从零开始搭量化系统：那些教程里没说的脏活累活

去年某天，我对着满屏的均线交叉策略发呆——回测曲线完美得能上教科书的策略，实盘跑了两周亏掉20%。后来才发现，问题出在基础行情延迟了整整5秒。这才明白过来：市面上教人写策略的教程，和真正能跑通的交易系统之间，隔着一整条马里亚纳海沟。

今天要聊的，不是怎么设计策略（这种内容已经烂大街了），而是实实在在的工程难题：‌如何用最低成本把策略变成真金白银的交易‌。别担心，不需要租机房搞专线，咱们普通散户也能玩得转。

行情这道坎，迈不过去都是虚的

刚开始做自动化交易时，我试遍了各种数据源。Tushare的15分钟延迟让人抓狂，某券商API动不动就断连。最坑的是有次做ETF套利，因为拿不到Level2的十档行情，挂单价直接插针，单笔损失够买十台MacBook Pro。

后来发现用WebSocket直连行情源，这里给个接入多市场行情的代码骨架（：

#!python3
# -*- coding:utf-8 -*-
import time
import websocket
import zlib


# 发送订阅
def on_open(ws):
    ws.send("all=lv2_600519,lv1_000001")


# 接收推送
def on_message(ws, message, type, flag):
    # 命令返回文本消息
    if type == websocket.ABNF.OPCODE_TEXT:
        print(time.strftime('%H:%M:%S', time.localtime(time.time())), "Text响应:", message)
    # 行情推送压缩二进制消息，在此解压缩
    if type == websocket.ABNF.OPCODE_BINARY:
        rb = zlib.decompress(message, -zlib.MAX_WBITS)
        print(time.strftime('%H:%M:%S', time.localtime(time.time())), "Binary响应:", rb.decode("utf-8"))


def on_error(ws, error):
    print(error)


def on_close(ws, code, msg):
    print(time.strftime('%H:%M:%S', time.localtime(time.time())), "连接已断开")


wsUrl = "ws://<服务器地址>/?token="
ws = websocket.WebSocketApp(wsUrl,
                            on_open=on_open,
                            on_data=on_message,
                            on_error=on_error,
                            on_close=on_close)
ws.run_forever()

重点说三个实战经验：

别在本地跑！放云服务器才能保证低延迟（实测上海区域能控制在5ms内）
多市场订阅用逗号分隔就行，港美股记得处理时区转换
Level2数据每秒20+次推送，Python脚本处理起来也完全没压力。

自动下单，到底有多反人类

第一次尝试程序化交易时，我在某券商页面蹲了俩小时找API文档，结果客服告诉我个人用户不开放。后来发现用HTTP协议反而更简单，这里分享个委托模板：

# 买入的核心逻辑就一行
下单地址 = f"http://交易服务器/buy?token=xxx&code=600519&price={实时价*0.995}&volume=100"

别小看这个朴素的操作：

价格挂单建议浮动±0.5%，防止卡在盘口
返回的order_id一定要存库，撤单全靠它
持仓查询接口记得设置止损线，我吃过闪崩没止损的亏

数据库才是隐藏BOSS

策略失效的罪魁祸首，往往是数据质量。试过用网络爬虫抓财务数据，结果字段对不齐，日期格式都能出三种花样。直到用了语义化查询，才体会到什么叫降维打击：

# 找最近三个月北向资金连续增持的半导体个股
query = "半导体,北向持仓比例连续增长3月,市盈率<行业均值"

这种查询模式最爽的是：

不需要记字段名（比如"main_net_inflow"这种反人类命名）
支持自然语言时间段（"过去30天"自动转时间戳）
能直接导出DataFrame，和backtrader无缝对接

别把量化想复杂了

现在的我，策略逻辑、行情解析、交易风控三个进程跑在2核4G的服务器上，日均交易成本不到2块钱（包括行情费）。全套系统搭下来，最贵的投入其实是券商的交易手续费...

说到底，量化交易的技术门槛早就不在算法层面。真正的信息差在于：

怎么找到稳定的行情源（延迟低于1秒）
如何绕过券商的各种限制（比如自动撤单频率）
哪里能获取结构化的基本面数据（特别是A股）

这些脏活累活，与其自己折腾，不如找个靠谱的基础服务。毕竟咱们的时间，应该花在策略逻辑上，而不是和API文档斗智斗勇。

原文链接:https://zhuanlan.zhihu.com/p/31296882820