# 通达信TQ策略介绍和应用示例
以下是20250122通达信趋势财经公众号发布文章 (opens new window)涉及的策略py文件；
发送序列数据的TQMA510技术指标在stratexldata.py 下面的注释中。
# fiststrategy.py
import numpy as np
import pandas as pd
from tqcenter import tq
import time
import json
import os
# 将工作目录切换到当前脚本文件所在的目录
os.chdir(os.path.dirname(os.path.abspath(__file__)))
# 之后，相对路径就会基于脚本所在目录进行解析
"""
这里是tq的简单使用示例
使用时请确保已经启动通达信客户端并登录
取消对应注释即可运行对应功能
"""
"""
参数设置
"""
codes = ["688318.SH"] #传入的股票代码格式必须是标准格式：6位数+市场后缀（.SH/.SZ/.JJ等）
startime = "20250620" #传入的时间格式必须是：YYYYMMDD 或 YYYYMMDDHHMMSS
endtime = "20250801"
period = '1d' #K线周期：1d/1w/1m/5m/15m/30m/60m等
dividend_type='none' #复权类型：none-不复权，front-前复权，back-后复权
#初始化
tq.initialize(__file__) #所有策略连接通达信客户端都必须调用此函数进行初始化
'''
刷新行情缓存 刷新后5分钟内取最新report和k线数据不会触发刷新
'''
# refresh_cache = tq.refresh_cache()
# print(refresh_cache)
'''
缓存历史K线 目前仅支持1m 5m 1d三种类型数据 不建议一次更新太多，会堵塞策略和客户端
'''
# refresh_kline = tq.refresh_kline(stock_list=['688318.SH'],period='1d')
# print(refresh_kline)
'''
获取K线数据 获取K线数据需要先在客户端中下载对应盘后数据，调用会触发客户端刷新数据，耗时过长请耐心等待
field_list可以筛选返回字段，默认返回全部字段 比如 field_list=['Open','Close'] 就是只取开盘价和收盘价
count可以设置每只股票取的数据量
暂时不支持获取分笔数据
开高低收单位为元，成交量单位为手，成交额单位为万元
'''
df = tq.get_market_data(
field_list=[],
stock_list=['600519.SH'],
start_time='20251208',
end_time='20251210',
count=-1,
dividend_type='none',
period='1d',
fill_data=False
)
print(df)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
# strategywarn.py
import numpy as np
import pandas as pd
from tqcenter import tq
import time
import json
"""
这里是tq的简单使用示例
使用时请确保已经启动通达信客户端并登录
取消对应注释即可运行对应功能
"""
"""
参数设置
"""
codes = ["688318.SH"] #传入的股票代码格式必须是标准格式：6位数+市场后缀（.SH/.SZ/.JJ等）
startime = "20250620" #传入的时间格式必须是：YYYYMMDD 或 YYYYMMDDHHMMSS
endtime = "20250801"
period = '1d' #K线周期：1d/1w/1m/5m/15m/30m/60m等
dividend_type='none' #复权类型：none-不复权，front-前复权，back-后复权
#初始化
tq.initialize(__file__) #所有策略连接通达信客户端都必须调用此函数进行初始化
'''
发送预警信号给通达信客户端的TQ策略界面
price_list close_list volum_list bs_flag_list warn_type_list 均要求为纯数字字符串List
bs_flag_list 0买1卖2未知
reason_list每个元素有效长度为25个汉字（50个英文）
'''
warn_res = tq.send_warn(stock_list = ['688318.SH','688318.SH','600519.SH','600519.SH'],
time_list = ['20251215141115','20251215142100','20251215143101','20251215145001'],
price_list= ['123.45','133.45','1823.45','1853.45'],
close_list= ['122.50','132.50','1822.50','1822.50'],
volum_list= ['1000','2000','15000','15000'],
bs_flag_list= ['0','','2','1'],
warn_type_list= ['0','','2','1'],
reason_list= ['价格突破预警线','收盘价突破预警线','成交量突破预警线','价格下破预警线'],
count=4)
print(warn_res)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
# TQHuiCe.py
import numpy as np
import pandas as pd
from tqcenter import tq
import time
import json
"""
这里是tq的简单使用示例
使用时请确保已经启动通达信客户端并登录
取消对应注释即可运行对应功能
"""
#初始化
tq.initialize(__file__) #所有策略连接通达信客户端都必须调用此函数进行初始化
bt_data = tq.send_bt_data(stock_code = '688318.SH',
time_list = ['20260120141100','20260120141400'],
data_list = [['1','143.41','200','0','0','0'],['0','0','0','1','143.48','200']],
count = 2)
print(bt_data)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# stratexldata.py
#展示每日持仓量能看数据 验证开仓和手续费的 #用悬挂目录的时候 读不出来
from tqcenter import tq
import pandas as pd
import numpy as np
import math
from datetime import datetime
import sys
# ==================== 技术指标计算函数 ====================
def calculate_ema(series, window):
"""计算指数移动平均"""
return series.ewm(span=window, adjust=False).mean()
def calculate_sma(series, window):
"""计算简单移动平均"""
return series.rolling(window=window).mean()
def calculate_llv(series, window):
"""计算周期内最低值"""
return series.rolling(window=window).min()
def calculate_hhv(series, window):
"""计算周期内最高值"""
return series.rolling(window=window).max()
def calculate_ma(series, window):
"""计算简单移动平均 (别名，与calculate_sma功能相同)"""
return calculate_sma(series, window)
def ref(series, periods):
"""引用若干周期前的数据"""
return series.shift(periods)
def calculate_cross_signal(fast_series, slow_series):
"""
计算金叉信号序列。
规则：当快线从下方上穿慢线时，标记为1（金叉），否则为0。
注意：这是一个简单的信号，未考虑信号持续期。
"""
# 判断条件：今日快线 > 慢线，且昨日快线 <= 慢线
cross_up = (fast_series > slow_series) & (ref(fast_series, 1) <= ref(slow_series, 1))
return cross_up.astype(int)
def get_benchmark_data(benchmark_code='000300.SH', count=60):
"""
获取基准品种数据
"""
try:
# 获取基准市场数据
benchmark_data = tq.get_market_data(
field_list=['Open', 'High', 'Low', 'Close'],
stock_list=[benchmark_code],
period='1d',
count=count,
dividend_type='front' # 前复权数据
)
# 提取收盘价序列
benchmark_close = benchmark_data['Close'][benchmark_code]
# 计算基准收益率序列
benchmark_returns = benchmark_close.pct_change().fillna(0)
# 计算基准净值（从1开始）
benchmark_net_value = (1 + benchmark_returns).cumprod()
# 计算基准年化收益率
trading_days = len(benchmark_net_value)
if trading_days > 0:
benchmark_total_return = benchmark_net_value.iloc[-1] - 1
benchmark_annual_return = (1 + benchmark_total_return) ** (252 / trading_days) - 1
else:
benchmark_total_return = 0
benchmark_annual_return = 0
return {
'close': benchmark_close,
'returns': benchmark_returns,
'net_value': benchmark_net_value,
'total_return': benchmark_total_return,
'annual_return': benchmark_annual_return
}
except Exception as e:
print(f"获取基准数据时发生错误: {e}")
# 返回空数据
return {
'close': pd.Series(),
'returns': pd.Series(),
'net_value': pd.Series(),
'total_return': 0,
'annual_return': 0
}
def calculate_daily_statistics(df, benchmark_data, initial_capital=100000, fee_rate=0.0003):
"""
计算每日的回测统计指标序列
输入：
df: 包含价格数据、买卖信号的DataFrame
benchmark_data: 基准数据字典
initial_capital: 初始资金
fee_rate: 手续费率（双边）
输出：包含每日统计指标的DataFrame
"""
# 初始化变量
capital = initial_capital
position = 0 # 持仓数量
rest_cash = capital # 剩余现金
hold = False # 是否持仓
# 创建结果列表
daily_stats = []
open_count = 0 # 累计开仓次数
close_count = 0 # 累计平仓次数
win_count = 0 # 累计盈利交易次数
trade_records = [] # 交易记录
# 获取基准数据
benchmark_close = benchmark_data['close']
benchmark_net_value = benchmark_data['net_value']
# 确保基准数据与策略数据时间对齐
if len(benchmark_close) != len(df):
print(f"警告：基准数据长度({len(benchmark_close)})与策略数据长度({len(df)})不一致")
# 这里简单处理，取相同长度的数据
min_len = min(len(benchmark_close), len(df))
benchmark_close = benchmark_close.iloc[:min_len]
benchmark_net_value = benchmark_net_value.iloc[:min_len]
df = df.iloc[:min_len]
# 遍历数据执行交易
for i in range(len(df)):
current_price = df['close'].iloc[i]
buy_signal = df['buyxh'].iloc[i] if i < len(df) else 0
sell_signal = df['sellxh'].iloc[i] if i < len(df) else 0
# 记录交易前的状态
pre_open_count = open_count
pre_close_count = close_count
pre_win_count = win_count
# 金叉买入信号
if buy_signal == 1 and not hold:
# 计算可买整百股数量
max_shares = int(rest_cash / current_price / 100) * 100
if max_shares > 0:
# 计算手续费
trade_amount = max_shares * current_price
fee = trade_amount * fee_rate
# 执行买入
position = max_shares
rest_cash = rest_cash - trade_amount - fee
hold = True
open_count += 1
# 记录交易
trade_records.append({
'date': df.index[i],
'type': 'buy',
'price': current_price,
'shares': position,
'fee': fee
})
# 死叉卖出信号
elif sell_signal == 1 and hold:
# 计算卖出金额
trade_amount = position * current_price
fee = trade_amount * fee_rate
# 执行卖出
rest_cash = rest_cash + trade_amount - fee
position = 0
hold = False
close_count += 1
# 检查交易是否盈利
if len(trade_records) > 0 and trade_records[-1]['type'] == 'buy':
buy_price = trade_records[-1]['price']
if current_price > buy_price:
win_count += 1
# 记录交易
trade_records.append({
'date': df.index[i],
'type': 'sell',
'price': current_price,
'shares': position,
'fee': fee
})
# 计算当日市值和净值
if hold:
daily_value = rest_cash + position * current_price
else:
daily_value = rest_cash
daily_net_value = daily_value / initial_capital
# 计算胜率（到当前日期为止）
total_trades_to_date = open_count + close_count
win_rate_to_date = (win_count / total_trades_to_date * 100) if total_trades_to_date > 0 else 0
# 计算年化收益率（到当前日期为止）
if i > 0:
total_return_to_date = daily_net_value - 1
trading_days_to_date = i + 1
annual_return_to_date = (1 + total_return_to_date) ** (252 / trading_days_to_date) - 1 if trading_days_to_date > 0 else 0
else:
annual_return_to_date = 0
# 获取基准净值（使用真实的基准数据）
if i < len(benchmark_net_value):
current_benchmark_net_value = benchmark_net_value.iloc[i]
else:
current_benchmark_net_value = 1.0
# 计算基准年化收益率（到当前日期为止）
if i > 0 and i < len(benchmark_net_value):
benchmark_total_return_to_date = current_benchmark_net_value - 1
benchmark_annual_return_to_date = (1 + benchmark_total_return_to_date) ** (252 / (i + 1)) - 1 if i > 0 else 0
else:
benchmark_annual_return_to_date = 0
# 计算贝塔值（到当前日期为止）
if i > 1:
# 计算策略收益率序列
strategy_returns = []
for j in range(i + 1):
if j == 0:
strategy_returns.append(0)
else:
prev_capital = daily_stats[j-1]['capital'] if j > 0 else initial_capital
curr_capital = daily_value if j == i else daily_stats[j]['capital']
strategy_return = (curr_capital / prev_capital) - 1
strategy_returns.append(strategy_return)
# 计算基准收益率序列
benchmark_returns_to_date = benchmark_close.iloc[:i+1].pct_change().fillna(0).values
# 计算协方差和方差
if len(strategy_returns) > 1 and len(benchmark_returns_to_date) > 1:
cov_matrix = np.cov(strategy_returns, benchmark_returns_to_date)
beta = cov_matrix[0, 1] / cov_matrix[1, 1] if cov_matrix[1, 1] != 0 else 1.0
else:
beta = 1.0
else:
beta = 1.0
# 收集每日统计数据
daily_stats.append({
'date': df.index[i],
'capital': daily_value,
'net_value': daily_net_value,
'open_count': open_count,
'close_count': close_count,
'win_rate': win_rate_to_date,
'annual_return': annual_return_to_date * 100,
'benchmark_net_value': current_benchmark_net_value,
'benchmark_annual_return': benchmark_annual_return_to_date * 100,
'beta': beta,
'position': position, # 持仓量
'hold': hold
})
# 转换为DataFrame
stats_df = pd.DataFrame(daily_stats)
stats_df.set_index('date', inplace=True)
# 计算最大回撤序列
if len(stats_df) > 0:
stats_df['rolling_max'] = stats_df['net_value'].cummax()
stats_df['drawdown'] = (stats_df['net_value'] - stats_df['rolling_max']) / stats_df['rolling_max']
stats_df['max_drawdown'] = stats_df['drawdown'].cummin()
# 计算夏普比率序列
if len(stats_df) > 1:
# 计算策略收益率
returns_list = []
for i in range(len(stats_df)):
if i == 0:
returns_list.append(0)
else:
prev_capital = stats_df['capital'].iloc[i-1]
curr_capital = stats_df['capital'].iloc[i]
returns_list.append((curr_capital / prev_capital) - 1)
stats_df['returns'] = returns_list
# 计算滚动夏普比率
sharpe_list = []
for i in range(len(stats_df)):
if i == 0:
sharpe_list.append(0)
else:
returns_to_date = stats_df['returns'].iloc[:i+1]
# 使用2%作为无风险利率
risk_free_rate = 0.02
excess_returns = returns_to_date - risk_free_rate/252
sharpe = excess_returns.mean() * math.sqrt(252) / returns_to_date.std() if returns_to_date.std() != 0 else 0
sharpe_list.append(sharpe)
stats_df['sharpe_ratio'] = sharpe_list
return stats_df, trade_records
# ==================== 主程序 ====================
def main():
# 初始化TQ
tq.initialize(__file__)
# 股票列表（示例）
stocks = ['688800.SH', '688318.SH', '688981.SH']
# 基准品种代码
benchmark_code = '000300.SH'
# 使用for循环遍历股票列表
for stock_code in stocks:
print(f"处理股票: {stock_code}")
print("-" * 50)
try:
# 获取股票市场数据
market_data = tq.get_market_data(
field_list=['Open', 'High', 'Low', 'Close'],
stock_list=[stock_code],
period='1d',
count=60,
dividend_type='front' # 前复权数据
)
# 构建DataFrame
df = pd.DataFrame({
'open': market_data['Open'][stock_code],
'high': market_data['High'][stock_code],
'low': market_data['Low'][stock_code],
'close': market_data['Close'][stock_code]
})
print("原始K线数据前5行:")
print(df.head())
print("-" * 50)
# 计算技术指标
df['ma5'] = calculate_ma(df['close'], 5)
df['ma10'] = calculate_ma(df['close'], 10)
# 计算金叉信号
df['buyxh'] = calculate_cross_signal(df['ma5'], df['ma10'])
df['sellxh'] = calculate_cross_signal(df['ma10'], df['ma5'])
print("添加技术指标与信号后的数据前15行:")
print(df[['close', 'ma5', 'ma10', 'buyxh', 'sellxh']].head(15))
print("-" * 50)
# 获取基准数据
print(f"获取基准品种 {benchmark_code} 数据...")
benchmark_data = get_benchmark_data(benchmark_code, count=len(df))
if len(benchmark_data['close']) == 0:
print("警告：未能获取基准数据，使用简化计算")
# 使用简化基准计算
benchmark_close = df['close']
benchmark_returns = benchmark_close.pct_change().fillna(0)
benchmark_net_value = (1 + benchmark_returns).cumprod()
benchmark_data = {
'close': benchmark_close,
'returns': benchmark_returns,
'net_value': benchmark_net_value,
'total_return': benchmark_net_value.iloc[-1] - 1 if len(benchmark_net_value) > 0 else 0,
'annual_return': 0
}
print(f"基准数据获取成功，共{len(benchmark_data['close'])}个交易日")
print(f"基准总收益率: {benchmark_data['total_return']*100:.2f}%")
print(f"基准年化收益率: {benchmark_data['annual_return']*100:.2f}%")
print("-" * 50)
# 计算每日回测统计指标序列
stats_df, trade_records = calculate_daily_statistics(
df,
benchmark_data,
initial_capital=100000,
fee_rate=0.0003 # 0.03%手续费
)
# 输出最后一天的统计结果
if len(stats_df) > 0:
last_stats = stats_df.iloc[-1]
print("最终回测统计指标:")
print(f"开仓次数: {last_stats['open_count']}")
print(f"平仓次数: {last_stats['close_count']}")
print(f"单位净值: {last_stats['net_value']:.4f}")
print(f"基准净值: {last_stats['benchmark_net_value']:.4f}")
print(f"胜率: {last_stats['win_rate']:.2f}%")
print(f"年化收益率: {last_stats['annual_return']:.2f}%")
print(f"基准年化收益率: {last_stats['benchmark_annual_return']:.2f}%")
print(f"贝塔值: {last_stats['beta']:.4f}")
print(f"最大回撤: {last_stats['max_drawdown']*100:.2f}%")
print(f"夏普比率: {last_stats['sharpe_ratio']:.4f}")
print(f"持仓量: {last_stats['position']}股")
print("-" * 50)
# 准备发送给TQ的数据
time_list = df.index.strftime('%Y%m%d').tolist()
# print(time_list)
# 扩展data_list，包含所有需要的指标（每日序列）
data_list = []
for i, (_, row) in enumerate(df.iterrows()):
# 基础技术指标
ma5_value = row['ma5'] if not pd.isna(row['ma5']) else 0.0
ma10_value = row['ma10'] if not pd.isna(row['ma10']) else 0.0
buyxh_value = row['buyxh'] if not pd.isna(row['buyxh']) else 0
sellxh_value = row['sellxh'] if not pd.isna(row['sellxh']) else 0
# 获取该日期的回测指标
if i < len(stats_df):
daily_stats = stats_df.iloc[i]
open_count_val = daily_stats['open_count']
close_count_val = daily_stats['close_count']
net_value_val = daily_stats['net_value']
benchmark_net_val = daily_stats['benchmark_net_value']
win_rate_val = daily_stats['win_rate']
annual_return_val = daily_stats['annual_return']
benchmark_annual_val = daily_stats['benchmark_annual_return']
beta_val = daily_stats['beta']
max_drawdown_val = daily_stats['max_drawdown'] * 100 # 转换为百分比
sharpe_val = daily_stats['sharpe_ratio'] if 'sharpe_ratio' in daily_stats else 0
capital_val = daily_stats['capital']
position_val = daily_stats['position'] # 持仓量
else:
# 默认值
open_count_val = 0
close_count_val = 0
net_value_val = 1.0
benchmark_net_val = 1.0
win_rate_val = 0
annual_return_val = 0
benchmark_annual_val = 0
beta_val = 1.0
max_drawdown_val = 0
sharpe_val = 0
capital_val = 100000
position_val = 0
# 构建数据条目
formatted_entry = [
f"{ma5_value:.2f}", # ID 1: MA5
f"{ma10_value:.2f}", # ID 2: MA10
str(int(buyxh_value)), # ID 3: 买入信号
str(int(sellxh_value)), # ID 4: 卖出信号
f"{open_count_val}", # ID 5: 开仓次数（累计到当前日期）
f"{close_count_val}", # ID 6: 平仓次数（累计到当前日期）
f"{net_value_val:.4f}", # ID 7: 单位净值（当前日期）
f"{benchmark_net_val:.4f}", # ID 8: 基准净值（当前日期）
f"{win_rate_val:.2f}", # ID 9: 胜率（累计到当前日期）
f"{annual_return_val:.2f}", # ID 10: 年化收益率（累计到当前日期）
f"{benchmark_annual_val:.2f}", # ID 11: 基准年化收益率（累计到当前日期）
f"{beta_val:.4f}", # ID 12: 贝塔值
f"{max_drawdown_val:.2f}", # ID 13: 最大回撤（累计到当前日期）
f"{sharpe_val:.4f}", # ID 14: 夏普比率（累计到当前日期）
f"{capital_val:.2f}", # ID 15: 每日资金
f"{position_val}" # ID 16: 持仓量（每日持仓数量）
]
data_list.append(formatted_entry)
print(f"准备发送的data_list (前5个周期，共{len(data_list)}个周期):")
for i in range(min(5, len(data_list))):
print(f"日期 {time_list[i]}: {data_list[i]}")
print("-" * 50)
# 发送回测数据到TQ
bt_data = tq.send_bt_data(
stock_code,
time_list=time_list,
data_list=data_list,
count=60
)
print("发送回测数据结果:")
print(bt_data)
print("-" * 50)
# 输出交易记录
if trade_records:
print("交易记录:")
for record in trade_records:
print(f"{record['date']}: {record['type']} {record['shares']}股 @ {record['price']:.2f}, 手续费: {record['fee']:.2f}")
print(f"股票 {stock_code} 处理完成！")
print("=" * 60)
except Exception as e:
print(f"处理股票 {stock_code} 时发生错误: {e}")
print("跳过该股票，继续处理下一个...")
print("-" * 50)
continue
# 关闭TQ连接
tq.close()
print("所有股票处理完毕！")
print("程序执行完毕。")
# ==================== 通达信公式使用提示 ====================
print("\n" + "="*60)
print("通达信公式管理器中使用提示:")
print("="*60)
print("""
将数据发送到TQ策略界面后，您可以在通达信公式管理器中创建技术指标公式，
使用 SIGNALS_TQ(ID, TYPE) 函数来引用这些序列数据并在K线上展示。
例如，创建一个名为"TQMA510"的公式，代码可以如下：
MA5:SIGNALS_TQ(1,0); {引用ID=1的数据(MA5)}
MA10:SIGNALS_TQ(2,0); {引用ID=2的数据(MA10)}
{交易信号}
BUY_SIGNAL:=SIGNALS_TQ(3,0); {买入信号}
SELL_SIGNAL:=SIGNALS_TQ(4,0);{卖出信号}
{回测指标展示 - 这些指标会随着时间轴移动而动态变化}
开仓次数:SIGNALS_TQ(5,0),COLORRED;
平仓次数:SIGNALS_TQ(6,0),COLORGREEN;
单位净值:SIGNALS_TQ(7,0),COLORWHITE;
基准净值:SIGNALS_TQ(8,0),COLORYELLOW;
胜率:SIGNALS_TQ(9,0),COLORMAGENTA;
年化收益率:SIGNALS_TQ(10,0),COLORCYAN;
基准年化收益率:SIGNALS_TQ(11,0),COLORLIBLUE;
贝塔值:SIGNALS_TQ(12,0),COLORBROWN;
最大回撤:SIGNALS_TQ(13,0),COLORGRAY;
夏普比率:SIGNALS_TQ(14,0),COLORLIMAGENTA;
每日资金:SIGNALS_TQ(15,0),COLORLIGRAY;
持仓量:SIGNALS_TQ(16,0),COLORLIRED; {显示每日持仓量}
{绘制交易信号图标}
DRAWICON(BUY_SIGNAL, LOW, 1);
DRAWICON(SELL_SIGNAL, HIGH, 2);
函数说明：
SIGNALS_TQ(ID, TYPE)
ID: TQ数据中的序号 (1-16)，对应data_list子列表中的位置。
TYPE: 处理方式。
1 - 平滑处理，没有自定义数据的周期返回上一周期的值。
0 - 不做平滑处理。
2 - 没有数据则为0。
""")
print("="*60)
if __name__ == "__main__":
main()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
# sendfile.py
import numpy as np
import pandas as pd
from tqcenter import tq
import time
import json
"""
这里是tq的简单使用示例
使用时请确保已经启动通达信客户端并登录
取消对应注释即可运行对应功能
"""
#初始化
tq.initialize(__file__) #所有策略连接通达信客户端都必须调用此函数进行初始化
file = "513100.txt"
tq.send_file(file)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# sendfilepdf.py
import numpy as np
import pandas as pd
from tqcenter import tq
import time
import json
"""
这里是tq的简单使用示例
使用时请确保已经启动通达信客户端并登录
取消对应注释即可运行对应功能
"""
#初始化
tq.initialize(__file__) #所有策略连接通达信客户端都必须调用此函数进行初始化
file = "min.pdf"
tq.send_file(file)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
2
3
4
5
6
7
8
9
10
11
12
13
14