合约交易是指买卖双方对约定未来某个时间按指定价格接收一定数量的某种资产的协议进行交易。

　　合约交易的买卖对象是由交易所统一制定的标准化合约，交易所规定了其商品种类，交易时间，数量等标准化信息。合约代表了买卖双方所拥有的权利和义务。

　　简单点说就是：现在约好未来某个时间地点交易一定数量的某种商品。

　　合约交易是一种金融衍生品，它是相对于现货市场的交易，用户可以在期货合约交易中通过判断涨跌，选择买入做多或者卖出做空合约，来获得价格上涨或者下跌带来的收益。按照交割方式的不同可以将合约分为永续合约和定期合约。两者间的主要区别就是定期合约有固定交割日，而永续合约没有。

　　其中定期合约按照交割时间的不同分为三类：当周合约、次周合约和季度合约。

　　交易所撮合引擎需要满足以下三个要求：

　　1.强大到变态的性能：交易所规模越大，并发的交易也就越多，撮合引擎性能的好坏，直接制约了交易所业务的发展。

　　2.多种订单类型全兼容：常用的订单类型就包括限价单、市价单、止盈止损单等。

　　3.合约功能的支持：现阶段的交易所行业中，合约交易已经几乎成了必备功能，合约的撮合实现相比现货要复杂许多，对技术的要求也会更高。

　　huobipro=ccxt.huobipro({

　　apiKey:,

　　secret:,

　　})

　　先使用ccxt获取交易所的实例，然后获取历史k线，得到的数据使用dataframe格式接受

　　huobipro.fetch_ohlcv(symbol=symbol,limit=limit_num,timeframe=timeframe)

　　然后利用pandas提供的函数计算MA，

　　df[median_short]=df[close].rolling(n_short,min_periods=1).mean()

　　df[median_long]=df[close].rolling(n_long,min_periods=1).mean()

　　然后再找出买入卖出信号，

　　#找出买入信号

　　condition1=df[median_short]>df[median_long]#短均线上穿长均线

　　condition2=df[median_short].shift(1)<=df[median_long].shift(1)

　　df.loc[condition1&condition2,signal]=1#产生买入信号的k线标记为1

　　#找出卖出信号

　　condition1=df[median_short]<df[median_long]#短均线上穿长均线

　　condition2=df[median_short].shift(1)>=df[median_long].shift(1)

　　df.loc[condition1&condition2,signal]=0#产生卖出信号的k线标记为0

　　有了交易信号，就可以获取信号，再判断进行下单（huobipro.create_limit_buy/sell_order（）了）

　　第五步：其实第四步就可以交易了，第五步是回测，一般来说先回测再根据回测结果选用策略，最后才进行实盘

　　回测分析的相关有很多种，在这方面我也不是很懂，目前我还是习惯用累计利润来进行分析，

　　#由signal计算出实际的每天持仓

　　df[pos]=df[signal].shift()

　　df[pos].fillna(method=ffill,inplace=True)

　　df[pos].fillna(value=0,inplace=True)

　　到这里持仓信号就有了，就可以根据持仓和历史k线的价格计算累计利润了，

　　df[change]=df[close].pct_change(1)#根据收盘价计算涨跌幅

　　df[by_at_open_change]=df[close]/df[open]-1#开盘买入到收盘的涨跌幅

　　df[sell_next_open_change]=df[open].shift(-1)/df[close]-1#这根收盘到下根开盘的涨跌幅

　　df.at[len(df)-1,sell_next_open_change]=0#补全空值df.at[4,B]

　　　condition1=df[pos]==1

　　condition2=df[pos]!=df[pos].shift(1)

　　open_pos_condition=condition1&condition2

　　#选取平仓条件

　　condition1=df[pos]==0

　　condition2=df[pos]!=df[pos].shift(1)

　　close_pos_condition=condition1&condition2

　　#对每次交易进行分组

　　df.loc[open_pos_condition,start_time]=df[open_time]

　　df[start_time].fillna(method=ffill,inplace=True)

　　df.loc[df[pos]==0,start_time]=pd.NaT

　　init_cash=1000#初始资金

　　#计算仓位变动

　　#开仓时仓位

　　df.loc[open_pos_condition,position]=init_cash*(1+df[by_at_open_change])

　　group_num=len(df.groupby(start_time))

　　if group_num>1:

　　temp=df.groupby(start_time).apply(lambda x:x[close]/x.iloc[0][close]*x.iloc[0][position])

　　temp=temp.reset_index(level=[0])

　　df[position]=temp[close]

　　df[position_max]=df[position]*df[high]/df[close]

　　df[position_min]=df[position]*df[low]/df[close]

　　##平仓时的仓位

　　#df.loc[close_pos_condition,position]*=(1+df.loc[close_pos_condition,sell_next_open_change])

　　#计算持仓利润

　　df[porfit]=(df[position]-init_cash)*df[pos]#持仓利润或亏损

　　#df.loc[df[pos]==1,porfit_min]=(df[position_min]-init_cash)*df[pos]#最小持仓盈利或亏损

　　#df.loc[df[pos]==0,porfit_max]=(df[position_max]-init_cash)*df[pos]

　　#计算实际资金量

　　df[cash]=init_cash+df[porfit]#实际资金

　　#计算资金曲线

　　df[equity_change]=df[cash].pct_change()

　　#开仓日收益率

　　df.loc[open_pos_condition,equity_change]=df.loc[open_pos_condition,cash]/init_cash-1

　　df[equity_change].fillna(value=0,inplace=True)

　　df[equity_curve]=(1+df[equity_change]).cumprod()

　　df[equity_curve]=df[equity_curve]*init_cash