【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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
项目优选
收起
暂无描述
Dockerfile
766
5.01 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
863
1.96 K
Ascend Extension for PyTorch
Python
722
894
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
689
1.35 K
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
458
453
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++
1.08 K
1.11 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.02 K
265
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
152
250
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1.01 K
627
Oohos_react_native
React Native鸿蒙化仓库
C++
357
425