ptrade从零开始学习量化交易第15期【ptrade策略API介绍之set_fixed_slippage-设置固定滑点】

最新推荐文章于 2025-05-06 13:55:58 发布

GJ57017_wx

最新推荐文章于 2025-05-06 13:55:58 发布

阅读量299

点赞数 3

文章标签： python 开发语言编辑器笔记经验分享

本文链接：https://blog.csdn.net/GJ57017_wx/article/details/139145391

版权

设置函数

更加详细的调用方法，后续会慢慢整理。

也可找寻博主历史文章，搜索关键词使用方案，比如本文涉及函数set_benchmark ！

感谢关注，咨询免费开通量化回测与获取实盘权限，欢迎和博主联系！

set_fixed_slippage-设置固定滑点

set_fixed_slippage(fixedslippage=0.0)

使用场景

该函数仅在回测模块可用

接口说明

该函数用于设置固定滑点，滑点在真实交易场景是不可避免的，因此回测中设置合理的滑点有利于让回测逼近真实场景。

注意事项：

无

参数

fixedslippage：固定滑点，委托价格与最后的成交价格的价差设置，这个价差是一个固定的值(比如0.02元，撮合成交时委托价格±0.01元)。最终的成交价格=委托价格±float(fixedslippage)/2。

None

示例

def initialize(context):
    g.security = "600570.SS"
    set_universe(g.security)
    # 将滑点设置为固定的0.2元，即原本买入交易的成交价为10元，则设置之后成交价将变成10.1元
    set_fixed_slippage(fixedslippage=0.2)

def handle_data(context, data):
    pass

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

GJ57017_wx

关注关注

3
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

backtrader的滑点使用方法

InUnix的博客

09-17

524

滑点是实际交易中不可避免的一个现象，在策略回测中的准确模拟对于评估策略的性能至关重要。backtrader提供了丰富的内置滑点模拟器，并支持自定义滑点模拟器，可以根据实际需求选择适合的滑点模拟方法来模拟实际交易中的滑点情况。在backtrader中，滑点是一个重要的概念，它模拟了实际交易中价格上涨或下跌导致的执行价格偏离期望的情况。backtrader内置了一些常用的滑点模拟器，如FixedSlippage（固定滑点）、RandomSlippage（随机滑点）等，我们可以根据需求选择适合的滑点模拟器。

43、backtrader的一些基本概念----滑点(Slippage)的使用方法（2022-05-24更新)

云金杞

01-30

3639

回测的时候和真实的交易情况有差别。不论回测设置的有多好，在真实的交易情况下，滑点是可能存在的。这就意味着，如果我们直接用成交价格，可能导致我们回测时候成交和实际交易的时候成交不一致。现在的backtrader版本支持slippage,下面的一些参数可以传递给broker: slip_perc (默认: 0.0) 按照价格的比例计算滑点，如0.01代表1%,0.001代表0.1% slip_fixed (默认: 0.0) 固定的数字，当买入的时候，成交价格上涨，卖出的时候成交价下跌；如果slip_perc

参与评论您还未登录，请先登录后发表或查看评论

ptrade从零开始学习量化交易第5期【ptrade模拟盘和实盘有哪些注意事项】

GJ57017_wx的博客

05-20

854

关于持久为什么要做持久化处理服务器异常、策略优化等诸多场景，都会使得正在进行的模拟盘和实盘策略存在中断后再重启的需求，但是一旦交易中止后，策略中存储在内存中的全局变量就清空了，因此通过持久化处理为量化交易保驾护航必不可少。量化框架持久化处理使用pickle模块保存股票池、账户信息、订单信息、全局变量g定义的变量等内容。注意事项：框架会在before_trading_start（隔日开始）、handle_data、after_trading_end事件后触发持久化信息更新及保存操作；券商升

[ptrade交易实战]第六篇设置函数api介绍（1）

vv_LCJL319的博客

07-03

972

ptrade的渠道可以通过《ptrade开通详则》

Ptrade量化交易平台——initialize框架详解

weixin_48607379的博客

02-16

5561

本文详细介绍了initialize框架，以及定时函数的使用、要点

joinquant 策略

weixin_30832983的博客

08-09

520

代码 # 克隆自聚宽文章：https://www.joinquant.com/post/20590 # 标题：ETF单均线跟踪轮动 # 作者：那時花開海布裡 ''' ================================================= 总体回测前设置参数和回测 ================================================...

聚宽源码43

程序化小学生的博客

12-11

535

原文策略源码如下： Get API 新技能，研究中写策略并回测 def initialize(context): set_params() #1设置策参数 set_variables() #2设置中间变量 set_backtest() #3设置回测条件 g.long_day = 60 # 长均线天数 g.short_day = 120 # 短均线天数 #1 #设置策略参数 def set...

ptrade从零开始学习量化交易第134期【ptrade获取对象之Context-上下文对象】

GJ57017_wx的博客

09-10

427

PTrade获取对象函数--Context-上下文对象

Backtrader 文档学习- Broker - Slippage

六月闻君

01-30

1180

测试滑点的关键参数作用，通过示例演示，以百分比滑点参数为主，配合slip_open , slip_out ,no-slip_match参数演示效果。

量化交易系统中+如何处理交易成本中的滑点和市场影响？

zhangzhechun的专栏

07-06

367

滑点是指订单执行价格和预期价格之间的差异。滑点通常发生在市场快速波动时或流动性不足时。市场影响是指由大额订单引起的市场价格变动。大额订单可能会影响资产的供需关系，从而改变执行价格。历史数据分析和模型构建：通过分析历史数据，建立滑点和市场影响模型。模拟和回测：在回测中模拟实际的交易成本，以评估策略的稳健性。实时监控和动态调整：实时监控市场和订单执行情况，动态调整模型参数和交易策略。风险控制：设置滑点和市场影响的风险控制措施，确保交易策略在各种市场条件下的稳健性。

【量化】量化交易入门系列2：经典的量化交易策略（上）

weixin_44433834的博客

11-23

7974

作者：悠悠做神仙来源：恒生LIGHT云社区 ...

量化交易入门笔记-策略设置函数

东南有大树的博客

10-04

4137

在股票量化策略的初始化函数中，要进行一些初始化的设置，例如：设置参考基准、设置交易费用、设置成交比例等，JoinQuant平台提供了一些写好的方法，可以帮助我们直接使用，并且提供相关API文档设置基准函数set_benchmark(security) set_benchamark函数接受一个标的参数，security可以是股票代码、指数代码或者ETF代码，默认情况下是以沪深300为基准的；没有...

【量化】量化交易入门系列3：经典的量化交易策略（中）

weixin_44433834的博客

01-04

675

作者：悠悠做神仙来源：恒生LIGHT云社区 ...

量化交易之羊驼算法在python中的实现

qq_31274743的博客

06-19

5441

0 起源美国《旧金山纪事报》曾做大猩猩选股实验。把各种股票代码写在一块纸板上，让大猩猩向写有股票代码的纸板投标，用此方法让大猩猩挑选出5只股票。然后用大猩猩挑选的股票组合与《华尔街日报》8位知名分析师精心挑选的5只比较，结果是大猩猩与分析师选的收益率不相上下。 1 羊驼策略甘肃卫视电视节目将大猩猩换成了羊驼来选股 2 算法策略将股票按收益率排序，卖掉买入股中最差收益率的，加入未买股中

聚宽源码35

程序化小学生的博客

12-11

1031

原文策略源码如下： #多因子选股改进型 from kuanke.wizard import * from jqdata import * import numpy as np import pandas as pd import talib import datetime 初始化函数，设定要操作的股票、基准等等 def initialize(context): # 设定基准 set_benchma...

量化交易指标函数整理（持续更新）

weixin_30569001的博客

06-30

1210

# 根据不同的时间段设置滑点与手续费 def set_slip_fee(context): # 将滑点设置为0 set_slippage(FixedSlippage(0)) # 根据不同的时间段设置手续费 dt=context.current_dt if dt>datetime.datetime(2013,1, ...

聚宽量化交易-入门篇(海龟交易法则)

mbshqqb的博客

07-27

7332

================================================================================ 总体回测前 ================================================================================ #总体回测前要做的事情 def initialize(cont...

基于WebUI的深度学习模型部署与应用实践

最新发布

Programming Talk

05-06

560

随着深度学习技术的快速发展，如何将训练好的模型快速部署并提供友好的用户交互界面成为许多AI项目落地的关键。WebUI(Web User Interface)作为一种轻量级、跨平台的解决方案，正被广泛应用于各类AI模型的部署场景。本文将详细介绍基于Python生态构建WebUI的技术方案，包含完整的代码实现，并探讨在实际项目中的应用实践。本文详细介绍了基于Gradio构建深度学习WebUI的完整流程，从基础实现到生产部署，涵盖了实际项目中的关键技术和优化方案。二、基于Gradio的模型部署实践。

请编写一份完整的能够用于Ptrade软件回测的ETF网格交易策略代码

03-30

<think>嗯，用户想要在Ptrade软件上进行ETF网格交易策略的回测，需要示例代码。首先，我得回忆一下Ptrade支持的API和语法。Ptrade用的是Python，所以代码应该是Python写的。网格交易的基本逻辑是设定价格区间，分成多个网格，价格波动时自动买卖。首先，需要确定ETF代码，比如510050.SH。然后设置网格参数，比如基准价、网格间距、数量。初始化的时候，可能需要获取历史数据来计算基准价，比如过去20天的均价。然后，在每天开盘前取消未成交的订单，避免重复下单。接下来，在每次的定时任务里，比如每30分钟执行一次，获取当前持仓和最新价。计算当前价与基准价的偏离百分比，决定买入或卖出。比如，偏离-3%时买入一格，偏离+3%时卖出一格。这里可能需要用round函数来确保网格的间距正确。还需要处理下单逻辑，检查是否有可用资金或持仓，避免无效操作。比如，买入时要确保资金足够，卖出时要确保有足够的持仓。每次下单后，记录基准价到context变量，避免重复触发。然后，用户可能需要回测结果的分析，比如年化收益率、最大回撤等指标。Ptrade的回测报告会自动生成这些数据，所以代码里不需要额外处理，但用户可能需要知道如何查看报告。还要考虑一些常见问题，比如网格间距调整、止盈止损、不同时间段的参数优化。比如，用户可能想知道如何修改网格间距，或者在策略中加入止盈条件。这时候可以提供一些修改建议，比如调整grid_percent或者添加止损逻辑。另外，引用中的信息提到Ptrade支持算法交易和网格策略，所以代码示例需要符合这些功能。确保代码中使用了正确的API，比如order_target和get_position。还要注意Ptrade的定时任务设置，比如schedule_daily和schedule_timer。最后，测试代码是否存在语法错误，比如变量名是否正确，函数调用是否恰当。例如，get_history的正确参数，order_target的用法是否正确。确保用户可以直接复制代码进行回测，并根据需要调整参数。总结一下，步骤是：初始化参数，定时任务处理订单，计算网格触发条件，执行买卖操作，记录状态。同时，提供优化方向和常见问题解答，帮助用户进一步调整策略。</think>以下是为Ptrade平台设计的ETF网格交易策略回测示例代码，包含完整逻辑和注释说明： ```python # 导入Ptrade量化交易API from ptrade.api import * import numpy as np # 初始化函数 def initialize(context): # 设置标的为上证50ETF context.symbol = "510050.SH" # 网格参数设置 context.benchmark_price = 0 # 基准价格 context.grid_interval = 0.03 # 3%网格间距 context.grid_qty = 1000 # 每格交易数量 # 定时任务设置 schedule_daily(reset_benchmark, time="09:30") # 每日开盘重置基准价 schedule_timer(check_grid, frequency="30m") # 每30分钟检查网格 # 重置基准价函数 def reset_benchmark(context): # 获取前20日收盘价计算基准 hist = get_history(20, "1d", "close", [context.symbol]) context.benchmark_price = np.mean(hist[context.symbol]) cancel_all_orders() # 取消前日未成交订单 # 网格检查函数 def check_grid(context): price = get_price(context.symbol) # 获取实时价格 position = get_position(context.symbol) # 获取持仓 # 计算价格偏离百分比 deviation = (price - context.benchmark_price)/context.benchmark_price # 向下突破网格 if deviation <= -context.grid_interval: buy_qty = context.grid_qty * round(abs(deviation)/context.grid_interval) if context.cash >= buy_qty * price: order_target(context.symbol, position + buy_qty) context.benchmark_price = price # 更新基准价 # 向上突破网格 elif deviation >= context.grid_interval: sell_qty = min(position, context.grid_qty * round(deviation/context.grid_interval)) if sell_qty > 0: order_target(context.symbol, position - sell_qty) context.benchmark_price = price # 更新基准价 # 获取价格函数 def get_price(symbol): bars = get_latest_bars(symbol, 1) return bars[-1]["close"] # 策略回测参数设置 def backtest_setting(): return { "start": "2020-01-01", "end": "2023-12-31", "cash": 1000000, "commission": 0.0002, "slippage": 0.001 } ``` §§代码说明与优化方向§§ 1. **参数优化方向**： - 网格间距$grid\_interval$可调整为动态参数，根据波动率指标ATR动态计算[^4] - 加入止盈止损机制，当累计收益率超过$15\%$时平仓[^2] 2. **风险控制模块**： ```python # 可添加最大回撤控制 if context.portfolio.max_drawdown > 0.2: order_target(context.symbol, 0) print("触发最大回撤20%止损") ``` 3. **进阶功能扩展**： - 支持多ETF轮动配置，通过夏普比率动态选择标的[^1] - 添加盘口流动性检测，避免大单冲击成本[^3] 4. **回测结果分析**： Ptrade回测报告将自动生成以下指标： - 年化收益率$R_{annual} = \frac{P_{end} - P_{start}}{P_{start}} \times \frac{365}{days}$ - 最大回撤$MDD = \max_{0≤i<j≤n}( \frac{P_i - P_j}{P_i} )$ - 胜率$WR = \frac{\sum profitable\ trades}{\sum total\ trades}$ §§常见问题解答§§ 1. **如何修改网格间距**？调整`context.grid_interval`参数，建议保持$0.01≤interval≤0.05$，过小会增加交易频率和摩擦成本[^2] 2. **如何处理分红除权**？ Ptrade已自动处理复权价格，使用`get_history()`获取的是后复权数据 3. **如何添加交易信号提醒**？可在订单函数后添加： ```python send_message(f"已下单{quantity}股{context.symbol} @ {price}") ``` 4. **策略容量评估**：建议单策略资金规模不超过$2000$万元，避免在低流动性ETF上产生显著冲击成本[^1]