价单、市价单、止盈止损单等。

　　3.合约功能的支持：现阶段的交易所行业中，合约交易已经几乎成了必备功能，合约的撮合实现相比现货要复杂许多，对技术的要求也会更高。

　　huobipro=ccxt.huobipro({

　　'apiKey':'',

　　'secret':'',

　　先使用ccxt获取交易所的实例，然后获取历史k线，得到的数据使用dataframe格式接收

　　huobipro.fetch_ohlcv(symbol=symbol,limit=limit_num,timeframe=timeframe)

　　然后利用pandas提供的函数计算MA，

　　df['median_short']=df['close'].rolling(n_short,min_periods=1).mean()

　　df['median_long']=df['close'].rolling(n_long,min_periods=1).mean()

　　然后再找出买入卖出信号，

　　#找出买入信号

　　condition1=df['median_short']>df['median_long']#短均线上穿长均线

　　condition2=df['median_short'].shift(1)<=df['median_long'].shift(1)

　　df.loc[condition1&condition2,'signal']=1#产生买入信号的k线标记为1

　　#找出卖出信号

　　condition1=df['median_short']

　　condition2=df['median_short'].shift(1)>=df['median_long'].shift(1)

　　df.loc[condition1&condition2,'signal']=0#产生卖出信号的k线标记为0

　　有了交易信号，就可以获取信号，再判断进行下单（huobipro.create_limit_buy/sell_order（）了）

　　第五步：其实第四步就可以交易了，第五步是回测，一般来说先回测再根据回测结果选用策略，最后才进行实盘

　　回测分析的相关有很多种，在这方面我也不是很懂，目前我还是习惯用累积利润来进行分析。

　　#由signal计算出实际的每天持仓

　　df['pos']=df['signal'].shift()

　　df['pos'].fillna(method='ffill',inplace=True)

　　df['pos'].fillna(value=0,inplace=True)

　　到这里持仓信号就有了，就可以根据持仓和历史k线的价格计算累计利润了，

　　df['change']=df['close'].pct_change(1)#根据收盘价计算涨跌幅

　　df['by_at_open_change']=df['close']/df['open']-1#开盘买入到收盘的涨跌幅

　　df['sell_next_open_change']=df['open'].shift(-1)/df['close']-1#这根收盘到下根开盘的涨跌幅

　　df.at[len(df)-1,'sell_next_open_change']=0#补全空值df.at[4,'B']

　　#选取开仓条件

　　condition1=df['pos']==1

　　condition2=df['pos']!=df['pos'].shift(1)

　　open_pos_condition=condition1&condition2

　　#选取平仓条件

　　condition1=df['pos']==0

　　condition2=df['pos']!=df['pos'].shift(1)

　　close_pos_condition=condition1&condition2

　　#对每次交易进行分组

　　df.loc[open_pos_condition,'start_time']=df['open_time']

　　df['start_time'].fillna(method='ffill',inplace=True)

　　df.loc[df['pos']==0,'start_time']=pd.NaT

　　init_cash=1000#初始资金

　　#计算仓位变动

　　#开仓时仓位

　　df.loc[open_pos_condition,'position']=init_cash*(1+df['by_at_open_change'])

　　group_num=len(df.groupby('start_time'))

　　if group_num>1:

　　temp=df.groupby('start_time').apply(lambda x:x['close']/x.iloc[0]['close']*x.iloc[0]['position'])

　　temp=temp.reset_index(level=[0])

　　df['position']=temp['close']

　　df['position_max']=df['position']*df['high']/df['close']

　　df['position_min']=df['position']*df['low']/df['close']

　　##平仓时的仓位

　　#df.loc[close_pos_condition,'position']*=(1+df.loc[close_pos_condition,'sell_next_open_change'])

　　#计算持仓利润

　　df['porfit']=(df['position']-init_cash)*df['pos']#持仓利润或亏损

　　#df.loc[df['pos']==1,'porfit_min']=(df['position_min']-init_cash)*df['pos']#最小持仓盈利或亏损

　　#df.loc[df['pos']==0,'porfit_max']=(df['position_max']-init_cash)*df['pos']

　　#计算实际资金量

　　df['cash']=init_cash+df['porfit']#实际资金

　　#计算资金曲线

　　df['equity_change']=df['cash'].pct_change()

　　#开仓日收益率

　　df.loc[open_pos_condition,'equity_change']=df.loc[open_pos_condition,'cash']/init_cash-1

　　df['equity_change'].fillna(value=0,inplace=True)

　　df['equity_curve']=(1+df['equity_change']).cumprod()

　　df['equity_curve']=df['equity_curve']*init_cash