当前位置：首页 > news >正文

【期货量化进阶】期货量化交易策略交易时机选择（Python量化）

news 2026/3/27 1:11:11

一、前言

交易时机的选择直接影响策略表现。选择合适的交易时机可以降低交易成本、提高成交质量、减少滑点损失。本文将介绍如何识别和选择最佳交易时机。

交易时机的重要性
市场微观结构分析
流动性评估
波动率时机选择
时间窗口优化

二、为什么选择天勤量化（TqSdk）

功能	说明
实时行情	支持实时Tick和K线数据
订单薄	支持订单薄深度数据
成交量	支持实时成交量数据
时间管理	支持交易时间管理

安装方法：

pipinstalltqsdk pandas numpy

三、交易时机基础

3.1 时机选择因素

因素	说明	影响
流动性	市场流动性水平	影响成交速度和滑点
波动率	市场波动率水平	影响价格波动
成交量	成交量大小	影响成交质量
时间	交易时间段	影响市场活跃度

3.2 时机选择目标

目标	说明
降低滑点	选择流动性好的时机
提高成交率	选择活跃时段
减少成本	避开高波动时段
优化执行	选择最佳执行窗口

四、流动性评估

4.1 流动性指标

#!/usr/bin/env python# -*- coding: utf-8 -*-""" 功能：流动性评估 说明：本代码仅供学习参考 """importpandasaspdimportnumpyasnpfromtqsdkimportTqApi,TqAuth api=TqApi(auth=TqAuth("快期账户","快期密码"))SYMBOL="SHFE.rb2510"klines=api.get_kline_serial(SYMBOL,60,1000)# 1分钟K线api.wait_update()defassess_liquidity(df,window=20):""" 评估流动性 参数: df: K线数据 window: 窗口大小 """liquidity=pd.DataFrame()# 1. 成交量liquidity['volume']=df['volume']liquidity['avg_volume']=df['volume'].rolling(window).mean()liquidity['volume_ratio']=df['volume']/liquidity['avg_volume']# 2. 价格波动（波动小说明流动性好）returns=df['close'].pct_change()liquidity['volatility']=returns.rolling(window).std()# 3. 买卖价差（如果有订单薄数据）# 简化：使用高低价差liquidity['spread']=(df['high']-df['low'])/df['close']# 4. 综合流动性评分# 成交量高、波动小、价差小 = 流动性好liquidity['score']=(liquidity['volume_ratio']*0.4+(1-liquidity['volatility']/liquidity['volatility'].max())*0.3+(1-liquidity['spread']/liquidity['spread'].max())*0.3)returnliquidity# 评估流动性liquidity=assess_liquidity(klines)print("流动性评估:")print(f" 平均成交量比率:{liquidity['volume_ratio'].mean():.2f}")print(f" 平均波动率:{liquidity['volatility'].mean():.4f}")print(f" 平均价差:{liquidity['spread'].mean():.4f}")print(f" 平均流动性评分:{liquidity['score'].mean():.3f}")# 找出流动性最好的时段best_liquidity=liquidity.nlargest(10,'score')print(f"\n流动性最好的10个时段:")print(best_liquidity[['volume_ratio','volatility','spread','score']])api.close()

五、波动率时机选择

5.1 波动率过滤

#!/usr/bin/env python# -*- coding: utf-8 -*-""" 功能：波动率时机选择 说明：本代码仅供学习参考 """importpandasaspdimportnumpyasnpfromtqsdkimportTqApi,TqAuth api=TqApi(auth=TqAuth("快期账户","快期密码"))SYMBOL="SHFE.rb2510"klines=api.get_kline_serial(SYMBOL,60,1000)api.wait_update()classVolatilityTiming:"""波动率时机选择"""def__init__(self,low_vol_threshold=0.3,high_vol_threshold=0.7):""" 初始化 参数: low_vol_threshold: 低波动率分位数阈值 high_vol_threshold: 高波动率分位数阈值 """self.low_vol_threshold=low_vol_threshold self.high_vol_threshold=high_vol_thresholddefassess_timing(self,df,window=20):""" 评估交易时机 参数: df: K线数据 window: 窗口大小 """returns=df['close'].pct_change()volatility=returns.rolling(window).std()# 计算波动率分位数vol_percentile=volatility.rolling(window*5).apply(lambdax:pd.Series(x).rank(pct=True).iloc[-1]iflen(x)>0else0.5)# 判断时机timing=pd.Series('normal',index=df.index)timing[vol_percentile<self.low_vol_threshold]='good'# 低波动，好时机timing[vol_percentile>self.high_vol_threshold]='bad'# 高波动，差时机returntiming,volatility,vol_percentile# 使用示例timing_manager=VolatilityTiming(low_vol_threshold=0.3,high_vol_threshold=0.7)timing,volatility,vol_percentile=timing_manager.assess_timing(klines)print("波动率时机选择:")timing_counts=timing.value_counts()forstate,countintiming_counts.items():print(f"{state}:{count}({count/len(timing):.2%})")api.close()

六、时间窗口优化

6.1 最佳交易时段

#!/usr/bin/env python# -*- coding: utf-8 -*-""" 功能：最佳交易时段分析 说明：本代码仅供学习参考 """importpandasaspdimportnumpyasnpfromtqsdkimportTqApi,TqAuth api=TqApi(auth=TqAuth("快期账户","快期密码"))SYMBOL="SHFE.rb2510"klines=api.get_kline_serial(SYMBOL,60,2000)# 1分钟K线api.wait_update()defanalyze_trading_hours(df):""" 分析交易时段表现 参数: df: K线数据（需要包含时间戳） """# 提取小时if'datetime'indf.columns:df['hour']=pd.to_datetime(df['datetime']).dt.hourelse:# 如果没有datetime列，使用索引df['hour']=df.index%24# 简化处理# 计算各时段的指标returns=df['close'].pct_change()hourly_stats=df.groupby('hour').agg({'volume':['mean','sum'],'close':lambdax:returns[x.index].mean()iflen(returns[x.index])>0else0})hourly_stats.columns=['avg_volume','total_volume','avg_return']# 计算流动性评分hourly_stats['liquidity_score']=(hourly_stats['avg_volume']/hourly_stats['avg_volume'].max()*0.7+(1-abs(hourly_stats['avg_return'])/abs(hourly_stats['avg_return']).max())*0.3)returnhourly_stats.sort_values('liquidity_score',ascending=False)# 分析交易时段hourly_stats=analyze_trading_hours(klines)print("最佳交易时段（按流动性评分）:")print(hourly_stats.head(10))api.close()

七、综合时机选择

7.1 多因素时机选择

#!/usr/bin/env python# -*- coding: utf-8 -*-""" 功能：综合时机选择 说明：本代码仅供学习参考 """importpandasaspdimportnumpyasnpfromtqsdkimportTqApi,TqAuthclassComprehensiveTiming:"""综合时机选择"""def__init__(self):"""初始化"""passdefassess_timing(self,df,current_index):""" 综合评估交易时机 参数: df: K线数据 current_index: 当前索引 """ifcurrent_index<20:returnFalse,{}window=20# 1. 流动性评估volume=df['volume'].iloc[current_index]avg_volume=df['volume'].iloc[current_index-window:current_index].mean()volume_score=min(volume/avg_volume,2.0)/2.0# 归一化到0-1# 2. 波动率评估returns=df['close'].pct_change()volatility=returns.iloc[current_index-window:current_index].std()avg_volatility=returns.rolling(window*5).std().iloc[current_index]vol_score=1-min(volatility/(avg_volatility+1e-6),2.0)/2.0# 3. 价差评估spread=(df['high'].iloc[current_index]-df['low'].iloc[current_index])/df['close'].iloc[current_index]avg_spread=((df['high']-df['low'])/df['close']).iloc[current_index-window:current_index].mean()spread_score=1-min(spread/(avg_spread+1e-6),2.0)/2.0# 综合评分composite_score=volume_score*0.4+vol_score*0.3+spread_score*0.3# 判断是否适合交易is_good_timing=composite_score>0.6factors={'volume_score':volume_score,'vol_score':vol_score,'spread_score':spread_score,'composite_score':composite_score}returnis_good_timing,factors# 使用示例api=TqApi(auth=TqAuth("快期账户","快期密码"))SYMBOL="SHFE.rb2510"klines=api.get_kline_serial(SYMBOL,60,500)api.wait_update()timing_manager=ComprehensiveTiming()good_timings=[]foriinrange(20,len(klines)):is_good,factors=timing_manager.assess_timing(klines,i)ifis_good:good_timings.append((i,factors))print(f"找到{len(good_timings)}个良好交易时机")print(f"\n前5个时机:")fori,(idx,factors)inenumerate(good_timings[:5],1):print(f"{i}. 位置{idx}, 综合评分:{factors['composite_score']:.3f}")api.close()

八、常见问题

九、总结

要点	说明
流动性评估	评估市场流动性水平
波动率过滤	避开高波动时段
时间窗口	选择最佳交易时段
综合评估	多因素综合判断
时机执行	平衡时机和信号

下一步学习建议：