简介一套面向量化交易开发者与金融科技学习者的期货程序化交易系统以Python为核心并融合深度学习模型解决期货行情获取、策略回测、信号生成和自动交易执行等问题。压缩包约19.56MB共729个文件以401个Python脚本、36个C源文件、52个头文件为主辅以38个CSV数据、25个JSON配置、多个DLL动态库和Excel表格分别承担策略逻辑、底层接口封装、参数配置与数据存储同时包含可执行程序、模型文件.pkl及图片文档便于直接运行与结果可视化。目前已有240人浏览学习。内容涵盖CTP交易接口调用、订单管理、深度学习模型部署及完整工程结构并带有策略示例、参数调优记录和可视化图表适合有一定Python基础、希望将深度学习用于期货实盘或回测的开发者可作为二次开发与算法验证的参考框架。1. 别急着写模型这个系统真正值钱的部分不在神经网络里做期货程序化交易的人大概率都有过这种经历手动盯盘盯到凌晨两点止损单挂晚了被打穿赚钱的单子拿不住亏钱的单子死扛。于是想用python把交易逻辑程序化再进一步听说深度学习能“学习”行情规律干脆把LSTM、Transformer一股脑塞进去做成一个“python结合深度学习的期货程序化交易系统”。这个方向确实值得做期货市场比股票多了做空机制和杠杆程序化交易有天然优势深度学习的非线性拟合能力也确实比传统动量策略更擅长捕捉量价关系里的复杂模式。但如果你以为这个系统的难点在于神经网络结构那就错了。我做过的类似系统里真正决定盈亏的往往不是模型而是数据怎么清洗、特征怎么构造、回测怎么防止作弊、实盘怎么处理异常。深度学习在期货上的落地九成时间花在模型之外。这篇笔记就按我自己的套路从数据、特征、模型、回测、避坑到实盘把整套方案拆开讲新手能照着搭老手可以对着参数调。2. 期货数据与特征工程先把Tick落成三维张量2.1 数据源与主力合约拼接最常见的第一个坑任何深度学习系统第一步都是拿数据。期货和股票不一样每个品种有多个合约同时交易主力合约会随着交割日临近不断切换。如果你直接拉某个合约的连续行情换月那天K线会出现人为跳空模型会把这种跳空当成真实价格波动去学习结果就是训练出一个对“换月日”特别敏感、但对真实行情毫无感觉的模型。常见做法是用主力合约的复权数据或者自己拼接。自己拼接时要注意换月当天用新合约的价格除以旧合约最后收盘价得到一个比例因子然后从换月点开始把后续所有价格乘以这个因子。这样能消除换月跳空但也会引入一个副作用——最早那部分数据的绝对价格被扭曲了。所以特征里不要用绝对价格用收益率和涨跌幅。数据获取方面我一般用akshare或tushare的期货分钟线接口。tushare积分门槛高一些akshare免费但接口稳定性看运气。分钟线建议用5分钟或15分钟1分钟数据量太大且噪声严重LSTM在这种高频噪声上很容易过拟合。数据字段至少要包含开盘、最高、最低、收盘、成交量、持仓量。持仓量这个字段很重要它是期货特有的信息能反映资金进场意愿。import akshare as ak import pandas as pd # 获取某期货品种的分钟数据注意这里以螺纹钢主力为例 df ak.futures_zh_minute_sina(symbolRB0, period5) df.columns [time, open, high, low, close, volume, hold] df[time] pd.to_datetime(df[time]) df.sort_values(time, inplaceTrue) df.reset_index(dropTrue, inplaceTrue) # 换月复权处理当价格出现超过阈值跳变时认为是换月进行比例复权 price_ratio 1.0 adjusted [] for i in range(len(df)): if i 0: change df.loc[i, open] / df.loc[i - 1, close] - 1 if abs(change) 0.08: # 超过8%的跳空大概率是换月阈值按品种波动特性调整 price_ratio df.loc[i, open] / df.loc[i - 1, close] adjusted.append(df.loc[i, close] * price_ratio) df[adj_close] adjusted这段代码做的事情很简单拉取螺纹钢主力5分钟K线然后逐行检查开盘价相对上一根K线收盘价的跳变幅度超过8%就认为是换月从这一刻开始调整后续所有价格的比例因子。参数说明8%这个阈值不是固定的螺纹钢日常波动很少超过3%但有些品种比如原油、生猪日内波动能到5%以上需要先看数据再定阈值不要无脑套。2.2 特征构造不要只喂裸价格很多新手喜欢直接把“过去100根K线的收盘价”丢给LSTM这是一个低效的做法。深度学习能自己学特征但不代表你不需要帮它一把。期货领域有一些被反复验证有效的特征直接构造好喂进去效果比让模型从头学快得多也稳得多。常用特征分几类第一类是动量类比如过去N周期的收益率、MACD柱状值第二类是波动类ATR平均真实波幅、历史波动率第三类是量仓类成交量变化率、持仓量变化率、量仓配合度第四类是价格相对位置比如当前收盘价在过去N根K线最高最低区间里的百分位。import numpy as np def build_features(df: pd.DataFrame, window: int 20) - pd.DataFrame: df df.copy() # 动量过去 window 周期的累计收益 df[ret] df[adj_close].pct_change() df[mom] df[adj_close].pct_change(window) # 波动ATR 与近期波动率 high, low, close df[high], df[low], df[adj_close] prev_close close.shift(1) tr np.maximum(high - low, np.maximum(abs(high - prev_close), abs(low - prev_close))) df[atr] tr.rolling(window).mean() # 量仓成交量相对均值的偏离 df[vol_ratio] df[volume] / df[volume].rolling(window).mean() # 位置当前收盘价在过去 window 根K线区间的百分位 roll_max high.rolling(window).max() roll_min low.rolling(window).min() df[pos] (close - roll_min) / (roll_max - roll_min 1e-9) df.replace([np.inf, -np.inf], np.nan, inplaceTrue) df.dropna(inplaceTrue) return df逻辑说明pct_change计算收益率rolling(window).mean()算均值这些都是标准操作。position特征的意义是告诉模型当前价格处于近期区间的什么位置这在震荡行情里是很好的过滤信号。所有特征都用了rolling窗口意味着它们天然包含时序依赖模型要学的不是从零发现规律而是在这些半成品特征基础上做非线性组合。这里有一个细节ATR和位置特征的量纲和收益率完全不在一个量级LSTM对输入尺度敏感所以后续还需要做标准化。标准化有个讲究只能用训练集的数据计算均值和方差然后应用到验证集和测试集上不能在整个数据集上做标准化否则等于把未来的统计信息泄漏给了模型。from sklearn.preprocessing import StandardScaler feature_cols [ret, mom, atr, vol_ratio, pos] scaler StandardScaler() # 只用训练集部分 fit再用同一 scaler 转换验证集和测试集 train_len int(len(df) * 0.7) scaled_train scaler.fit_transform(df[feature_cols].iloc[:train_len]) scaled_val scaler.transform(df[feature_cols].iloc[train_len:])2.3 样本切分与序列化三维张量的正确姿势深度学习模型的输入是三维张量形状是(batch_size, sequence_length, feature_dim)。sequence_length就是你要给模型“看多长的历史”我常用60根5分钟K线也就是5个小时的行情。feature_dim就是特征数量。每次滑动窗口取一段历史预测未来某根K线的方向或幅度。样本切分必须按时间顺序不能随机打乱否则训练集里混着未来的数据验证集就形同虚设。时间序列交叉验证和普通K折交叉验证不一样我用的是滚动窗口方式训练集用前60%的数据验证集用接下来20%最后20%留作模拟实盘测试。预测目标的设计也很关键。最常见的是直接回归预测未来N根K线的累计收益但我实际用下来发现分类任务的稳定性更好。把未来n步的收益切成三类涨超过阈值记为1跌超过阈值记为-1在阈值以内记为0。阈值可以根据品种波动特性设定比如螺纹钢5分钟K线阈值设为0.15%。分类任务的决策边界更清晰模型不容易被极端行情带偏。def make_sequence_dataset(df: pd.DataFrame, feature_cols: list, seq_len: int 60, horizon: int 5, threshold: float 0.0015): X, y [], [] values df[feature_cols].values close df[adj_close].values for i in range(seq_len, len(df) - horizon): X.append(values[i - seq_len : i]) future_ret close[i horizon] / close[i] - 1 if future_ret threshold: label 1 elif future_ret -threshold: label -1 else: label 0 y.append(label) return np.array(X), np.array(y)这段代码是滑动窗口的核心逻辑i从seq_len开始每走一步取前seq_len行作为输入未来第horizon根K线的涨跌作为标签。还有一个容易忽略的点序列最后一个样本用到了最后一行数据之后如果有实盘推理也要保持同样的格式。horizon设为5意味着预测大约25分钟后的涨跌这个周期在深度学习和程序化交易的结合点上是个比较折中的选择太短则噪声大太长则预测能力弱。3. 深度学习模型选型与训练从识别方向到输出概率3.1 为什么选LSTM而不是纯CNN或纯MLP期货行情本质上是时间序列价格在一段时间内的走势存在前后依赖。LSTM的结构恰好适合这种依赖它的记忆单元可以让信息跨多个时间步传递。CNN虽然通过卷积核也能捕捉局部时序模式但感受野受卷积核大小限制想覆盖60根K线的全局依赖需要叠很多层。MLP没戏它把每个时间步当成独立的特征完全丢失了时序顺序信息。Transformer近年很火但需要你有足够多的数据。期货分钟数据即便攒了一年也只勉强够两万根K线多头注意力在这种数据量上很容易过拟合。我用过的方案里单层LSTM或者双层LSTMhidden_size在64到128之间是最稳定且可控的选择。GRU比LSTM参数量少三分之一效果几乎没有差别训练速度更快新手优先考虑GRU也没问题。模型输出用三分类而不是回归还有一个工程层面的考虑三分类的决策维度是“多、空、不动”这正好对应程序化交易的仓位控制逻辑。回归模型输出的预测值要映射到交易信号还需要再设一个阈值多一层参数就多一个调优烦恼。3.2 用PyTorch搭一个可运行的LSTM训练骨架import torch import torch.nn as nn class FutureDirectionLSTM(nn.Module): def __init__(self, feature_dim, hidden_dim128, num_layers2, num_classes3): super().__init__() self.lstm nn.LSTM( input_sizefeature_dim, hidden_sizehidden_dim, num_layersnum_layers, batch_firstTrue, dropout0.3 if num_layers 1 else 0.0 ) self.classifier nn.Sequential( nn.Linear(hidden_dim, 64), nn.ReLU(), nn.Dropout(0.2), nn.Linear(64, num_classes) ) def forward(self, x): out, _ self.lstm(x) last_step out[:, -1, :] # 取最后一个时间步的输出 return self.classifier(last_step)模型结构很简单但参数这里说明一下LSTM层数建议不要超过2层原因有两点——期货序列长度只有60深层LSTM的梯度在反向传播时衰减严重另外深层网络参数量大在几万条样本上训练收敛速度和稳定性都更差。dropout加在LSTM层之间和最后的分类层之前用来缓解过拟合。训练循环里有个容易踩坑的点类别不平衡。期货市场大部分时候行情处于“不动”状态尤其在5分钟级别上阈值0.15%意味着大量样本会被标记为0类。如果直接训练模型会学成“永远预测不动”准确率看着很高实盘一点用没有。解决方法是给损失函数加权重。def train_model(model, train_loader, val_loader, epochs30, lr1e-3): device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device) # 类别权重多数类权重低少数类权重高 class_counts torch.bincount(torch.tensor(train_dataset.labels)) total class_counts.sum().float() weights total / (class_counts * len(class_counts)) criterion nn.CrossEntropyLoss(weightweights.to(device)) optimizer torch.optim.Adam(model.parameters(), lrlr, weight_decay1e-5) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, patience3, factor0.5) best_val_acc 0 for epoch in range(epochs): model.train() for x_batch, y_batch in train_loader: x_batch, y_batch x_batch.to(device), y_batch.to(device) optimizer.zero_grad() logits model(x_batch) loss criterion(logits, y_batch) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() # 验证 model.eval() val_loss, correct, total 0, 0, 0 with torch.no_grad(): for x_batch, y_batch in val_loader: x_batch, y_batch x_batch.to(device), y_batch.to(device) logits model(x_batch) val_loss criterion(logits, y_batch).item() * len(y_batch) preds logits.argmax(dim1) correct (preds y_batch).sum().item() total len(y_batch) val_acc correct / total scheduler.step(val_loss / total) if val_acc best_val_acc: best_val_acc val_acc torch.save(model.state_dict(), best_model.pt)几个关键参数说清楚学习率1e-3配合ReduceLROnPlateau调度器验证集loss连续3个epoch不降就减半学习率这个组合在多数行情数据上表现稳定。梯度裁剪max_norm1.0防止LSTM训练中梯度爆炸。weight_decay1e-5是L2正则化目的是抑制过拟合。保存模型时只保存state_dict而不是整个model对象加载时还需要重新构建模型结构再load这是PyTorch的常见惯例。3.3 从模型输出到交易信号别直接按概率下单模型的输出是三个类别的logits通过softmax转成概率。但怎么把它变成交易信号这里面的门道很多。最简单粗暴的做法是预测涨的概率最高就做多预测跌的概率最高就做空。但这样做有严重的翻车隐患——当三类概率差不多时比如涨35%、跌32%、平33%模型本质上没有判断你却在强信号状态下开仓。我自己在用的方案是引入一个“置信度阈值”。只有最大概率超过阈值比如55%时才产生信号否则不开仓。这个阈值是系统里需要重点调的参数之一阈值调高交易次数减少、胜率提高阈值调低交易频繁、手续费侵蚀利润。还有一个细节信号平滑。LSTM输出的预测结果在不同时间步之间会抖动比如第100根K线预测涨第101根K线预测跌第102根又预测涨。直接按这个信号交易会被市场反复打脸。常见做法是取过去N个时间步预测的均值或者在连续M个时间步预测同一方向时才触发开仓。我一般取M3也就是连续3根5分钟K线的预测方向一致才行动过滤掉大部分噪声。4. 回测系统设计把“看着赚钱”变成“可信的赚钱”4.1 向量化回测和事件驱动回测怎么选深度学习模型产生信号后你需要一个回测系统来验证策略到底能不能赚钱。回测框架从两头说向量化回测和事件驱动回测。向量化回测就是一次性把整个历史数据上的所有信号都算出来然后用矩阵运算模拟持仓和收益速度快但很难处理复杂的资金管理逻辑。事件驱动回测是一根K线一根K线地往前推每根K线触发一次“是否开仓、是否平仓、是否调整仓位”的逻辑真实感强但慢。对于第一版系统我强烈建议先用向量化回测。原因很简单你的深度学习模型训练已经很慢了回测再慢会严重拖慢迭代速度。第一版目的不是精确模拟实盘而是快速验证“模型信号到底有没有统计优势”。等确认信号有效再升级到事件驱动回测加手续费、滑点、涨跌停限制。def vectorized_backtest(df, signal, fee_rate0.0002, slippage0.0001): # signal: 1表示做多, -1表示做空, 0表示空仓 df df.copy() df[signal] signal # 计算每根K线的收益率含手续费和滑点 df[ret] df[adj_close].pct_change() df[tcost] fee_rate slippage # 持仓收益 前一根K线的持仓 * 当前K线收益 df[position] df[signal].shift(1).fillna(0) df[strategy_ret] df[position] * df[ret] - df[tcost] * df[position].abs().diff().fillna(0) df[cum_ret] (1 df[strategy_ret]).cumprod() return df代码逻辑说明signal.shift(1)是防止未来函数的关键——你在第N根K线收盘后才产生信号最快也只能在第N1根K线开仓所以第N根K线的策略收益要用第N-1根K线的信号来算。手续费和滑点统一从收益里扣滑点这个参数在不同品种差别很大螺纹钢、热卷这种流动性好的品种滑点很小豆粕、菜粕稍大但0.01%基本是行业默认。4.2 绩效指标计算夏普比率只是入门回测运行完你需要看几个核心指标累计收益率、年化收益率、最大回撤、夏普比率、胜率、盈亏比。很多人只看累计收益率这是新手最容易犯的错误——一个净值曲线从1涨到3但中途回撤过50%这种策略实盘根本拿不住因为期货有杠杆50%回撤早就触及强平线了。def performance_stats(df): strategy_ret df[strategy_ret].dropna() cum_ret df[cum_ret].iloc[-1] # 年化假设一年250个交易日, 每天48根5分钟K线 periods_per_year 250 * 48 annual_ret cum_ret ** (periods_per_year / len(strategy_ret)) - 1 # 最大回撤 roll_max df[cum_ret].cummax() drawdown df[cum_ret] / roll_max - 1 max_dd drawdown.min() # 夏普比率 excess_ret strategy_ret - 0.02 / periods_per_year sharpe excess_ret.mean() / excess_ret.std() * np.sqrt(periods_per_year) return { cum_return: cum_ret, annual_return: annual_ret, max_drawdown: max_dd, sharpe: sharpe }这段代码里annual_return用了累计收益按比例年化的算法5分钟K线的年化周期是250*4812000根这是期货市场的常用口径。夏普比率计算中无风险利率按年化2%折算到每根K线注意是减法不是除法。这些指标单独看任何一个都有误导性——夏普高可能是极端值拉出来的最大回撤小可能因为交易次数太少——要把它们放在一起综合判断。4.3 过拟合排查为什么回测和实盘差距这么大回测框架跑通了更重要的环节是验证回测结果的可靠性。深度学习模型参数多、拟合能力强在几万条样本上做训练把噪声也学进去是常态。一个常见的过拟合信号是训练集上夏普极高验证集上直接腰斩。另一个更隐蔽的信号是改变任一超参数比如学习率从1e-3改成1e-4策略收益从翻倍变成亏损说明系统对参数极其敏感这本身就是过拟合的一种表现。排查过拟合有几种办法参数敏感性分析对关键参数阈值、序列长度、隐藏层大小做网格扫描看结果热力图如果最优区域不是一个“平台”而是一个“尖峰”说明模型在碰运气。样本外验证拿最近几个月的数据做模拟实盘不同时间段都要稳定盈利才有意义只在一个时间段赚钱的策略不值得信任。Walk-forward分析持续用滚动方式重新训练和验证模拟真实使用时的性能变化。5. 深度学习交易系统避坑记录血泪经验每一条都对应一次真金白银5.1 数据泄漏回测曲线越漂亮越要怀疑现象训练集准确率高达90%验证集也有85%回测净值曲线一路向上几乎没有回撤。但一上模拟盘策略立刻失灵亏损速度和回测赚钱速度一样快。原因检查代码后发现标准化用了全量数据的均值和方差而且特征里包含了一个“未来信息”字段——某个滚动窗口指标在计算时不小心用了当前K线之后的数据。这就是典型的数据泄漏模型在“偷看”答案。解决把所有数据处理流程封装成函数从数据读取到样本生成到标准化严格使用“训练集fit、验证集transform”的方式。在数据管线上加一个断点专门检查每个特征列在生成时是否只依赖了过去的信息。我的习惯是任何一个特征的计算只允许使用df.shift(k)之后的数据k0发现任何使用未来数据的代码直接重写。5.2 涨跌停板无法成交回测的成交量是假的现象回测显示某天螺纹钢涨停策略持仓大赚。但实盘中你在涨停板上挂的单根本排不到队或者你持有的多单在涨停板上想平仓也平不掉最终成交价比回测价格差了很多。原因期货有涨跌停板制度涨停时没有卖单你买不进跌停时没有买单你卖不出。回测模型默认任何价格都能成交这是和实盘最大的差异之一。解决在回测里加入涨跌停约束。当K线最高价等于涨停价时禁止开多单和平空单当最低价等于跌停价时禁止开空单和平多单。简单地在信号上做一个mask就可以但这件事的价值是避免你对回测结果产生不切实际的信心。5.3 类别不平衡导致模型“摆烂”现象模型训练完成后预测结果90%都是“不动”类几乎从不产生交易信号。验证集准确率反而很高因为大多数样本本来就不动。原因行情大部分时间确实没有明显方向0类样本占比可能超过70%。模型发现预测0类的损失最低于是偷懒了。解决除了前面说的给损失函数加类别权重还有一个办法是调整采样策略。训练时对1类和-1类样本做上采样或者对0类样本做下采样让三类样本数量接近。同时要调整预测阈值把“不动”的判定条件收紧故意让模型更激进一些。5.4 模型在盘中推理太慢信号出来行情已经走完现象实盘跑起来发现从K线收盘到模型输出信号延迟超过了1秒而5分钟K线的最佳入场窗口往往只有几十秒。等你信号出来价格已经冲过去一段距离导致滑点远超回测假设。原因GPU推理虽然快但你要把行情数据从数据库读出来、做特征计算、拼成三维张量、再送给模型每一步都有延迟。LSTM虽然是序列模型但PyTorch的CPU推理在小数据上反而不慢慢的是数据管道的瓶颈。解决使用预处理模板把特征计算预先写成最高效的方式避免反复创建DataFrame。模型推理前把输入固定在numpy数组上不要用torch.from_numpy反复转换。如果使用GPU注意用小batch推理一次只推理一个样本的延迟通常远低于批量推理的等待时间。实盘环境里把模型预热一下加载权重后先跑几次空推理让CUDA或CPU的缓存热起来。5.5 杠杆和保证金策略赚钱了但账户爆仓了现象回测年化收益率80%最大回撤15%看起来是个不错的系统。实盘按两倍杠杆跑结果一次连续亏损把账户亏掉了30%触发强平。原因回测里用的是全仓或固定比例仓位但实盘期货保证金制度下你开仓占用的保证金比例和账户净值的关系是动态的。连续亏损后保证金比例被动提高可用资金减少仓位管理必须随之调整。解决回测系统里加入保证金模拟。假设初始资金100万螺纹钢保证金比例10%开一手需要多少保证金账户浮亏多少会触发追保和强平都要在回测中体现。仓位管理规则最简单的是风险百分比模型每笔交易的最大亏损不超过账户净值的1%用ATR计算止损距离后反推开仓手数。这个模型虽然简单但足以防止爆仓。6. 实盘落地技巧跑起来只是开始活下来才是本事模型在回测里表现稳定后进入实盘阶段。这个阶段的核心思维已经变了从“预测准不准”变成“系统会不会在极端情况下害死你”。模型更新是第一个要解决的问题。行情规律会变深度学习模型也会随着时间推移衰减。常见做法是每日收盘后增量训练一次用最近三个月的数据重新训练替换掉盘中使用的旧模型。注意模型不能频繁更新否则你无法判断收益变化到底来自模型改善还是行情波动。我自己习惯用“周度重训、日度评估”的节奏每周五收盘后重训一次每天收盘后评估当天预测准确率连续三天低于55%就提前重训。第二个是风控参数设计。实盘必须有一套独立于深度学习模型之外的风控逻辑我的参数表大致是单笔止损设为账户净值的0.5%触发立即平仓不商量日内最大亏损达到账户净值的2%就停止交易等到下一交易日重新开始单品种持仓不超过总资金的30%。这些规则写死在代码里不允许人工干预。人的情绪在实盘里是最大的敌人程序化交易的价值就是把情绪彻底移出决策链路。第三个是网络与进程监控。实盘服务器上要有一个守护进程定期检查交易程序是否存活、网络连接是否正常、数据源是否在更新。如果发现超过3分钟没有新K线到达立即停止交易逻辑并发送告警。这里我吃过亏有一次数据源接口静默失效程序还在“正常运行”但使用的全是过期数据等到发现时已经连续开了几单错误方向的头寸。后来加了一个数据新鲜度检查器任何价格数据的timestamp如果不是当前时间一律丢弃并触发告警。还有一个小技巧值得分享在实盘代码里维护一个“操作日志”记录每一次开平仓的信号来源、模型置信度、下单价格、实际成交价格、滑点。这个日志最大的价值不是监控而是复盘。当你发现某段时间策略连续亏损翻日志能直接定位是模型失效、特征数据异常、还是行情风格切换导致。这种复盘能力是系统持续迭代的基础。我做这套系统的最大教训是深度学习在期货里的作用被高估了。模型能帮你在大部分时间里保持理性的信号输出把过去手动交易时的情绪化动作变成可复现的代码逻辑但真正决定盈亏的上限是风险管理、执行纪律和不断复盘修补细节的能力。方向是对的但也别把盈利的希望全押在一个神经网络上。希望这份笔记能帮你少踩一些我踩过的坑祝你的系统能稳定跑下去。本文还有配套的精品资源点击获取
