Nautilus Trader中Binance Futures对冲模式下的执行算法问题解析
2025-06-06 20:45:54作者:邬祺芯Juliet
问题背景
在Nautilus Trader 1.215.0版本中,用户在使用Binance Futures对冲模式时遇到了一个与执行算法相关的位置ID错误问题。具体表现为:当使用TWAP执行算法提交订单时,系统会抛出"position_id参数为None"的错误,而同样的代码在不使用执行算法时却能正常工作。
问题现象
用户在使用对冲模式时,尝试通过以下方式提交订单:
position_id = PositionId(f"{self.instrument.id}-SHORT")
order = self.order_factory.market(
instrument_id=self.instrument.id,
order_side=OrderSide.SELL,
quantity=self.instrument.make_qty(qty),
time_in_force=TimeInForce.GTC,
exec_algorithm_id=self.exec_algorithm_id,
exec_algorithm_params=self.exec_algorithm_params
)
self.submit_order(order, position_id=position_id)
当包含exec_algorithm_id和exec_algorithm_params参数时,系统会报错:
TypeError: 'position_id' argument was `None`
技术分析
这个问题源于Binance Futures对冲模式下的特殊处理逻辑。在对冲模式下,每个交易方向(多头/空头)都有独立的仓位,因此需要明确指定仓位ID的后缀("-LONG"或"-SHORT")。
问题的核心在于执行算法处理流程中,位置ID信息在传递过程中丢失。具体来说:
- 用户正确设置了位置ID并提交了订单
- 当订单进入TWAP执行算法处理流程时,位置ID信息未能正确传递到后续生成的子订单中
- Binance适配器在校验时发现位置ID为空,因此抛出错误
解决方案
开发团队通过以下方式解决了这个问题:
- 确保执行算法正确处理并传递位置ID参数
- 在订单生成和传递的各个环节加强位置ID的校验和传递
- 特别处理对冲模式下的位置ID后缀要求
修复后的版本确保了:
- 主订单的位置ID能够正确传递到执行算法生成的子订单
- Binance Futures对冲模式下的特殊位置ID格式要求得到满足
- 执行算法与仓位管理的交互更加健壮
最佳实践
对于使用Nautilus Trader与Binance Futures对冲模式的开发者,建议:
- 始终明确指定仓位ID,并确保格式正确(包含"-LONG"或"-SHORT"后缀)
- 在使用执行算法时,检查算法是否支持并正确处理位置ID
- 定期更新到最新版本,以获取类似问题的修复
- 在开发和测试阶段,特别注意对冲模式下的特殊要求
总结
这个问题展示了金融交易系统中参数传递和校验的重要性,特别是在处理特定功能(如Binance的对冲模式)时。Nautilus Trader团队通过加强参数传递链路的健壮性,确保了执行算法与仓位管理的正确交互,为量化交易开发者提供了更稳定的开发体验。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
412
3.17 K
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++
664
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
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
492
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
342
146