简介wtpy 是基于 WonderTrader 的 Python3 适配子框架附完整源代码与文档说明面向量化交易开发者、Python 工程师及计算机相关专业学生也适合作为毕业设计或课程设计参考。资源共 417 个文件压缩包约 64.66MB主体为 136 个 Python 源码文件、83 个 YAML 配置、81 个 DLL 与 40 个 SO 原生库另含 JSON 数据、CSV 样本及少量前端资源按 apps、wrapper、monitor 等模块清晰组织。其中 apps 子模块提供回测指标分析与 CTA 并行优化器wrapper 子模块封装与 C 底层对接的合约加载、数据转换、实盘交易等接口monitor 子模块内置 HTTP 与 WebSocket 监控服务覆盖从合约管理、策略回测到实盘执行的完整链路。代码经测试运行成功内含 README 与构建脚本用户可结合示例配置与数据文件快速部署便于学习框架原理和二次开发。目前已有 221 人查看学习适合需要系统性了解量化交易子框架的进阶者。1. wtpy把 C 量化框架包装成 Python 能用的子框架WonderTrader 的核心是用 C 写的速度快但上手门槛高。wtpy 就是针对 Python3 适配出来的子框架把底层 C 模块封装成 Python 可调用的接口同时保留回测、实盘、数据管理、监控服务这些核心能力。拿到这份源代码你会发现它不只是简单绑定而是把常用流程拆成了 apps、wrapper、monitor 三个层次适合做 CTA 策略研究、毕业设计或者课程设计时快速落地。它最大的价值是你不必深入 C也能在 Python 里完成从数据清洗、策略回测到参数搜索的完整链条。下面我会按模块拆解、编译安装、回测优化、报告输出这几个维度一步步讲最后补几个实际踩过的坑。2. 模块结构拆解wrapper、apps、monitor 各层都干了什么2.1 wrapper 子模块与 C 核心对接的接口层wrapper 是 wtpy 里最容易让人看不懂、但最关键的部分。它做的是把 C 的回测引擎、实盘交易引擎、数据组件一个个包装成 Python 可以 import 的模块。比如WtBtWrapper.py负责和回测引擎的 C 核心对接WtWrapper.py负责和实盘交易引擎对接WtDtWrapper.py负责和数据组件对接。这一层的存在让上层的 Python 策略不需要关心 C 对象生命周期和内存释放的问题。实际使用中你很少直接去 new 这些 Wrapper而是通过根目录下的ContractMgr、ProductMgr等辅助模块间接使用它们。以合约加载为例from wtpy import ContractMgr # 实例化合约管理器 mgr ContractMgr() # 加载交易所合约文件 mgr.load(config/contracts.json) # 查询某个合约 contract mgr.get_contract(rb.HOT) if contract: print(contract.exchange, contract.code, contract.expiredate)ContractMgr内部会调用ContractLoader.py去读取contracts.json然后把合约信息缓存起来。contract.exchange返回交易所代码contract.code返回合约代码contract.expiredate返回到期日。这个查询在策略里经常用来校验当前主力合约是否临近交割月避免在移仓换月时产生错误信号。wrapper 层还有一个容易忽略的模块WtDtHelper.py。它提供的是用户数据和 WonderTrader 内部数据格式之间的转换能力。你从交易所或第三方数据商拿到 CSV 格式的 K 线后要进入回测引擎几乎都要先走这一层转换后文会用具体代码演示。2.2 apps 子模块回测分析与 CTA 优化器apps 是 wtpy 里最容易出成果的部分。WtBtAnalyst.py主要负责把回测生成的原始数据换算成年化收益、夏普比率、最大回撤、卡玛比率等指标并输出到 Excel 文件。WtCtaOptimizer则是一个基于multiprocessing的 CTA 参数优化器它会并行跑多组参数回测把所有组合的交易指标汇总成 CSV。WtHotPicker是另一个实用的辅助模块专门处理国内期货换月规则。它可以从交易所网站爬取页面来确定换月规则也可以解析 datakit 每日收盘生成的snapshot.csv来确定规则。做主力连续合约回测时换月规则直接决定了你用的连续 K 线是否平滑这模块能省掉不少手工处理时间。2.3 monitor 子模块回测管理、进程调度与 Web UImonitor 子模块是很多人做毕设时忽略掉的一部分。它提供的不是单次回测能力而是回测任务、实盘进程、事件推送的服务化管理。WtMonSvr.py是监控服务的核心基于 Flask 实现了 HTTP 接口PushSvr.py提供 WebSocket 服务把组合运行中的事件实时推给前端页面。WatchDog.py负责自动调度服务端进程DataMgr.py读取并缓存组合数据。你在资源包中看到的app.1e35bbc7fa3d20b13f7ab241eec33b3b.css、style_black.css这类静态文件就是 monitor 自带 Web UI 的前端资源。这说明 wtpy 在打包时把回测管理和实盘监控的界面也一起给了。如果要把这套框架扩展成多人可用的回测平台monitor 子模块是最值得改的地方。2.4 根目录下的基础模块策略基类与交易上下文根目录下这几个文件决定了策略怎么写。WtCoreDefs.py定义了 Python 版本的策略基类CtaContext.py、HftContext.py、SelContext.py分别对应 CTA、高频、选股三种策略的上下文。ProductMgr.py负责品种属性和合约属性查询SessionMgr.py负责交易时段模板管理。写策略时你一般会从WtCoreDefs.BaseCtaStrategy继承然后在on_bar回调里调用context提供的方法完成开平仓。这里的关键是理解Context和Strategy的关系一个策略实例对应一个Context而Context负责和底层引擎通信。SessionMgr则让你避免手动处理节假日、夜盘时间段这些复杂规则。下表列出常用模块的分类和典型使用场景模块文件分类典型使用场景WtBtWrapper.pywrapper与回测引擎对接的回调入口ContractMgr.py根目录辅助加载和查询 contracts.jsonWtCtaOptimizerapps多进程并行搜索 CTA 参数WtBtAnalyst.pyapps把回测结果输出为 Excel 报告WtMonSvr.pymonitor启动 HTTP 回测管理服务WtHotPickerapps确定主力连续合约换月规则3. 从 build.bat 到 Python 调用wtpy 的编译与安装3.1 先看 build.bat 和 setup.cfg 在做什么wtpy 不是纯 Python 项目底层 C 需要先编译成 Python 扩展。资源包里的build.bat就是 Windows 下的一键编译脚本setup.cfg则是 Python 扩展的构建配置文件。你拿到源码后第一件事不是直接import wtpy而是先把扩展编译出来。setup.cfg里通常会指定 C 头文件路径、库路径和包名。一个典型的配置片段类似[metadata] name wtpy version 1.0.0 license MIT [options] package_dir src packages find: [build_ext] include_dirs include library_dirs libinclude_dirs指向 C 头文件所在目录library_dirs指向编译好的静态库或动态库目录。build.bat在后台执行的实际上是类似python setup.py build_ext --inplace的流程最终生成可以被当前 Python 环境直接 import 的.pyd文件。3.2 在 Windows 上构建 wtpy 扩展假设你已经把源码解压到D:\wtpy-dev目录下打开命令行进入该目录执行build.bat编译前需要确认三件事Python 必须是 3.7 以上的 64 位版本系统安装了 Visual Studio 2019 或更高版本并且勾选了“使用 C 的桌面开发”工作负载环境变量PYTHON_HOME指向当前 Python 安装目录。如果编译报错Cannot open include file: Python.h说明 Python 开发头文件没有安装。在 Windows 上重新运行 Python 安装包勾选“Download development tools”即可在 Linux 上则是安装python3-dev。如果报错Unable to find vcvarsall.bat说明 VS 的 C 组件没装全回到 Visual Studio Installer 里补装。3.3 安装到你的 Python 环境编译成功后进入源码根目录用 pip 完成剩余安装pip install -r requirements.txt pip install -e .requirements.txt通常至少会包含numpy、pandas、flask、websockets这几个具体以当前项目实际依赖为准。pip install -e .是以可编辑模式安装之后你对 wtpy 源码做的修改会被立即加载调试策略时不用反复重新安装。安装完成后在任意路径下验证是否可用import wtpy print(wtpy.__version__) from wtpy import WtDtHelper print(WtDtHelper)如果导入失败先确认当前 Python 是 64 位。wtpy 的 C 扩展基本不会编译 32 位版本32 位环境下会直接报“module not found”或者找不到指定模块。3.4 常见编译安装错误排查下表是实际中最常见的几类问题现象可能原因处理方式build.bat 一闪而过命令行里缺少错误暂停在 cmd 中手动执行python setup.py build_ext --inplace查看日志找不到 Python.h缺少 Python 开发工具重装 Python勾选 Development Tools找不到 vcvarsall.batVS 未安装 C 桌面组件安装“使用 C 的桌面开发”负载import 时找不到 pyd扩展未生成到当前环境执行pip install -e .后重试运行时报缺少 DLL缺少 VC 运行库安装 Visual C Redistributable for Visual Studio4. 实战用 WtCtaOptimizer 并行搜索最优 CTA 参数4.1 准备数据把 CSV 换成 WonderTrader 能识别的格式资源包里的SHFE.rb.HOT_m5.csv是螺纹钢 5 分钟 K 线DCE.i.HOT_m5.csv是铁矿石 5 分钟 K 线SSE.ETF.510300_m5.csv是沪深 300 ETF 的 5 分钟 K 线。WonderTrader 内部回测引擎直接读取的是二进制数据格式所以 CSV 要先经过WtDtHelper转换。以转换螺纹钢数据为例from wtpy import WtDtHelper helper WtDtHelper() # 将csv转换为WonderTrader的dsb格式 helper.csv_to_dsb( fileSHFE.rb.HOT_m5.csv, # 原始csv路径 coderb.HOT, # 合约代码 exchangeSHFE, # 交易所代码 periodm5 # K线周期 )这里code是 WonderTrader 内部的合约标识rb.HOT表示螺纹钢主力连续合约exchange必须是 SHFE、DCE、CZCE、CFFEX 这种标准交易所代码period支持m1、m5、m15、m30、h1、h4、d等常见周期。转换完成后会在数据目录下生成.dsb文件回测引擎会按这个文件名去加载数据。要注意的是csv文件里的字段名和顺序最好和模板一致一般至少包含date、time、open、high、low、close、volume七列。如果你自己的数据多了一列openinterest或turnover转换接口通常也能识别但我更建议先只保留核心字段等流程跑通后再逐步加。4.2 写一个可被优化器调用的双均线策略使用WtCtaOptimizer的前提是策略类能从外部接收参数。下面这个双均线策略就是典型的可优化结构from wtpy import WtCoreDefs class DualMaStrategy(WtCoreDefs.BaseCtaStrategy): def __init__(self, name, fast, slow): super().__init__(name) self.fast fast self.slow slow self.ctx None def on_init(self, ctx): self.ctx ctx ctx.straight_do_init() def on_bar(self, ctx, bar): if self.ctx is None: self.ctx ctx hold ctx.stra_get_position() close bar[close] fast_ma ctx.stra_get_indicator(MA, self.fast, close) slow_ma ctx.stra_get_indicator(MA, self.slow, close) if fast_ma slow_ma and hold 0: ctx.stra_enter_long(1) elif fast_ma slow_ma and hold 0: ctx.stra_exit_long(1)stra_get_position返回当前未平仓手数stra_get_indicator是行情指标接口第一个参数是指标名第二个是指标周期。stra_enter_long(1)表示开多 1 手stra_exit_long(1)表示平多 1 手。self.fast和self.slow会被优化器替换成不同数值。回测中一个常见误区是在on_init里只订阅一次行情然后在on_bar里不去判空。实际上某些数据周期下内核会先推第一根历史的 bar 来做初始状态这时候ctx可能还没有完全就绪所以我在上面做了self.ctx的判空并缓存避免第一根 bar 直接报空引用。4.3 配置并启动 WtCtaOptimizerWtCtaOptimizer的工作方式是笛卡尔积遍历所有参数组合然后通过multiprocessing并行回测。下面是一个典型启动方式from wtpy.apps import WtCtaOptimizer optimizer WtCtaOptimizer( basefiles_dirconfig, # 存放contracts.json等 datadirdata, # 放置dsb数据的目录 outdiroutput, # 优化结果输出目录 workers8 # 并行进程数 ) optimizer.set_code(rb.HOT, SHFE) optimizer.set_period(m5) optimizer.set_strategy(DualMaStrategy, 双均线示例) optimizer.add_param(fast, 5, 30, 5) optimizer.add_param(slow, 20, 100, 10) optimizer.run()参数说明如下方法/参数含义建议basefiles_dir保存 contracts.json、commodities.json 等基础文件的目录不要放到源码目录容易混淆datadir回测数据所在目录存储转换好的 dsb/bin 文件与 CSV 原始目录分开outdir优化结果 CSV 输出目录每次优化前清理旧结果workers并行进程数建议设为物理核心数或减半set_code设置回测合约和交易所合约代码必须和 dsb 文件名匹配set_period设置 K 线周期周期必须和数据文件后缀一致add_param依次为参数名、起始值、结束值、步长参数范围不要过大避免组合爆炸add_param(fast, 5, 30, 5)代表fast从 5 到 30 每次加 5即 5、10、15、20、25、30 共 6 个值slow从 20 到 100 每次加 10。两个参数组合起来是 6 乘 9 共 54 组回测。workers8会同时启动 8 个进程54 组回测通常几十秒能跑完但如果换成分钟级数据并加入止损参数组合数很容易膨胀到几千组这时要控制workers数量避免内存不够。4.4 读取优化结果并判断参数稳健性优化器运行完后outdir下会生成汇总 CSV里面至少包含每组参数对应的总收益、最大回撤、夏普比率、交易次数等。用 pandas 做简单分析import pandas as pd res pd.read_csv(output/optimize_result.csv) # 按夏普比率排序 res_sorted res.sort_values(sharpe, ascendingFalse) print(res_sorted.head(10))按夏普排序后你会发现收益最高的一组往往不是夏普最高的一组通常收益最高伴随较大回撤。我一般会先看夏普大于 1 的组合里哪个参数区域的交易次数比较稳定再用样本外数据去验证。比如用 2023 年的数据选出的参数拿到 2024 年的数据上跑一遍如果收益和回撤变化太大说明参数过拟合了。5. 回测报告的最后一公里WtBtAnalyst 计算指标与几个必须避开的坑5.1 把回测结果变成一份可以答辩的 Excel 报告完成了参数选择最后一步是用WtBtAnalyst生成一份规范的绩效报告。这个模块会读取回测输出的 dsb 文件计算年化收益率、夏普比率、最大回撤、卡玛比率、盈亏比等指标并输出到 Excel。from wtpy.apps import WtBtAnalyst analyst WtBtAnalyst() analyst.set_parsed_local(log/bt_result_20240101.dsb, rb.HOT, SHFE, m5) analyst.set_benchmark(SHFE.rb.HOT) analyst.calc_and_dump(report.xlsx)set_parsed_local的第一个参数是回测引擎生成的原始结果文件后面依次是合约代码、交易所、周期set_benchmark用来设置基准建议选择同一品种的指数或主力连续calc_and_dump执行计算并导出 Excel。生成的报告里我最常用的是“月度收益”工作表和“逐笔交易”工作表前者能看出策略收益是否集中在某个时间段后者能检查单笔亏损的来源。5.2 常见的坑和排查思路根据实际的排错经验回测结果异常时先查这几个点症状排查方向处理建议数据加载失败dsb 文件路径和合约代码不匹配检查set_code的代码和文件名是否一致成交全部在开盘瞬间没有设置合理的手续费和滑点在策略初始化中设置好费率结果全为 0仓位方向反了查看逐笔交易列表确认买卖方向连续合约跳空明显没有处理换月规则用WtHotPicker生成换月策略优化结果和单次回测不一致上下文被多个进程共享确认策略中没有全局可变状态5.3 一个小技巧用 WtHotPicker 处理主力连续合约换月如果你的标的用的是rb.HOT这种主力连续合约换月时的价格跳空会被系统当成真实波动策略很容易在换月点产生假信号。WtHotPicker能自动根据 datakit 的snapshot.csv推导出换月日期和换月方式然后将换月规则应用到回测数据上。用法上不需要自己手动解析换月信息只需把 datakit 生成的数据目录传给WtHotPicker它会输出一组规则再把这组规则注册到回测环境里之后的连续合约 K 线就会按规则做拼接处理。这个步骤看起来不起眼但它直接决定了日线策略在主力连续合约上的回测可信度。本文还有配套的精品资源点击获取