前几篇文章主要围绕着vn.py展开，vn.py是少见的开箱即用的开源量化解决方案。对于不熟悉python，或者不熟悉交易框架的人来，vn.py绝对是最佳的选择。

但是vnpy也是有槽点的。

1. 绝大部分功能都能用，但不是太好用，需要自己二次开发

2. python因为GIL的原因，性能一直被诟病。

1. 多策略运行的时候，如果加载到一个python环境中，执行效率并不高。

2. 回测太慢

通常为了解决第二个问题，我们的方案是多开几个python环境，或者采用多进程的方式运行每一个策略。这个方式的好处就是每个策略都能保证运行，但是在vnpy中，就需要在每个环境中单独运行一个ctp的环境（ctp最多开5个环境）。

所以需要在vnpy中，把行情保存放到一个单独的运行环境中（最好全部保存）然后策略运行环境中调用行情中心的数据进行交易。

而这所有的工作都有一个框架已经完成了，那就是WonderTrader。

WonderTrader的设计其实是非常棒的，但是由于为了解决实际交易中的种种问题，导致WonderTrader的使用过程非常繁琐，并且由于文档并不完善，所以对新手并不友好。

我强烈推荐有IT能力的，但是不想在架构上更改太多人团队，或者有高频需求的团队使用WonderTrader。

WonderTrader虽然是C++开发的，但是有一层Python的环境，那就是WtPy。

WonderTrader介绍

>WonderTrader是一个基于`C++`核心模块的，适应全市场**全品种**交易的，**高效率*、**高可用**的量化交易开发框架。>- **面向于专业机构的整体架构** >- **数十亿级的实盘管理规模** >- 从数据落地清洗、到回测分析、再到实盘交易、运营调度，**量化交易所有环节全覆盖* >- `WonderTrader`依托于高速的C++核心框架，高效易用的应用层框架（[wtpy](
https://github.com/wondertrader/wtpy)），致力于打造一个从研发、交易、到运营、调度，全部环节全自动一站式的量化研发交易场景。

安装

pip install wtpy

下载demo

https://gitee.com/wondertrader/wtpy

数据准备

rqdata

从RqData中下载数据

wonderTrader的数据是采用文件的方式存储，昨天我说过做好的方式是使用文件存储，这是行情数据的特点决定的，查询的时候基本上都是按照k线类型和品种来查询，而组合过程基本上在内存中组合对齐。所以用文件的方式是最简单直接的方式。

## 第一个回测

进入到官方demos中，找到cta_fut_bt，直接运行里面的runBT文件

python runBT.py

wtpy的回测结果会直接输出一个excel文件来。

 

运行实盘

由于wtpy是把行情和交易分开的，所以需要提前运行一的datakit组件，这个组件会作为行情伺服器一直运行，其它策略可以通过它调用历史数据和接受实时行情。

在demo中运行 找到datakit_fut 直接运行里面的 runDT.py文件

然后打开策略运行策略。找到cta_fut文件夹 运行其中的run.py

开启监控

监控中可以直观的监控策略运行，并且能配置各种自动运行的任务

在test_monitor中 直接运行testMonSrv.py文件！

 

总结

wtpy提供了一套开箱可用的方法，和vnpy完整的生态不同，wtpy一切都准备好了，只要按照他的布置一步一步来就行。

值得一提的是，很多人认为wtpy是C++写的，应该比纯python框架快很多，但是经过我的测试来看，只要是在python平台中写的策略，其实速度都差不了太多，因为所有回测框架的运行速度都是基于 回测引擎的速度+策略的速度，而策略运行速度往往是大头（在回测过程中）。所以不要在速度上期望太多。