前言
最近群里的小伙伴们都在讨论simnow停用的事情，从3月31日开始，要持续一个半月，不出意外的话也要5月中旬才能恢复。于是很多搞CTA的研发人员可能最近都面临着到哪里去找仿真环境的问题。
笔者不由得想起来，若干年前市面上还没有simnow的时候，要找一个期货仿真环境真的是很麻烦。一方面要看期货公司是不是部署了仿真环境，只有期货公司有仿真环境才好测试；另一方面，能够交易的交易所和合约也是非常有限的；而且，所有的订单都需要对手盘，不然根本不会撮合，所以在测试的过程中还需要请期货公司的人帮忙下对手单，要不然就只有自己搞自成交了。
本文主要内容就是介绍如何利用WonderTrader搭建本地仿真环境。
TraderMocker简介
WonderTrader在v0.3.6发布的时候，发布过一个TraderMocker模块，基于该模块用户可以非常容易地搭建一个纯本地的仿真环境，而不用依赖任何第三方环境。
笔者最初在设计TraderMocker的时候，正在给WonderTrader适配股票交易。当时接入的是中泰XTP接口，XTP比较流行也比较容易接入，有互联网的测试环境，API也非常友好。
不过市面上很多股票测试环境多少都有一些问题，总结下来大概如下：
- 有些仿真环境是基于撮合的，如果没有对手盘，根本无法成交
- 有些仿真环境是按几率撮合的，如果下单时没有成交，那就永远不会成交了，不符合正常的撮合逻辑
- 有些仿真环境可能是没有接入实时行情，所以不管当前什么价格，价格如何变动，成交价都是挂单价
显然在这样的仿真环境下测试，策略仿真的结果其实是有很大的迷惑性的。在这样的情况下，笔者便决定自己开发一个仿真环境。但是WonderTrader作为一个量化交易框架，本身都是各用户独立部署的，也没有中心化的服务，开发一套C/S的仿真环境，还需要硬件投入。对于WonderTrader这样的开源平台来说，成本太高的话是不现实的。另外仿真环境的部署一般要根据市场、品种分别部署，对于WonderTrader这样面向全市场全品种的平台来说，成本就更是翻了好几倍了。笔者纵然愿意分享源码，但是也没有办法持续性的投入资金去维护这样的仿真服务。基于这些基本考量，TraderMocker这种全本地化的、去中心的仿真模块就应运而生了。
为了尽量的模拟真实的接口调用，TraderMocker在设计上也有一些特点：
异步执行
异步执行的主要目的是为了还原真实交易的事件发生顺序。以下单为例，生产环境下，调用下单接口遵循以下数据： 下单接口调用-> 下单结果返回-> 订单回报-> 成交回报。如果不采用异步执行的机制，那么就会出现下单接口还没有返回的时候，已经收到订单回报和成交回报了，这样就不符合生产环境的真实场景了。
根据价格撮合
TraderMocker自然不可能是一个完全的仿真环境，所以撮合的机制也相对简单。但是为了尽量模拟实盘环境，TraderMocker会严格按照价格优先的机制进行撮合。这里的撮合，指的是不需要对手盘的撮合，即只要价格条件满足，即直接撮合成交，推送订单回报和成交回报。支持不同的品种
TraderMocker作为一个辅助的简化的本地仿真模块，要充分考虑对不同的品种的支持。这样才能增加TraderMocker的应用场景。
基于以上的设计原则，TraderMocker也表现出一些特点：
仿真的程度有限
TraderMocker毕竟不是真正的撮合系统，只是利用行情对订单做一个仿真处理。而且接入的行情，就算是期货，也是500ms一笔的快照。另外，考虑到不同行情源档位不同，所以撮合处理的时候只利用了买一卖一的数据。TraderMocker对订单之间的竞争也不考虑进去，统一按照最新的tick的委托量进行处理。不适合大单测试
TraderMocker并没有处理订单对限价订单簿的冲击。主要考虑到期货行情只有一档，无法进行冲击的处测算，所以就简化了。所以当一个订单的委托价格高于对手价的时候，一次撮合不完会等到下一笔tick进来再利用对手价进行撮合，这显然不大符合真实场景。因此大单仿真的还原程度会更低，参考性也更低了。不做验资操作
TraderMocker因为其特殊性，不会进行资金检查，只要合法的订单都能下单成功。一方面是因为TraderMocker是为通用性设计的，所以无法兼顾所有的币种，如果增加验资的机制会增加复杂性。另外一方面， WonderTrader的 1+N执行架构，实际上是隔绝了策略对资金的关注，即使做验资，也无法将问题传递给策略。不做结算处理
TraderMocker为了简化处理，不会进行结算处理。如果引入结算机制，会增加复杂性，而且还会要求仿真器一直在线直到接收到结算价为止。但是在策略的实操中，其实都主要关心的还是进场价和出厂价，结算的意义对于策略来说并不大。不过如果不结算，所有的持仓都是今仓，因此对于有些品种来说，仿真环境中的手续费的设置就需要把平今设置为跟平昨一致。订单都在内存中
对于
TraderMocker这样的简易仿真模块， 只会把必要的数据落地。目前TraderMocker只会保存持仓数据，而 订单数据和成交数据都只在内存中。一单平台重启，订单和成交就都都没有了。交易指令简化
TraderMocker为了兼容不同的品种，所以 只能实现通用的指令，即 买卖和撤单的指令。其他的特殊指令就不支持了，比如ETF申赎、期权的报价和执行等指令。
当然TraderMocker只是笔者仓促写出来的一个简易的仿真模块，有很多仿真功能因为使用场景有限，并没有完全实现。如果各位读者有兴趣的话，可以自行根据自己的需求进行完善。到时候如果愿意分享给大家的话，也可以提交一个PR。
如何搭建本地仿真环境
前文介绍了一下TraderMocker模块，下面本文就将介绍如何在利用WonderTrader搭建这样的本地仿真环境。搭建本地仿真环境，需要用到datakit_fut和hft_fut_mocker两个demo。这两个demo笔者已经提交到wtpy/demos下，有需要的读者可以自行获取，如果master分支没有的话，请到dev分支下载即可。
行情配置
datakit_fut是通过CTP接口落地行情数据的数据组件demo，基本配置如下：{ "basefiles":{ "session":"./common/sessions.json", "commodity":"./common/commodities.json", "contract":"./common/contracts.json", "holiday":"./common/holidays.json" }, "writer":{ "path":"./FUT_Data/", "savelog":false, "async":false, "groupsize":20 }, "parsers":[ { "active":true, "module":"ParserCTP.dll", "front":"tcp://180.168.146.187:10111", "broker":"9999", "user":"你的SIMNOW账号", "pass":"你的SIMNOW密码", "code":"CFFEX.IF2005,SHFE.au2012" } ], "broadcaster":{ "active":true, "bport":3997, "broadcast":[ { "host":"255.255.255.255", "port":9001, "type":2 } ] }
在使用的时候，将parsers小节的CTP前置和账号密码改成生产环境，并将code改成自己需要的合约代码进行订阅，然后启动runDT.py就可以正常运行了。
仿真配置
hft_fut_mocker则是从UDP广播通道接入行情，并调用TraderMocker进行仿真，配置如下：{ "basefiles":{ "session":"./common/sessions.json", "commodity":"./common/commodities.json", "contract":"./common/contracts.json", "holiday":"./common/holidays.json", "hot":"./common/hots.json" }, "env":{ "name":"hft", "mode": "product", "product":{ "session":"TRADING" }, "filters":"filters.json", "fees":"fees.json", }, "data":{ "store":{ "path":"./FUT_Data/" } }, "traders":[ { "active":true, "id":"mocker", "module":"TraderMocker.dll", "front":"mocker://localhost", "mockerid":9999, "span":100, "newpx":true, "maxqty":100, "minqty":1, "user":"mocker9999", "udp_port":9001, "savedata":true } ], "parsers":[ { "active":true, "id":"parser1", "module":"ParserUDP.dll", "host":"127.0.0.1", "bport":9001, "sport":3997, "filter":"" } ], "bspolicy":"actpolicy.json" }
从上面的配置可以看出，TraderMocker仿真器，要从udp广播通道接收最新的行情，才能进行撮合。可能有人会有疑问：为什么不从行情通道通过WonderTrader直接向TraderMocker传递行情数据呢？其实也很好解释，因为Trader模块解耦以后，WonderTrader只和Trader交互交易数据，而行情数据，不在接口支持的数据范围内，所以TraderMocker只能自己解决行情接入的问题。因此TraderMocker自然就会依赖数据伺服组件提供的行情广播服务了。
配置修改好了以后，再检查一下策略启动入口：
from wtpy import WtEngine,EngineType
from strategies.HftStraDemo import HftStraDemo
if __name__ == "__main__":
#创建一个运行环境，并加入策略
engine = WtEngine(EngineType.ET_HFT)
engine.init('./common/', "config.json")
engine.commitConfig()
straInfo = HftStraDemo(name="hft_IF", code="CFFEX.IF.2104", expsecs=5, offset=100, freq=0)
engine.add_hft_strategy(straInfo, 'mocker')
engine.run()
kw = input('press any key to exit\n')最后，运行run.py就可以正常进行仿真测试了，如图：
如果有需要进行股票仿真的，只需要修改./common目录下相应的基础文件，并修改配置文件中的行情接入模块的配置文件即可。如有不明白的地方，读者也可以私信咨询笔者。
结束语
如何利用WonderTrader的仿真模块TraderMocker来搭建本地的仿真环境，总结下来就是两个步骤：先运行一个数据伺服，再运行仿真环境。简单的两个步骤，就可以搞定一个仿真环境。相信对于有需要的人来说，这是一个很轻松的事情。
对于想用simnow的用户来说，在simnow缺位的这段时间，只需要一个CTPs实盘账号即可进行仿真测试。对于那些不满足于券商提供的股票仿真环境的人来说，本文介绍的这个攻略也许可以提升你仿真测试的效率。
当然，笔者水平有限，TraderMocker的开发也比较仓促，难免有很多错漏之处,各位读者在使用的时候还需要自行判断一下是否满足自己的需求。另外，仿真毕竟不是实盘，策略的表现是否合理还需要各位仔细辨别。
最后再安利一下WonderTrader
WonderTrader旨在给各位量化从业人员提供更好的轮子，将技术相关的东西都封装在平台中，力求给策略研发带来更好的策略开发体验。
WonderTrader的github地址：https://github.com/wondertrad...
WonderTrader官网地址：https://wondertrader.github.io
wtpy的github地址：https://github.com/wondertrad...
市场有风险，投资需谨慎。以上陈述仅作为对于历史事件的回顾，不代表对未来的观点，同时不作为任何投资建议。