【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
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
热门内容推荐
最新内容推荐
3D动漫渲染与卡通风格实现:Poiyomi Toon Shader全解析7个颠覆性技巧:用Virt-Manager实现虚拟机管理效率倍增告别会议截止日焦虑:AI Deadlines让全球学术日程管理化繁为简3个步骤掌握ESP32音频开发:从硬件连接到物联网音频方案突破设备限制:VR-Reversal解锁3D视频新玩法——普通设备实现自由视角观看的技术方案开源工具G-Helper启动优化与故障解决指南4大维度破解地理空间智能难题:面向研究者与从业者的AI工具指南3步掌握英雄联盟回放深度分析:从安装到战术拆解Windows驱动签名绕过与内核工具实践指南CyberdropBunkrDownloader:多平台文件下载工具全解析
项目优选
收起
暂无描述
Dockerfile
675
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
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++
947
886
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
398
302
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.56 K
909
暂无简介
Dart
921
228
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
559
昇腾LLM分布式训练框架
Python
142
169
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381