|
使用DeepSeek进行Python策略开发教程
准备工作：
1. 如果您第一次阅读使用此教程，请务必先阅读【使用AI模型进行策略开发导读】，将有利于您更好的驾驭AI大模型工具。
2. 使用大模型辅助策略开发之前, 请先下载金字塔的Python API文档。
[size=0.85em]m-ke rnels # 基于抽象计算机开发的应用程序
[Python] 复制代码
#目录结构如下：
jzt_python_API # 由于DeepSeek对文档解读的大小有限制，所以我们将API说明拆分成以下两个markdown文件。
|-- jzt_API.md # 金字塔的python接口说明，包含API基本方法、交易函数、数据查询等章节
|-- 股票财务相关.md # 专业股票财务数据相关接口说明，（若策略中涉及相关内容时，再将其上传给DeepSeek学习使用）
开始会话:
1. 告知DeepSeek学习任务、以及工作背景。
和DeepSeek对话时，其实类似于给一个学生布置学习任务，只要任务中指明明确的目标、清晰的学习流程、提出任务的输出要求，那么它就不会有偷懒行为。例如使用如下提示词，可以让DeepSeek更深度的学习文档。
提示词模板如下：
[Python] 复制代码 你现在是一名资深策略开发工程师，专注于金字塔决策交易系统平台的量化策略开发。我已上传 jzt_API.md 文档，其中包含该平台的 Python API 详细信息。
请按照以下步骤深度学习该文档：
1.通读文档：完整阅读 API 文档，识别核心模块，梳理函数/方法的逻辑关系；掌握所有函数、方法、类及返回值类型。
2.逐步解析：按照文档结构，逐部分总结 API 的功能、调用方式，并列出关键参数和典型返回值。
3.归纳总结：以 Markdown 表格或要点形式，整理 API 主要接口、用途及适用场景。
4.代码示例：为 API 中的核心功能编写 Python 代码示例，演示典型用法，并进行代码推理。
5. 代码验证：确保代码能够正确运行，并分析 API 的潜在错误或异常处理方法。
6.自测应用：假设一个量化交易场景，并使用 API 设计一个解决方案，说明调用逻辑。
学习完成后，请以结构化方式汇报你的学习成果，包括：
1.API 关键内容总结（表格或要点）
2.核心代码示例
3.API 在量化交易中的应用场景
4.可能存在的使用限制或注意事项
学习完成后，直接回复“API 学习完成”，并附上总结内容。之后，我会提供策略需求，让你编写量化交易策略。
注：
1、我们可以根据自身的实际需要调整和完善提示词。（技巧：可以将自己的使用场景、目的、要求等信息提供给DeepSeek，让它单独帮你生成针对性的提示词）
2、若DeepSeek学习中总结反馈的内容存在错误，我们要及时纠正它；确保后续可以更精准的实现策略需求。
2. 学习完毕后，提交明确的策略逻辑、策略目标等内容给DeepSeek进行处理。
策略需求提交可以根伟以下两种形式：
1. 一次性提交
定义：一次性提供完整需求，包括目标、场景、逻辑、约束等，我直接生成最终结果。
优点
高效直接：一次提交即可获得完整策略，减少交互次数，适合时间紧迫的情况。
逻辑完整：我能基于全貌设计一致的代码和方案，避免迭代中的碎片化。
降低沟通成本：你只需清晰描述一次，无需多次调整。
适合明确需求：当你已充分思考策略细节时，能快速进入开发阶段。
缺点
前期负担重：要求你一次性想清楚所有细节，可能增加准备时间。
修正难度大：若需求有误或 API 限制未考虑，需大幅调整，浪费初步工作。
灵活性低：不易适应中途发现的问题或新想法。
适用场景
策略简单明确（如标准均线交叉）。
你已熟悉 jzt_API.md，能准确预判 API 能力。
追求快速交付完整代码。
提示词模板示例：
[PEL] 复制代码 任务目标： 你是一名资深量化策略开发工程师，专注于金字塔决策交易系统平台的量化策略开发。我需要你根据双均线金叉死叉逻辑开发一个趋势跟随策略，交易 RB00 螺纹钢连续，完整实现以下功能。
策略概要：
- 策略类型：趋势跟随策略
- 交易逻辑：基于 5 周期短期均线与 20 周期长期均线的交叉，金叉买入，死叉卖出。
- 风险管理：止损 5%，止盈 10%，控制单笔交易风险。
- 数据需求：至少 60 周期的 15 分钟 K 线数据（字段：close），用于计算均线。
数据获取与均线计算：
- 用 `history_bars` 获取 RB00 的 15 分钟 K 线数据（60 周期，字段 'close'）。
- 计算并展示 5 周期和 20 周期简单均线（SMA）。
交易信号生成：
- 金叉（5 上穿 20）生成买入信号，死叉（5 下穿 20）生成卖出信号。
止盈止损逻辑：
- 实现止损 5%（最新价下跌 5% 时触发卖出）和止盈 10%（最新价上涨 10% 时触发卖出）。
2.迭代式提交
定义：分阶段提供需求，例如先给核心逻辑，再补充约束或优化要求，每次基于我的反馈调整。
优点
灵活调整：可以在开发过程中根据我的输出（代码、分析）动态修正方向，避免一开始锁定不合理的需求。
逐步完善：适合复杂策略，允许从简单原型开始，逐步添加细节（如风控、优化），降低初期复杂度。
交互性强：每次迭代都能验证我的理解是否正确，减少误解风险。
适应性好：若 jzt_API.md 有未预见的限制，我可及时提醒，你再调整需求。
缺点
时间成本：多次交互可能拉长总周期，尤其是简单策略。
连贯性挑战：若每次需求不明确，可能导致策略逻辑前后不一致。
依赖反馈：需要你频繁检查我的输出并提供清晰的下一步指引。
适用场景
策略复杂或探索性强（如多指标组合、新颖逻辑）。
你对最终目标有大致想法，但细节需边试边定。
希望逐步验证 API 的适用性。
接下来我们采用迭代提交需求的形式演示策略的编写过程，通过这种方式即符合策略开发的过程、又可以帮助我们平缓的掌握金字塔的API接口内容。我们以实现双均线交易系统为例：
第一次迭代提示词如下：
[PEL] 复制代码 任务目标： 你是一名资深量化策略开发工程师，专注于金字塔决策交易系统平台的量化策略开发。我需要你根据双均线金叉死叉逻辑开发一个趋势跟随策略，交易 RB00 螺纹钢连续，按照以下步骤进行迭代开发。
策略概要：
- 策略类型：趋势跟随策略
- 交易逻辑：基于 5 周期短期均线与 20 周期长期均线的交叉，金叉买入，死叉卖出。
- 风险管理：止损 5%，止盈 10%，控制单笔交易风险。
- 数据需求：至少 60 周期的 15 分钟 K 线数据（字段：open, high, low, close），用于计算均线。
迭代 1：数据获取与均线计算：
- 任务：实现 RB00 的 K 线数据获取并计算 5 周期和 20 周期均线。
- 输入内容：
- 请用 `history_bars` 获取 RB00 的 15 分钟 K 线数据（60 周期，字段 'close'）。
- 计算并展示 5 周期和 20 周期简单均线。
我们将代码复制到金字塔的python编译器中，编译并执行，确保代码没有语法错误、执行错误、逻辑错误后，再迭代主干的交易逻辑部分。
注：生成的代码存在的问题不尽相同，需要我们针对报错信息、策略基本结构针对性的指明问题所在。（必要时使用者应该结合API文档的信息排查问题例如：获取历史数据的返回值类型为 ndarray，deepseek在处理时可能会默认为其他类型使用，造成运行时报错。）
第二次迭代提示词如下：
[PEL] 复制代码 任务：基于 5 周期与 20 周期均线交叉，生成 RB00 的买入/卖出信号。
输入内容：
- 请实现 5 周期均线与 20 周期均线的交叉判断逻辑。
- 金叉（5 上穿 20）生成买入信号，死叉（5 下穿 20）生成卖出信号。
输出要求：
- 提供生成交易信号的 Python 代码。
生成的代码如下所示：
同样将代码复制到金字塔的python编译器中，编译并执行，确保代码没有语法错误、执行错误、逻辑错误后，再继续迭代需求。
第三次迭代提示词如下：
[PEL] 复制代码 任务：为 RB00 双均线策略增加止盈止损逻辑，基于已有信号判断持仓后的价格波动。
输入内容：
- 实现止损 5%（最新价下跌 5% 时触发卖出）和止盈 10%（最新价上涨 10% 时触发卖出）
对生成的代码进行验证、研读分析，让使用者和DeepSeek共同进步。及时发现并解决实现过程中的问题。
注：由于我们没有对止盈止损的算法进行规范，所以DeepSeek采取记录开仓价和最新价作为计算因子进行计算盈亏幅度。
那么我们后期可以要求其改为使用持仓均价和最新价计算盈亏。面对细节或者算法不符合需求时，只要DeepSeek多次对话指明需求即可完成调整。
我们只要根据需要，不断通过迭、调整细化的方式，一步步从基础的数据获取、均线计算到复杂的交易信号生成、执行与风险管理，最终完成了完整的策略开发流程。通过这种不断的学习与实践，你将能进一步提升量化策略的开发能力，构建更复杂、更精细的交易系统。希望这次迭代开发教程对你有所帮助，并能够为你的量化交易之路提供坚实的基础。
总结：
迭代式开发：这种方法帮助我们将复杂的策略开发分解为多个小步骤，每个步骤都有明确的目标和输出。通过逐步验证和调整，确保策略在每个阶段都能够正确运行，避免了整体策略开发过程中可能出现的错误或遗漏。
模块化结构：每个迭代阶段都专注于一个特定的功能模块，从数据处理到交易执行，再到回测优化，这使得整个开发流程更加高效和易于维护。
灵活性与扩展性：你不仅学习了如何实现一个基础的双均线策略，还掌握了如何在策略开发过程中进行优化和调整，使得策略能够应对不同的市场环境和风险需求。
| 
发表于 2025-2-26 16:58
