量化交易策略大體上可以分為兩類，一類是判斷趨勢(shì)進(jìn)行高拋低吸的策略，即趨勢(shì)策略；另一類是消除系統(tǒng)性的風(fēng)險(xiǎn)獲取相對(duì)穩(wěn)健收益的策略，即策略。 自動(dòng)交易機(jī)器人在云服務(wù)器上24小時(shí)運(yùn)行。初始化設(shè)置參數(shù)之后，機(jī)器人將按照策略進(jìn)行自動(dòng)交易。達(dá)到設(shè)定條件自動(dòng)買入或者賣出，無(wú)須長(zhǎng)時(shí)間盯盤。 機(jī)器人內(nèi)置多種交易策略，滿足不同的類型。 void Calibration::_initMaps(){ _featureInfo.clear(); _opInfo.clear(); _tensorMap.clear(); //run mnn once,initialize featureMap,opInfo map //MNN提供了每個(gè)op計(jì)算的callback,一個(gè)計(jì)算前一個(gè)是計(jì)算后 //計(jì)算前的callback完成的工作是為input tensor創(chuàng)建TensorStatistic對(duì)象；op info的填充op->input,output的映射 MNN::TensorCallBackWithInfo before=[&](const std::vector<MNN::Tensor*>&nTensors,const MNN::OperatorInfo*info){開(kāi)發(fā)邏輯I35分析7O98案例o7I8 _opInfo[info->name()].first=nTensors; if(Helper::gNeedFeatureOp.find(info->type())!=Helper::gNeedFeatureOp.end()){ for(auto t:nTensors){ if(_featureInfo.find(t)==_featureInfo.end()){ _featureInfo[t]=std::shared_ptr<TensorStatistic>( new TensorStatistic(t,_featureQuantizeMethod,info->name()+"__input")); } } } return false; };案例及方案：mrsfu123 //計(jì)算后的callback完成的工作是為output tensor創(chuàng)建TensorStatistic對(duì)象；op info的填充op->input,output的映射 MNN::TensorCallBackWithInfo after=[this](const std::vector<MNN::Tensor*>&nTensors, const MNN::OperatorInfo*info){ _opInfo[info->name()].second=nTensors; if(Helper::gNeedFeatureOp.find(info->type())!=Helper::gNeedFeatureOp.end()){ for(auto t:nTensors){ if(_featureInfo.find(t)==_featureInfo.end()){ _featureInfo[t]= std::shared_ptr<TensorStatistic>(new TensorStatistic(t,_featureQuantizeMethod,info->name())); } } } return true; }; _interpreter->runSessionWithCallBackInfo(_session,before,after); //遍歷op,由op的<input/output index,input/output>加入到tensorMap for(auto&op:_originaleModel->oplists){ if(_opInfo.find(op->name)==_opInfo.end()){ continue; } for(int i=0;i<op->inputIndexes.size();++i){ _tensorMap[op->inputIndexes<i>]=_opInfo[op->name].first<i>; } for(int i=0;i<op->outputIndexes.size();++i){ _tensorMap[op->outputIndexes<i>]=_opInfo[op->name].second<i&g