基于TradingView本地SDK的可视化前后端代码，适用于缠论量化研究，和其他的基于几何交易的量化研究。
正式开源！适用于缠论量化研究，基于TradingView本地SDK的可视化前后端代码
本代码库，是针对具有开发能力的用户。如果是普通用户，只是想要使用【摩尔缠论】的TV指标，请加群： https://t.me/+trsm24TgH1E0N2Q1
指标的介绍与地址：https://cn.tradingview.com/script/KfbFUyW5/
指标必须邀请使用，所有需要授权才行，请添加上面的telegram群！
- 基于全世界乃至全宇宙最好的K线分析工具:TradingView；
- 没有画图数量的限制，可画任意的形态图形；
- 可以本地部署，或者云平台私有部署；
- 前后端完全分离，前端基于国产的Vue来实现；
- 与缠论的分析逻辑完全分离，策略提供的识别结果，通过api做可视化；
- 没有数据限制的逐K回放（待添加）；
- 使用TradingView的本地SDK做可视化，支持本地或者云平台部署。
- 前端使用vue和typescript来实现的画图的功能和接口。
- 后端使用Python的Web框架Flask，提供api接口。
- 使用MongoDB来存储K线的历史数据，缠论识别出来的结构数据。
- 实现了在TradingView的界面上，自定义按钮（button)，实现画笔、线段、中枢的功能；
- 实现了自定义指标的功能点；
- 完美的继承了在线TradingView的大部分功能（因为sdk版本的功能，要落后与在线的版本一点）；
- 没有画图数量的限制；
- 可以完全的自定义各种数据点，实现自己的千人千缠的需求；
- 可以保存画的图，后续加载使用（暂未添加，可以直接使用TV官方的一个代码：https://github.com/tradingview/saveload_backend，基于Django和Postgresql实现）；
- 实现逐K回放的功能（使用较复杂，暂未添加）；
├── README.md
├── api # API目录
│ ├── chanapi.py # 核心的接口代码
│ ├── requirements.txt # python的包依赖
│ ├── symbol_info.py # 加载票的名字，开源通过TV界面搜索
├── comm
│ ├── __init__.py
│ └── conf.py # 配置信息
├── data # mongodb的数据，使用后面的：hetl/hmongo/restore_chanvis_mongo.sh 导入本目录的数据
│ ├── config
│ ├── nlchan
│ └── stock
├── hetl # K线history 的 ETL相关
│ ├── hmgo # mongo数据库相关
│ ├── selcoin # 选币相关
│ └── stock # 股票相关
├── pics # 图片目录
│ └── sz000001.jpg
├── ui
│ ├── README.md # 说明，安装npm的库，启动
│ ├── package.json # 库的版本
│ ├── public # 需要把官方的charting_library/和datafeeds/目录复制到此处
│ ├── src # 前端源代码，主要是：src/components/ChanContainer.vue
└── utils
├── __init__.py
├── dtlib.py # 日期相关的辅助函数
└── nlchan.py # naturalchan相关的辅助函数- 本程序已发现一些bug，就是目前是全量画线的功能，当K线还没有加载出来的时候，画线就会画在边框，形成一条难看的线。刷新整个页面再来吧。
- 本人主要做数据挖掘，使用Python。并不熟悉前端，包括vue和js，全是用到一点去搜索一点，因此代码仅供参考。
- 当然，非常欢迎专业前端参与贡献，这样好多想法应该都可以实现。
本代码目前提供了一个可用的demo系统，可以按自己的需求，来参照里面的部分实现，去完成每个人自己的缠论量化的伟大的事业，去实现自己的千人千缠的可视化。
本人目前走的是缠论的一个小众分支--摩尔缠论，demo里面提供的示例数据也是通过这个策略来实现的，各位只需要参考里面的数据结构、接口、可视化等的实现方式，再根据自己的需求，去优化自己的代码即可。
demo的数据的准确性，各位也不要太在意，这块是我目前还需要不断完善的点，也是我接下来的重点。一个完美的结构，是需要大量的时间去优化和实现的。
本开源的代码，不具有量化策略的功能，也不具备回测等功能，其目的只是提供一个几何分析的可视化工具而已，期望不要太高。
如果对以缠论为代表的几何交易的程序化实现和可视化有需求，也不要期望太低，基于TV的可视化，会给你不一样的体验。