对应场景：
在看盘时，经常会看到不断伸缩变化的k线。由于每时每刻都会有新数据推送过来，这些长周期的k线需要不断更新，才能反映出标的最新状态。变化的k线其本质上就是不断用更新、更短周期的数据合成长周期的k线。
举个例子：
假设我的策略是以5分钟bar为基础运行的，在终端里，只有这5分钟结束后对应的bar数据才会返回。但我觉得等5分钟bar返回时再进入买卖逻辑时黄花菜都凉了，不如每返回一个tick就更新一次5分钟bar，这样我得到的5分钟bar虽然是个“残缺的”bar，但它涵盖了标的最新信息。
怎样利用掘金现有接口实现？
以用tick合成不断更新的900sbar为例说明。
1. 订阅tick数据和900sbar数据
tick数据是合成长周期bar的原料，因此要订阅tick数据合成bar。每返回一个tick，就要把tick储存到本地中，为了后续计算。
订阅900sbar主要有2个原因。一方面是想要通过订阅获取历史数据，一方面是因为想要在每个完整bar出现以后，将储存的tick数据清空，合成新的bar，即初始化。
2. 计算“残缺的”bar
历史tick数据储存完了以后，利用这些数据进行合成。需要储存的数据为“price”最新价。
残缺的bar最高价 = tick最新价中最大值
残缺的bar最低价 = tick最新价中最小值
残缺的bar收盘价 = tick的收盘价
Tips:为什么不用tick的最高、最低价合成bar的最高价和最低价呢？
因为tick数据的最高价和最低价是日线的最高和最低，并不是当前tick的最高和最低。
代码实现
tick合成 900s bar 数据
# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
from gm.api import *
import numpy as np
import pandas as pd
from gm.api import *
'''
每个tick合成一次900s的bar
'''
def init(context):
# 定义标的代码
context.goods_futures = ['CZCE.MA101', 'SHFE.rb2101', 'SHFE.fu2101', 'DCE.pp2101']
# 订阅bar数据
subscribe(symbols=context.goods_futures, frequency='900s', count=100)
# 缓存tick数据
context.future_tick_data = get_all_tick(context)
# 订阅tick数据
subscribe(symbols=context.goods_futures, frequency='tick')
def on_tick(context, tick):
# 将每个新返回的tick添加到本地
context.future_tick_data[tick['symbol']] = np.append(context.future_tick_data[tick['symbol']], tick['price'])
symbol = tick['symbol']
close = tick['price']
# 取31个历史900s的bar，all_bar表示历史的31个bar + "残缺的"bar
data = context.data(symbol=symbol, frequency='900s', count=31, fields='close, low, high, eob')
all_bar = data.append([{'close': close, 'low': context.future_tick_data[symbol].min(),
'high': context.future_tick_data[symbol].max(), 'eob': tick['created_at']}],
ignore_index=True)
def on_bar(context, bars):
# 每达到整900s，初始化一次缓存的tick数据
if bars[0]['frequency'] == '900s':
context.future_tick_data[bars[0]['symbol']] = np.array([])
# 缓存策略tick数据（从上一个bar结束到当前时间点的数据）
def get_all_tick(context):
# 定义局部变量
future_tick = locals()
for symbol in context.goods_futures:
# 定义获取tick数据的时间：从上一个bar结束时间 到 当前时间
start_time = context.data(symbol=symbol, frequency='900s', count=1)['eob']
data = history(symbol=symbol, frequency='tick', start_time=start_time, end_time=context.now, adjust=ADJUST_PREV,
adjust_end_time=context.now.date(), df=True)
# 判断数据是否为0
if data.empty:
future_tick[symbol] = np.array([])
else:
future_tick[symbol] = data['price'].to_numpy()
return future_tick
if __name__ == '__main__':
'''
strategy_id策略ID,由系统生成
filename文件名,请与本文件名保持一致
mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST
token绑定计算机的ID,可在系统设置-密钥管理中生成
'''
run(strategy_id='在这里输入策略id',
filename='main.py',
mode=MODE_LIVE,
token='在这里输入token')
来源：掘金量化 原文链接：网页链接