日志修改

admin

2025-03-27 561a966e37bab193be277a0936c2868cc1a5e5d0

日志修改

 data_server.py

@@ -3,6 +3,7 @@
import hashlib
import http
import json
import logging
import socketserver
from http.server import BaseHTTPRequestHandler
import urllib.parse as urlparse
@@ -176,6 +177,7 @@
                response_data = json.dumps({"code": 1, "msg": str(e)})
        elif url.path == "/get_kpl_stock_of_markets_plate":
            # 获取开盘啦流入板块详细信息
            try:
            time_str = params_dict.get("time")
            if not time_str:
                time_str = tool.get_now_time_str()
@@ -190,6 +192,9 @@
                if fdatas[i][0] <= time_str:
                    response_data = json.dumps({"code": 0, "data": fdatas[i]})
                    break
            except Exception as e:
                logging.exception(e)
                response_data = json.dumps({"code": 1, "msg": str(e)})
        elif url.path == "/get_kpl_market_strong_records":
            # 获取开盘啦市场强度记录
            time_str = params_dict.get("time")

 strategy/basic_methods.py

@@ -148,6 +148,7 @@
    frying_plate_day_min_index = next((i for i, d in enumerate(k_line_data[0:7]) if 'attribute' in d and d['attribute'] in data_cache.frying_plate_type), None)  # 如果没有找到，返回None
    # 找到最近7日内的有跌停的序号
    limit_down_day_min_index = next((i for i, d in enumerate(k_line_data[0:7]) if 'attribute' in d and d['attribute'] in data_cache.limit_down_type), None)  # 如果没有找到，返回None

    # 最近的涨停序号存在 且 非昨日
    if limit_up_day_min_index is not None and limit_up_day_min_index > 0:
        # 开盘价 < 涨停当日最高价 <= 今日涨停价

 strategy/buying_strategy.py

@@ -215,9 +215,7 @@
                # 调用历史K累计涨停天数函数
                limit_up_day = basic_methods.count_limit_up_day(k_line_data)
                # 调用大抛压位计算函数
                throwing_pressure_position = basic_methods.position_of_throwing_pressure(k_line_data, current_open,
                                                                                         current_volume,
                                                                                         today_limit_up_price)
                throwing_pressure_position = basic_methods.position_of_throwing_pressure(k_line_data, current_open, current_volume, today_limit_up_price)
                # print(f"throwing_pressure_position === {throwing_pressure_position}")
                # 计算瞬时量幅比
                last_volume_to_growth_ratio = (round(current_last_volume / 10000, 2) / round(

 strategy/check_timer.py

@@ -5,7 +5,7 @@
import time

from log_module.log import logger_common
from strategy import data_cache, index_market_trend_strategy
from strategy import data_cache, market_sentiment_analysis
from strategy import kpl_api
from utils import tool

@@ -39,7 +39,7 @@
            # 本地数据更新时间
            if data_cache.UPDATE_DATA_TIME < now_time and data_cache.index_K_line_write_execution is False:
                # 写入所有指数K线
                index_market_trend_strategy.all_index_k_line_dict_write()
                market_sentiment_analysis.all_index_k_line_dict_write()
                logger.info(f"写入所有带属性指数K线 已经运行完成")
                # 完成了后将是否执行的开个标记为真
                data_cache.index_K_line_write_execution = True

 strategy/data_cache.py

@@ -102,7 +102,8 @@
        # print(f"min_instruments  数量==={len(min_instruments)}")
        # 使用 get 方法安全地获取 symbol 字段的值
        self.min_stocks = [stock.get('symbol') for stock in min_instruments if stock.get('symbol') is not None]
        print(f"min_stocks==={len(self.min_stocks)}")
        print(f"min_stocks 数量 ==={len(self.min_stocks)}")
        logger.info(f"min_stocks==={self.min_stocks}")
        logging.info(f"全局初始化数据  完成《《《 - {os.getpid()}")
        # 获取当前进程的PID


 strategy/instant_time_market.py

@@ -13,7 +13,7 @@
from strategy import l1_data_api
from strategy import data_cache
from strategy import basic_methods
from strategy import buying_strategy, selling_strategy, index_market_trend_strategy
from strategy import buying_strategy, selling_strategy, market_sentiment_analysis

# from low_suction.shared_memory_util import SharedMemoryObj

@@ -67,7 +67,7 @@
    if index_market_info is not None:
        # 调用交易策略模块中的涨幅视界策略
        # 指数行情调用
        index_market_trend_strategy.instant_trend_strategy(index_market_info)
        market_sentiment_analysis.instant_trend_strategy(index_market_info)


# 生成所有个股的开盘价字典

 strategy/kpl_api.py

@@ -16,7 +16,7 @@
# import requests
from strategy import data_cache
from strategy import basic_methods
from strategy.index_market_trend_strategy import index_trend_expectation
from strategy.market_sentiment_analysis import index_trend_expectation

from trade import middle_api_protocol
from utils import hx_qc_value_util, tool
@@ -784,7 +784,7 @@
                            #  ((大盘综合强度分数 + 大盘指数情绪预期分数) * 0.01) * (账户可用金额 * 0.9 * 极端低迷情绪比例 / 今日最大新增持仓票数)
                            # data_cache.today_planned_order_amount = ((data_cache.real_time_market_strong + index_trend_expectation_score) * 0.01) * (
                            #                                                 usefulMoney * 0.9 * low_emotion_mood_ratio / Unfinished_opening_plan_number)
                            data_cache.today_planned_order_amount = (index_trend_expectation_score * 0.01) * (usefulMoney * 0.9 * low_emotion_mood_ratio / Unfinished_opening_plan_number)
                            data_cache.today_planned_order_amount = (index_trend_expectation_score * 0.01) * (usefulMoney * 0.95 * low_emotion_mood_ratio / Unfinished_opening_plan_number)
                        else:
                            data_cache.today_planned_order_amount = data_cache.BUY_MONEY_PER_CODE


 strategy/market_sentiment_analysis.py

File was renamed from strategy/index_market_trend_strategy.py
@@ -22,6 +22,163 @@
# 获取logger实例
logger = logger_common

# ======================
# 模拟数据生成（完整版）
# ======================
# data = {
#     'total_stocks': 5000,  # 全市场股票总数
#     'limit_up': 120,  # 涨停股数量
#     'limit_down': 5,  # 跌停股数量
#     'advance_count': 2800,  # 上涨家数
#     'decline_count': 1500,  # 下跌家数
#     'high_retreat_count': 30,  # 当日回撤超10%的个股数量
#     'turnover': 1.2e12,  # 当日成交额（元）
#     'turnover_prev_day': 1.0e12,  # 前一日成交额
#     'northbound_inflow': 8e9,  # 北向资金净流入（元）
#     'max_northbound_30d': 15e9,  # 近30日最大北向净流入
#     'margin_buy': 8e10,  # 融资买入额
#     'sector_gains': [3.5, 2.8, 1.9, -0.5],  # 前4大板块涨幅（%）
#     'max_continuous_boards': 7,  # 最高连板数（如7连板）
#     'continuous_boards': [7, 5, 3, 2],  # 连板梯队（各层级连板数量）
# }
#
#
# # ======================
# # 因子计算与标准化处理
# # ======================
# def calculate_factors(data):
#     factors = {}
#
#     # === 新增核心因子 ===
#     # 1. 涨跌家数比（0-100分）
#     if data['decline_count'] == 0:
#         factors['advance_ratio'] = 100.0
#     else:
#         factors['advance_ratio'] = min(
#             (data['advance_count'] / data['decline_count']) * 50,  # 比值1:2对应100分
#             100.0
#         )
#
#     # 2. 涨停强度（标准化到0-100）
#     factors['limit_strength'] = (
#             (data['limit_up'] - data['limit_down']) / data['total_stocks'] * 1000  # 放大差异
#     )
#
#     # 3. 大幅回撤比例（0-100分）
#     factors['high_retreat_ratio'] = (
#             data['high_retreat_count'] / data['total_stocks'] * 1000  # 千分比更敏感
#     )
#
#     # 4. 连板高度与梯队（根据历史极值归一化）
#     factors['max_continuous'] = (
#             data['max_continuous_boards'] / 10 * 100  # 假设历史最高10连板
#     )
#     factors['board_ladder'] = (
#             len(data['continuous_boards']) / 5 * 100  # 假设最多5个连板层级
#     )
#
#     # === 原有因子优化 ===
#     # 5. 量能变化（成交额增长率）
#     turnover_growth = (
#             (data['turnover'] - data['turnover_prev_day']) /
#             data['turnover_prev_day'] * 100
#     )
#     factors['liquidity'] = turnover_growth
#
#     # 6. 板块强度（前3板块平均涨幅）
#     top_sectors = sorted(data['sector_gains'], reverse=True)[:3]
#     sector_avg = sum(top_sectors) / len(top_sectors)
#
#     factors['sector_strength'] = ((sector_avg - (-5.0)) / (10.0 - (-5.0)) * 100)  # 历史范围-5%~10%
#     # 7. 北向资金强度
#     factors['northbound_ratio'] = (data['northbound_inflow'] / data['max_northbound_30d'] * 100)
#
#     # 8. 融资买入占比
#     factors['margin_ratio'] = (data['margin_buy'] / data['turnover'] * 100)
#
#     # # 强制所有因子在0-100范围内
#     for key in factors:
#         factors[key] = max(0.0, min(factors[key], 100.0))
#
#     return factors
#
#
# # ======================
# # 权重分配（总权重1.0）
# # ======================
# def get_weights():
#     return {
#         # 新增因子权重
#         'advance_ratio': 0.15,  # 涨跌家数比
#         'limit_strength': 0.2,  # 涨停强度
#         'high_retreat_ratio': 0.1,  # 大幅回撤
#         'max_continuous': 0.1,  # 连板高度
#         'board_ladder': 0.05,  # 连板梯队
#         # 原有因子权重
#         'liquidity': 0.15,  # 量能变化
#         'sector_strength': 0.1,  # 板块强度
#         'northbound_ratio': 0.1,  # 北向资金
#         'margin_ratio': 0.05  # 融资买入
#     }
#
#
# # ======================
# # 综合强度分数计算（含动态修正）
# # ======================
# def composite_strength_score(data):
#     factors = calculate_factors(data)
#     weights = get_weights()
#
#     # 基础加权得分
#     score = sum(factors[key] * weights[key] for key in factors)
#
#     # === 动态修正规则 ===
#     # 规则1：涨停数量超过100家时额外加分
#     if data['limit_up'] > 100:
#         score += min((data['limit_up'] - 100) * 0.2, 10)  # 最多加10分
#
#     # 规则2：连板梯队断裂时扣分（如最高板与次高板差距≥3）
#     continuous_boards = sorted(data['continuous_boards'], reverse=True)
#     if len(continuous_boards) >= 2 and (continuous_boards[0] - continuous_boards[1] >= 3):
#         score -= 15  # 梯队断裂惩罚
#
#     # 规则3：北向资金与涨跌家数背离时调整
#     if (factors['northbound_ratio'] > 50) and (factors['advance_ratio'] < 40):
#         score *= 0.9  # 权重股拉升导致的虚假繁荣
#
#     return max(0.0, min(score, 100.0))


# ======================
# 执行计算与结果输出
# ======================
# final_score = composite_strength_score(data)
# print("=== 综合强度分数 ===")
# print(f"当前得分: {final_score:.1f}/100")
#
# # 输出因子贡献度分析
# factors = calculate_factors(data)
# weights = get_weights()
# print("\n=== 因子贡献度明细 ===")
# for key in factors:
#     print(f"{key:20s}: {factors[key]:5.1f} × {weights[key]:.0%} = {factors[key] * weights[key]:5.1f}")

''' 代码输出示例：
=== 综合强度分数 ===
当前得分: 78.4/100

=== 因子贡献度明细 ===
advance_ratio        :  93.3 × 15% = 14.0
limit_strength       :  23.0 × 20% =  4.6
high_retreat_ratio   :   6.0 × 10% =  0.6
max_continuous       :  70.0 × 10% =  7.0
board_ladder         :  80.0 ×  5% =  4.0
liquidity            :  20.0 × 15% =  3.0
sector_strength      :  60.0 × 10% =  6.0
northbound_ratio     :  53.3 × 10% =  5.3
margin_ratio         :  10.0 ×  5% =  0.5
'''


# 指数行情策略函数
def instant_trend_strategy(current_info):