2.2.1.2-网格交易(python网格交易附实战交易记录)

news/2024/4/17 1:06:38

跳转到根目录:知行合一:投资篇

已完成:
1、投资&技术
  1.1.1 投资-编程基础-numpy
  1.1.2 投资-编程基础-pandas
  1.2 金融数据处理
  1.3 金融数据可视化
2、投资方法论
  2.1.1 预期年化收益率
  2.1.2 一个关于y=ax+b的故事
  2.1.3-数据标准化
  2.1.4-相关性分析
  2.2.1.1-一个关于定投的故(姿)事(势)
  2.2.1.2-网格交易
  2.2.1.3-移动平均线

3、投资实证
  [3.1 2023这一年] 被鸽

文章目录

  • 1. 网格策略说明
    • 1.1. 策略说明
    • 1.2. 策略数据样例
  • 2. 策略实现
    • 2.1. 数据结构定义
    • 2.2. 加载数据
    • 2.3. 主代码
      • 2.3.1. 先看看 want_buy
      • 2.3.2. 买入!today_buy
      • 2.3.3. want_sell
      • 2.3.4. 卖出!today_sell
    • 2.4. 完整代码
  • 3. 收益如何?

1. 网格策略说明

网格交易,说最简单的,就是跌了买,涨了卖。

为了少说废话,这里就举1个例子:

nameopenclosedate操作操作价格
券商ETF0.980.982016/9/140.98
券商ETF0.9830.9622016/9/260.97
券商ETF0.9821.0052016/10/181
券商ETF1.0011.0252016/10/241.01
券商ETF1.0011.0252016/10/241.02
券商ETF1.0211.0312016/11/11.03
券商ETF1.0251.052016/11/31.04
券商ETF1.0251.052016/11/31.05
券商ETF1.0551.0882016/11/111.06
券商ETF1.0551.0882016/11/111.07
券商ETF1.0551.0882016/11/111.08
券商ETF1.091.0972016/11/141.09
券商ETF1.0641.0342016/12/51.06
券商ETF1.0641.0342016/12/51.05
券商ETF1.0641.0342016/12/51.04
券商ETF1.0381.0262016/12/81.03
券商ETF1.0291.0012016/12/121.02
券商ETF1.0291.0012016/12/121.01
券商ETF1.0010.9882016/12/141
券商ETF1.0010.9882016/12/140.99
券商ETF0.9810.9762016/12/190.98
券商ETF0.9750.9632016/12/230.97
券商ETF0.9951.0022017/2/201
券商ETF0.9740.9622017/3/220.97
券商ETF0.9730.962017/3/290.96
券商ETF0.950.9442017/4/190.95
券商ETF0.9420.9372017/5/20.94

1.1. 策略说明

  • 网格的大小,可以自己定义,我定义的是0.01作为一个网格

  • 买入一笔后,如果后面价格涨了x*0.01(这里x可以自己定,我定的是3),那么就卖出

  • 买入一笔后,如果后面价格跌了y*0.01(y一般就是1,也就是1网),那么就继续买入

  • 卖出一笔后,如果后面价格跌了x*0.01(这里x可以自己定,我定的是3),那么就买入

  • 卖出一笔后,如果后面价格涨了y*0.01(y一般就是1,也就是1网),那么就继续卖出

  • 第一天,默认就是买入

  • 后续是按照收盘价和之前买入或卖出的价格进行比较,看是否进行买或卖的操作

1.2. 策略数据样例

2016/9/14买入价0.98,那么,我们预期要么是在1.01卖出,要么是在0.97买入

到了2016/9/26,收盘价是0.962,是>0.97的,那我们就直接认为我们挂单了0.97买入

在2016/9/26以0.97买入之后,我们预期要么是在1.00卖出,要么是在0.96买入

到了2016/10/18,收盘价是1.005,是>1.00的,我们可以成交1笔卖出。

2. 策略实现

2.1. 数据结构定义

    def __init__(self, security, start_date=None, end_date=None) -> None:super().__init__()# security:是这次执行的代码,一般类似512000,510300之类# start_date、end_date:会在所有的数据行中,截取对应的时间片段。不传值,那默认就是None,就会用全量数据进行测算。# step_price:每个网格的大小,比如我们测算的是512000,是1左右净值的,1%作为网格,是合适的。# steps:买入一笔后,如果后面价格涨了x*0.01(这里x可以自己定,我定的是3),那么就卖出。这里的x,就是我们这里的stepsself.args = {'security': security, 'start_date': start_date, 'end_date': end_date, 'step_price': 0.01, 'steps': 3}# 加载数据,后面会具体解释加载过程self.daily_df = self.load_data_2_df()# 保留本次交易的行数据,方便后面的使用(比如判断上一笔,是买入还是卖出操作)self.last_transaction = None# 交易历史,最后输出到csv,方便查看self.transactions = []

2.2. 加载数据

    def load_data_2_df(self):# 这个案例,是通过既有数据来跑的,512000,包含了从 2016-09-14 ~ 2024-03-29 的日线数据。# 如果想要自己获取数据,可以参考之前的文章:https://blog.csdn.net/sdfiiiiii/article/details/135289226,包含了从qstock获取、处理、存储数据等df = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/512000.csv")# 如果指定了start_date、end_date,就进行数据的切割if self.args['start_date']:df = df[df["date"] >= self.args['start_date']]if self.args['end_date']:df = df[df["date"] <= self.args['end_date']]# 转换为日期类型df['date'] = df['date'].apply(pd.to_datetime, format='%Y-%m-%d')# 按照日期的正序排序(防止数据错位)df.sort_values(by="date", ascending=True)# 设置dataframe的索引,后面取数比较简便一些.df = df.set_index("date")# 设置了date为索引之后,dataframe里面就没有date这一列了,有时候为了方便处理,还是把date给加上df['date'] = df.index.tolist()return df

2.3. 主代码

主代码,意味着,这里是执行流程的核心。

其实也比较简单,就是遍历dataframe,逐行处理数据即可。

    def process(self):# dataframe的遍历,逐行处理数据for index, row in self.daily_df.iterrows():# index是索引,就是日期;row是Series类型,一行完整的数据if index != self.daily_df.iloc[0]['date']:# 非第一天# 1.1 今日收盘价如果 < 上次操作的价格,那么可能要买。if row['close'] < self.last_transaction['价格']:# want_buy,为什么可能要买,因为在网格中,如果之前是买入,当天价格下跌没有达到下一网,是不买的。这个逻辑在want_buy内部实现self.want_buy(row=row)# 1.2 今日收盘价如果 > 上次操作的价格,那么可能要卖,want_sellelif row['close'] > self.last_transaction['价格']:# want_sell其实和want_buy是同样的解释。因为在网格中,如果收盘价大于上次交易价格,但没有达到实际要卖出的价格,那也是不卖的。这个逻辑在want_sell内部实现self.want_sell(row=row)else:# hold方法,其实什么都没做,return None。意思就是持有不操作。self.hold(row=row)print()else:# 是第一天,默认就是买入# want_buy方法,是指可能要买,为什么可能要买,因为在网格中,如果之前是买入,当天价格下跌没有达到下一网,是不买的。这个逻辑在want_buy内部实现self.want_buy(row=row)# 遍历完所有的数据之后,将所有的交易记录通过pandas存储到csv文件中df = pd.DataFrame(self.transactions)df.to_csv('%s交易记录.csv' % self.args['security'], index=None)

2.3.1. 先看看 want_buy

    def want_buy(self, row):if row['date'] == self.daily_df.iloc[0]['date']:# 这个是第一天的逻辑,直接执行买入。today_buy就真的是买入操作了,主要是记录买入价格和当前行数据this_trans = self.today_buy(row, row['close'])# 将买入行相关的信息,存储到self.transactions操作历史中,方便整体输出self.transactions.append(this_trans)else:# 这里就不是第一天了,要去判断是否能买的到(比如价格下跌没到下一网位置,就不买的。)if self.last_transaction['操作'] == '买':# 如果上一次的操作是'买',那么要构造1个买入价格的阶梯 [上次买入价格, 今日收盘价],按照'网格大小'构建一个阶梯price_stairs。# 用到的是numpy的arange方法,举例:print(np.arange(10,1,-2)) # 输出[10  8  6  4  2]start_buy_price = self.last_transaction['价格']price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])print('前一天是买入,价格%s。收盘价下跌, 构造的买入阶梯是:%s' % (self.last_transaction['价格'], price_stairs))if len(price_stairs) >= 1:# 因为,第一个价格是上次买入价格,所以不要包含在本次的买入阶梯里面,做一些切割[1:]price_stairs = price_stairs[1:]for price in price_stairs:# 一般保留3位小数即可price = round(price, 3)# today_buy,是真正的做买入动作了。this_trans = self.today_buy(row, price)# 将买入信息,集中存储到transactions列表中,后续输出到文件self.transactions.append(this_trans)else:print('未达到买入阶梯价,今日不执行买入')elif self.last_transaction['操作'] == '卖':# 构造买入阶梯价,2. 如果"上一次"是卖出,那么要从"-3*网格"开始买start_buy_price = self.last_transaction['价格'] - self.args['steps'] * self.args['step_price']# 构造价格区间的方法,跟上面是一样的。price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])print('前一天是卖出,价格%s。收盘价下跌,构造的买入阶梯是:%s' % (self.last_transaction['价格'], price_stairs))if start_buy_price == row['close']:# 如果期望开始买的价格,正好是当天收盘价,其实就是此次要买入的价格price_stairs = np.array([start_buy_price])if len(price_stairs) >= 1:# 下面的逻辑,跟上面是一样的。for price in price_stairs:price = round(price, 3)this_trans = self.today_buy(row, price)self.transactions.append(this_trans)else:print('未达到买入阶梯价,今日不执行买入')

2.3.2. 买入!today_buy

上面方法,用到的today_buy方法,其实就几行代码:

    def today_buy(self, row, price):# 扩充行数据元素,增加2列:操作 = 买,价格 = priceself.daily_df.loc[row['date'], '操作'] = '买'self.daily_df.loc[row['date'], '价格'] = price# 将买入这个操作的信息,保存在临时变量 self.last_transaction 中,方便后面处理,能快速定位到上次交易是买入还是卖出,以及其价格self.last_transaction = self.daily_df.loc[row['date']]return self.last_transaction

2.3.3. want_sell

want_sell和want_buy方法及其相似,就不逐行解释了。

    def want_sell(self, row):# 构造卖出阶梯价,1. 如果"前一天"是卖出,那么构造卖出就是按照下一个"网格"卖if self.last_transaction['操作'] == '卖':start_sell_price = self.last_transaction['价格']price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])print('前一天是卖出,价格%s。收盘价上涨, 构造的卖出阶梯是:%s' % (self.last_transaction['价格'], price_stairs))if len(price_stairs) >= 1:price_stairs = price_stairs[1:]for price in price_stairs:price = round(price, 3)this_trans = self.today_sell(row, price)self.transactions.append(this_trans)else:print('未达到卖出阶梯价,今日不执行卖出')# 构造卖出阶梯价,2. 如果"前一天"是买入出,那么要从"+3*网格"开始卖elif self.last_transaction['操作'] == '买':start_sell_price = self.last_transaction['价格'] + self.args['steps'] * self.args['step_price']price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])print('前一天是买入,价格%s。收盘价上涨,构造的买卖出阶梯是:%s' % (self.last_transaction['价格'], price_stairs))print(price_stairs)if start_sell_price == row['close']:price_stairs = np.array([start_sell_price])if len(price_stairs) >= 1:for price in price_stairs:price = round(price, 3)this_trans = self.today_sell(row, price)self.transactions.append(this_trans)else:print('未达到卖出阶梯价,今日不执行卖出')

2.3.4. 卖出!today_sell

也是跟today_buy大同小异,没什么要特别说明的地方。

    def today_sell(self, row, price):# 扩充行数据元素,增加2列:操作 = 卖,价格 = priceself.daily_df.loc[row['date'], '操作'] = '卖'self.daily_df.loc[row['date'], '价格'] = price# 将卖出这个操作的信息,保存在临时变量 self.last_transaction 中,方便后面处理,能快速定位到上次交易是买入还是卖出,以及其价格self.last_transaction = self.daily_df.loc[row['date']]return self.last_transaction

2.4. 完整代码

完整的代码已经全部都解释完了,就是上面的几个方法组合起来,就结束,整体代码量,加上充分的注释,163行。

废话少说,上干货,直接就能跑~

import pandas as pd
import numpy as npclass FixedGrid:def __init__(self, security, start_date=None, end_date=None) -> None:super().__init__()# security:是这次执行的代码,一般类似512000,510300之类# start_date、end_date:会在所有的数据行中,截取对应的时间片段。不传值,那默认就是None,就会用全量数据进行测算。# step_price:每个网格的大小,比如我们测算的是512000,是1左右净值的,1%作为网格,是合适的。# steps:买入一笔后,如果后面价格涨了x*0.01(这里x可以自己定,我定的是3),那么就卖出。这里的x,就是我们这里的stepsself.args = {'security': security, 'start_date': start_date, 'end_date': end_date, 'step_price': 0.01, 'steps': 3}# 加载数据,后面会具体解释加载过程self.daily_df = self.load_data_2_df()# 保留本次交易的行数据,方便后面的使用(比如判断上一笔,是买入还是卖出操作)self.last_transaction = None# 交易历史,最后输出到csv,方便查看self.transactions = []def load_data_2_df(self):# 这个案例,是通过既有数据来跑的,512000,包含了从 2016-09-14 ~ 2024-03-29 的日线数据。# 如果想要自己获取数据,可以参考之前的文章:https://blog.csdn.net/sdfiiiiii/article/details/135289226,包含了从qstock获取、处理、存储数据等df = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/512000.csv")# 如果指定了start_date、end_date,就进行数据的切割if self.args['start_date']:df = df[df["date"] >= self.args['start_date']]if self.args['end_date']:df = df[df["date"] <= self.args['end_date']]# 转换为日期类型df['date'] = df['date'].apply(pd.to_datetime, format='%Y-%m-%d')# 按照日期的正序排序(防止数据错位)df.sort_values(by="date", ascending=True)# 设置dataframe的索引,后面取数比较简便一些.df = df.set_index("date")# 设置了date为索引之后,dataframe里面就没有date这一列了,有时候为了方便处理,还是把date给加上df['date'] = df.index.tolist()return dfdef today_buy(self, row, price):# 扩充行数据元素,增加2列:操作 = 买,价格 = priceself.daily_df.loc[row['date'], '操作'] = '买'self.daily_df.loc[row['date'], '价格'] = price# 将买入这个操作的信息,保存在临时变量 self.last_transaction 中,方便后面处理,能快速定位到上次交易是买入还是卖出,以及其价格self.last_transaction = self.daily_df.loc[row['date']]return self.last_transactiondef today_sell(self, row, price):# 扩充行数据元素,增加2列:操作 = 卖,价格 = priceself.daily_df.loc[row['date'], '操作'] = '卖'self.daily_df.loc[row['date'], '价格'] = price# 将卖出这个操作的信息,保存在临时变量 self.last_transaction 中,方便后面处理,能快速定位到上次交易是买入还是卖出,以及其价格self.last_transaction = self.daily_df.loc[row['date']]return self.last_transactiondef want_buy(self, row):if row['date'] == self.daily_df.iloc[0]['date']:# 这个是第一天的逻辑,直接执行买入。today_buy就真的是买入操作了,主要是记录买入价格和当前行数据this_trans = self.today_buy(row, row['close'])# 将买入行相关的信息,存储到self.transactions操作历史中,方便整体输出self.transactions.append(this_trans)else:# 这里就不是第一天了,要去判断是否能买的到(比如价格下跌没到下一网位置,就不买的。)if self.last_transaction['操作'] == '买':# 如果上一次的操作是'买',那么要构造1个买入价格的阶梯 [上次买入价格, 今日收盘价],按照'网格大小'构建一个阶梯price_stairs。# 用到的是numpy的arange方法,举例:print(np.arange(10,1,-2)) # 输出[10  8  6  4  2]start_buy_price = self.last_transaction['价格']price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])print('前一天是买入,价格%s。收盘价下跌, 构造的买入阶梯是:%s' % (self.last_transaction['价格'], price_stairs))if len(price_stairs) >= 1:# 因为,第一个价格是上次买入价格,所以不要包含在本次的买入阶梯里面,做一些切割[1:]price_stairs = price_stairs[1:]for price in price_stairs:# 一般保留3位小数即可price = round(price, 3)# today_buy,是真正的做买入动作了。this_trans = self.today_buy(row, price)# 将买入信息,集中存储到transactions列表中,后续输出到文件self.transactions.append(this_trans)else:print('未达到买入阶梯价,今日不执行买入')elif self.last_transaction['操作'] == '卖':# 构造买入阶梯价,2. 如果"上一次"是卖出,那么要从"-3*网格"开始买start_buy_price = self.last_transaction['价格'] - self.args['steps'] * self.args['step_price']# 构造价格区间的方法,跟上面是一样的。price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])print('前一天是卖出,价格%s。收盘价下跌,构造的买入阶梯是:%s' % (self.last_transaction['价格'], price_stairs))if start_buy_price == row['close']:# 如果期望开始买的价格,正好是当天收盘价,其实就是此次要买入的价格price_stairs = np.array([start_buy_price])if len(price_stairs) >= 1:# 下面的逻辑,跟上面是一样的。for price in price_stairs:price = round(price, 3)this_trans = self.today_buy(row, price)self.transactions.append(this_trans)else:print('未达到买入阶梯价,今日不执行买入')def want_sell(self, row):# 构造卖出阶梯价,1. 如果"前一天"是卖出,那么构造卖出就是按照下一个"网格"卖if self.last_transaction['操作'] == '卖':start_sell_price = self.last_transaction['价格']price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])print('前一天是卖出,价格%s。收盘价上涨, 构造的卖出阶梯是:%s' % (self.last_transaction['价格'], price_stairs))if len(price_stairs) >= 1:price_stairs = price_stairs[1:]for price in price_stairs:price = round(price, 3)this_trans = self.today_sell(row, price)self.transactions.append(this_trans)else:print('未达到卖出阶梯价,今日不执行卖出')# 构造卖出阶梯价,2. 如果"前一天"是买入出,那么要从"+3*网格"开始卖elif self.last_transaction['操作'] == '买':start_sell_price = self.last_transaction['价格'] + self.args['steps'] * self.args['step_price']price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])print('前一天是买入,价格%s。收盘价上涨,构造的买卖出阶梯是:%s' % (self.last_transaction['价格'], price_stairs))print(price_stairs)if start_sell_price == row['close']:price_stairs = np.array([start_sell_price])if len(price_stairs) >= 1:for price in price_stairs:price = round(price, 3)this_trans = self.today_sell(row, price)self.transactions.append(this_trans)else:print('未达到卖出阶梯价,今日不执行卖出')def hold(self, row):return Nonedef process(self):# dataframe的遍历,逐行处理数据for index, row in self.daily_df.iterrows():# index是索引,就是日期;row是Series类型,一行完整的数据if index != self.daily_df.iloc[0]['date']:# 非第一天# 1.1 今日收盘价如果 < 上次操作的价格,那么可能要买。if row['close'] < self.last_transaction['价格']:# want_buy,为什么可能要买,因为在网格中,如果之前是买入,当天价格下跌没有达到下一网,是不买的。这个逻辑在want_buy内部实现self.want_buy(row=row)# 1.2 今日收盘价如果 > 上次操作的价格,那么可能要卖,want_sellelif row['close'] > self.last_transaction['价格']:# want_sell其实和want_buy是同样的解释。因为在网格中,如果收盘价大于上次交易价格,但没有达到实际要卖出的价格,那也是不卖的。这个逻辑在want_sell内部实现self.want_sell(row=row)else:# hold方法,其实什么都没做,return None。意思就是持有不操作。self.hold(row=row)print()else:# 是第一天,默认就是买入# want_buy方法,是指可能要买,为什么可能要买,因为在网格中,如果之前是买入,当天价格下跌没有达到下一网,是不买的。这个逻辑在want_buy内部实现self.want_buy(row=row)# 遍历完所有的数据之后,将所有的交易记录通过pandas存储到csv文件中df = pd.DataFrame(self.transactions)df.to_csv('%s交易记录.csv' % self.args['security'], index=None)if __name__ == '__main__':# this = FixedGrid(security='512000', start_date='2020-09-14', end_date='2023-09-14')this = FixedGrid(security='512000', start_date=None, end_date=None)this.process()

3. 收益如何?

其实这里还是要说的,网格这个东西,我们还缺了一个前置条件:

  1. 你得有足够的持仓在手里,你才能在想卖的时候卖出,对吧?
  2. 你得有足够的money在手机,你才能在想买入的时候买,对吧?

所以,这个策略,是为了告诉我们,如果我都ok,那理论上,一年下来,我能卖出多少回?也就是做了多少次的T,能赚多少钱?

我把这个统计的结果文件,放在了:512000交易记录

为了对这个策略有信心,我只看,每年,卖出了多少回?

插个题外话,这个策略有很多改进的地方,比如:

  1. 可以不按照close收盘价来算,而是按照当天的最高或最低价来算
  2. 网格,可以有增强,比如,增加网格数量,或者增加买入、卖出份额等

我自己已经非常忠实的执行了网格交易有一段时间,对结果还是比较满意的,贴一下记录,有兴趣的可以交流。


https://www.xjx100.cn/news/3366280.html

相关文章

HarmonyOS NEXT应用开发之ForEach:循环渲染

ForEach接口基于数组类型数据来进行循环渲染&#xff0c;需要与容器组件配合使用&#xff0c;且接口返回的组件应当是允许包含在ForEach父容器组件中的子组件。例如&#xff0c;ListItem组件要求ForEach的父容器组件必须为 List组件 。 说明&#xff1a; 从API version 9开始&a…

蓝桥杯刷题第八天(dp专题)

这道题有点像小学奥数题&#xff0c;解题的关键主要是&#xff1a; 有2种走法固走到第i级阶梯&#xff0c;可以通过计算走到第i-1级和第i-2级的走法和&#xff0c;可以初始化走到第1级楼梯和走到第2级楼梯。分别为f[1]1;f[2]1(11)1(2)2.然后就可以循环遍历到后面的状态。 f[i…

buntu安装缷载3proxy

前往3proxy官网下载最新版本&#xff1a; 访问 3proxy官网 下载适用于Ubuntu的最新版本的.deb安装包。 下载并安装&#xff1a; 在终端中使用wget命令下载&#xff0c;然后使用dpkg命令安装&#xff1a; wget https://www.3proxy.ru/downloads/3proxy-<version>-linux-i…

基于Unet的BraTS 3d 脑肿瘤医学图像分割,从nii.gz文件中切分出2D图片数据

1、前言 3D图像分割一直是医疗领域的难题&#xff0c;在这方面nnunet已经成为了标杆&#xff0c;不过nnunet教程较少&#xff0c;本人之前跑了好久&#xff0c;一直目录报错、格式报错&#xff0c;反正哪里都是报错等等。并且&#xff0c;nnunet对于硬件的要求很高&#xff0c…

web蓝桥杯真题:健身大调查

代码及注释&#xff1a; function formSubmit() {// TODO&#xff1a;待补充代码const quescontent document.querySelector(#quescontent)const height document.querySelector(#height)const weight document.querySelector(#weight)const male document.querySelector(…

C++中string容器的字符串操作

目录 1.c_str() 返回C常量字符串 2.date() 返回C常量字符串 3.substr() 构造子串 4.find() 正向查找&#xff08;查找失败返回npos&#xff09; 5.rfind() 逆向查找&#xff08;查找失败返回npos&#xff09; 6.find_first_of() 正向查找匹配的字符 7.find_last_of() 逆向…

jar包加载的位置顺序

一个基于SpringBoot的 Flink程序(FlinkListener.jar),在Windows 8系统 和 在自己的Linux虚拟机上运行正常, 把 jar 包上传到局域网Linux服务器上,提示 NoSuchMethodError错误 Caused by: java.lang.NoSuchMethodError: com.mysql.cj.CharsetMapping.getJavaEncodingForMysqlC…

Linux内核之kmemdup与kstrdup用法实例区别(三十六)

简介&#xff1a; CSDN博客专家&#xff0c;专注Android/Linux系统&#xff0c;分享多mic语音方案、音视频、编解码等技术&#xff0c;与大家一起成长&#xff01; 优质专栏&#xff1a;Audio工程师进阶系列【原创干货持续更新中……】&#x1f680; 优质专栏&#xff1a;多媒…