之前的分享 我们讲过 可以用 macd来 作为大盘风控的一种思路
这次分享我们来分享一些更常用的风控思路
因为指数衡量的是大部分股票涨跌的平均水平,他的收益曲线会比较平滑,很少大涨大跌, 所以传统的一些 择时指标 在指数上的择时效果 要远远好于 个股
但是单单用一些量价指标 可能效果不太好 那么,我们尝试一下 只看指数的 成交额/成交量 作为大盘择时,效果会不会好一点?
交易性择时策略研究之十五
采用研报中的构造方式 可能效果会有点滞后,我们对指标进行改写 我们只需要 5日<10日MA 线就触发风控 即可
bm_1=where(mean(amount, 5)-mean(amount, 10)<0,1,0) 发现风控后 策略效果略有提升
# 本代码由可视化策略环境自动生成 2022年3月20日 23:23
# 本代码单元只能在可视化模式下编辑。您也可以拷贝代码,粘贴到新建的代码单元或者策略,然后修改。
# 回测引擎:初始化函数,只执行一次
def m12_initialize_bigquant_run(context):
# 加载预测数据
context.ranker_prediction = context.options['data'].read_df()
# 系统已经设置了默认的交易手续费和滑点,要修改手续费可使用如下函数
context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
# 预测数据,通过options传入进来,使用 read_df 函数,加载到内存 (DataFrame)
# 设置买入的股票数量,这里买入预测股票列表排名靠前的5只
stock_count = 5
# 每只的股票的权重,如下的权重分配会使得靠前的股票分配多一点的资金,[0.339160, 0.213986, 0.169580, ..]
context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
# 设置每只股票占用的最大资金比例
context.max_cash_per_instrument = 0.2
context.options['hold_days'] = 5
# 回测引擎:每日数据处理函数,每天执行一次
def m12_handle_data_bigquant_run(context, data):
#-------------大盘风控模块
# 获取当前持仓
positions = {e.symbol: p.amount * p.last_sale_price
for e, p in context.portfolio.positions.items()}
today = data.current_dt.strftime('%Y-%m-%d')
# 按日期过滤得到今日的预测数据
ranker_prediction = context.ranker_prediction[
context.ranker_prediction.date == today]
# try:
# #大盘风控模块,读取风控数据
# benckmark_risk=ranker_prediction['bm_0'].values[0]
# if benckmark_risk > 0:
# for instrument in positions.keys():
# context.order_target(context.symbol(instrument), 0)
# print(today,'大盘风控止损触发,全仓卖出')
# #如果return 在这里 只会卖出第一支持仓的股票,执行一次后返回,有可能起不到全仓风控的作用
# return
# except:
# print('开仓!')
#-------------大盘风控模块
# 1. 资金分配
# 平均持仓时间是hold_days,每日都将买入股票,每日预期使用 1/hold_days 的资金
# 实际操作中,会存在一定的买入误差,所以在前hold_days天,等量使用资金;之后,尽量使用剩余资金(这里设置最多用等量的1.5倍)
is_staging = context.trading_day_index < context.options['hold_days'] # 是否在建仓期间(前 hold_days 天)
cash_avg = context.portfolio.portfolio_value / context.options['hold_days']
cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
cash_for_sell = cash_avg - (context.portfolio.cash - cash_for_buy)
positions = {e.symbol: p.amount * p.last_sale_price
for e, p in context.portfolio.positions.items()}
# 2. 生成卖出订单:hold_days天之后才开始卖出;对持仓的股票,按机器学习算法预测的排序末位淘汰
if not is_staging and cash_for_sell > 0:
equities = {e.symbol: e for e, p in context.portfolio.positions.items()}
instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
lambda x: x in equities)])))
for instrument in instruments:
context.order_target(context.symbol(instrument), 0)
cash_for_sell -= positions[instrument]
if cash_for_sell <= 0:
break
# 3. 生成买入订单:按机器学习算法预测的排序,买入前面的stock_count只股票
buy_cash_weights = context.stock_weights
buy_instruments = list(ranker_prediction.instrument[:len(buy_cash_weights)])
max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument
for i, instrument in enumerate(buy_instruments):
cash = cash_for_buy * buy_cash_weights[i]
if cash > max_cash_per_instrument - positions.get(instrument, 0):
# 确保股票持仓量不会超过每次股票最大的占用资金量
cash = max_cash_per_instrument - positions.get(instrument, 0)
if cash > 0:
context.order_value(context.symbol(instrument), cash)
# 回测引擎:准备数据,只执行一次
def m12_prepare_bigquant_run(context):
pass
# 回测引擎:初始化函数,只执行一次
def m19_initialize_bigquant_run(context):
# 加载预测数据
context.ranker_prediction = context.options['data'].read_df()
# 系统已经设置了默认的交易手续费和滑点,要修改手续费可使用如下函数
context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
# 预测数据,通过options传入进来,使用 read_df 函数,加载到内存 (DataFrame)
# 设置买入的股票数量,这里买入预测股票列表排名靠前的5只
stock_count = 5
# 每只的股票的权重,如下的权重分配会使得靠前的股票分配多一点的资金,[0.339160, 0.213986, 0.169580, ..]
context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
# 设置每只股票占用的最大资金比例
context.max_cash_per_instrument = 0.2
context.options['hold_days'] = 5
# 回测引擎:每日数据处理函数,每天执行一次
def m19_handle_data_bigquant_run(context, data):
#-------------大盘风控模块
# 获取当前持仓
positions = {e.symbol: p.amount * p.last_sale_price
for e, p in context.portfolio.positions.items()}
today = data.current_dt.strftime('%Y-%m-%d')
# 按日期过滤得到今日的预测数据
ranker_prediction = context.ranker_prediction[
context.ranker_prediction.date == today]
try:
#大盘风控模块,读取风控数据
benckmark_risk=ranker_prediction['bm_0'].values[0]
if benckmark_risk > 0:
for instrument in positions.keys():
context.order_target(context.symbol(instrument), 0)
print(today,'大盘风控止损触发,全仓卖出')
#如果return 在这里 只会卖出第一支持仓的股票,执行一次后返回,有可能起不到全仓风控的作用
return
except:
print('开仓!')
#-------------大盘风控模块
# 1. 资金分配
# 平均持仓时间是hold_days,每日都将买入股票,每日预期使用 1/hold_days 的资金
# 实际操作中,会存在一定的买入误差,所以在前hold_days天,等量使用资金;之后,尽量使用剩余资金(这里设置最多用等量的1.5倍)
is_staging = context.trading_day_index < context.options['hold_days'] # 是否在建仓期间(前 hold_days 天)
cash_avg = context.portfolio.portfolio_value / context.options['hold_days']
cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
cash_for_sell = cash_avg - (context.portfolio.cash - cash_for_buy)
positions = {e.symbol: p.amount * p.last_sale_price
for e, p in context.portfolio.positions.items()}
# 2. 生成卖出订单:hold_days天之后才开始卖出;对持仓的股票,按机器学习算法预测的排序末位淘汰
if not is_staging and cash_for_sell > 0:
equities = {e.symbol: e for e, p in context.portfolio.positions.items()}
instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
lambda x: x in equities)])))
for instrument in instruments:
context.order_target(context.symbol(instrument), 0)
cash_for_sell -= positions[instrument]
if cash_for_sell <= 0:
break
# 3. 生成买入订单:按机器学习算法预测的排序,买入前面的stock_count只股票
buy_cash_weights = context.stock_weights
buy_instruments = list(ranker_prediction.instrument[:len(buy_cash_weights)])
max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument
for i, instrument in enumerate(buy_instruments):
cash = cash_for_buy * buy_cash_weights[i]
if cash > max_cash_per_instrument - positions.get(instrument, 0):
# 确保股票持仓量不会超过每次股票最大的占用资金量
cash = max_cash_per_instrument - positions.get(instrument, 0)
if cash > 0:
context.order_value(context.symbol(instrument), cash)
# 回测引擎:准备数据,只执行一次
def m19_prepare_bigquant_run(context):
pass
# 回测引擎:初始化函数,只执行一次
def m20_initialize_bigquant_run(context):
# 加载预测数据
context.ranker_prediction = context.options['data'].read_df()
# 系统已经设置了默认的交易手续费和滑点,要修改手续费可使用如下函数
context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
# 预测数据,通过options传入进来,使用 read_df 函数,加载到内存 (DataFrame)
# 设置买入的股票数量,这里买入预测股票列表排名靠前的5只
stock_count = 5
# 每只的股票的权重,如下的权重分配会使得靠前的股票分配多一点的资金,[0.339160, 0.213986, 0.169580, ..]
context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
# 设置每只股票占用的最大资金比例
context.max_cash_per_instrument = 0.2
context.options['hold_days'] = 5
# 回测引擎:每日数据处理函数,每天执行一次
def m20_handle_data_bigquant_run(context, data):
#-------------大盘风控模块
# 获取当前持仓
positions = {e.symbol: p.amount * p.last_sale_price
for e, p in context.portfolio.positions.items()}
today = data.current_dt.strftime('%Y-%m-%d')
# 按日期过滤得到今日的预测数据
ranker_prediction = context.ranker_prediction[
context.ranker_prediction.date == today]
try:
#大盘风控模块,读取风控数据
benckmark_risk=ranker_prediction['bm_1'].values[0]
if benckmark_risk > 0:
for instrument in positions.keys():
context.order_target(context.symbol(instrument), 0)
print(today,'大盘风控止损触发,全仓卖出')
#如果return 在这里 只会卖出第一支持仓的股票,执行一次后返回,有可能起不到全仓风控的作用
return
except:
print('开仓!')
#-------------大盘风控模块
# 1. 资金分配
# 平均持仓时间是hold_days,每日都将买入股票,每日预期使用 1/hold_days 的资金
# 实际操作中,会存在一定的买入误差,所以在前hold_days天,等量使用资金;之后,尽量使用剩余资金(这里设置最多用等量的1.5倍)
is_staging = context.trading_day_index < context.options['hold_days'] # 是否在建仓期间(前 hold_days 天)
cash_avg = context.portfolio.portfolio_value / context.options['hold_days']
cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
cash_for_sell = cash_avg - (context.portfolio.cash - cash_for_buy)
positions = {e.symbol: p.amount * p.last_sale_price
for e, p in context.portfolio.positions.items()}
# 2. 生成卖出订单:hold_days天之后才开始卖出;对持仓的股票,按机器学习算法预测的排序末位淘汰
if not is_staging and cash_for_sell > 0:
equities = {e.symbol: e for e, p in context.portfolio.positions.items()}
instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
lambda x: x in equities)])))
for instrument in instruments:
context.order_target(context.symbol(instrument), 0)
cash_for_sell -= positions[instrument]
if cash_for_sell <= 0:
break
# 3. 生成买入订单:按机器学习算法预测的排序,买入前面的stock_count只股票
buy_cash_weights = context.stock_weights
buy_instruments = list(ranker_prediction.instrument[:len(buy_cash_weights)])
max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument
for i, instrument in enumerate(buy_instruments):
cash = cash_for_buy * buy_cash_weights[i]
if cash > max_cash_per_instrument - positions.get(instrument, 0):
# 确保股票持仓量不会超过每次股票最大的占用资金量
cash = max_cash_per_instrument - positions.get(instrument, 0)
if cash > 0:
context.order_value(context.symbol(instrument), cash)
# 回测引擎:准备数据,只执行一次
def m20_prepare_bigquant_run(context):
pass
m1 = M.instruments.v2(
start_date='2018-01-01',
end_date='2020-12-31',
market='CN_STOCK_A',
instrument_list='',
max_count=0
)
m2 = M.advanced_auto_labeler.v2(
instruments=m1.data,
label_expr="""# #号开始的表示注释
# 0. 每行一个,顺序执行,从第二个开始,可以使用label字段
# 1. 可用数据字段见 https://bigquant.com/docs/develop/datasource/deprecated/history_data.html
# 添加benchmark_前缀,可使用对应的benchmark数据
# 2. 可用操作符和函数见 `表达式引擎 <https://bigquant.com/docs/develop/bigexpr/usage.html>`_
# 计算收益:5日收盘价(作为卖出价格)除以明日开盘价(作为买入价格)
shift(close, -5) / shift(open, -1)
# 极值处理:用1%和99%分位的值做clip
clip(label, all_quantile(label, 0.01), all_quantile(label, 0.99))
# 将分数映射到分类,这里使用20个分类
all_wbins(label, 20)
# 过滤掉一字涨停的情况 (设置label为NaN,在后续处理和训练中会忽略NaN的label)
where(shift(high, -1) == shift(low, -1), NaN, label)
""",
start_date='',
end_date='',
benchmark='000300.HIX',
drop_na_label=True,
cast_label_int=True
)
m3 = M.input_features.v1(
features="""# #号开始的表示注释
# 多个特征,每行一个,可以包含基础特征和衍生特征
return_5
return_10
return_20
avg_amount_0/avg_amount_5
avg_amount_5/avg_amount_20
rank_avg_amount_0/rank_avg_amount_5
rank_avg_amount_5/rank_avg_amount_10
rank_return_0
rank_return_5
rank_return_10
rank_return_0/rank_return_5
rank_return_5/rank_return_10
pe_ttm_0
"""
)
m15 = M.general_feature_extractor.v7(
instruments=m1.data,
features=m3.data,
start_date='',
end_date='',
before_start_days=90
)
m16 = M.derived_feature_extractor.v3(
input_data=m15.data,
features=m3.data,
date_col='date',
instrument_col='instrument',
drop_na=False,
remove_extra_columns=False
)
m7 = M.join.v3(
data1=m2.data,
data2=m16.data,
on='date,instrument',
how='inner',
sort=False
)
m13 = M.dropnan.v1(
input_data=m7.data
)
m6 = M.stock_ranker_train.v5(
training_ds=m13.data,
features=m3.data,
learning_algorithm='排序',
number_of_leaves=30,
minimum_docs_per_leaf=1000,
number_of_trees=20,
learning_rate=0.1,
max_bins=1023,
feature_fraction=1,
m_lazy_run=False
)
m9 = M.instruments.v2(
start_date=T.live_run_param('trading_date', '2021-01-01'),
end_date=T.live_run_param('trading_date', '2021-12-31'),
market='CN_STOCK_A',
instrument_list='',
max_count=0
)
m17 = M.general_feature_extractor.v7(
instruments=m9.data,
features=m3.data,
start_date='',
end_date='',
before_start_days=90
)
m18 = M.derived_feature_extractor.v3(
input_data=m17.data,
features=m3.data,
date_col='date',
instrument_col='instrument',
drop_na=False,
remove_extra_columns=False
)
m14 = M.dropnan.v1(
input_data=m18.data
)
m8 = M.stock_ranker_predict.v5(
model=m6.model,
data=m14.data,
m_lazy_run=False
)
m12 = M.trade.v4(
instruments=m9.data,
options_data=m8.predictions,
start_date='',
end_date='',
initialize=m12_initialize_bigquant_run,
handle_data=m12_handle_data_bigquant_run,
prepare=m12_prepare_bigquant_run,
volume_limit=0.025,
order_price_field_buy='open',
order_price_field_sell='close',
capital_base=1000000,
auto_cancel_non_tradable_orders=True,
data_frequency='daily',
price_type='真实价格',
product_type='股票',
plot_charts=True,
backtest_only=False,
benchmark='000300.HIX'
)
m4 = M.input_features.v1(
features="""# #号开始的表示注释
# 多个特征,每行一个,可以包含基础特征和衍生特征
#--- 1.用指数的成交量(3.5日ma线死叉) 作为 全仓卖出风控的依据
bm_0=where(mean(volume, 5)-mean(volume, 10)<0,1,0)
#bm_0=where(ta_macd_dif(close,2,4,4)-ta_macd_dea(close,2,4,4)<0,1,0)
#--- 2.用指数的 MAAMT指标 作为 MAAMT指标择时策略 全仓卖出风控的依据
#成交量(金额)类
#求成交额的移动平均线。
#MAAMT=MA(AMOUNT,N)
#信号产生方式 如果成交额上穿 MAAMT,则产生买入信号;
#如果成交额下穿 MAAMT,则产生卖出信号。
bm_1=where(mean(amount, 5)-mean(amount, 10)<0,1,0)
#--- 3.用指数的 MAAMT指标 作为 MAAMT指标择时策略 全仓卖出风控的依据"""
)
m5 = M.index_feature_extract.v3(
input_1=m9.data,
input_2=m4.data,
before_days=100,
index='000300.HIX'
)
m10 = M.join.v3(
data1=m8.predictions,
data2=m5.data_1,
on='date',
how='left',
sort=False
)
m11 = M.sort.v4(
input_ds=m10.data,
sort_by='date',
group_by='--',
keep_columns='--',
ascending=True
)
m19 = M.trade.v4(
instruments=m9.data,
options_data=m11.sorted_data,
start_date='',
end_date='',
initialize=m19_initialize_bigquant_run,
handle_data=m19_handle_data_bigquant_run,
prepare=m19_prepare_bigquant_run,
volume_limit=0.025,
order_price_field_buy='open',
order_price_field_sell='close',
capital_base=1000000,
auto_cancel_non_tradable_orders=True,
data_frequency='daily',
price_type='真实价格',
product_type='股票',
plot_charts=True,
backtest_only=False,
benchmark='000300.HIX'
)
m20 = M.trade.v4(
instruments=m9.data,
options_data=m11.sorted_data,
start_date='',
end_date='',
initialize=m20_initialize_bigquant_run,
handle_data=m20_handle_data_bigquant_run,
prepare=m20_prepare_bigquant_run,
volume_limit=0.025,
order_price_field_buy='open',
order_price_field_sell='close',
capital_base=1000000,
auto_cancel_non_tradable_orders=True,
data_frequency='daily',
price_type='真实价格',
product_type='股票',
plot_charts=True,
backtest_only=False,
benchmark='000300.HIX'
)
[2022-03-20 23:22:31.643379] INFO: moduleinvoker: instruments.v2 开始运行..
[2022-03-20 23:22:31.654771] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:31.657301] INFO: moduleinvoker: instruments.v2 运行完成[0.013921s].
[2022-03-20 23:22:31.669718] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..
[2022-03-20 23:22:31.679637] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:31.682833] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.013117s].
[2022-03-20 23:22:31.689130] INFO: moduleinvoker: input_features.v1 开始运行..
[2022-03-20 23:22:31.716108] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:31.718757] INFO: moduleinvoker: input_features.v1 运行完成[0.029633s].
[2022-03-20 23:22:31.742357] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..
[2022-03-20 23:22:31.750103] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:31.752208] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.00987s].
[2022-03-20 23:22:31.762309] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..
[2022-03-20 23:22:31.770889] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:31.773288] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.011016s].
[2022-03-20 23:22:31.789959] INFO: moduleinvoker: join.v3 开始运行..
[2022-03-20 23:22:31.814801] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:31.817533] INFO: moduleinvoker: join.v3 运行完成[0.027568s].
[2022-03-20 23:22:31.828477] INFO: moduleinvoker: dropnan.v1 开始运行..
[2022-03-20 23:22:31.841943] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:31.843604] INFO: moduleinvoker: dropnan.v1 运行完成[0.015124s].
[2022-03-20 23:22:31.856154] INFO: moduleinvoker: stock_ranker_train.v5 开始运行..
[2022-03-20 23:22:31.865970] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:31.941097] INFO: moduleinvoker: stock_ranker_train.v5 运行完成[0.084966s].
[2022-03-20 23:22:31.948298] INFO: moduleinvoker: instruments.v2 开始运行..
[2022-03-20 23:22:31.957838] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:31.960546] INFO: moduleinvoker: instruments.v2 运行完成[0.012243s].
[2022-03-20 23:22:31.978809] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..
[2022-03-20 23:22:31.995569] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:31.998075] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.019284s].
[2022-03-20 23:22:32.013908] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..
[2022-03-20 23:22:32.022948] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:32.025064] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.011172s].
[2022-03-20 23:22:32.034567] INFO: moduleinvoker: dropnan.v1 开始运行..
[2022-03-20 23:22:32.042264] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:32.043658] INFO: moduleinvoker: dropnan.v1 运行完成[0.009124s].
[2022-03-20 23:22:32.057849] INFO: moduleinvoker: stock_ranker_predict.v5 开始运行..
[2022-03-20 23:22:32.073922] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:32.077053] INFO: moduleinvoker: stock_ranker_predict.v5 运行完成[0.019208s].
[2022-03-20 23:22:32.137498] INFO: moduleinvoker: backtest.v8 开始运行..
[2022-03-20 23:22:32.148976] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:47.931826] INFO: moduleinvoker: backtest.v8 运行完成[15.794322s].
[2022-03-20 23:22:47.933900] INFO: moduleinvoker: trade.v4 运行完成[15.845815s].
[2022-03-20 23:22:47.939857] INFO: moduleinvoker: input_features.v1 开始运行..
[2022-03-20 23:22:47.949021] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:47.951706] INFO: moduleinvoker: input_features.v1 运行完成[0.011853s].
[2022-03-20 23:22:47.968865] INFO: moduleinvoker: index_feature_extract.v3 开始运行..
[2022-03-20 23:22:48.009530] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:48.011360] INFO: moduleinvoker: index_feature_extract.v3 运行完成[0.042529s].
[2022-03-20 23:22:48.023486] INFO: moduleinvoker: join.v3 开始运行..
[2022-03-20 23:22:48.103707] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:48.106340] INFO: moduleinvoker: join.v3 运行完成[0.082855s].
[2022-03-20 23:22:48.112853] INFO: moduleinvoker: sort.v4 开始运行..
[2022-03-20 23:22:48.127708] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:48.129523] INFO: moduleinvoker: sort.v4 运行完成[0.016675s].
[2022-03-20 23:22:48.181145] INFO: moduleinvoker: backtest.v8 开始运行..
[2022-03-20 23:22:48.219916] INFO: moduleinvoker: 命中缓存
[2022-03-20 23:22:58.952816] INFO: moduleinvoker: backtest.v8 运行完成[10.771689s].
[2022-03-20 23:22:58.954747] INFO: moduleinvoker: trade.v4 运行完成[10.816875s].
[2022-03-20 23:22:58.997140] INFO: moduleinvoker: backtest.v8 开始运行..
[2022-03-20 23:22:59.010152] INFO: moduleinvoker: 命中缓存