量化交易_1

量化交易

• 量化交易基础
• 框架介绍
• 策略编写

量化交易基础

• 量化交易：量化交易是指借助现代统计学和数学方法，利用计算机技术来进行交易的证券投资方式。
• 量化交易的分类
  
  • 按照投资技术分类
    
    • 趋势性交易
    • 市场中性
    • 高频交易
  • 按照金融产品分类
    
    • 股票
    • 期货

• 量化交易历史：产生与上世纪60年代，兴起于70-80年代，繁荣于90年代。中国因为90年代才开市，所以2010年之后才兴起起来。

• 量化交易流程

  • 获取数据
    
    • 公司财务，新闻数据
    • 基本行情数据
  • 数据挖掘
    
    • 传统分析方法，机器学习，数据挖掘方法
    • 数据处理，标准化，去极值，中性化分组回测，行业分布
  • 构建策略
    
    • 获取历史行情，历史持仓信息，调仓记录
    • 止盈止损单，限价单，市价单
  • 策略回测
    
    • 股票涨跌停，停复牌处理
    • 市场冲击，交易滑点，手续费
  • 策略分析
    
    • 订单分析，成交分析，持仓分析
  • 模拟交易
    
    • 接入实时行情，实时获取成交回报
    • 实时监控，实时归因分析
  • 实盘交易
    
    • 接入真实的券商账户

框架介绍

• 本地化要钱且麻烦，一般使用云端量化分析平台

• 国内使用米筐（RiceQuant）和聚宽（JoinQuant）

• 为什么不自己实现量化回测框架

  • 1.本地没有完整的交易数据
  • 2.回测平台只是一个载体，重点在于快速验证策略
  • 3.证券投资机构各自使用的回测框架不同，没有通用的框架

• 使用米筐解决方案可以做什么？

  • 1.策略研究
  • 2.历史回测
  • 3.模拟交易
  • 4.获取金融数据

• 快速入门

  • 创建策略–》ini函数和handle_bar函数的编写–》编译策略-》运行回测查看详细回测信息

  • 设置

    • 起始日期，终止日期
    • 股票初始虚拟资金
    • 回测频率
    • 基准合约：对于回测效果的对象
    • 撮合方式：以哪种情况下的价格进行交易
    • 滑点：滑点为价格一定比例对最终成交价进行恶化。例如，0.1 的滑点将使原本10元买入的成交变成以 11 元成交

策略编写

• 策略主体，四个函数

  • init(必须使用)
    
    • 初始化
    • 在整个回测期间只运行一次
  • before_trading(选择使用)
    
    • 做一些准备工作，如获取当前账户金额，获取股票交易数据，财务数据等
    • 每个交易日运行一次
  • handlie_bar(必须使用)
    
    • 买卖股票
    • 每个交易频次运行一次
  • after_trading(选择使用)
    
    • 收尾处理
    • 每个交易日运行一次

• context对象，bar_dict对象

  • context对象
    
    • 相当于全局对象，可以在每个函数之间传递数据
    • 内置一些信息，如protfolio（投资组合信息），或者stock_account(账户信息），或者future_account(期货的账户信息)，通过.信息名获得，如context.protfolio
    • 可以通过.属性名=value的形式给context对象添加新的属性信息，在各个函数之间传递
  • bar_dict对象
    
    • 可以展示当天的股票的数据
    • 如：bar_dict['context.pinganyinhang'].close,就会返回当日的平安银行的收盘价

• 策略配置，主体详解

  • 配置参数
    
    • 基准合约：对比
    • 撮合方式：以何种方式的价格交易：当前收盘价/下一个开盘价
    • 回测日期，一般选择近5-10年
  • 数据查询函数
    
    • 获取指定行业，板块，指数成分股列表
      
      • industry(code)
      • sector(code)
      • index_components(order_book_id, date)
    • history_bars:某一合约的历史数据
      
      • 不能在init中调用
      • 参数：
      • order_book_id:合约代码
      • bar_count:获取的历史数据数量（天数）
    • get_fundamentals:查询财务数据
      
      • 参数（query, entry_date=None, interval=’1d’, report_quarter=False）
      • query:SQLAlchmey的Query对象。
      • entry_date:查询财务数据的基准日期，应早于策略当前日期。默认为策略当前日期的前一天
      • interval：chacun财务数据的间隔，默认为’1d’。
  • 定期执行机制
  • 如果在策略的执行中，并不想频繁的获取这些指标，想更改为一周更新一次，一个月更新一次？
  • 使用scheduler定时器解决这个问题
    
    • 种类：
      
      • scheduler.run_daily:每天运行
      • scheduler.run_weekly:每周运行
      • scheduler.run_monthly：每月运行
    • 注意点：
      
      • 1.必须在init函数中定义
      • 2.参数必须传function
      • 3.function的参数必须是：（context, bar_dict）
    • 执行顺序：
      
      • init
      • before_trading
      • 定时器的function
      • handle_bar
      • after_trading
  • 交易与注意事项
  • 常用交易函数
    
    • order_shares():指定股数交易
    • order_target_percent():目标比例下单

  • 市单价和限单价

    • 市单价：直接以参考价加入滑点影响成交，成交数量不超过当前bar的25%
    • 限单价：如果买单价格>=参考价，或卖单价格<=参考价，以参考价加入滑点影响成交（买的更高，卖的更低）。限价单会一直在订单队列中等待下一个bar数据撮合成交，直到当日收盘。
    • 滑点的设置
      
      • 在策略编辑页面‘更多’选项下进行滑点设置，允许的范围值是[0,1].该设置将在一定程度使最后的成交价“恶化”，也就是买的更贵，卖的更便宜。滑点方式是按照最后成交价的一定比例进行恶化。例如，设置滑点为0.1，那么如果原本买入交易的成交价为10元，则设置之后的成交价将变成11元
    • 交易过程中无论盈利亏损，都会有费用
      
      • 佣金，手续费–券商
      • 印花税–国家

  • 投资组合

  • 包括仓位，账户和资金
  • context.portfolio:查看投资组合所有信息
  • cash:可用资金
  • market_value:所有股票的总市值
  • total_value:账户总价值
  • positions:仓位，有哪些股票
  • 回测评价
  • 收益指标
    
    • 回测收益
    • 年化收益
  • 风险指标
    
    • 最大回测率：20%-40%
    • 夏普比率
      
      • 以国债等低风险或者无风险的金融产品为基准，1.0可以接受，1.5已经很好

• 案例：金叉死叉判断策略

# 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。
import talib
# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
    # 定义要进行交易判断的股票
    context.jiansheyinhang = "601939.XSHG"

    # 定义长短周期
    context.long = 60
    context.short = 20

# before_trading此函数会在每天策略交易开始前被调用，当天只会被调用一次
def before_trading(context):
    # 获取历史交易数据-收盘价
    data = history_bars(context.jiansheyinhang, context.long+1, "1d", "close")

    # 计算长短均线
    context.long_value = talib.SMA(data, context.long)
    context.short_value = talib.SMA(data, context.short)

    print("长线的值为：\n",context.long_value)
    print("断线的值为：\n",context.short_value)


# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
    print("handle_bar")
    # 金叉死叉的判断
    # 卖出：昨日：短线大于长线 今日：短线小于长线
    # 买入：昨日：短线小于长线 今日：短线大于长线
    if context.short_value[-2] > context.long_value[-2] and context.short_value[-1] < context.long_value[-1]:
        order_target_percent(context.jiansheyinhang, 0)
    if context.short_value[-2] < context.long_value[-2] and context.short_value[-1] > context.long_value[-1]:
        order_target_percent(context.jiansheyinhang, 0.25)


# after_trading函数会在每天交易结束后被调用，当天只会被调用一次
def after_trading(context):
    pass