基于BigQuant的量化策略实现

最新推荐文章于 2024-08-22 11:25:41 发布
最新推荐文章于 2024-08-22 11:25:41 发布
阅读量4.3k 收藏 34
点赞数 5
分类专栏： 量化投资 文章标签： 深度学习 机器学习 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_55269290/article/details/114135743
版权
本文主要介绍了BigQuant的简单使用，包括其回测模块。复现了基于技术指标的策略，如MACD金叉+MA多头买入、利用MA指标择股；还复现了基于QP优化的策略，包含经典QP策略、增加限制条件及融合技术指标的QP策略，并展示了各策略结果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前言

提示：本文主要介绍了BigQuant的简单使用，并复现了基于技术指标的策略与基于QP优化的策略。

提示：以下是本篇文章正文内容，下面案例可供参考

一、BigQuant的重要模块说明

1.回测模块

m=M.trade.v2(
    instruments=instruments,
    start_date=start_date,
    end_date=end_date,
    initialize=initialize,
    handle_data=handle_data,
    order_price_field_buy='open',
    order_price_field_sell='open',
    capital_base=1000000
)

说明1: instrument为初始选股池

说明2:start_date为回测开始时间

说明3:end_date为回测结束时间

说明4:capital_base初始资产

说明5:handle_data是我们自己需要自定义的函数，该函数每天执行一次

def handle_data(context,data):
    
    ##技术指标所需要的最大天数
    max_need_period=26
    
    if context.trading_day_index<26:
        return
    
    if (context.trading_day_index)%20!=0:
        return 
    
    print(context.trading_day_index)
    
    ##记录筛选后的股票和股票数目
    stock_selected=[]
    stock_count=0
    
    for stock in stock_list:    
        sid=context.symbol(stock)
        prices = data.history(sid,'price',26,'1d')
        ##是否符合MA指标
        ma_short=data.history(sid,'price',context.ma_short_period,'1d').mean()
        ma_long=data.history(sid,'price',context.ma_long_period,'1d').mean()
    
        if ma_short>ma_long and data.can_trade(sid) and stock_count<10:
            stock_selected.append(stock)
            stock_count+=1
            
        ##是否符合MACD指标
        try:
            macd, signal, hist = talib.MACD(np.array(prices), 
                                            context.macd_short_period,context.macd_long_period, 
                                            context.macd_dea)
            if macd[-1] - signal[-1] > 0 and macd[-2] - signal[-2] < 0 and stock_count<10:
                if cur_position == 0 and data.can_trade(sid):
                    stock_selected.append(stock)
                    stock_count+=1
        except:
            pass
                
        if stock_count==10:
            break
            
    cash=context.portfolio.cash 
    per_stock=1/len(stock_selected)
    for stock in stock_selected:
        sid=context.symbol(stock)
        price=data.current(sid,'price')
        context.order_target_percent(sid,per_stock)

 

 

二、基于技术指标的策略实现

1.库函数导入与全局变量初始化

其中stocks是初始选股池，我们可以自行定义

import pandas as pd
import talib as ta

df=pd.read_csv('stocks.csv')

stock_list=[row['stock'] for index,row in df.iterrows()]

 

2.每日逻辑函数编写

策略1:  MACD金叉+MA多头买入

说明：1）每20日进行一次调仓

           2）最多买入10只股票

#选股池
instruments=stock_list

#回测时间
start_date='2019-01-03'
end_date='2021-01-22'

def initialize(context):
    
    ##买入卖出均为0.3%，最少5元
    context.set_commission(PerOrder(buy_cost=0.0003,sell_cost=0.0003,min_cost=5))
    
    ##macd参数设置 dif短线：12 dif长线：26 dea：9
    
    context.macd_short_period=12
    context.macd_long_period=26
    context.macd_dea=9
    
    #ma参数设置：ma短线5 ma长线20
    context.ma_short_period=5
    context.ma_long_period=20


##每天执行一次
def handle_data(context,data):
    
    ##技术指标所需要的最大天数
    max_need_period=26
    
    if context.trading_day_index<26:
        return
    
    if (context.trading_day_index)%20!=0:
        return 
    
    print(context.trading_day_index)
    
    ##记录筛选后的股票和股票树木
    stock_selected=[]
    stock_count=0
    
    for stock in stock_list:    
        sid=context.symbol(stock)
        prices = data.history(sid,'price',26,'1d')
        ##是否符合MA指标
        ma_short=data.history(sid,'price',context.ma_short_period,'1d').mean()
        ma_long=data.history(sid,'price',context.ma_long_period,'1d').mean()
    
        if ma_short>ma_long and data.can_trade(sid) and stock_count<10:
            stock_selected.append(stock)
            stock_count+=1
            
        ##是否符合MACD指标
        try:
            macd, signal, hist = talib.MACD(np.array(prices), 
                                            context.macd_short_period,context.macd_long_period, 
                                            context.macd_dea)
            if macd[-1] - signal[-1] > 0 and macd[-2] - signal[-2] < 0 and stock_count<10:
                if cur_position == 0 and data.can_trade(sid):
                    stock_selected.append(stock)
                    stock_count+=1
        except:
            pass
                
        if stock_count==10:
            break
            
    cash=context.portfolio.cash 
    per_stock=1/len(stock_selected)
    for stock in stock_selected:
        sid=context.symbol(stock)
        price=data.current(sid,'price')
        context.order_target_percent(sid,per_stock)

策略2:  利用MA指标进行择股

说明：1）每20日进行一次调仓

           2）ma3>ma5且ma5>ma10且ma10>ma15时买入股票

           3）最多买入5只股票

def handle_data(context,data):
    
    ##技术指标所需要的最大天数
    max_need_period=26
    
    if context.trading_day_index<26:
        return
    
    if (context.trading_day_index)%20!=0:
        return 
    
    print(context.trading_day_index)
    
    ##记录筛选后的股票和股票树木
    stock_selected=[]
    stock_count=0
    
    for stock in stock_list:    
        sid=context.symbol(stock)
        prices = data.history(sid,'price',26,'1d')
        ##是否符合MA指标
        ma_3=data.history(sid,'price',3,'1d').mean()
        ma_5=data.history(sid,'price',5,'1d').mean()
        ma_10=data.history(sid,'price',10,'1d').mean()
        ma_15=data.history(sid,'price',15,'1d').mean()
    
    
        if ma_3>ma_5 and ma_5>ma_10 and ma_10>ma_15 and data.can_trade(sid) and stock_count<5:
            stock_selected.append(stock)
            stock_count+=1
            
        ##是否符合MACD指标
                
        if stock_count==5:
            break
            
    cash=context.portfolio.cash 
    per_stock=1/len(stock_selected)
    for stock in stock_selected:
        sid=context.symbol(stock)
        price=data.current(sid,'price')
        context.order_target_percent(sid,per_stock)

3.策略结果展示

策略1: MACD金叉+MA多头买入

策略2: MA择股

 

三、基于QP优化的策略实现

1.基于经典QP的handle函数

说明：构造优化问题缺点比较明显，最后最优权重会集中在某一支股票，不利于风险分散

def handle_data(context,data):
    
    ##技术指标所需要的最大天数
    
    if context.trading_day_index<100:
        return
    
    if (context.trading_day_index)%20!=0:
        return 
    
    print(context.trading_day_index)
    
    price_df=pd.DataFrame()
    
    stock_num=120
    count=0
    
    for stock in instruments:
        count+=1
        sid=context.symbol(stock)
        prices = data.history(sid,'price',5,'1d')
        price_df=pd.concat([price_df,prices],axis=1)
        price_df.fillna(0,inplace=True)
        if(count==stock_num):
            break
       
    ## 120,5
    price_np=price_df.to_numpy().T
   
    
    ##cov
    ##(120,120)
    cov_df= pd.DataFrame(np.cov(price_np))
    P=matrix(cov_df.to_numpy())
    
    q=-matrix(np.mean(price_np,axis=1),(stock_num,1))
    
    
    ##Ax=b
    A=matrix(1.,(1,stock_num))
    b=matrix(1.)
    
    
    ##GX<=h
    G = -matrix(np.eye(stock_num)) 
    h = opt.matrix(0.0, (stock_num,1))
  
    
    ##solver:
    solvers.options['show_progress'] = False
    sol = solvers.qp(P,q,G,h,A,b)
    weight=list(sol['x'])

    stock_selected_list=[]
    sum_weight=0.0
    cur=0
    for stock in stock_list:      
        sid=context.symbol(stock)
        if data.can_trade(sid):
            stock_selected_list.append(stock)
            sum_weight+=weight[cur]
        else:
            weight[cur]=0
        cur+=1
    
    cur=0
    for stock in stock_list:
        if weight[cur]!=0:
            sid=context.symbol(stock)
            price=data.current(sid,'price')
            context.order_target_percent(sid,weight[cur]/sum_weight)
        cur+=1

2.增加限制条件使股票具有多样性：

方法：修改QP约束中的G矩阵与h矩阵

  ##GX<=h
    temp_df1= pd.DataFrame(-np.eye(stock_num))
    temp_df2= pd.DataFrame(np.eye(stock_num))
    G_df=pd.concat([temp_df1,temp_df2],axis=0)
    G = matrix(G_df.to_numpy()) 
    
    ##xi<=0.2
    temp_list=[]
    for i in range(stock_num):
        temp_list.append([0.0])
    for i in range(stock_num):
        temp_list.append([0.2])
    h = opt.matrix(np.array(temp_list))

3.融合技术指标的QP策略：

说明：1）按5日的数据构造协方差矩阵与收益均值矩阵

           2）每20日进行一次调仓

           3）如果满足ma3>ma5且ma5>ma10且ma10>ma15权重翻倍

def handle_data(context,data):
    
    ##技术指标所需要的最大天数
    
    if context.trading_day_index<100:
        return
    
    if (context.trading_day_index)%20!=0:
        return 
    
    print(context.trading_day_index)
    
    price_df=pd.DataFrame()
    
    stock_num=120
    count=0
    
    for stock in instruments:
        count+=1
        sid=context.symbol(stock)
        prices = data.history(sid,'price',5,'1d')
        price_df=pd.concat([price_df,prices],axis=1)
        price_df.fillna(0,inplace=True)
        if(count==stock_num):
            break
       
    ## 120,5
    price_np=price_df.to_numpy().T
   
    
    ##cov
    ##(120,120)
    cov_df= pd.DataFrame(np.cov(price_np))
    P=matrix(cov_df.to_numpy())
    
    q=-matrix(np.mean(price_np,axis=1),(stock_num,1))
    
    
    ##Ax=b
    A=matrix(1.,(1,stock_num))
    b=matrix(1.)
    
    
    ##GX<=h
    temp_df1= pd.DataFrame(-np.eye(stock_num))
    temp_df2= pd.DataFrame(np.eye(stock_num))
    G_df=pd.concat([temp_df1,temp_df2],axis=0)
    G = matrix(G_df.to_numpy()) 
    
    ##xi<=0.2
    temp_list=[]
    for i in range(stock_num):
        temp_list.append([0.0])
        
    ##每只权重不超过0.2
    for i in range(stock_num):
        temp_list.append([0.2])
    h = opt.matrix(np.array(temp_list))
  
    
    ##solver:
    solvers.options['show_progress'] = False
    sol = solvers.qp(P,q,G,h,A,b)
    weight=list(sol['x'])

    stock_selected_list=[]
    sum_weight=0.0
    cur=0
    for stock in stock_list:      
        sid=context.symbol(stock)
        if data.can_trade(sid):
            stock_selected_list.append(stock)
            sid=context.symbol(stock)
            
            ##融入技术指标，如果满足条件，，权重加倍
            ma_3=data.history(sid,'price',3,'1d').mean()
            ma_5=data.history(sid,'price',5,'1d').mean()
            ma_10=data.history(sid,'price',10,'1d').mean()
            ma_15=data.history(sid,'price',15,'1d').mean()
            sum_weight+=weight[cur]
            if ma_3>ma_5 and ma_5>ma_10 and ma_10>ma_15:
                    sum_weight+=weight[cur]*2
                    weight[cur]*=2
        else:
            weight[cur]=0
        cur+=1
    
    cur=0
    for stock in stock_list:
        if weight[cur]!=0:
            sid=context.symbol(stock)
            price=data.current(sid,'price')
            context.order_target_percent(sid,weight[cur]/sum_weight)
        cur+=1

4.策略结果展示

策略1:经典基于QP优化策略

 

策略2:限制股票权重的QP优化策略

 

策略3：融合技术指标的QP优化策略

 

 

二十三、BigQuant人工智能量化平台使用
微信号：RunsenLiu
05-18 3378
@Author ： By Runsen 在2020年一月初，也是我大三上的寒假，我开始写书，为什么呢？因为化工原理和化工热力学挂了，我需要重拾自己的自信。 对于一个大学三年，每天往死里干的人，竟然挂了两科。 虽然，我化工专业已经陷入了绝境，大学我主要学习日语，Python，Java和一系列数据分析软件。 6.3 BigQuant人工智能量化平台 6.3.1 欢迎来到BigQuant人工智能量化平台 BigQuant是一个人工智能量化投资平台，是行业内首个将人工智能技术应用于投资领域的平台级产品。使用Big
分享bigquant量化技术指标的自定义策略
Q_2037696191的博客
12-07 899
bigquant量化技术指标的自定义策略单纯通过计算MA多头指标，以短线 =5， MA 长线 =20， 当 MA 短线在 MA 长线上方时，买入股票，否则卖出股票。调仓周期为 20 个工作日，而且最大允许持仓股票数为 10 只，最终得到这个策略的回测结果如下：使用代码： 接口来源：https://gitee.com/l2gogogo分析结果发现，实际回测结果比经典方案要差，初步评估是放弃了一些低权重的股票，导致选择股票比较单一 所致。在分享bigquant量化技术指标的自定义策略过程中发现，其实直接使用
autoit 轻量级请求BigQuant策略方法+JSON解析+落地\委托\DB
03-26
autoit 轻量级请求BigQuant策略方法+JSON解析+落地\委托\DB
BigQuant 量化教程
11-08
BigQuant 量化教程 BigQuant 量化教程 BigQuant 量化教程
Bigquant-平台5.53夏普高质量-龙头战法AI量化实战策略开发（一）
weixin_52255053的博客
08-30 2864
大家好，我是sevencat/woshisilvio, 是一位bigquant宽邦人工智能平台的策略开发者。 2020年获Bigquant年度最佳策略开发者，多个策略曾荣登顶天梯榜1，天梯策略综合排名百强，实盘收益今年将近130%已经 目前已经开发了 龙头战法一系列的AI量化选股测量略，在平台上广受用户好评，单个策略4个月收益率最高达到200% https://bigquant.com/live/shared/strategy?id=48215 ht...
BigQuant策略做量化真的能赚钱吗？
qq1841085904的博客
10-26 2825
小编根据过去一段时间的观察，想要赚钱需要做好下面几件事：挑选合适的策略，评价一个策略有诸多指标：年化收益、累计收益、回撤、夏普、初始资金、模拟交易时长等等，首先要结合自己的实际情况挑选合适的策略。量化策略本身存在的意义就是通过数量化模型建立科学投资体系，获取稳定收益，相比传统投资，其具备纪律性、系统性、及时性、准确性等诸多优势，所以一个好的量化策略表现是绝对优于传统投资的。不过，上面说的也都是是小编的个人感受，仅供大家参考哈，对量化交易有兴趣的小伙伴还是要再深入研究研究。
笔记：AI量化策略开发流程-基于BigQuant平台（一）
jeffliu123的博客
11-11 3268
从本文开始，按照AI策略开发的完整流程（共七步），上手在BigQuant平台上快速构建AI策略。
如何写出一个好策略：因子构建、因子评估到量化策略构建
bigquant的博客
01-04 837
量化投资对于大部人来说都挺难的，我们也在努力地将量化投资的门槛降低，让很多专业量化者能够精益求精，让对量化感兴趣的人能更好地进入该领域。因此，今年开设了线上Meetup答疑活动，围绕量化策略开发，及时地解决大家遇到的问题
BigQuant教程：MATLAB内置变量自动标注与AI量化策略入门
BigQuant平台提供了可视化的工具，使得没有编程基础的用户也能创建AI量化策略，通过逐步指导，用户可以学习到如何配置策略参数、选择因子、生成和运行代码，从而实现策略的自动执行和性能评估。 这部分教程的重点...
传统量化策略 VS AI量化策略
bigquant的博客
12-28 3532
在BigQuant人工智能量化投资平台上可以快速开发股票传统策略和股票AI策略，今天我们就拿市值因子来练手，看看两个策略在2015-01-01到2016-12-31这两年时间各自的收益风险情形。 市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传统的选股策略的股票组合大多在市值因子上有很大的风险暴露。希望了解多因子选股策略的小伙伴...
BigQuant大宽平台因子表达式因子公式（挖掘过的因子库）.pdf
08-30
适合新手开发者，筛选因子库，用在宽邦科技BIGQUANT-AI-人工智能量化平台的一些特征机器学习用的因子表达式因子，可以用于构成龙头战法，资金流追涨杀跌，大盘资金留等策略
【Quant】BigQuant学习笔记(1) 可视化策略
0x00
11-06 1821
big quant学习笔记系列（1）可视化策略
笔记：AI量化策略开发流程-基于BigQuant平台（二）
jeffliu123的博客
11-12 2064
算法专为量化而生，核心思想是排序学习和梯度提升树。如下图这个模型有20棵决策树组成，每棵决策树最多有30个叶节点。给定一个样本，每个决策树会对样本打分（分数为样本根据判定条件到达的叶节点的值）；最后的分数是所有决策树打分的总和。决策树的结构、判定条件和叶节点的分数等等都是由算法在训练数据上学习出来的。将测试集数据喂给训练好的决策树，则可得到测试集数据数据在该模型上的分数，再根据分数形成股票排序、回归、分类预测，指导后续的买入卖出。BigQuant交易引擎把每一个K线当做一个事件。
bigquant的策略代码
数理文章
05-06 7230
在bigquant的主页有这么一个代码，使用的是机器学习，止盈止损大盘风控。从回测来看效果不错，但实际上很不一定。 粘贴在这里，方便以后学习。 # 本代码由可视化策略环境自动生成 2019年5月6日 20:12 # 本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。 # 回测引擎：每日数据处理函数，每天执行一次 def m4_handle_data_b...
如何在BigQuant跑出夏普5.67的策略-附赠其他策略
机器学习、深度学习、强化学习、迁移学习
05-07 2797
BigQuant简介 BigQuant AI 量化平台 引领投资未来 以AI赋能投资，为投资者提供企业级AI平台、量化投资大数据、AI投研工具、Quant成长体系和社区 AI量化策略 什么是量化投资？ 什么是人工智能？ 机器学习被评为人工智能中最能体现人类智慧的技术，开发AI量化策略我们可以理解为将机器学习应用在量化投资领域。我们通过下面一张图来直观理解一下什么是机器学习：人类对新问题做出有效决策依靠的是过去积累的许多经验，并对经验进行利用，而对机器来说，“经验”以“数据”方式存在，机器从过去众多“数据”
Java在Quant应用_BigQuant人工智能量化平台使用
weixin_28693309的博客
02-25 877
BigQuant人工智能量化平台使用BigQuant人工智能量化平台使用@Author ： By Runsen在2020年一月初，也是我大三上的寒假，我开始写书，为什么呢？因为化工原理和化工热力学挂了，我需要重拾自己的自信。对于一个大学三年，每天往死里干的人，竟然挂了两科。虽然，我化工专业已经陷入了绝境，大学我主要学习日语，Python，Java和一系列数据分析软件。6.3 BigQuant人工智...
WhaleQuant第七章——量化回测
weixin_45662974的博客
02-04 1134
本节介绍了一个简化的量化回测框架，称为“傻瓜式量化回测框架”。本节提供了一个双均线策略的Backtrader实现，并详细描述了如何在该框架中添加数据、设置策略、运行回测并分析结果。本节通过一个具体的双均线策略示例，展示了如何在聚宽平台上实现策略并进行回测，以及如何分析回测结果。本节介绍了如何使用Python的pandas库来计算量化策略的关键评估指标，如年化收益率、波动率和最大回撤。本节介绍了如何在BigQuant上实现双均线策略，包括策略的初始化、数据处理、交易逻辑和回测结果的分析。
BigQuant、聚宽、米筐、掘金等量化平台都有哪些特点？
热门推荐
qq1841085904的博客
11-22 1万+
5.掘金：掘金量化是集数据、投研、实盘交易的一站式专业量化平台，免费为用户提供投研服务，你可以在掘金量化终端进行回测、仿真，甚至是实盘交易。，需要接入交易软件使用的，有人会觉得这样不安全，但实际上这种都是接口直连券商服务器，不连接任何不明 IP，所以安全性是有保障的。3.米筐：一个开放的量化算法交易社区，为程序化交易者提供免费的回测和实盘模拟环境，并且会不间断举行实盘资金投入的量化比赛。不同的平台会有不同的优势和特点，但是大部分不是门槛高就是不能实盘，其实市场上也有可以弥补这些确定的量化工具，只不是是。
2024年热门免费量化交易软件概览
最新发布
ltq0826的博客
08-22 2121
免费的股票量化交易软件的出现，例如QMT/PTrade（文末还会提到如何免费申请），降低了普通投资者进入这一领域的门槛。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值