浅谈K线处理的底层机制

浅谈K线处理的底层机制

K线是一种用于表示一段时间内市场价格变动情况的图表。我们获取的k线数据，是根据CTP协议（中国金融期货交易所的交易接口协议）提供的tick数据合成的。作为伴随时间流的k线数组，每根K线包含开盘价、最高价、最低价和收盘价，交易量和持仓量关键数据。虽然我们可以直接使用现成的指标函数比如TA.MA()直接使用k线数据进行技术指标的计算，但这个过程实际上是一个黑盒，我们不能了解具体的底层K线处理机制。然而，了解底层K线的处理机制对于理解技术指标的计算过程和优化算法非常重要。

理解计算过程：了解底层K线的处理机制可以帮助我们理解技术指标的计算过程。通过了解每个步骤的具体实现逻辑和算法，我们可以更好地理解指标是如何被计算出来的，以及每个参数的含义和影响。

优化算法：了解底层K线的处理机制可以帮助我们优化计算算法。通过深入了解K线数据的存储结构、遍历方式以及处理函数的性能特点，我们可以对算法进行改进，提高计算速度和效率。例如，使用更高效的数据结构、采用并行计算等方法，可以加快计算速度，提升策略的实时性。

策略定制：了解底层K线的处理机制可以帮助我们自定义指标和策略。有时，现有的技术指标不能完全满足我们的需求，需要进行定制化开发。通过了解底层K线的处理机制，我们可以根据自己的需求编写新的计算逻辑，或者修改现有的指标算法，以实现更加符合我们策略的指标。

容错处理：了解底层K线的处理机制可以帮助我们进行容错处理。在实际应用中，K线数据可能存在缺失、异常等情况，这可能会对计算结果产生较大影响。通过了解底层处理机制，我们可以针对特定的情况进行容错处理，例如使用默认值或插值法填补缺失数据，排除异常值等，以提高策略的稳定性和鲁棒性。

综上所述，了解底层K线的处理机制对于理解技术指标的计算过程、优化算法、策略定制和容错处理都非常重要。这样我们可以更好地理解和应用量化交易中的技术指标，提升交易策略的效果和稳定性。

今天，我们以移动平均值的计算为例，手写一个源码，探讨背后的k线处理机制。

function HANDMA(records, period) {
  var MA = []; // 存储移动平均值的数组

  // 遍历数据数组
  for (var i = 0; i < records.length; i++) {
    if (i < period-1) {
      MA.push(NaN); // 添加NaN
    } else {
      var sum = 0;

      // 计算每个数据点之前 period 个数据的和
      for (var j = i - period + 1; j <= i; j++) {
        sum += records[j].Close;
      }

      // 计算当前数据点的移动平均值
      var ma = sum / period;

      // 存储移动平均值到数组中
      MA.push(ma);
    }
  }

  return MA;
}



function main(){
    var c = KLineChart({})
    while (true){
        exchange.SetContractType('rb888');
        var records = exchange.GetRecords();
        MA_20_hand = HANDMA(records, 20);
        MA_20 = TA.MA(records, 20);
        Log('手动移动平均数据',MA_20_hand);
        Log('移动平均数据',MA_20);

        for (var i = 0 ; i < records.length ; i++) {
                var bar = records[i]
                c.begin(bar)
                c.plot(MA_20_hand[i], "手动移动平均", {overlay: true})     // 画在图表主图
                c.plot(MA_20[i], "移动平均", {overlay: true})    // 画在图表主图
                c.close()
            }
        
    }
}

根据代码显示，移动平均值函数接受两个参数：records（包含K线数据的数组）和period（移动平均的周期）。函数通过遍历数据数组来计算移动平均值，并将结果存储在一个数组MA中。

具体的计算步骤如下：

1. 创建一个空数组MA，MA是moving average，移动平均值，用于存储移动平均值。

2. 遍历数据数组records。

3. 如果当前索引i小于周期period-1，将nan添加到MA数组中，表示该位置的移动平均值暂时无法计算。否则，计算当前数据点之前period个数据的和。通过一个内部循环，从i - period + 1到i的范围，累加这些数据点的收盘价。

4. 计算当前数据点的移动平均值，即将上一步计算的和除以周期period。

5. 将移动平均值存储到MA数组中。

6. 完成遍历后，返回MA数组作为结果。

在函数定义完成后，我们在主函数中，获取k线数据，然后调用HANDMA(records, 20)和TA.MA(records, 20)函数分别计算了手动移动平均数据和移动平均数据，并将结果打印输出。使用KLineChart函数，我们进行了两条均线的呈现。

在回测结果中可以看到，在9点到9点30分之间，移动平均值设置20为周期，前20分钟内，移动平均值都是空值，当收集够足够的数量后，开始进行指标的计算。现成的指标和手动的指标两条线是重合的，证明我们的计算是没有问题的。

这里我们需要理解下，MA数组和K线数据的对应关系：

records是一个数组，其中包含了伴随时间流的多个K线记录。每个K线记录都包含了开盘价、最高价、最低价和收盘价等信息。

MA是一个用于存储移动平均值的数组，虽然在图中没有呈现，但是通过打印MA数组，它的长度与records数组相同。在计算移动平均之前的周期（period）内，MA数组中的元素都是空值（null）。这些空值用来表示移动平均计算过程中前期数据不足的情况。当然，我们也可以选择其他的处理方式来处理数据不足的情况。例如，可以使用累计周期的均值作为移动平均的替代值，或者使用其他的填充值来表示未达到k线数量的移动平均值。

在给定的代码中，当索引i小于移动平均的周期period-1时，也就是前期数据不足以计算移动平均值时，将nan添加到MA数组中。MA数组的第一个有效值元素对应着records数组中的第period个元素的移动平均值，然后伴随k线的更新，新的ma值被对应计算出来。这样就能确保移动平均值和K线数据之间的一一对应关系。通过这种对应关系，我们可以方便地从MA数组中获取每个K线数据对应的移动平均值，进行进一步的分析和处理。

代码确实不复杂，但重要的是我们需要深入理解底层K线的处理机制。当我们使用K线进行技术指标计算时，无论是MACD还是RSI，我们需要了解底层K线是如何被使用的，以及指标结果与K线的对应关系。我们可以更好地理解技术指标的计算原理和应用场景。

在同时，了解底层K线的处理机制可以帮助我们理解K线数据的结构和含义，以及K线的时间周期和采样频率。这对于正确地解读技术指标的结果至关重要。我们需要知道每个指标结果对应的是哪个K线数据，以及指标结果如何随着时间的推移而更新。我们可以看到，当我们设定的周期为分钟时，MA计算返回的结果也是以分钟作为周期。但是需要温馨提醒下，在最后一根k线没有完成的时候，MA最后的一个值也是不固定的。

当然这只是使用k线计算移动平均值的小例子，希望从这份代码出发，大家可以理解k线处理的底层机制，更进一步的帮助我们更好地理解一些复杂技术指标的计算过程。如果有兴趣的话，指标计算源码在youquant平台是公开的（https://www.youquant.com/bbs-topic/8293），我们可以参考学习，并根据实际需求，进行更适合我们交易理念的定制化的指标计算和策略优化。