pysystemtrade 项目中移除市场报告的逻辑优化
2025-06-28 12:47:59作者:冯梦姬Eddie
背景介绍
在量化交易系统pysystemtrade中,有一个重要的功能是定期生成"移除市场报告"(remove markets report)。这份报告的主要目的是识别那些由于流动性不足、波动性过高或交易成本过高等原因而应该从交易组合中移除的市场或交易品种。
问题发现
在系统实现过程中,发现了一个逻辑缺陷:当前的移除市场报告不仅包含了应该移除的市场,还包含了可以重新添加回交易组合的市场列表。问题在于,这个"可添加回"的列表中包含了那些被明确标记为stale_instruments(陈旧品种)或ignored_instruments(忽略品种)的交易品种。
技术分析
现有机制
- stale_instruments:标记那些由于外部原因(如下架、品种到期等)变得陈旧的交易品种
- ignored_instruments:标记那些由于特定原因需要被系统完全忽略的交易品种
- bad_markets:基于流动性、波动性和交易成本等量化指标自动识别的不良市场
问题本质
这三种标记虽然都可能导致品种被移除,但其背后的逻辑和含义完全不同:
stale_instruments和ignored_instruments代表的是外部强制因素或人为决策,这些品种不应该被系统自动重新添加bad_markets则是基于量化指标的动态判断,当市场条件改善后,这些品种可以重新考虑加入
解决方案
修复方案的核心思想是:将基于外部因素/人为决策的移除(stale_instruments和ignored_instruments)与基于量化指标的移除(bad_markets)明确区分开来。
具体实现上,在生成"可添加回"市场列表时,需要先过滤掉那些被标记为stale_instruments或ignored_instruments的品种。
技术实现细节
修复通过提交b264d6d9f2aa4ce8c9880b7c1abfe30629adc65d完成,主要修改了市场移除报告生成逻辑:
- 在生成可添加回市场列表前,先获取所有被标记为
stale_instruments和ignored_instruments的品种集合 - 将这些品种从可添加回候选列表中排除
- 确保只有那些单纯因为量化指标不佳而被移除的品种才会出现在可添加回列表中
系统设计思考
这一修复体现了良好的系统设计原则:
- 关注点分离:将不同原因的移除逻辑明确区分
- 最小意外原则:避免系统自动行为与用户明确意图冲突
- 可维护性:使系统行为更加可预测和可理解
对量化交易系统的启示
在量化交易系统设计中,正确处理不同类型的市场排除逻辑至关重要:
- 硬性排除:如规则变化、品种下架等,应该持久化且不被自动覆盖
- 软性排除:基于市场条件的动态评估,应该允许系统在条件改善后重新考虑
- 人工干预:交易员明确指定的排除应该得到尊重
这种分层处理方式既保证了系统的自动化程度,又保留了必要的人工控制权。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
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
1.03 K
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
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++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210