该文介绍了一个在聚宽平台上实现的双均线策略，用于股票交易决策。策略涉及设置调仓频率、股票池、滑点和手续费，并在每天开盘前依据不同时间点设定手续费。交易逻辑基于指数移动平均线的金叉和死叉发出买卖信号，通过计算60日和1日的移动平均线来判断市场趋势。
# 克隆自聚宽文章：https://www.joinquant.com/post/1398
# 标题：【量化课堂】双均线策略
# 作者：JoinQuant量化课堂
#双均线策略
# 2015-01-01 到 2016-03-08, ￥2000000, 每天
'''
================================================================================
总体回测前
================================================================================
'''
#总体回测前要做的事情
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
#1
#设置策略参数
def set_params():
g.tc=15 # 调仓频率
g.N=4 #持仓数目
g.security = ["000001.XSHE","000002.XSHE","000006.XSHE","000007.XSHE","000009.XSHE"]#设置股票池
#2
#设置中间变量
def set_variables():
return
#3
#设置回测条件
def set_backtest():
set_option('use_real_price', True) #用真实价格交易
log.set_level('order', 'error')
'''
================================================================================
每天开盘前
================================================================================
'''
#每天开盘前要做的事情
def before_trading_start(context):
set_slip_fee(context)
#4
# 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#获取现在的时间
if dt>datetime.datetime(2013,1, 1):#2013年后的手续费
set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
elif dt>datetime.datetime(2011,1, 1):#2011年后的手续费
set_commission(PerTrade(buy_cost=0.001, sell_cost=0.002, min_cost=5))
elif dt>datetime.datetime(2009,1, 1):#2009年后的手续费
set_commission(PerTrade(buy_cost=0.002, sell_cost=0.003, min_cost=5))
else:#2009年之前的手续费
set_commission(PerTrade(buy_cost=0.003, sell_cost=0.004, min_cost=5))
'''
================================================================================
每天交易时
================================================================================
'''
def handle_data(context, data):
# 将总资金等分为g.N份，为每只股票配资
capital_unit = context.portfolio.portfolio_value/g.N
toSell = signal_stock_sell(context,data)
toBuy = signal_stock_buy(context,data)
# 执行卖出操作以腾出资金
for i in range(len(g.security)):
if toSell[i]==1:
order_target_value(g.security[i],0)#平仓
# 执行买入操作
for i in range(len(g.security)):
if toBuy[i]==1:
order_target_value(g.security[i],capital_unit) #买入capital_unit
if not (1 in toBuy) or (1 in toSell):
# log.info("今日无操作")
send_message("今日无操作")
#5
#获得卖出信号
#输入：context, data
#输出：sell - list
def signal_stock_sell(context,data):
sell = [0]*len(g.security)
for i in range(len(g.security)):
# 算出今天和昨天的两个指数移动均线的值，我们这里假设长线是60天，短线是1天(前一天的收盘价)
(ema_long_pre,ema_long_now) = get_EMA(g.security[i],60,data)
(ema_short_pre,ema_short_now) = get_EMA(g.security[i],1,data)
# 如果短均线从上往下穿越长均线，则为死叉信号，标记卖出
if ema_short_now < ema_long_now and ema_short_pre > ema_long_pre and context.portfolio.positions[g.security[i]].sellable_amount > 0:
sell[i]=1
return sell
#6
#获得买入信号
#输入：context, data
#输出：buy - list
def signal_stock_buy(context,data):
buy = [0]*len(g.security)
for i in range(len(g.security)):
# 算出今天和昨天的两个指数移动均线的值，我们这里假设长线是60天，短线是1天(前一天的收盘价)
(ema_long_pre,ema_long_now) = get_EMA(g.security[i],60,data)
(ema_short_pre,ema_short_now) = get_EMA(g.security[i],1,data)
# 如果短均线从下往上穿越长均线，则为金叉信号，标记买入
if ema_short_now > ema_long_now and ema_short_pre < ema_long_pre and context.portfolio.positions[g.security[i]].sellable_amount == 0 :
buy[i]=1
return buy
#7
# 计算移动平均线数据
# 输入：股票代码-字符串，移动平均线天数-整数
# 输出：算术平均值-浮点数
def get_MA(security_code,days):
# 获得前days天的数据，详见API
a=attribute_history(security_code, days, '1d', ('close'))
# 定义一个局部变量sum，用于求和
sum=0
# 对前days天的收盘价进行求和
for i in range(1,days+1):
sum+=a['close'][-i]
# 求和之后除以天数就可以的得到算术平均值啦
return sum/days
#8
# 计算指数移动平均线数据
# 输入：股票代码-字符串，移动指数平均线天数-整数，data
# 输出：今天和昨天的移动指数平均数-浮点数
def get_EMA(security_code,days,data):
# 如果只有一天的话,前一天的收盘价就是移动平均
if days==1:
# 获得前两天的收盘价数据，一个作为上一期的移动平均值，后一个作为当期的移动平均值
t = attribute_history(security_code, 2, '1d', ('close'))
return t['close'][-2],t['close'][-1]
else:
# 如果全局变量g.EMAs不存在的话，创建一个字典类型的变量，用来记录已经计算出来的EMA值
if 'EMAs' not in dir(g):
g.EMAs={}
# 字典的关键字用股票编码和天数连接起来唯一确定，以免不同股票或者不同天数的指数移动平均弄在一起了
key="%s%d" %(security_code,days)
# 如果关键字存在，说明之前已经计算过EMA了，直接迭代即可
if key in g.EMAs:
#计算alpha值
alpha=(days-1.0)/(days+1.0)
# 获得前一天的EMA（这个是保存下来的了）
EMA_pre=g.EMAs[key]
# EMA迭代计算
EMA_now=EMA_pre*alpha+data[security_code].close*(1.0-alpha)
# 写入新的EMA值
g.EMAs[key]=EMA_now
# 给用户返回昨天和今天的两个EMA值
return (EMA_pre,EMA_now)
# 如果关键字不存在，说明之前没有计算过这个EMA，因此要初始化
else:
# 获得days天的移动平均
ma=get_MA(security_code,days)
# 如果滑动平均存在（不返回NaN）的话，那么我们已经有足够数据可以对这个EMA初始化了
if not(isnan(ma)):
g.EMAs[key]=ma
# 因为刚刚初始化，所以前一期的EMA还不存在
return (float("nan"),ma)
else:
# 移动平均数据不足days天，只好返回NaN值
return (float("nan"),float("nan"))
'''
================================================================================
每天收盘后
================================================================================
'''
# 每日收盘后要做的事情（本策略中不需要）
def after_trading_end(context):
return
多股票策略
context数据结构图：
portfolio解释（来自牛津词典）
(finance 财) （个人或机构的）投资组合，有价证券组合
a set of shares owned by a particular person or organization
order_target_value(security, value, style=None, side='long', pindex=0, close_today=False)
调整标的仓位到value价值，注意使用此接口下单时若指定的标的有未完成的订单，则先前未完成的订单将会被取消
参数
security: 标的名字
value: 期望的标的最终价值，value = 最新价 * 手数 * 保证金率（股票为1） * 乘数（股票为100）
style: 参见OrderStyle, None代表MarketOrder
side: ‘long’/‘short’，操作多单还是空单。默认为多单。
pindex: 在使用set_subportfolios创建了多个仓位时，指定subportfolio 的序号, 从 0 开始, 比如 0为 指定第一个 subportfolio, 1 为指定第二个 subportfolio，默认为0。
close_today: 平今字段，close_today: 平今字段，仅对上海国际能源中心，上海期货交易所，中金所生效，其他交易所将会报错（其他交易所没有区分平今与平昨，均按照先开先平的方法处理）。
对上海国际能源中心，上海期货交易所，中金所的标的：
close_today = True, 只平今仓，今仓不足的时候，订单将会被废单。
close_today = False, 优先平昨仓，昨仓不足部分平今仓
不管close_today是True还是False，此函数只会产生一个订单，区别在于平仓时的手续费计算，平昨仓使用close_commission对应手续费率，平今仓使用close_today_commission手续费率。
返回 Order对象或者None, 如果创建委托成功, 则返回Order对象, 失败则返回None
示例
#卖出平安银行所有股票
order_target_value(‘000001.XSHE’, 0)
#调整平安银行股票仓位到10000元价值
order_target_value(‘000001.XSHE’, 10000)
扫一扫
453
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
