量化交易系统开发-实时行情自动化交易-8.13.聚宽量化/JoinQuant平台

封步宇AIGC

于 2024-12-04 06:00:00 发布

阅读量1.3k

点赞数 13

分类专栏：量化交易系统开发文章标签：人工智能 python 数据挖掘机器学习

本文链接：https://blog.csdn.net/fengbuyu/article/details/144208571

版权

量化交易系统开发专栏收录该内容

79 篇文章 10 订阅

订阅专栏

19年创业做过一年的量化交易但没有成功，作为交易系统的开发人员积累了一些经验，最近想重新研究交易系统，一边整理一边写出来一些思考供大家参考，也希望跟做量化的朋友有更多的交流和合作。

接下来会对于聚宽量化/JoinQuant平台介绍。

聚宽量化（JoinQuant）是一款功能强大的量化交易平台，提供了从策略开发、回测到实盘交易的一站式解决方案。聚宽平台支持Python编程，内置丰富的数据接口与回测工具，可以快速验证量化交易策略的有效性。

本文以经典的“双均线策略”为例，展示如何在聚宽平台上进行策略开发、回测及优化。

1. 策略背景：双均线交叉策略

策略逻辑
双均线交叉策略是一种趋势型策略，旨在捕捉市场的中短期趋势。

买入信号：当短期均线（如5日均线）上穿长期均线（如20日均线）时，买入标的。
卖出信号：当短期均线下穿长期均线时，卖出标的。

优点：逻辑简单，适用范围广。
缺点：在震荡市中可能产生较多虚假信号。

2. 环境准备

（1）注册与登录

用户需在聚宽官网注册账户，并登录在线开发环境。平台提供免费的开发和回测工具，无需本地安装。

（2）创建策略

在聚宽平台的策略研究页面，点击“新建策略”，进入策略编辑器。

3. 策略开发

（1）初始化函数

initialize函数用于设置策略的基本参数和运行环境。

def initialize(context):
    context.s1 = '000001.XSHE'  # 标的代码：平安银行
    context.short_window = 5     # 短期均线窗口
    context.long_window = 20    # 长期均线窗口
    context.max_cash_ratio = 0.95  # 最大仓位比例
    log.info("策略初始化完成")

（2）生成信号与调仓

handle_data函数用于定义每个时间点的操作逻辑。

def handle_data(context, data):
    # 获取历史数据
    hist = attribute_history(context.s1, context.long_window + 1, '1d', ['close'])
    
    # 计算短期和长期均线
    short_ma = hist['close'].rolling(window=context.short_window).mean().iloc[-1]
    long_ma = hist['close'].rolling(window=context.long_window).mean().iloc[-1]
    
    # 当前持仓
    current_position = context.portfolio.positions[context.s1].total_amount
    
    # 买入逻辑：短期均线上穿长期均线
    if short_ma > long_ma and current_position == 0:
        order_target_percent(context.s1, context.max_cash_ratio)  # 买入满仓
        log.info(f"买入信号触发：{context.s1}，短期均线={short_ma}, 长期均线={long_ma}")
    
    # 卖出逻辑：短期均线下穿长期均线
    elif short_ma < long_ma and current_position > 0:
        order_target_percent(context.s1, 0)  # 清仓
        log.info(f"卖出信号触发：{context.s1}，短期均线={short_ma}, 长期均线={long_ma}")

4. 回测

（1）设置回测参数

回测设置通过聚宽提供的参数面板或代码配置完成。

set_benchmark('000300.XSHG')  # 设置基准为沪深300指数
set_commission(0.0002)  # 设置交易手续费为0.02%
set_slippage(0.002)     # 设置滑点为0.2%

（2）运行回测

在聚宽的策略研究页面点击“运行回测”，即可查看策略的收益表现和交易记录。

5. 回测结果分析

聚宽平台提供丰富的回测结果，包括：

收益率曲线：展示策略收益与基准收益的对比。
绩效指标：年化收益率、最大回撤、夏普比率等。
交易详情：每笔交易的买卖时间、价格和数量。

6. 策略优化

（1）参数优化

通过参数网格搜索优化短期和长期均线的窗口长度。

def optimize_parameters(context):
    best_params = None
    best_performance = -float('inf')

    for short in range(3, 10):
        for long in range(15, 30):
            if short >= long:
                continue
            # 更新策略参数
            context.short_window = short
            context.long_window = long
            # 模拟回测
            performance = run_backtest(context)  # 自定义回测函数返回收益率等指标
            
            if performance['annual_return'] > best_performance:
                best_performance = performance['annual_return']
                best_params = (short, long)

    log.info(f"最佳参数：短期均线={best_params[0]}, 长期均线={best_params[1]}")

（2）加入风险管理

为策略加入止盈止损机制，增强稳健性。

def handle_data_with_risk_control(context, data):
    # 获取历史数据
    hist = attribute_history(context.s1, context.long_window + 1, '1d', ['close'])
    
    # 计算均线
    short_ma = hist['close'].rolling(window=context.short_window).mean().iloc[-1]
    long_ma = hist['close'].rolling(window=context.long_window).mean().iloc[-1]
    
    # 当前持仓信息
    current_position = context.portfolio.positions[context.s1]
    current_price = data[context.s1].close
    
    # 止盈止损
    if current_position.total_amount > 0:
        entry_price = current_position.cost_basis
        profit_ratio = (current_price - entry_price) / entry_price
        if profit_ratio > 0.1 or profit_ratio < -0.05:
            order_target_percent(context.s1, 0)  # 平仓
            log.info("触发止盈或止损，清仓")
    
    # 原有买卖逻辑
    if short_ma > long_ma and current_position.total_amount == 0:
        order_target_percent(context.s1, context.max_cash_ratio)
    elif short_ma < long_ma and current_position.total_amount > 0:
        order_target_percent(context.s1, 0)