1前言
 
只要精通一种有效的交易方法，你就可以在投机市场里生存了。该交易方法最好是机械的，避免让你在交易过程中去思考或猜测，你要做的只是等待入市信号，进场后就等待出场信号，根本不用去思考，这样可以把情绪因素减少到很低。
 
本文发布一个基于 CCI 的交易系统，该系统广泛运用于期货、外汇和股票交易，当然也包括数字货币。
 

 
2了解CCI
 
CCI 本身是动量指标的一种，这类指标的工作原理大致相同，即观察快线和慢线的变化。以MACD为例子，它就是通过来观测快速移动平均线与慢速移动平均线的来判断行情变化。CCI指标中，快线反映价格本身变化，慢线反映移动平均线，在CCI中我们所看到的是实际测量的价格与移动平均价格的偏差，正常的幅度是在-250到250之间。下面的图表可以说明这个情况：
 
 
如上图，14周期EMA线，用蓝色表示，14周期的CCI线，蜡烛图下面的部分。当价格加速突破EMA线，同时CCI也突破了零线。等价格巩固后EMA也同步追近，CCI也开始向零线回落。其后价格再度上杨，如果本次的幅度并不像前次那么大，CCI也没到达前面的高度。在这种情况下价格创新高，但是CCI却没有跟进，这种分化其实预示着上升动量在减弱，上涨可能就要结束了。
 

 
3策略优势
 
优势一：参数少，敏感低
 
核心参数只有3个，可优化空间很小，避免过度优化。且参数敏感度极低。
 

 
优势二：胜率高，可用于加仓模型
 
除了固定仓位外，还可以扩展为加仓版本，效果更佳。
 

 
优势三：高普适性
 
适应商品期货市场大多数品种。
 

 
4测试环境
 
(1)、测试品种：螺纹钢、橡胶、棉花、PTA、铁矿石、聚丙烯、棕榈油、塑料、焦炭、焦煤。
 
 
(2)、测试时间：2010年至今。
 
(3)、测试费用：手续费0元，开平仓各2跳滑点。
 
(4)、资金配比：每个品种各10万，固定1手（采用非复利方式）。
 
(5)、测试说明：K线走完发单。无任何未来函数、偷价、过度优化、跨周期调用、分段优化等行为。
 

 
5绩效展示
 
 
 
 
 
 

 
6策略核心源码展示
 
 

 
源码领取：发明者量化

Three.js旋转动画、requestAnimationFrame周期性渲染
 
本文是Three.js电子书的1.2节
 
基于WebGL技术开发在线游戏、商品展示、室内漫游往往都会涉及到动画，初步了解three.js可以做什么，深入讲解three.js动画之前，本节课先制作一个简单的立方体旋转动画。 本节课是在1.1节 第一个3D场景已绘制好的立方体代码基础上进行更改。
 
周期性渲染
 
在1.1节中讲解过，每执行一次渲染器对象WebGLRenderer的渲染方法.render()，浏览器就会渲染出一帧图像并显示在Web页面上，这就是说你按照一定的周期不停地调用渲染方法.render()就可以不停地生成新的图像覆盖原来的图像。这也就是说只要一边旋转立方体，一边执行渲染方法.render()重新渲染，就可以实现立方体的旋转效果。
 
为了实现周期性渲染可以通过浏览器全局对象window对象的一个方法setInterval(),可以通过window对象调用该方法window.setInterval()，也可以直接以函数形式调用setInterval()。
 
setInterval()是一个周期性函数，就像一个定时器，每隔多少毫秒ms执行一次某个函数。
 
// 间隔20ms周期性调用函数fun
setInterval("render()",20)
 
为了实现立方体旋转动画效果，直接使用下面的代码代替1.1节中代码renderer.render(scene,camera);即可。
 
// 渲染函数
function render() {
    renderer.render(scene,camera);//执行渲染操作
    mesh.rotateY(0.01);//每次绕y轴旋转0.01弧度
}
//间隔20ms周期性调用函数fun,20ms也就是刷新频率是50FPS(1s/20ms)，每秒渲染50次
setInterval("render()",20);
 
上面代码定义了一个渲染函数render()，函数中定义了三个语句，通过setInterval("render()",20);可以实现m每间隔20毫秒调用一次函数render()，每次调用渲染函数的时候，执行renderer.render(scene,camera);渲染出一帧图像，执行mesh.rotateY(0.01);语句使立方体网格模型绕y轴旋转0.01弧度。
 
渲染频率
 
调用渲染方法.render()进行渲染的渲染频率不能太低，比如执行setInterval("render()",200);间隔200毫秒调用渲染函数渲染一次，相当于每秒渲染5次，你会感觉到比较卡顿。渲染频率除了不能太低，也不能太高，太高的话计算机的硬件资源跟不上，函数setInterval()设定的渲染方式也未必能够正常实现。一般调用渲染方法.render()进行渲染的渲染频率控制在每秒30~60次，人的视觉效果都很正常，也可以兼顾渲染性能。
 
//设置调用render函数的周期为200ms，刷新频率相当于5你能明显的感受到卡顿
setInterval("render()",200);
 
函数requestAnimationFrame()
 
前面讲解threejs动画效果，使用了setInterval()函数，实际开发中，为了更好的利用浏览器渲染，可以使用函数requestAnimationFrame()代替setInterval()函数，requestAnimationFrame()和setInterval()一样都是浏览器window对象的方法。
 
requestAnimationFrame()参数是将要被调用函数的函数名，requestAnimationFrame()调用一个函数不是立即调用而是向浏览器发起一个执行某函数的请求， 什么时候会执行由浏览器决定，一般默认保持60FPS的频率，大约每16.7ms调用一次requestAnimationFrame()方法指定的函数，60FPS是理想的情况下，如果渲染的场景比较复杂或者说硬件性能有限可能会低于这个频率。可以查看文章《requestAnimationFrame()》了解更多requestAnimationFrame()函数的知识。
 
function render() {
        renderer.render(scene,camera);//执行渲染操作
        mesh.rotateY(0.01);//每次绕y轴旋转0.01弧度
        requestAnimationFrame(render);//请求再次执行渲染函数render
    }
render();
 
均匀旋转
 
在实际执行程序的时候，可能requestAnimationFrame(render)请求的函数并不一定能按照理想的60FPS频率执行，两次执行渲染函数的时间间隔也不一定相同，如果执行旋转命令的rotateY的时间间隔不同，旋转运动就不均匀，为了解决这个问题需要记录两次执行绘制函数的时间间隔。
 
使用下面的渲染函数替换原来的渲染函数即可，rotateY()的参数是0.001*t，也意味着两次调用渲染函数执行渲染操作的间隔t毫秒时间内，立方体旋转了0.001*t弧度，很显然立方体的角速度是0.001弧度每毫秒(0.0001 rad/ms = 1 rad/s = 180度/s)。CPU和GPU执行一条指令时间是纳秒ns级，相比毫秒ms低了6个数量级，所以一般不用考虑渲染函数中几个计时语句占用的时间，除非你编写的是要精确到纳秒ns的级别的标准时钟程序。
 
let T0 = new Date();//上次时间
function render() {
        let T1 = new Date();//本次时间
        let t = T1-T0;//时间差
        T0 = T1;//把本次时间赋值给上次时间
        requestAnimationFrame(render);
        renderer.render(scene,camera);//执行渲染操作
        mesh.rotateY(0.001*t);//旋转角速度0.001弧度每毫秒
    }
render();

在Spark Streaming程序中，我们经常需要使用有状态的流来统计一些累积性的指标，比如各个商品的PV。简单的代码描述如下，使用mapWithState()算子：
 
val productPvStream = stream.mapPartitions(records => {
    var result = new ListBuffer[(String, Int)]
      for (record <- records) {
        result += Tuple2(record.key(), 1)
      }
    result.iterator
  }).reduceByKey(_ + _).mapWithState(
    StateSpec.function((productId: String, pv: Option[Int], state: State[Int]) => {
      val sum = pv.getOrElse(0) + state.getOption().getOrElse(0)
      state.update(sum)
      (productId, sum)
  })).stateSnapshots()
 
现在的问题是，PV并不是一直累加的，而是每天归零，重新统计数据。要达到在凌晨0点清除状态的目的，有以下两种方法。
 
编写脚本重启Streaming程序
 
用crontab、Azkaban等在凌晨0点调度执行下面的Shell脚本：
 
stream_app_name='com.xyz.streaming.MallForwardStreaming'
cnt=`ps aux | grep SparkSubmit | grep ${stream_app_name} | wc -l`

if [ ${cnt} -eq 1 ]; then
  pid=`ps aux | grep SparkSubmit | grep ${stream_app_name} | awk '{print $2}'`
  kill -9 ${pid}
  sleep 20
  cnt=`ps aux | grep SparkSubmit | grep ${stream_app_name} | wc -l`
  if [ ${cnt} -eq 0 ]; then
    nohup sh /path/to/streaming/bin/mall_forward.sh > /path/to/streaming/logs/mall_forward.log 2>&1
  fi
fi
 
这种方式最简单，也不需要对程序本身做任何改动。但随着同时运行的Streaming任务越来越多，就会显得越来越累赘了。
 
给StreamingContext设置超时
 
在程序启动之前，先计算出当前时间点距离第二天凌晨0点的毫秒数：
 
def msTillTomorrow = {
  val now = new Date()
  val tomorrow = new Date(now.getYear, now.getMonth, now.getDate + 1)
  tomorrow.getTime - now.getTime
}
 
然后将Streaming程序的主要逻辑写在while(true)循环中，并且不像平常一样调用StreamingContext.awaitTermination()方法，而改用awaitTerminationOrTimeout()方法，即：
 
while (true) {
    val ssc = new StreamingContext(sc, Seconds(BATCH_INTERVAL))
    ssc.checkpoint(CHECKPOINT_DIR)

    // ...处理逻辑...

    ssc.start()
    ssc.awaitTerminationOrTimeout(msTillTomorrow)
    ssc.stop(false, true)
    Thread.sleep(BATCH_INTERVAL * 1000)
  }
 
在经过msTillTomorrow毫秒之后，StreamingContext就会超时，再调用其stop()方法（注意两个参数，stopSparkContext表示是否停止关联的SparkContext，stopGracefully表示是否优雅停止），就可以停止并重启StreamingContext。
 
以上两种方法都是仍然采用Spark Streaming的机制进行状态计算的。如果其他条件允许的话，我们还可以抛弃mapWithState()，直接借助外部存储自己维护状态。比如将Redis的Key设计为product_pv:[product_id]:[date]，然后在Spark Streaming的每个批次中使用incrby指令，就能方便地统计PV了，不必考虑定时的问题。

“本市房价上涨具有明显的周期特征，受政策的影响极大。”在市政协十一届一次会议上，民建市委提交的一份调研报告提出，未来3年内，由于本市实施“两个一千万”工程，将直接影响全市住宅市场整体价格，据测算，届时本市住宅市场整体价格将降5个百分点左右。 
 
 
　　调研报告认为，当前，北京市住房市场的核心问题是结构性矛盾，即针对中等收入和低收入家庭的中小户型住宅供给不足，房价上涨偏快。为解决普通百姓的住房需求，平抑房价，市委、市政府采取了一系列积极措施，取得了明显成效，特别是北京市计划在未来3年内，新建经济适用房和限价商品房各1000万平方米，即“两个一千万”工程，这是解决北京市住房问题的重大举措，“两个一千万”工程的实施对抑制北京市住宅市场价格的作用将逐步显现。 
 
 
 
　　据调研报告分析，北京市的房价上涨具有明显的周期特征，受政策的影响极大，从1990年以来，北京市的房价多年来一直保持平稳，只是在1992至1994年出现了一个高峰，1997至2005年，北京市家庭可支配收入年平均增长达到11.12％，而房价上涨幅度小于收入增长速度，居民住房购买力在不断提高。但在2003年三季度以后，北京市房价突然出现了加速上涨的趋势，2005年增长速度是2004年的2倍，2006年涨幅达到109.3％，2007年前三个季度价格仍然有加速上涨的趋势。由此，根据1997至2006年北京市住宅市场的结构和价格变化情况，假定限价房均价按同一地区纯商品住宅价格的70％，建立数学模型，测算出今后3年内，“两个一千万”工程的实施，将直接对北京市住宅市场整体价格拉低5个百分点左右，而且还对居民购买心理、行为和市场预期产生巨大的政策效应，间接地影响市场的供需和价格走势。 
 
个人观点，下降可不是5%这麽少，现在的房价已经超出很多人的购买能力了，我觉得应该降到8000还差不多