最近我专门针对 Supermind 平台的AI 量化代码生成平台进行了优化改进，现在效果比市面上的 DS、豆包等工具好很多。 👉 SuperMind AI量化代码生成平台 这个工具最大的特点是直接和 AI 对话就能生成完整可运行的Supermind量化策略代码。你不需要懂 Python、C# 或策略 API，只要用自然语言描述你的交易逻辑，比如：“当5日均线向上突破20日均线时买入，反向时卖出。” AI 就会自动帮你生成完整策略代码，并能直接在平台上运行。 相比于通用大模型的输出，这个平台针对量化交易进行了专门优化生成的代码结构更清晰，逻辑更准确，对策略逻辑的理解更接近量化开发者的思路，并且可用作 API 查询或策略自动生成工具 之前上线后，很多朋友反馈代码质量和可运行性都非常高，几乎不需要再手动修改。现在我们的AI量化代码生成平台已经全面支持 Supermind，你可以直接体验。如果你之前在用 DS、豆包等平台，不妨试试看这个版本，可能会刷新你对AI 写量化策略的想象。 各位宽客好。在我的金融实证课上，我们常把外汇市场的异动作为股票策略的重要前置特征。对于服务核心客群的投顾而言，如何抢在市场异动前捕捉汇率微观结构的变化，是一门必修课。 从轮询到推送的认知跃迁 早期我们很多同学在写数据抓取脚本时，喜欢用死循环去拉取 REST 接口。这种做法在实盘中非常吃亏：延迟高、容易被限制频次，而且 UI 线程很容易被阻塞。真正的机构做法，是让数据主动“来找你”。 流式数据的工程实现 在确定了策略所需的底层资产（例如经典的 USD/EUR）后，直接挂载长连接监听才是正途。这样不仅大幅降低了 CPU 的空转率，还能在微秒级别捕获 tick 数据。 看一段极简的监听守护进程实现： import websocket import json # 极速响应回调 def on_message(ws, message): tick = json.loads(message) print(f"[{tick['time']}] {tick['symbol']} 现价: {tick['price']}") # 握手及订阅资产簇 def on_open(ws): subscribe_msg = { "type": "subscribe", "symbols": ["USD/EUR", "USD/JPY"] } ws.send(json.dumps(subscribe_msg)) ws = websocket.WebSocketApp( "wss://ws.alltick.co/realtime", on_message=on_message, on_open=on_open ) ws.run_forever() 我们团队在验证时，这类基于 AllTick API 协议规范的推送方案，能非常稳健地支撑起多因子模型的数据清洗前置步骤。 量化终端的落地展示 获取到二进制流并反序列化后，我们会在 Pandas 或本地字典中维护一份快照库： 标的物 Tick价格 捕获时间 USD/EUR 0.9231 2026-03-06 10:05 USD/JPY 134.50 2026-03-06 10:05 针对高频的涨跌判断，一行简单的算子即可搞定： # 收益率快速计算 def change_pct(current, previous): return round((current - previous) / previous * 100, 4) print("当前动量:", change_pct(0.9231, 0.9228), "%") 实盘防坑指南： 实时性解决了，但别忘了在本地做好去重逻辑。对于数据落盘，保留最近24小时的高精度快照足以应对大部分的日内特征提取。保持中间件的轻量，才能让策略运行得更稳。 在跨境量化策略开发、多币种资产回测及全球市场套利模型构建中，外汇汇率数据的高效获取是核心基础环节。不同接口的实时性、数据完整性、稳定性直接影响策略回测精度与实盘执行效果。本文从量化研究视角，对比三款主流外汇接口的核心性能指标，提供可直接集成到量化框架的汇率获取代码，并分享接口接入的工程化优化思路，为量化投资者与策略研究者提供实操参考。 一、量化场景下外汇接口的核心选型维度 量化策略对汇率数据的需求区别于普通业务场景，核心关注数据时效性、历史数据完整性、调用稳定性、成本可控性四大维度，具体痛点如下： 实时性不足：高频率跨境套利策略对汇率延迟敏感，秒级延迟可能导致策略失效； 历史数据缺失：长期回测需完整的多周期历史汇率（分钟 / 小时 / 日线），部分接口仅提供低频或短周期数据； 调用稳定性差：实盘运行时接口限流、宕机易导致策略中断，尤其在市场波动高峰期； 成本不可控：高频率调用下接口费用易超出量化策略的成本预算，免费层限额无法满足回测与实盘需求。 针对上述需求，实测对比 AllTick、Alpha Vantage、IEX Cloud 三款主流外汇接口的核心性能与成本指标，结果如下： 对比项 AllTick Alpha Vantage IEX Cloud 实时延迟 Tick 级，平均约 150ms 秒级或更高 约 300–600ms 免费层速率 可用于 PoC 验证，调用限制宽松 每分钟约 5 次请求 免费 credit 额度，实际可用有限 WebSocket 原生支持实时推送 不支持 提供有限 WebSocket 免费历史数据 高级套餐可提供 5 年以上 低频时间序列 免费历史数据有限 每月 100 万次请求成本 约 99 美元 约 300 美元 通常超过 500 美元 API 可用性 (2025) 金融级稳定性，约 99.9% 高峰期可能受限流，99.0–99.5% 99.9%，依赖配额体系 从量化场景适配性分析：AllTick 的 Tick 级延迟与高可用性适配高频策略，5 年以上历史数据满足中长期回测需求，且成本优势显著；Alpha Vantage 仅适用于低频率策略的初步验证；IEX Cloud 虽可用性达标，但成本过高，仅适合机构级量化团队。 二、基于 AllTick API 的量化级汇率数据获取实现 以下代码可直接集成到 Python 量化框架（如 Backtrader、VNPY 等），实现实时汇率抓取（用于实盘信号）与历史汇率获取（用于策略回测），代码经实测可稳定运行。 1. 环境准备 安装基础依赖库： pip install requests 2. 实时汇率获取（适配高频策略实盘） import requests import json # 接口请求地址 url = "https://quote.alltick.io/quote-stock-b-api/kline" # 请求参数配置 params = { "token": "your_token", # 替换为实际的接口token "query": "EURUSD", # 货币对（欧元兑美元，可替换为任意交易对） "kline_type": 1, # 1=分钟级数据，适配高频策略 "limit": 1 # 获取最新1条数据，降低实盘数据处理压力 } # 发送GET请求获取实时汇率 response = requests.get(url, params=params) # 响应结果处理（适配量化框架的数据格式要求） if response.status_code == 200: data = response.json() if data["ret"] == 0: kline = data["data"]["kline_list"][0] price = kline["close"] # 可直接将price传入量化策略的信号生成模块 print("EURUSD 最新汇率:") print(json.dumps({"symbol": "EURUSD", "price": price}, indent=4)) else: print("API error:", data["msg"]) # 记录接口错误，便于策略异常处理 else: print("HTTP error:", response.status_code) # 网络层异常，触发策略容错机制 3. 历史汇率获取（适配策略回测） import requests import json # 接口请求地址 url = "https://quote.alltick.io/quote-stock-b-api/kline" # 请求参数配置 params = { "token": "your_token", # 替换为实际的接口token "query": "EURUSD", # 货币对（欧元兑美元） "kline_type": 8, # 8=日线级数据，可替换为1/5适配不同周期回测 "limit": 10 # 获取最近10条历史数据，可调整为更大数值满足长期回测 } # 发送GET请求获取历史汇率 response = requests.get(url, params=params) # 响应结果处理（转换为回测框架可识别的DataFrame格式前置处理） if response.status_code == 200: data = response.json() if data["ret"] == 0: print("EURUSD 历史K线数据:") print(json.dumps(data["data"]["kline_list"], indent=4)) # 此处可添加数据清洗、格式转换逻辑，输出为回测框架所需的OHLCV格式 else: print("API error:", data["msg"]) else: print("HTTP error:", response.status_code) 关键说明：kline_type 参数对应不同数据周期（1 = 分钟、5=5 分钟、8 = 日线），可根据策略周期（高频 / 中频 / 低频）灵活调整；历史数据获取时，建议将返回结果转换为 OHLCV 格式（Open/High/Low/Close/Volume），适配主流量化回测框架的输入要求。 三、量化场景下外汇接口接入的工程化优化 为保障量化策略的稳定性与数据质量，针对接口接入环节提出 5 项可落地的优化措施： 分层验证与成本控制：先用免费层完成策略回测验证，根据回测效果评估接口调用频率，再选择匹配的商用套餐，避免过度采购； 本地缓存与数据复用：针对汇率短期波动特性，设置 30~60 秒本地缓存，减少重复调用，既降低接口成本，也提升策略数据读取效率； 多维度监控与告警：实时采集接口调用成功率、响应延迟、错误码分布等指标，当延迟超过阈值（如 200ms）或成功率低于 99% 时触发告警，保障实盘策略运行； 接口容灾与降级：配置 1-2 个备用接口（如 AllTick 故障时切换至 IEX Cloud），通过熔断机制实现无缝切换，避免策略因单一接口故障中断； 数据预处理逻辑：对接入的汇率数据增加异常值过滤、时间戳校准、缺失值填充等预处理步骤，保证回测与实盘数据的一致性。 总结 外汇数据接口的选型与接入是量化策略开发的基础环节，其性能直接影响策略的回测有效性与实盘收益。从量化场景的核心需求出发，AllTick 接口在实时性、历史数据完整性、成本与稳定性上综合适配性最优；本文提供的代码可直接集成到量化框架，优化措施可有效提升接口使用的稳定性与性价比。 关键点回顾 量化场景下外汇接口选型核心关注实时延迟、历史数据完整性、可用性、成本，AllTick 适配多数量化策略需求； 提供的代码可直接用于实时汇率抓取（实盘）与历史汇率获取（回测），仅需替换 token 并适配策略周期； 缓存、监控、容灾等优化措施是保障量化策略稳定性的关键，需结合策略特性落地。 免责声明：本文所有代码及示例仅作技术分享，不构成任何投资建议；量化策略的收益与风险并存，投资者需独立评估策略有效性。 大家好，我想和大家分享一个我最近开发的项目——一款面向量化交易的 AI 智能助手工具网站。它可以帮助大家快速生成高质量、可直接复制运行的量化策略代码，无论你是量化小白还是策略开发者，都能从中受益。 核心亮点： 1.多平台支持：目前已支持 PTrade、QMT、miniQMT、聚宽等，并计划不断扩展更多平台。 2.策略生成高效：用户只需选择平台并输入策略想法，AI 即可生成可运行的量化策略代码。 3.快速入门与优化： • 对量化小白：轻松生成可直接运行的策略，快速上手交易。 • 对策略开发者：帮助完善、优化已有策略，节省开发时间。 • 对文档需求者：可作为量化平台的 API 文档问答机器人，方便查询和使用。 4.业内首创：这是首个面向多平台的量化交易 AI 助手，解决了现有 Deepseek 或 Trae 等 AI 工具因缺乏平台知识库而生成代码无法运行的问题。 使用方式：登录 → 选择你使用的平台 → 输入策略想法 → 生成可运行的策略代码。 我希望这个工具能帮助大家更高效地进行策略开发和量化交易，也欢迎大家在帖子里分享使用体验和建议。 网站链接：https://iris.findtruman.io/ai/tool/ai-quantitative-trading/ 如果大家有任何问题或功能需求，也可以在帖子里留言，我会持续优化和更新，让它成为量化交易领域最实用的 AI 助手！ 之前我分享过一个小工具网站，支持国内主流量化平台，可以让 AI 直接帮你写各个平台的策略代码，直接生成可运行的策略代码，代码质量远高于直接使用 DeepSeek、Trae 等平台。上线之后获得了非常多朋友的好评。 大家可以直接用描述策略，然后一键生成可运行的完整策略代码，也可以把它当做一个API 查询工具。 AI工具平台：https://iris.findtruman.io/ai/tool/ai-quantitative-trading/ 我看平台正在开发SuperMind支持，很快就能支持同花顺了 为何这种事情没有公告？为了跑程序特意买了季度会员。请问这块什么时候升级完成？ 背景与目的 之前我们有了策略回测代码，到实盘要经过熟悉实盘API、写代码、调试代码的环节，大概还需要1-2周的时间才能实盘，有非常多的用户到这一步 会束手无策，甚至放弃！ 现在，有了回测代码直接实盘的功能，可以省去这个步骤，让刚入门的朋友也可以直接拿回测代码进行实盘了。很棒！为我们的工程师点赞！ 此外还新增了一些接口，方便实盘交易。 不断降低实盘的门槛是我们的目标，如果您有任何好的想法意见请随时留言！ 本功能需要重启研究环境才能生效！ 策略实盘交易（回测代码1分钟实盘） ?调用方法： research_trade( name, source_code, capital_base=100000, frequency='DAILY', stock_market='STOCK', benchmark=None, trade_api=None, signal_mode=True, dry_run=False, recover_dt=False, ) ?参数说明： name：str，策略名称，会在./persist/下生成一个同名目录，用于存放持久化的策略信息 source_code：str，策略代码，可从策略研究模块中直接复制，代码置于"""..."""中 capital_base： float，初始资金量 如果接入了TradeAPI对象，且 signal_mode=False，那么此参数无意义 frequency: str，策略频率，'DAILY'或'MINUTE' stock_market: str，策略类型，默认'STOCK' benchmark: str，基准指数 trade_api: TradeAPI对象，绑定需要仿真交易的资金账号 如果不传入TradeAPI对象，即 trade_api=None，此时为模拟交易 如果传入TradeAPI对象，此时为仿真交易 signal_mode: bool，（新增）默认为 True signal_mode=True，此时策略实际上运行的时初始资金为capital_base的模拟交易，context、get_orders等方法返回的结果均为模拟交易中计算的数据，与资金账号的数据无关；策略下单在模拟交易撮合成交后，才会通过trade_api下单至柜台 signal_mode=False，此时策略中context、get_orders等方法返回的结果均为从 柜台查询，策略下单也会直接下至柜台 dry_run: bool，试运行，立即返回，默认为 False recover_dt: bool或 str，（新增）是否断点运行，默认为 False recover_dt=False，从当前时点开始执行，不从断定运行 recover_dt=True，从上次策略结束时点开始运行 recover_dt='today'，从当日开始运行，此模式下只会补执行 before_trading与 open_auction，handle_bar依旧从当前时间开始执行 recover_dt='yyyyMMdd HH:mm'，从指定时间开始运行 ?️ 返回值： RealtimeService类 ?作用： 模拟交易：撮合机制与回测相同 仿真交易：通过仿真柜台撮合，更贴近真实交易环境 ❗注意事项： 策略需在9:00前开启运行，否则在未设置recover_dt的情况下，会跳过before_trading等步骤 初始化TradeAPI时需要指定下单策略order_policy，MarketPolicy为市价下单；LimitPolicy为限价下单。如未指定，由于策略下单时使用均价，可能存在多位小数，最终实盘账户下单的时候可能产生废单 signal_mode=True时，如想在context中获得仿真账号的持仓、资金等数据，可以使用同步函数 sync_trade_api() ?示例： from tick_trade_api import TradeAPI #初始化TradeAPI时需要指定下单策略，MarketPolicy为市价下单；LimitPolicy为限价下单 trade_api=TradeAPI('69271711',order_policy=MarketPolicy) source_code=""" # 股票策略模版 def init(context): pass # 盘前执行 def before_trading(context): pass # 开盘时运行函数 def handle_bar(context, bar_dict): order_id = order('000001.SZ', 100) print(get_orders()) try: cancel_order(order_id) except: print('撤单失败') print(get_open_orders()) print(get_tradelogs()) print(context.portfolio.stock_account) print(context.portfolio.positions) """ rtrade = research_trade( '研究环境策略', source_code, frequency='MINUTE', trade_api=trade_api, signal_mode=False, recover_dt='today' ) trade_api=TradeAPI('69271711',order_policy=MarketPolicy) 中的账号是模拟资金账号或者是实盘资金账号。 其他更新 这次还增加了几个功能 策略框架中增加 ： cancel_order_all() 全撤 get_tradelogs()获取当日全部成交订单 get_orders() 获取委托，和get_order()一致，主要时和tradeapi中函数名对齐 tradeapi增加： get_open_orders() 获取当日未成订单 cancel_order_all() 全撤 编写第一个量化策略（手把手详细版教程） 对于大部分人来说，量化交易是非常陌生与神秘的。本节内容将带你开启第一个量化策略！ 本节内容摘要： 1.理解量化策略的基本框架。 2.学会编写一个简单的量化交易策略。 3.学会将量化交易策略绑定实盘模拟交易，并实时收到交易策略的买卖信号。 1.理解量化策略的基本框架 通常情况下，完整的量化交易策略至少需要确定两件事： A.交易标的，即买什么； B.确定交易时机，即怎么买卖。 让我们来设计一个简单完整的量化交易策略: 策略交易标的：贵州茅台； 策略交易时机：5日均线与20日均线金叉时，买入；5日均线与20日均线死叉时，卖出。 2.学会编写一个简单的量化交易策略 第一步：打开SuperMind量化交易平台，先在上方导航栏点击“我的策略”—“策略编译”，再点击蓝色按钮“+新建策略”，接着点击已创建的策略进入策略编译器页面，如下： 温馨提示：“回测列表”下方三个按钮，可以设置编译器字体大小，背景颜色，编译设置，开启全屏编译，查看API文档，如下： 第二步：理解量化交易策略框架对应的代码框架。def init(context): #初始化函数：确定交易标的def handle_bar(context, bar_dict): #定时运行函数：确定交易时机 框架理解： 1.def init(context)与def handle_bar(context, bar_dict)是两个函数，函数格式固定为：def 函数名（参数），其中def后面带空格键，函数末尾必须带冒号。 2.def init(context)函数是初始化函数，只运行一次，确定初始化条件；def handle_bar(context, bar_dict)函数是定时运行函数，平台默认该函数定时运行。日级策略，每日9：30；分钟级策略，交易期间内的每分钟。 3.“#”后面为注释内容，用于注释代码，便于编写和阅读。 第三步：确定交易标的：context.security = '600519.SH'。 温馨提示： 1.context是账户对象，该对象存放所有账户相关信息，持仓、可用现金、资产盈亏。 2.context.security是在账户对象下，设置security变量，存放在账户内，这里我们需要确定交易标的，即：context.security = '600519.SH'。def init(context): context.security = '600519.SH'#已确定交易标的def handle_bar(context, bar_dict): #定时运行函数：确定交易时机 第四步：确定交易时机，即为：5日均线与20日均线金叉时，买入；5日均线与20日均线死叉时，卖出。 从交易时机出发，我们需要计算交易标的5日和20日均线，那么5、20日均线需要用历史行情数据的收盘价来计算。 整个流程即：获取历史行情20日的收盘价数据———计算5、20日均线———判断5、20日均线，进行买卖交易。 A.获取历史行情20日的收盘价数据： 1.找到函数历史数据函数：history 2.填写函数参数，获取到数据： i.交易标的，即：获取那个股票的数据。 ii.数据字段：['close']收盘价，即：获取哪个数据。 iii.输入历史长度，即：获取多长时间的数据。 iv.获取数据的时间步长，即：获取日线级步长数据。 v.填写是否跳过停牌数据，复权选项，返回数据格式。 最终结果即为：history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1) 3.将获取到的数据储存，便于计算，即：closeprice = history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1)#获取证券过去20日的收盘价数据 closeprice = history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1) B.计算5、20日均线： 1.获取数据值，即：closeprice['close']，['close']可以获取储存中的收盘价数据，格式为closeprice['close']。温馨提示：closeprice是我们刚才获取的数据，但是数据有股票、时间、数值，我们直接用['close']获取收盘价数据值用于计算即可。 2.选取数据长度，即：closeprice['close'].iloc[-5:]。iloc[]用于取值，我们之前获取20个数据，但5日均线只需要过去5日的收盘价，因此iloc[-5:]即为获取倒数第五个到最后一个数据。温馨提示： i.iloc[:]是获取所有数据。 ii.iloc[:x]是从第一个获取到第x个，不包括第x个。 iii.iloc[x:y]是从第x个到第y个，包括x，但不包括y。 iv.iloc[-x:]获取倒数第x个到最后一个数据。 3.计算均值，即closeprice['close'].iloc[-5:].mean()，赋值给MA5。同理MA20=closeprice['close'].mean()，即对所有值取平均，相当于MA20=closeprice['close'].iloc[:].mean()。#计算二十日均线价格 MA20 = closeprice['close'].mean()#计算五日均线价格 MA5 = closeprice['close'].iloc[-5:].mean() C.判断5、20日均线，进行买卖交易： 1.if判断条件，即为 if MA5 > MA20:。温馨提示if判断函数的格式为if +添加判断+:,其中if后面必须带一个空格键，其次末尾必须带冒号。 2.当MA5小于MA20时，我们再对持仓市值判断，如果有持仓，那么持仓市值必然大于0，需要进行卖出交易，我们直接通过context账户对象中portfolio资产组合内stock_account股票账户下来获取持仓市值，即为:context.portfolio.stock_account.market_value。 3.下单买入交易： i.当触发MA5大于MA20时，我们需要买入股票，这时候我们可以使用order_target_percent下单函数，该函数以目标市值占比下单。 ii.输入下单函数的参数，order_target_percent函数需要输入两个参数： 1.下单的股票，即为context.security，我们之前将交易标的传入进去，可以直接用。 2.下单的占比，即为1，取值范围[0,1]，此时取1，表示全仓买入股票。 iii.触发条件后程序提醒，当代码执行完下单函数后，我们用log.info()来打印日志，这样我们也可以看到程序下单了。 温馨提示：log.info()内你可以直接输入中文，例如:log.info('条件满足！买入贵州茅台啦！')# 如果5日均线大于20日均线,则全仓买入股票if MA5 > MA20: # 按目标市值占比下单 order_target_percent(context.security, 1) # 记录这次买入 log.info("买入 %s" % (context.security)) 4.下单卖出交易： i.当触发MA5小于MA20时，我们需要卖出股票，这时候我们可以使用order_target下单函数，该函数以目标股数下单。 ii.输入下单函数的参数，order_target函数需要输入两个参数： 1.下单的股票，即为context.security，我们之前将交易标的传入进去，可以直接用。 2.下单的目标股数，即0，因为我们需要将持仓股票卖出，卖到0股为止。 iii.触发条件后程序提醒，当代码执行完下单函数后，我们同log.info()来打印日志，这样我们也可以看到程序下单了。# 如果5日均线小于20日均线,并且目前有头寸,则清仓股票elif MA20 > MA5 and context.portfolio.stock_account.market_value > 0: # 卖出所有股票,使这只股票的最终持有量为0 order_target(context.security, 0) # 记录这次卖出 log.info("卖出 %s" % (context.security))最终完整代码：def init(context): # 设置要操作的股票：贵州茅台 context.security = '600519.SH'# 设置买卖条件，每个交易频率（日/分钟/tick）调用一次def handle_bar(context, bar_dict): # 获取股票过去20天的收盘价数据 closeprice = history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1) # 计算20日均线 MA20 = closeprice['close'].mean() # 计算5日均线 MA5 = closeprice['close'].iloc[-5:].mean() # 如果5日均线大于20日均线,则全仓买入股票 if MA5 > MA20 : # 按目标市值占比下单 order_target_percent(context.security, 1) # 记录这次买入 log.info("买入 %s" % (context.security)) # 如果5日均线小于20日均线,并且目前有头寸,则清仓股票 elif MA20 > MA5 and context.portfolio.stock_account.market_value > 0: # 卖出所有股票,使这只股票的最终持有量为0 order_target(context.security, 0) # 记录这次卖出 log.info("卖出 %s" % (context.security))第五步 回测量化交易策略 通过以上4步，我们已经完成了量化交易策略编写，那么接下来我们需要进行量化交易策略回测。 A.首先，我们尝试去跑通整个历史行情，排查代码错误。 i.右上角设置回测历史长度，设置资金，设置交易频率。 ii.点击左上角“编译运行”按钮，右边出现量化交易策略在历史行情中的表现情况 B.当量化交易策略能跑通整个历史行情后，我们可以确定该代码正确无误，随后点击右上角蓝色按钮“进行回测”。页面跳转至回测页面，在回测详情界面，您可以查看策略收益曲线，风险指标，每日持仓，交易明细，输出日志等信息，如下： C.学会将量化交易策略绑定实盘模拟交易，并实时收到交易策略的买卖信号 1.在回测显示结果页面，右上角点击蓝色按钮开启模拟交易，可以自行选择：从当前日开始模拟，在已有的回测基础上继续模拟.如下图: 2.至此，我们成功开启了模拟交易,可以查看您的模拟交易账户详细情况:交易明细、持仓、盈亏情况、账户风险指标等等。如下图： 3.您可以为您模拟交易账户新建模拟交易、暂停策略运行、发布策略至社区、重启策略、查看策略运行日志、查看策略代码。注意：重启按钮只会在策略运行错误后显示，如果策略运行正常，显示暂停按钮。新建模拟交易如下图： 
请大家不要客气，任何意见建议可以在这里评论提出。 被采纳后我们将奖励1G研究环境内存 3个月。 
