看了下文件创建时间，2019-08-21，真是早啊哈哈哈哈哈哈。

前阵子又拾起这块东西，想在 OKEX 上进行下实验，权当培养兴趣爱好2333。

0x00 写在前面

手工交易经验

在开始量化之前，我在 OKEX 上玩了大概一年半。本金约 720USDT，操作到 1794.37USDT。

有几个体会（经验）：

  • 随资金增长，再增长的效率快很多。（也可能是因为不会轻易折损本金所以心态不一样）
  • 只要肯花时间等，即使跌很多也总能涨回到原来的位置（暴跌后躺着装死，等几周就能回来，但估计这是错觉）

量化交易经验

目前策略 α 收益并不多（10USDT+/Day），主要是 β 收益：

日期 量化天数 总资产 (USDT)
2021.04.22 02:39 0 1794.37
2021.04.22 11:19 1 1749.39
2021.04.23 10:53 2 1402.96
2021.04.24 15:00 3 1775.87
2021.04.26 19:31 5 1854.68
2021.04.28 02:32 6 1907.34
2021.04.28 08:52 7 1923.11
2021.04.29 09:38 8 1984.20
2021.04.30 10:27 9 2063.68
- - -

体会（经验）：

0x01 配置环境

我用的是开源的 vn.py 框架，由于很多接口只支持Win和Linux，Mac只能用 REST/WebSocket（OKEX用的是 REST） ，所以官方没有提供Mac的安装流程。根据社区的这个帖子完成了安装：Mac下安装运行vnpy2.0

在项目目录下配置 config.yaml 和 run_ui.py 两个文件，目录结构如下：

vnpy/
├── config.yaml
├── run_ui.py
├── vnpy/
» cat config.yaml
"API Key": "******" # 在OKEX上申请V3 API，V3不支持统一账户交易，vnpy在下个版本会对V5进行支持
"Secret Key": "******"
"Passphrase": "******"
"会话数": 3
"代理地址": "" # 由于数字货币服务器均在国外，需要挂上代理
"代理端口": ""
» cat run_ui.py
from vnpy.event import EventEngine
from vnpy.trader.engine import MainEngine
from vnpy.trader.ui import MainWindow, create_qapp
from vnpy.gateway.okex import OkexGateway
from vnpy.app.algo_trading import AlgoTradingApp
import yaml

def get_okex_setting(config_path):
    with open(config_path) as f:
        return yaml.load(f, Loader=yaml.SafeLoader)

def main():
    okex_setting = get_okex_setting("config.yaml")
    qapp = create_qapp()

    event_engine = EventEngine()
    main_engine = MainEngine(event_engine)

    main_engine.add_gateway(OkexGateway)
    main_engine.add_app(AlgoTradingApp)
    main_engine.add_app(DataManagerApp)
    main_engine.connect(okex_setting, "OKEX")

    main_window = MainWindow(main_engine, event_engine)
    main_window.restore_window_setting()
    qapp.exec()

if __name__ == "__main__":
    main()

执行 python run_ui.py 即可弹出 GUI 窗口进行操作。

0x02 Naive 网格策略 @2021.04.22

我本身并不认可数字货币的价值，只是将加密货币市场视作赌场，以这种心态来看，币值只是随机波动的曲线。而使用网格策略，恰好能收割这些价格波动，以达到获利的目的。

因为对金融指标完全不了解，所以找到了网格交易策略。这是一种对新手相当友好的策略，只需要设定好几个参数就可以！vnpy文档对网格算法描述如下：

  1. 基于网格大小（价格步进）计算 目标格数，目标格数 = (上界价格 - 当前价格) / 网格大小
  2. 计算 目标仓位，目标仓位 = 取整后的目标格数 * 每格委托数量。注意买卖方向取整的方式是不同的：买入方向向下取整（floor）；卖出方向要向上取整（ceil）
  3. 根据 目标仓位 执行操作。若目标仓位大于当前仓位，执行买入操作；若目标仓位低于当前仓位，执行卖出操作

选好币，凭感觉设定好价格上界，根据15min价格浮动设定好网格大小（计划15min一次操作，单次利率虽少但次数多），根据目测的价格下界设定好每格委托数量，就开始执行策略！

然而开始量化的第三天，遇到大跌行情，资产一度折损到 1300USDT，跌去 30%。这让我意识到网格策略的局限性：无法应对单边跌和单边涨的情况，故考虑对其进行改进。

0x03 改进的网格策略 @2021.04.24

主要考虑的是单边跌，毕竟踏空不要紧，但不能跌去本金。

单边下跌行情

考虑跌倒一定程度，对网格策略的网格大小进行扩展/伸缩。

  1. 用网格上界价格（price）初始化浮动上界（ceil），根据 扩展阈值百分比 计算出 扩展阈值， 扩展阈值 = 浮动上界 * (1 - 扩展阈值百分比)
  2. 根据当前价格大小关系做扩展/收缩操作：
    1. 如果当前价格低于 扩展阈值 ，进行扩展操作：网格大小 *= 扩展因子，每格委托数量 *= 扩展委托数增长因子，浮动上界 -= 上界价格 * 扩展阈值百分比， 扩展阈值 -= 上界价格 * 扩展阈值百分比
    2. 如果当前价格高于 浮动上界 ，进行收缩操作：网格大小 /= 扩展因子， 每格委托数量 /= 扩展委托数增长因子，浮动上界 += 上界价格 * 扩展阈值百分比， 扩展阈值 += 上界价格 * 扩展阈值百分比
  3. 扩展/收缩操作后，再执行Naive网格策略

进行扩展操作后，通常 目标仓位 会下降，以低价卖出一部分仓位来回收资金；而进行收缩操作后，目标仓位会增加，在稍高点重新建立仓位，期望后续增长。

但这样一来，短时间内扩展、收缩来回操作会损耗大量资金。为了避免反复横跳，设置一个 冷静时间，即在扩展（收缩）操作后需要等一段时间后才允许进行收缩（扩展）操作。

单边上涨行情

为了应对单边涨行情，上调各种阈值。

  1. 当前价格高于 上界价格 （price）时，考虑上调阈值：上界价格 = 当前价格 * (1 + 扩展阈值百分比 / 2)， 扩展阈值 = 上界价格 * (1 - 扩展阈值百分比)， 浮动上界 = 上界价格
  2. 执行Naive网格策略

为了防止短时间疯涨回落，在上调前也等待一个 冷静时间。

0x04 后续计划

计划参考 Stock Market Trading Strategy Research – Hire an AI to make you money! 用机器学习方法进行尝试。