量化交易系统开发-实时行情自动化交易-3.4.3.2.期货交易数据

19年创业做过一年的量化交易但没有成功，作为交易系统的开发人员积累了一些经验，最近想重新研究交易系统，一边整理一边写出来一些思考供大家参考，也希望跟做量化的朋友有更多的交流和合作。

接下来聊聊基于期货API获取交易数据。

交易数据（Trade Ticks）是进行高频交易策略和市场情绪分析的核心数据之一，通过获取逐笔交易的数据，交易者可以识别大资金动向、市场参与者的行为，以及短时间内的市场动态。以下是通过 Python 编写的代码示例，利用期货常用的公开 API（如和讯网、上海期货交易所等）获取期货的逐笔交易数据的详细开发内容。

1. 使用和讯 API 获取期货交易数据

和讯网提供了期货市场的交易数据接口，可以通过 HTTP 请求获取特定期货品种的逐笔交易数据。以下代码展示了如何通过 Python 调用和讯的 API 获取期货的交易数据。

import requests
import pandas as pd

def get_hexun_futures_trades(futures_code, limit=100):
    """
    获取和讯期货的逐笔交易数据。

    :param futures_code: 期货代码，例如 'AU0' 表示沪金连续合约
    :param limit: 获取交易数据的数量
    :return: 交易数据的 pandas DataFrame
    """
    url = f"https://api.hexun.com/futures/trades"
    params = {
        "code": futures_code,
        "count": limit
    }
    response = requests.get(url, params=params)
    if response.status_code == 200:
        data = response.json()
        trades_data = data.get("data", {}).get("trades", [])
        trades_list = [trade.split(",") for trade in trades_data]
        df = pd.DataFrame(trades_list, columns=["时间", "价格", "数量", "买卖方向"])
        df = df.astype({"价格": 'float', "数量": 'int'})
        return df
    else:
        raise Exception(f"Error fetching trade data: {response.status_code}")

# 获取沪金连续合约（AU0）的最近 100 笔交易数据
df_trades = get_hexun_futures_trades("AU0")
print(df_trades)

在这个代码示例中，我们通过调用和讯的 API 获取了指定期货合约的逐笔交易数据。API 返回的交易数据包含每笔成交的时间、价格、数量和买卖方向，并将其转换为 Pandas DataFrame 格式以便后续处理和分析。

2. 使用上海期货交易所 API 获取期货交易数据

上海期货交易所（SHFE）提供了一些公开的期货数据接口，可以用来获取某些期货品种的逐笔交易数据。以下是通过 Python 编写的代码，调用上海期货交易所的 API 获取交易数据的示例。

import requests
import pandas as pd

def get_shfe_futures_trades(futures_code, limit=100):
    """
    获取上海期货交易所的逐笔交易数据。

    :param futures_code: 期货代码，例如 'CU' 表示沪铜合约
    :param limit: 获取交易数据的数量
    :return: 交易数据的 pandas DataFrame
    """
    url = f"https://www.shfe.com.cn/data/dailydata/trades/{futures_code}.json"
    params = {
        "limit": limit
    }
    response = requests.get(url, params=params)
    if response.status_code == 200:
        data = response.json()
        trades = data.get("records", [])
        df = pd.DataFrame(trades, columns=["时间", "价格", "数量", "买卖方向"])
        df = df.astype({"价格": 'float', "数量": 'int'})
        return df
    else:
        raise Exception(f"Error fetching trade data: {response.status_code}")

# 获取沪铜（CU）的最近 100 笔交易数据
cu_trades = get_shfe_futures_trades("CU")
print(cu_trades)

在此示例中，调用了上海期货交易所的 API，获取指定期货品种的逐笔交易数据。返回的数据包括时间、价格、数量和买卖方向，便于后续的交易策略分析和回测。

3. 数据存储与管理

逐笔交易数据的存储与管理是高频交易策略执行的关键。

内存缓存：对于实时性要求较高的逐笔交易数据，可以使用 Redis 等内存数据库进行缓存，以加快数据读取的速度。

持久化存储：对于逐笔交易数据，可以将其存储到关系型数据库（如 MySQL）中，方便进行历史交易数据的分析。例如：

import mysql.connector

def save_trades_to_mysql(df, futures_code):
    """
    将期货交易数据保存到 MySQL 数据库中。

    :param df: 交易数据 DataFrame
    :param futures_code: 期货代码
    """
    connection = mysql.connector.connect(
        host="localhost",
        user="root",
        password="password",
        database="futures_data"
    )
    cursor = connection.cursor()
    create_table_query = f"""
    CREATE TABLE IF NOT EXISTS trades_{futures_code} (
        时间 VARCHAR(20),
        价格 FLOAT,
        数量 INT,
        买卖方向 VARCHAR(10)
    )"""
    cursor.execute(create_table_query)
    for _, row in df.iterrows():
        insert_query = f"""
        INSERT INTO trades_{futures_code} (时间, 价格, 数量, 买卖方向)
        VALUES ('{row['时间']}', {row['价格']}, {row['数量']}, '{row['买卖方向']}')
        """
        cursor.execute(insert_query)
    connection.commit()
    cursor.close()
    connection.close()

# 将交易数据保存到 MySQL 数据库
save_trades_to_mysql(df_trades, "AU0")

4. 数据采集优化策略

为了提高交易数据采集的效率和稳定性，可以采取以下优化策略：

异步采集与并行处理 ：对于多个期货品种的交易数据，可以使用 Python 的 asyncio 和 aiohttp 实现并行采集，从而提高数据采集的效率。
自动重连与数据补偿：在使用 API 采集数据时，可能会因为网络问题导致连接中断，需要设计自动重连机制，并在重连成功后补偿之前可能遗漏的数据。
数据去重与清洗：由于网络波动或重连导致的数据重复问题，可以对采集到的数据进行去重，确保数据的唯一性和准确性。

5. 交易数据的应用

大资金动向监测：通过分析逐笔交易数据，可以识别出市场中的大额交易，这些大单往往代表着主力资金的动向，可以作为市场反转或趋势延续的信号。
短线波动捕捉：逐笔交易数据可以帮助高频交易策略捕捉短时间内的价格波动，通过监测买卖力量对比，寻找套利或快速交易机会。