多品种组合与TBPY

单品种策略跑通后，下一步通常是多品种组合（分散风险）和用 Python 开发（借助生态库）。本章介绍 TBQuant 的多数据源写法和 TBPY（Python 接口）的基本用法，作为进阶起点。

多数据源（多品种）

一个策略可以同时订阅多个品种的数据源（Data0、Data1、Data2……），用 Range 遍历各图层：

Vars
    Series<Numeric> maVal;

Events
    OnBar(ArrayRef<Integer> indexs)
    {
        Integer id;
        Range[id = 0 : DataCount - 1]      // 遍历所有数据源
        {
            maVal = AverageFC(Close, 20);  // 每个品种都算 20 周期均线
            // 用 Data0 的信号决定 Data1 的下单……
        }
    }

DataCount 是数据源总数，Range[0:DataCount-1] 遍历每个图层。
Symbol 在 Range 内指向当前图层的合约代码，可据此区分品种做不同逻辑。
跨周期策略也用多数据源：Data0 设大周期、Data1 设小周期，大周期定向、小周期择时。

多品种组合的好处是分散——不同品种涨跌不同步，组合后整体回撤往往比单品种小。

组合回测与投资分析

在策略研究里加载多个品种的同一策略，可以做组合回测，看整体资金曲线。
菜单 账户 → 投资分析：对策略交易记录做绩效分析，也支持导入外部交易记录、或只给一条净值曲线就出报告。
关注组合层面的净利润、最大回撤、夏普等，而不仅看单品种。

TBPY：Python 接口

TBPY 让你用 Python 写策略、调行情、下单，享受 pandas/numpy 等生态。它作为客户端的扩展运行，通过 tbpy 模块与 TBQuant 平台通信。

安装

需要 Python 3.12（推荐用 Anaconda）。
创建 conda 虚拟环境后，用 pip 安装官方提供的 tbpy wheel 包：

conda create -n py312 python=3.12
conda activate py312
pip install --force-reinstall tbpy-x.x.x.x-py3-none-any.whl

初始化与运行

import tbpy

tbpy.init(key="tbquant")   # 必须最先调用，连接 TBQuant 平台
# ... 写策略类、订阅数据 ...
tbpy.exe()                 # 开始运行策略
tbpy.exit()                # 结束

init 返回 True 表示连接成功，False 时用 tbpy.get_last_err() 查原因。

事件回调（与 TB 语言对应）

TBPY 用类方法实现事件回调，和 TB 语言的 OnInit/OnBar/OnTick/OnOrder/OnFill 一一对应：

TB 语言事件	TBPY 回调
`OnInit`	`on_init(self, context)`
`OnBar`	`on_bar(self, context, bars, symbol, flag)`
`OnTick`	`on_tick(self, context, tick)`
`OnPosition`	`on_position(self, context, position)`
`OnOrder`	`on_order(self, context, order)`
`OnFill`	`on_fill(self, context, fill)`
`OnTimer`	`on_timer(self, context, timer_id, interval_millsecs)`

订阅数据与下单

class MyStrategy:
    def on_init(self, context):
        # 订阅 Bar 和 Tick
        context.subscribe_bar(symbol='rb000.SHFE', frequency='1m')
        context.subscribe_tick(symbol='rb000.SHFE')

    def on_bar(self, context, bars, symbol, flag):
        for bar in bars:
            print(symbol, bar.close)
        # 取账户下单
        account = tbpy.get_account(account_id='085489')
        account.buy(symbol='rb000.SHFE', volume=1, price=4000)

tbpy.exe()

查询历史数据

# 取最近 10 根 1 分钟 Bar
data = tbpy.get_history_n(symbol='rb000.SHFE', frequency='1m', count=10,
                          flag=tbpy.QuoteFlag.RolloverBackWard)
# 返回 dict{field: ndarray}，可直接喂给 numpy/pandas

get_history_n 返回的字段含 open/close/high/low/volume/position/time 等，配合 numpy/pandas 做因子计算、机器学习都很方便。

TB 语言 vs TBPY 怎么选

维度	TB 语言（策略）	TBPY（Python）
上手	类 C++/Pascal，门槛中等	会 Python 即可
生态	平台内置函数库	pandas/numpy/sklearn 等全套
适合	标准事件驱动策略、回测实盘	数据分析、因子研究、机器学习策略
性能	原生编译，较快	依赖 Python，注意效率

两者可以互补：用 TBPY 做研究和因子计算，用 TB 语言策略做实盘执行。

小结

多品种用多数据源 + Range 遍历，组合回测看整体绩效；TBPY 让你用 Python 写策略、调行情、下单，事件回调和 TB 语言一一对应，并能借力 Python 生态做因子研究与机器学习。到本章，TBQuant 从语法、函数、回测、优化到组合与 TBPY 形成完整闭环。

下一步

回到 TBQuant 总览查阅其他章节，或对比其他平台：通达信 / 文华财经 / 天勤 tqsdk。