量化平台策略如何实现？

如果你有一个交易想法（策略），自己又懂编程，使用量化平台可以将想法变为实际的程序化交易。

第1步，编码实现：写代码，实现交易策略

写代码一般使用PYTHON或者C语言编写，根据不同的平台是不一样的。使用系统点击后方“编辑”按钮，并在弹出的「策略编辑器」中以此示例模型代码为基础进行编写。我们来看一个简单的策略编写：

#coding:gbk

#! /usr/bin/python

def init(ContextInfo):

   #init初始设定函数,无设定则直接pass

   pass

def handlebar(ContextInfo):

   #handlebar 逐跟K线调用运行函数    

   #当前K线的对应的下标从0开始

   index = ContextInfo.barpos

   #当前K线对应的时间：毫秒

   realtime = ContextInfo.get_bar_timetag(index)

   #当前周期

   period = ContextInfo.period

   #当前主图复权方式

   dividend_type = ContextInfo.dividend_type

   #取当前K线图对应的合约当前K线的当前主图复权方式下的收盘价

   close = ContextInfo.get_market_data(['close'],period=period,dividend_type=dividend_type)  

   #在图上画出close的曲线图

   ContextInfo.paint('close',close,-1,0)

在量化平台变成好策略，然后可以与回测运行。

第2步，回测：用历史行情数据进行回测  

极速回测

从几个小时、几十分钟提速至几十秒的极致回测体验

寻找模型因子和投资规律是一个不断去摸索、分析、验证、优化、迭代的过程，对整个过程而言，模型回测的效率越高，原则上单位时间内总结的规律越多！

因为快，所以能不断试错；试错更多，那么就能从中积累更多经验，就能越快找到更加有效的量化模型，正所谓先人一步才能胜人一筹！所以速度快，很重要！在任何领域，时间都是最珍贵的财富！

在回测之前，可手动在设置-数据管理中补充数据，以方便回测运行。也可直接回测，系统会自动补全相应品种指定运行周期的所有历史数据。

对某一策略编译成功后，点击回测，可以通过日志输出查看模型回测情况，如果回测正常的话，主界面会跳转到模型设置的默认标的和默认周期界面，并输出模型绩效分析结果。

第3步，调优：根据回测的结果调整策略，调整参数

可以不断的回测，改善自己的策略，使自己的策略大概能达到自己比较满意的效果。

重复第2、3步：直到满意

第4步，仿真交易：用当前行情进行全仿真的模拟交易

通过策略开发模块完成策略开发后，可以把开发完成的策略加入到策略交易中，通过实时行情来验证策略有效性。操作步骤如下：点击客户端左侧“策略交易”按钮，进入【策略交易】界面，在此界面可以添加要进行交易的策略，并可以看到已添加的模型的运行情况。

第5步，开通实盘：转账，执行交易

实盘交易是需要量化平台来操作的，一般有网络三方平台，或者券商的量化平台，各自有自己的特点，一般券商自己的量化平台是比较好的，自己的券商账户能够使用。也是推荐的。

【基础参数】

交易滑点：为保证成交，可设置交易滑点。初始下达买入委托，或发生成交补全买入委托队列时，在基准价格和网格间距的基础上，加上一个滑点单位，作为买入委托的价格。初始下达卖出委托，或发生成交补全卖出委托队列时，在基准价格和网格间距的基础上，减去一个滑点单位，作为卖出委托的价格；

结束前仓位复原：设置是否在收盘前进行恢复初始仓位，仓位复原的基准是当前交易日的初始持仓数量。

仓位复原报价方式：支持自定义恢复初始仓位时的报价方式，注意：仓位复原操作仅是于复原时间系统依照选用的报价方式下达进行补仓的委托，并不能保证一定成交。建议选择对手 价，恢复初始仓位的委托更容易成交。

仓位复原时间：支持自定义设置仓位复原时间。

最大买卖笔数偏差：对卖出成交笔数与买入成交笔数的数量进行判断，若卖出成交笔数减买入成交笔数大于最大买卖笔数偏差，则把执行中的卖出委托全部撤单；同样的，若买入成交 笔数减卖出成交笔数大于最大买卖笔数偏差，则把执行中的买入委托全部撤单。之后，除了“结束前恢复仓位”情况的撤单和委托，其他报撤单操作不再执行。