量化交易系统开发-实时行情自动化交易-Okex衍生数据

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Okex交易所API获取衍生数据。

衍生数据（Derived Data）是从基础市场数据中计算得出的重要信息，用于辅助交易策略的制定和执行。例如，通过对市场的价格、成交量、订单簿等数据进行分析，可以计算技术指标、市场情绪、买卖盘强度等。OKEx 提供了一系列 API 接口，开发者可以利用这些接口来获取基础数据并进一步计算衍生数据，从而为交易决策提供参考。以下是如何利用 OKEx API 获取并生成衍生数据的详细开发内容扩展。

1. 衍生数据简介

衍生数据是基于原始市场数据（如 K 线数据、订单簿、交易数据等）通过特定算法计算得出的信息，帮助开发者更好地理解市场动态、发现交易机会。常见的衍生数据包括：

• 技术指标：如均线（Moving Average）、相对强弱指数（RSI）、布林带（Bollinger Bands）等。

• 买卖盘强度：通过比较买盘和卖盘的累计量，判断市场多空力量的对比情况。

• 资金流向指标：通过计算主动买入和主动卖出的资金量，判断大资金的市场活动情况。

2. 获取基础数据并生成衍生数据

OKEx 提供的 API 接口中，最常用的包括获取 K 线数据、订单簿数据、交易数据等。衍生数据的生成通常从这些基础数据开始，通过算法进行进一步计算。

• 获取 K 线数据：首先，可以通过调用 /api/v5/market/candles 接口获取 K 线数据，作为生成技术指标的基础。例如，计算均线、相对强弱指数等都需要基于历史的价格数据。

  import requests
  import pandas as pd
  
  def get_klines(inst_id, bar='1m', limit=100):
      url = f"https://www.okex.com/api/v5/market/candles?instId={inst_id}&bar={bar}&limit={limit}"
      response = requests.get(url)
      if response.status_code == 200:
          data = response.json()
          df = pd.DataFrame(data['data'], columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
          df['close'] = df['close'].astype(float)
          return df
      else:
          raise Exception(f"Error fetching K line data: {response.status_code}")
  
  # 获取 BTC-USDT 的 K 线数据
  klines = get_klines("BTC-USDT")
  print(klines.head())

  在上述代码中，我们通过调用 OKEx 的 REST API 获取 K 线数据，并将其转换为 Pandas DataFrame，以便后续进行技术指标的计算。

3. 技术指标的计算

通过获取的基础数据，可以进一步计算各种常见的技术指标，这些指标是交易策略中最重要的组成部分。

• 移动平均线（MA）：移动平均线是最简单和常用的技术指标之一，用于平滑价格波动，从而识别市场趋势。

  def calculate_moving_average(df, window=14):
      df[f'ma_{window}'] = df['close'].rolling(window=window).mean()
      return df
  
  # 计算 14 日移动平均线
  klines_with_ma = calculate_moving_average(klines, window=14)
  print(klines_with_ma[['timestamp', 'close', 'ma_14']].tail())

  在此示例中，我们利用 Pandas 提供的滚动计算功能来计算移动平均线。移动平均线可以帮助判断市场是处于上升还是下降趋势。

• 相对强弱指数（RSI）：RSI 用于判断市场的超买或超卖状态，是短期交易中非常重要的指标。

  def calculate_rsi(df, period=14):
      delta = df['close'].diff(1)
      gain = delta.where(delta > 0, 0)
      loss = -delta.where(delta < 0, 0)
      avg_gain = gain.rolling(window=period).mean()
      avg_loss = loss.rolling(window=period).mean()
      rs = avg_gain / avg_loss
      df['rsi'] = 100 - (100 / (1 + rs))
      return df
  
  # 计算 14 日 RSI
  klines_with_rsi = calculate_rsi(klines_with_ma, period=14)
  print(klines_with_rsi[['timestamp', 'close', 'rsi']].tail())

  通过计算 RSI，可以帮助交易者识别市场是否处于超买（通常 RSI > 70）或超卖状态（通常 RSI < 30），从而作出交易决策。

4. 买卖盘强度的计算

买卖盘强度是通过比较市场的买盘和卖盘挂单数量，分析市场中多空双方的力量对比。

• 获取订单簿数据：通过调用 /api/v5/market/books 接口获取市场订单簿数据，然后计算买卖盘的强度。

  def get_order_book(inst_id, depth=10):
      url = f"https://www.okex.com/api/v5/market/books?instId={inst_id}&sz={depth}"
      response = requests.get(url)
      if response.status_code == 200:
          data = response.json()
          bids = sum([float(bid[1]) for bid in data['data'][0]['bids']])
          asks = sum([float(ask[1]) for ask in data['data'][0]['asks']])
          return bids, asks
      else:
          raise Exception(f"Error fetching order book data: {response.status_code}")
  
  # 获取 BTC-USDT 的买卖盘强度
  bids, asks = get_order_book("BTC-USDT")
  print(f"买盘强度: {bids}, 卖盘强度: {asks}")

  在该示例中，我们计算了买卖盘的累计量，以判断市场中的多空力量对比。例如，当买盘远大于卖盘时，可能预示市场具有上升潜力。

5. 资金流向指标的计算

资金流向指标（Capital Flow Indicator）用于分析市场中的大资金流动，通常通过分析主动买入和主动卖出的资金量来确定。

• 分析主动买卖数据：通过 WebSocket 订阅成交记录，并分析每笔成交是主动买入还是主动卖出。

  import asyncio
  import websockets
  import json
  
  async def subscribe_trades(inst_id):
      url = "wss://ws.okex.com:8443/ws/v5/public"
      async with websockets.connect(url) as websocket:
          subscribe_message = {
              "op": "subscribe",
              "args": [{"channel": "trades", "instId": inst_id}]
          }
          await websocket.send(json.dumps(subscribe_message))
  
          buy_volume = 0
          sell_volume = 0
          while True:
              response = await websocket.recv()
              data = json.loads(response)
              for trade in data.get('data', []):
                  if trade['side'] == 'buy':
                      buy_volume += float(trade['sz'])
                  elif trade['side'] == 'sell':
                      sell_volume += float(trade['sz'])
              print(f"买入量: {buy_volume}, 卖出量: {sell_volume}")
  
  # 订阅 BTC-USDT 的成交记录并计算资金流向
  asyncio.run(subscribe_trades("BTC-USDT"))

  在该示例中，通过订阅成交记录来计算买入量和卖出量。主动买入量大于卖出量时，说明市场中多头力量占优，资金正在流入市场；反之，则说明空头力量较强。

6. 数据存储与优化

• 数据存储：衍生数据计算后需要进行存储，以便后续的策略回测和实时监控。可以使用关系型数据库（如 MySQL）来存储 K 线及其衍生指标，或者使用 Redis 来缓存最新的衍生数据，便于策略的快速读取。

• 计算优化：对于实时计算的衍生数据，例如 RSI 和资金流向，可以利用多线程或异步编程来提高计算效率，确保衍生数据能及时为策略提供支持。