【亲测免费】 WonderTrader 安装和配置指南
2026-01-21 04:50:28作者:廉皓灿Ida
1. 项目基础介绍和主要编程语言
项目基础介绍
WonderTrader 是一个基于 C++ 核心模块的量化交易开发框架,旨在为专业机构提供高效率、高可用的量化交易解决方案。它覆盖了从数据落地清洗、回测分析、实盘交易到运营调度的所有环节,支持全市场全品种交易。
主要编程语言
WonderTrader 的核心模块主要使用 C++ 编写,提供了高性能和低延迟的交易引擎。此外,它还提供了 Python 子框架(wtpy),方便用户使用 Python 进行策略开发和回测。
2. 项目使用的关键技术和框架
关键技术和框架
- C++ 核心模块:提供高性能的交易引擎和数据处理能力。
- Python 子框架(wtpy):方便用户使用 Python 进行策略开发和回测。
- 交易引擎:包括 CTA 引擎、SEL 引擎、HFT 引擎和 UFT 引擎,满足不同策略的需求。
- 数据伺服:提供高效的数据存储和分发服务。
- 风险控制:支持组合盘资金风控、通道流量风控和账户资金风控。
- 监控服务:提供实时监控和自动调度服务。
3. 项目安装和配置的准备工作和详细安装步骤
准备工作
- 操作系统:建议使用 Linux 或 macOS 系统,Windows 系统也可支持。
- 开发环境:确保已安装 C++ 和 Python 的开发环境。
- 依赖库:安装必要的依赖库,如 Boost、CMake 等。
- Git:确保已安装 Git,用于克隆项目代码。
详细安装步骤
步骤 1:克隆项目代码
首先,使用 Git 克隆 WonderTrader 的项目代码到本地:
git clone https://github.com/wondertrader/wondertrader.git
cd wondertrader
步骤 2:安装 C++ 依赖库
确保系统已安装必要的 C++ 依赖库,如 Boost、CMake 等。可以使用包管理器进行安装:
-
Ubuntu/Debian:
sudo apt-get install libboost-all-dev cmake -
macOS:
brew install boost cmake
步骤 3:编译 C++ 核心模块
进入项目目录,使用 CMake 进行编译:
mkdir build
cd build
cmake ..
make
步骤 4:安装 Python 子框架(wtpy)
确保已安装 Python 3.8 或更高版本,然后使用 pip 安装 wtpy:
pip install wtpy
步骤 5:配置环境变量
将 WonderTrader 的安装路径添加到系统的环境变量中,以便在 Python 中调用:
-
Linux/macOS:
export WONDERTRADER_HOME=/path/to/wondertrader export PATH=$PATH:$WONDERTRADER_HOME/bin -
Windows:
setx WONDERTRADER_HOME "C:\path\to\wondertrader" setx PATH "%PATH%;%WONDERTRADER_HOME%\bin"
步骤 6:验证安装
运行一个简单的 Python 脚本,验证 WonderTrader 是否安装成功:
import wtpy
print(wtpy.__version__)
如果输出版本号,说明安装成功。
总结
通过以上步骤,您已经成功安装并配置了 WonderTrader 项目。接下来,您可以开始使用 C++ 或 Python 进行量化策略的开发和回测。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0113
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
487
3.61 K
Ascend Extension for PyTorch
Python
298
332
暂无简介
Dart
738
177
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
270
113
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
865
467
仓颉编译器源码及 cjdb 调试工具。
C++
149
880
React Native鸿蒙化仓库
JavaScript
296
343
Dora SSR 是一款跨平台的游戏引擎,提供前沿或是具有探索性的游戏开发功能。它内置了Web IDE,提供了可以轻轻松松通过浏览器访问的快捷游戏开发环境,特别适合于在新兴市场如国产游戏掌机和其它移动电子设备上直接进行游戏开发和编程学习。
C++
52
7
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
20