策略研发系统-整体架构设计-1

版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。 本文链接：https://blog.csdn.net/ljemailbox/article/details/94436451

1. 设计概述

    1.1术语及缩略语

回测参数：    初始值，终止值，步长

回测实例参数：初始值+步长*N

回测任务：    策略+一组回测参数

回测子任务：  策略+一组回测实例参数

1. 2 背景介绍

     传统的策略研发的缺点：

• 主要是通过策略研发人员自己通过 Matlab等第三方工具，工具限制很多，使用不方便，研发效率低，不能转成实盘策略，或者需要大量修改代码，修改容易出错。
• 研发机器性能限制，不能很好的利用分布式高计算的优势，找出最优策略实例的参数配置，策略研发周期长。
• 第三方工具不能很好的与现有交易系统集成，很多重复工作要做。

    策略研发人员希望：

• 新系统能快速进行策略回测，从大量的参数组合中，找出最优的一些参数配置的组合。
• 回测策略能平稳过渡到实盘策略中。
• 最好能与现有交易系统集成，减少很多重复工作。

   1.3 主要设计目标

• 高性能计算

     充分利用分布式系统高性能计算优势，以最快的回测速度，从大量策略参数组合中找出最优的参数组合的策略实例。

• 提高研发效率

     辅助策略研发人员，快速开发出优质的实盘策略，提高策略研发效率。

• 减少实盘风险

 2. 设计需求

 2.1 功能需求

• 支持多客户端同时使用，每个用户平均分配计算资源
• 支持策略回测任务控制功能，包括任务启动，暂停等操作。
• 回测策略容器支持Python和C++编写策略。
• 支持策略参数断点回测。

           系统重启时，已经回测的子任务不用重新计算，只需从未完成的任务开始进行。

• 查询策略参数回测运行结果。  
• 回测进度更新及汇总分析推送

2.2 非功能需求

• 高性能

    充分利用计算服务器CPU和内存资源，尽可能快的得到策略参数回测结果。

• 支持同时上万组策略参数进行回测。
• 系统根据计算负载大小，为用户平均分配计算资源，支持灵活调整(增加或减少)计算资源。

      假设有两台回测服务器，每台服务器有10个计算资源，有两个回测任务，第一个回测任务有30套计算参数，第二个回测任务有40套计算参数。

         系统刚开始只有一台回测服务器资源，客户A发起第一个回测任务。系统会分配10套回测子任务到回测服务器。接着系统又增加了一台回测服务器，每台机器上运行10套回测子任务。紧接着客户

     B发起了第二个回测任务，系统会关闭每台回测服务器上运行时间最短的5个子任务A，重新运行5个回测子任务B。那么每

 台 回测服务器上5个子任务A和5个子任务B.

• 回测策略与运行策略平稳过渡。

     回测策略尽经过少量的修改就可以运行在策略交易平台。

3 系统功能设计

3.1任务调度管理服务器

接收客户端任务请求，进行任务的创建和子任务的分解，根据回测计算资源的状态，均衡分配回测任务给回测服务器，并将回测运行状态及分析汇总结果发送客户端。

3.2回测管理服务器

从任务调度服务器接收回测子任务请求，根据子任务类型，启动Python或C++策略回测进程，并将回测进度和回测分析汇总结果发送任务调度服务器。

3.3 Python策略回测运行容器

设计参考交易系统策略引擎，提供给策略人员开发接口应保持一致。

3.4 C++策略回测运行容器

设计参考交易系统策略引擎，提供策略人员开发接口应保持一致。

3.5行情数据管理模块

• 对历史行情数据进行管理

   创建多级历史数据缓存和缓存数据管理，对本地行情文件进行管理。

• 各种历史行情查询访问

    统一对外提供高速数据访问接口，为策略回测进程程序提供数据服务。

3.6业务处理流程

1. 回测任务处理流程

4．总体架构