docker部署量化交易系统需分层容器化：数据服务、策略计算、执行风控、监控日志四容器解耦；敏感配置用--secret和环境变量注入；固定依赖版本保障数值一致性；--restart+healthcheck+资源限制确保实盘稳定；镜像标签规范，测试机压测验证延迟与稳定性。

用 Docker 部署量化交易系统，核心是把策略代码、依赖环境、数据接入和回测/实盘运行逻辑打包成可复现、易迁移的容器镜像，同时保障低延迟、时序一致性和运行稳定性。

明确系统模块并分层容器化

不要把整个交易系统塞进一个容器。合理拆分为：

• 数据服务容器：运行 Tushare、AKShare 或自建行情采集器（如 WebSocket 接入 Level2），输出标准化格式（Parquet/CSV/Redis Stream）；建议用 Alpine 基础镜像 + Python 轻量运行，挂载宿主机时间同步（--cap-add=SYS_TIME）避免时钟漂移。
• 策略计算容器：封装策略逻辑（Backtrader、Zipline、自研引擎）、因子计算、信号生成。镜像中预装 NumPy/Pandas/TA-Lib，并通过 VOLUME 挂载策略配置和参数文件，支持热更新不重启。
• 执行与风控容器：对接券商 API（如恒生 UFT、中信 TradeStation）或模拟交易网关（vn.py）。需启用宿主机网络模式（--network host）降低延迟，或使用 macvlan 网络直通物理网卡。
• 监控与日志容器：集成 Prometheus + Grafana 展示订单延迟、信号触发频率、资金曲线；所有容器统一打标（--label strategy=ma_cross），日志通过 docker logs --since 1h 或转发到 ELK。

处理关键依赖与敏感配置

量化系统常含闭源库、许可证或账户密钥，不能硬编码进镜像：

• 用 docker build --secret 加载本地 license 文件（如 TA-Lib 编译密钥），构建时解密后安装，镜像中不留痕。
• API 密钥、数据库密码等通过 docker run -e "BROKER_TOKEN=xxx" 注入，或挂载加密配置卷（如使用 age 加密后挂载，容器内启动时解密）。
• 确保 Python 环境确定性：固定 requirements.txt 中每项包版本（含 numpy==1.23.5），避免因 pip 升级导致数值计算结果漂移。

保障实盘运行的稳定性与可观测性

容器不是“一跑就完”，实盘需主动守护：

• 用 docker run --restart=unless-stopped 防止崩溃退出；搭配 healthcheck 检查关键端口（如 Redis 连通性、策略心跳信号）。
• 限制资源防干扰：--cpus="2.5" --memory="4g" --memory-reservation="2g"，避免策略计算抢占交易所接口线程。
• 记录完整执行上下文：每次启动自动写入容器 ID、Git commit hash、系统时间戳到共享日志目录，便于事后归因。

本地开发与生产环境对齐

避免“在我机器上能跑”问题：

• 开发用 docker-compose.yml 定义多服务依赖（如 PostgreSQL 存订单、Redis 缓存行情），但生产环境改用 Kubernetes 或 docker stack，用 ConfigMap 替代 compose 的 environment。
• 镜像标签规范：用 v1.2.0-20240520-c4a7f3b（语义化版本 + 构建日期 + Git SHA），禁止使用 latest。
• 上线前必做：在相同 CPU 型号的测试机上跑 24 小时压力测试，验证 GC 行为、内存泄漏、网络重连逻辑是否稳定。

不复杂但容易忽略：Docker 默认的 cgroup v1 对高频策略的 CPU 调度不够精细，若实盘延迟要求 cpu.weight 优先级。