2.2.1.2-网格交易(python网格交易附实战交易记录)

最新推荐文章于 2024-05-20 08:00:00 发布
最新推荐文章于 2024-05-20 08:00:00 发布
阅读量1.4k 收藏 26
点赞数 9
分类专栏： 投资 文章标签： python 投资 网格交易 交易记录 实证
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/sdfiiiiii/article/details/137351951
版权

跳转到根目录：知行合一：投资篇

已完成：
1、投资&技术
  1.1.1 投资-编程基础-numpy
  1.1.2 投资-编程基础-pandas
  1.2 金融数据处理
  1.3 金融数据可视化
2、投资方法论
  2.1.1 预期年化收益率
  2.1.2 一个关于y=ax+b的故事
  2.1.3-数据标准化
  2.1.4-相关性分析
  2.2.1.1-一个关于定投的故(姿)事(势)
  2.2.1.2-网格交易
  2.2.1.3-移动平均线

3、投资实证
  [3.1 2023这一年] 被鸽

文章目录

1. 网格策略说明

网格交易，说最简单的，就是跌了买，涨了卖。

为了少说废话，这里就举1个例子：

nameopenclosedate操作操作价格
券商ETF0.980.982016/9/14买0.98
券商ETF0.9830.9622016/9/26买0.97
券商ETF0.9821.0052016/10/18卖1
券商ETF1.0011.0252016/10/24卖1.01
券商ETF1.0011.0252016/10/24卖1.02
券商ETF1.0211.0312016/11/1卖1.03
券商ETF1.0251.052016/11/3卖1.04
券商ETF1.0251.052016/11/3卖1.05
券商ETF1.0551.0882016/11/11卖1.06
券商ETF1.0551.0882016/11/11卖1.07
券商ETF1.0551.0882016/11/11卖1.08
券商ETF1.091.0972016/11/14卖1.09
券商ETF1.0641.0342016/12/5买1.06
券商ETF1.0641.0342016/12/5买1.05
券商ETF1.0641.0342016/12/5买1.04
券商ETF1.0381.0262016/12/8买1.03
券商ETF1.0291.0012016/12/12买1.02
券商ETF1.0291.0012016/12/12买1.01
券商ETF1.0010.9882016/12/14买1
券商ETF1.0010.9882016/12/14买0.99
券商ETF0.9810.9762016/12/19买0.98
券商ETF0.9750.9632016/12/23买0.97
券商ETF0.9951.0022017/2/20卖1
券商ETF0.9740.9622017/3/22买0.97
券商ETF0.9730.962017/3/29买0.96
券商ETF0.950.9442017/4/19买0.95
券商ETF0.9420.9372017/5/2买0.94

1.1. 策略说明

  • 网格的大小，可以自己定义，我定义的是0.01作为一个网格

  • 买入一笔后，如果后面价格涨了x*0.01（这里x可以自己定，我定的是3），那么就卖出

  • 买入一笔后，如果后面价格跌了y*0.01（y一般就是1，也就是1网），那么就继续买入

  • 卖出一笔后，如果后面价格跌了x*0.01（这里x可以自己定，我定的是3），那么就买入

  • 卖出一笔后，如果后面价格涨了y*0.01（y一般就是1，也就是1网），那么就继续卖出

  • 第一天，默认就是买入

  • 后续是按照收盘价和之前买入或卖出的价格进行比较，看是否进行买或卖的操作

1.2. 策略数据样例

2016/9/14买入价0.98，那么，我们预期要么是在1.01卖出，要么是在0.97买入

到了2016/9/26，收盘价是0.962，是>0.97的，那我们就直接认为我们挂单了0.97买入

在2016/9/26以0.97买入之后，我们预期要么是在1.00卖出，要么是在0.96买入

到了2016/10/18，收盘价是1.005，是>1.00的，我们可以成交1笔卖出。

2. 策略实现

2.1. 数据结构定义

    def __init__(self, security, start_date=None, end_date=None) -> None:
        super().__init__()
        # security：是这次执行的代码，一般类似512000，510300之类
        # start_date、end_date：会在所有的数据行中，截取对应的时间片段。不传值，那默认就是None，就会用全量数据进行测算。
        # step_price：每个网格的大小，比如我们测算的是512000，是1左右净值的，1%作为网格，是合适的。
        # steps：买入一笔后，如果后面价格涨了x*0.01（这里x可以自己定，我定的是3），那么就卖出。这里的x，就是我们这里的steps
        self.args = {'security': security, 'start_date': start_date, 'end_date': end_date, 'step_price': 0.01, 'steps': 3}
        # 加载数据，后面会具体解释加载过程
        self.daily_df = self.load_data_2_df()
        # 保留本次交易的行数据，方便后面的使用（比如判断上一笔，是买入还是卖出操作）
        self.last_transaction = None
        # 交易历史，最后输出到csv，方便查看
        self.transactions = []

2.2. 加载数据

    def load_data_2_df(self):
        # 这个案例，是通过既有数据来跑的，512000，包含了从 2016-09-14 ~ 2024-03-29 的日线数据。
        # 如果想要自己获取数据，可以参考之前的文章：https://blog.csdn.net/sdfiiiiii/article/details/135289226，包含了从qstock获取、处理、存储数据等
        df = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/512000.csv")
        # 如果指定了start_date、end_date，就进行数据的切割
        if self.args['start_date']:
            df = df[df["date"] >= self.args['start_date']]
        if self.args['end_date']:
            df = df[df["date"] <= self.args['end_date']]
        # 转换为日期类型
        df['date'] = df['date'].apply(pd.to_datetime, format='%Y-%m-%d')
        # 按照日期的正序排序（防止数据错位）
        df.sort_values(by="date", ascending=True)
        # 设置dataframe的索引，后面取数比较简便一些.
        df = df.set_index("date")
        # 设置了date为索引之后，dataframe里面就没有date这一列了，有时候为了方便处理，还是把date给加上
        df['date'] = df.index.tolist()
        return df

2.3. 主代码

主代码，意味着，这里是执行流程的核心。

其实也比较简单，就是遍历dataframe，逐行处理数据即可。

    def process(self):
        # dataframe的遍历，逐行处理数据
        for index, row in self.daily_df.iterrows():
            # index是索引，就是日期；row是Series类型，一行完整的数据
            if index != self.daily_df.iloc[0]['date']:
                # 非第一天
                # 1.1 今日收盘价如果 < 上次操作的价格，那么可能要买。
                if row['close'] < self.last_transaction['价格']:
                    # want_buy，为什么可能要买，因为在网格中，如果之前是买入，当天价格下跌没有达到下一网，是不买的。这个逻辑在want_buy内部实现
                    self.want_buy(row=row)
                # 1.2 今日收盘价如果 > 上次操作的价格，那么可能要卖，want_sell
                elif row['close'] > self.last_transaction['价格']:
                    # want_sell其实和want_buy是同样的解释。因为在网格中，如果收盘价大于上次交易价格，但没有达到实际要卖出的价格，那也是不卖的。这个逻辑在want_sell内部实现
                    self.want_sell(row=row)
                else:
                    # hold方法，其实什么都没做，return None。意思就是持有不操作。
                    self.hold(row=row)
                print()
            else:
                # 是第一天，默认就是买入
                # want_buy方法，是指可能要买，为什么可能要买，因为在网格中，如果之前是买入，当天价格下跌没有达到下一网，是不买的。这个逻辑在want_buy内部实现
                self.want_buy(row=row)
        # 遍历完所有的数据之后，将所有的交易记录通过pandas存储到csv文件中
        df = pd.DataFrame(self.transactions)
        df.to_csv('%s交易记录.csv' % self.args['security'], index=None)

2.3.1. 先看看 want_buy

    def want_buy(self, row):
        if row['date'] == self.daily_df.iloc[0]['date']:
            # 这个是第一天的逻辑，直接执行买入。today_buy就真的是买入操作了，主要是记录买入价格和当前行数据
            this_trans = self.today_buy(row, row['close'])
            # 将买入行相关的信息，存储到self.transactions操作历史中，方便整体输出
            self.transactions.append(this_trans)
        else:
            # 这里就不是第一天了，要去判断是否能买的到（比如价格下跌没到下一网位置，就不买的。）
            if self.last_transaction['操作'] == '买':
                # 如果上一次的操作是'买'，那么要构造1个买入价格的阶梯 [上次买入价格, 今日收盘价]，按照'网格大小'构建一个阶梯price_stairs。
                # 用到的是numpy的arange方法，举例:print(np.arange(10,1,-2)) # 输出[10  8  6  4  2]
                start_buy_price = self.last_transaction['价格']
                price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])
                print('前一天是买入，价格%s。收盘价下跌, 构造的买入阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
                if len(price_stairs) >= 1:
                    # 因为，第一个价格是上次买入价格，所以不要包含在本次的买入阶梯里面，做一些切割[1:]
                    price_stairs = price_stairs[1:]
                    for price in price_stairs:
                        # 一般保留3位小数即可
                        price = round(price, 3)
                        # today_buy，是真正的做买入动作了。
                        this_trans = self.today_buy(row, price)
                        # 将买入信息，集中存储到transactions列表中，后续输出到文件
                        self.transactions.append(this_trans)
                else:
                    print('未达到买入阶梯价，今日不执行买入')
            elif self.last_transaction['操作'] == '卖':
                # 构造买入阶梯价，2. 如果"上一次"是卖出，那么要从"-3*网格"开始买
                start_buy_price = self.last_transaction['价格'] - self.args['steps'] * self.args['step_price']
                # 构造价格区间的方法，跟上面是一样的。
                price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])
                print('前一天是卖出，价格%s。收盘价下跌，构造的买入阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
                if start_buy_price == row['close']:
                    # 如果期望开始买的价格，正好是当天收盘价，其实就是此次要买入的价格
                    price_stairs = np.array([start_buy_price])
                if len(price_stairs) >= 1:
                    # 下面的逻辑，跟上面是一样的。
                    for price in price_stairs:
                        price = round(price, 3)
                        this_trans = self.today_buy(row, price)
                        self.transactions.append(this_trans)
                else:
                    print('未达到买入阶梯价，今日不执行买入')

2.3.2. 买入！today_buy

上面方法，用到的today_buy方法，其实就几行代码：

    def today_buy(self, row, price):
        # 扩充行数据元素，增加2列：操作 = 买，价格 = price
        self.daily_df.loc[row['date'], '操作'] = '买'
        self.daily_df.loc[row['date'], '价格'] = price
        # 将买入这个操作的信息，保存在临时变量 self.last_transaction 中，方便后面处理，能快速定位到上次交易是买入还是卖出，以及其价格
        self.last_transaction = self.daily_df.loc[row['date']]
        return self.last_transaction

2.3.3. want_sell

want_sell和want_buy方法及其相似，就不逐行解释了。

    def want_sell(self, row):
        # 构造卖出阶梯价，1. 如果"前一天"是卖出，那么构造卖出就是按照下一个"网格"卖
        if self.last_transaction['操作'] == '卖':
            start_sell_price = self.last_transaction['价格']
            price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])
            print('前一天是卖出，价格%s。收盘价上涨, 构造的卖出阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
            if len(price_stairs) >= 1:
                price_stairs = price_stairs[1:]
                for price in price_stairs:
                    price = round(price, 3)
                    this_trans = self.today_sell(row, price)
                    self.transactions.append(this_trans)
            else:
                print('未达到卖出阶梯价，今日不执行卖出')
        # 构造卖出阶梯价，2. 如果"前一天"是买入出，那么要从"+3*网格"开始卖
        elif self.last_transaction['操作'] == '买':
            start_sell_price = self.last_transaction['价格'] + self.args['steps'] * self.args['step_price']
            price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])
            print('前一天是买入，价格%s。收盘价上涨，构造的买卖出阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
            print(price_stairs)
            if start_sell_price == row['close']:
                price_stairs = np.array([start_sell_price])
            if len(price_stairs) >= 1:
                for price in price_stairs:
                    price = round(price, 3)
                    this_trans = self.today_sell(row, price)
                    self.transactions.append(this_trans)
            else:
                print('未达到卖出阶梯价，今日不执行卖出')

2.3.4. 卖出！today_sell

也是跟today_buy大同小异，没什么要特别说明的地方。

    def today_sell(self, row, price):
        # 扩充行数据元素，增加2列：操作 = 卖，价格 = price
        self.daily_df.loc[row['date'], '操作'] = '卖'
        self.daily_df.loc[row['date'], '价格'] = price
        # 将卖出这个操作的信息，保存在临时变量 self.last_transaction 中，方便后面处理，能快速定位到上次交易是买入还是卖出，以及其价格
        self.last_transaction = self.daily_df.loc[row['date']]
        return self.last_transaction

2.4. 完整代码

完整的代码已经全部都解释完了，就是上面的几个方法组合起来，就结束，整体代码量，加上充分的注释，163行。

废话少说，上干货，直接就能跑~

import pandas as pd
import numpy as np


class FixedGrid:

    def __init__(self, security, start_date=None, end_date=None) -> None:
        super().__init__()
        # security：是这次执行的代码，一般类似512000，510300之类
        # start_date、end_date：会在所有的数据行中，截取对应的时间片段。不传值，那默认就是None，就会用全量数据进行测算。
        # step_price：每个网格的大小，比如我们测算的是512000，是1左右净值的，1%作为网格，是合适的。
        # steps：买入一笔后，如果后面价格涨了x*0.01（这里x可以自己定，我定的是3），那么就卖出。这里的x，就是我们这里的steps
        self.args = {'security': security, 'start_date': start_date, 'end_date': end_date, 'step_price': 0.01, 'steps': 3}
        # 加载数据，后面会具体解释加载过程
        self.daily_df = self.load_data_2_df()
        # 保留本次交易的行数据，方便后面的使用（比如判断上一笔，是买入还是卖出操作）
        self.last_transaction = None
        # 交易历史，最后输出到csv，方便查看
        self.transactions = []

    def load_data_2_df(self):
        # 这个案例，是通过既有数据来跑的，512000，包含了从 2016-09-14 ~ 2024-03-29 的日线数据。
        # 如果想要自己获取数据，可以参考之前的文章：https://blog.csdn.net/sdfiiiiii/article/details/135289226，包含了从qstock获取、处理、存储数据等
        df = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/512000.csv")
        # 如果指定了start_date、end_date，就进行数据的切割
        if self.args['start_date']:
            df = df[df["date"] >= self.args['start_date']]
        if self.args['end_date']:
            df = df[df["date"] <= self.args['end_date']]
        # 转换为日期类型
        df['date'] = df['date'].apply(pd.to_datetime, format='%Y-%m-%d')
        # 按照日期的正序排序（防止数据错位）
        df.sort_values(by="date", ascending=True)
        # 设置dataframe的索引，后面取数比较简便一些.
        df = df.set_index("date")
        # 设置了date为索引之后，dataframe里面就没有date这一列了，有时候为了方便处理，还是把date给加上
        df['date'] = df.index.tolist()
        return df

    def today_buy(self, row, price):
        # 扩充行数据元素，增加2列：操作 = 买，价格 = price
        self.daily_df.loc[row['date'], '操作'] = '买'
        self.daily_df.loc[row['date'], '价格'] = price
        # 将买入这个操作的信息，保存在临时变量 self.last_transaction 中，方便后面处理，能快速定位到上次交易是买入还是卖出，以及其价格
        self.last_transaction = self.daily_df.loc[row['date']]
        return self.last_transaction

    def today_sell(self, row, price):
        # 扩充行数据元素，增加2列：操作 = 卖，价格 = price
        self.daily_df.loc[row['date'], '操作'] = '卖'
        self.daily_df.loc[row['date'], '价格'] = price
        # 将卖出这个操作的信息，保存在临时变量 self.last_transaction 中，方便后面处理，能快速定位到上次交易是买入还是卖出，以及其价格
        self.last_transaction = self.daily_df.loc[row['date']]
        return self.last_transaction

    def want_buy(self, row):
        if row['date'] == self.daily_df.iloc[0]['date']:
            # 这个是第一天的逻辑，直接执行买入。today_buy就真的是买入操作了，主要是记录买入价格和当前行数据
            this_trans = self.today_buy(row, row['close'])
            # 将买入行相关的信息，存储到self.transactions操作历史中，方便整体输出
            self.transactions.append(this_trans)
        else:
            # 这里就不是第一天了，要去判断是否能买的到（比如价格下跌没到下一网位置，就不买的。）
            if self.last_transaction['操作'] == '买':
                # 如果上一次的操作是'买'，那么要构造1个买入价格的阶梯 [上次买入价格, 今日收盘价]，按照'网格大小'构建一个阶梯price_stairs。
                # 用到的是numpy的arange方法，举例:print(np.arange(10,1,-2)) # 输出[10  8  6  4  2]
                start_buy_price = self.last_transaction['价格']
                price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])
                print('前一天是买入，价格%s。收盘价下跌, 构造的买入阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
                if len(price_stairs) >= 1:
                    # 因为，第一个价格是上次买入价格，所以不要包含在本次的买入阶梯里面，做一些切割[1:]
                    price_stairs = price_stairs[1:]
                    for price in price_stairs:
                        # 一般保留3位小数即可
                        price = round(price, 3)
                        # today_buy，是真正的做买入动作了。
                        this_trans = self.today_buy(row, price)
                        # 将买入信息，集中存储到transactions列表中，后续输出到文件
                        self.transactions.append(this_trans)
                else:
                    print('未达到买入阶梯价，今日不执行买入')
            elif self.last_transaction['操作'] == '卖':
                # 构造买入阶梯价，2. 如果"上一次"是卖出，那么要从"-3*网格"开始买
                start_buy_price = self.last_transaction['价格'] - self.args['steps'] * self.args['step_price']
                # 构造价格区间的方法，跟上面是一样的。
                price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])
                print('前一天是卖出，价格%s。收盘价下跌，构造的买入阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
                if start_buy_price == row['close']:
                    # 如果期望开始买的价格，正好是当天收盘价，其实就是此次要买入的价格
                    price_stairs = np.array([start_buy_price])
                if len(price_stairs) >= 1:
                    # 下面的逻辑，跟上面是一样的。
                    for price in price_stairs:
                        price = round(price, 3)
                        this_trans = self.today_buy(row, price)
                        self.transactions.append(this_trans)
                else:
                    print('未达到买入阶梯价，今日不执行买入')

    def want_sell(self, row):
        # 构造卖出阶梯价，1. 如果"前一天"是卖出，那么构造卖出就是按照下一个"网格"卖
        if self.last_transaction['操作'] == '卖':
            start_sell_price = self.last_transaction['价格']
            price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])
            print('前一天是卖出，价格%s。收盘价上涨, 构造的卖出阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
            if len(price_stairs) >= 1:
                price_stairs = price_stairs[1:]
                for price in price_stairs:
                    price = round(price, 3)
                    this_trans = self.today_sell(row, price)
                    self.transactions.append(this_trans)
            else:
                print('未达到卖出阶梯价，今日不执行卖出')
        # 构造卖出阶梯价，2. 如果"前一天"是买入出，那么要从"+3*网格"开始卖
        elif self.last_transaction['操作'] == '买':
            start_sell_price = self.last_transaction['价格'] + self.args['steps'] * self.args['step_price']
            price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])
            print('前一天是买入，价格%s。收盘价上涨，构造的买卖出阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
            print(price_stairs)
            if start_sell_price == row['close']:
                price_stairs = np.array([start_sell_price])
            if len(price_stairs) >= 1:
                for price in price_stairs:
                    price = round(price, 3)
                    this_trans = self.today_sell(row, price)
                    self.transactions.append(this_trans)
            else:
                print('未达到卖出阶梯价，今日不执行卖出')

    def hold(self, row):
        return None

    def process(self):
        # dataframe的遍历，逐行处理数据
        for index, row in self.daily_df.iterrows():
            # index是索引，就是日期；row是Series类型，一行完整的数据
            if index != self.daily_df.iloc[0]['date']:
                # 非第一天
                # 1.1 今日收盘价如果 < 上次操作的价格，那么可能要买。
                if row['close'] < self.last_transaction['价格']:
                    # want_buy，为什么可能要买，因为在网格中，如果之前是买入，当天价格下跌没有达到下一网，是不买的。这个逻辑在want_buy内部实现
                    self.want_buy(row=row)
                # 1.2 今日收盘价如果 > 上次操作的价格，那么可能要卖，want_sell
                elif row['close'] > self.last_transaction['价格']:
                    # want_sell其实和want_buy是同样的解释。因为在网格中，如果收盘价大于上次交易价格，但没有达到实际要卖出的价格，那也是不卖的。这个逻辑在want_sell内部实现
                    self.want_sell(row=row)
                else:
                    # hold方法，其实什么都没做，return None。意思就是持有不操作。
                    self.hold(row=row)
                print()
            else:
                # 是第一天，默认就是买入
                # want_buy方法，是指可能要买，为什么可能要买，因为在网格中，如果之前是买入，当天价格下跌没有达到下一网，是不买的。这个逻辑在want_buy内部实现
                self.want_buy(row=row)
        # 遍历完所有的数据之后，将所有的交易记录通过pandas存储到csv文件中
        df = pd.DataFrame(self.transactions)
        df.to_csv('%s交易记录.csv' % self.args['security'], index=None)


if __name__ == '__main__':
    # this = FixedGrid(security='512000', start_date='2020-09-14', end_date='2023-09-14')
    this = FixedGrid(security='512000', start_date=None, end_date=None)
    this.process()

3. 收益如何？

其实这里还是要说的，网格这个东西，我们还缺了一个前置条件：

  1. 你得有足够的持仓在手里，你才能在想卖的时候卖出，对吧？
  2. 你得有足够的money在手机，你才能在想买入的时候买，对吧？

所以，这个策略，是为了告诉我们，如果我都ok，那理论上，一年下来，我能卖出多少回？也就是做了多少次的T，能赚多少钱？

我把这个统计的结果文件，放在了：512000交易记录

为了对这个策略有信心，我只看，每年，卖出了多少回？

插个题外话，这个策略有很多改进的地方，比如：

  1. 可以不按照close收盘价来算，而是按照当天的最高或最低价来算
  2. 网格，可以有增强，比如，增加网格数量，或者增加买入、卖出份额等

我自己已经非常忠实的执行了网格交易有一段时间，对结果还是比较满意的，贴一下记录，有兴趣的可以交流。

Kelvin写代码
关注
  • 9
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python：网格交易法
走向CTO的路上...
01-30 310
在乌龟量化上找一支宽基指数（比如上证指数），随便哪一只，然后： 1.每当指数下跌至机会位（过去5年PE 30%低位点）时开始加仓，并且PE分位点每下降3%，就加仓，且加仓数量是之前的2倍；如果PE百分位点上升，则停止加仓 2.每当指数上升至卖出位（过去5年PE 70%高位点）时开始减仓，并且PE分位点每上升3%，就减仓，且减仓数量是之前的1/2倍；PE低位时适度加仓，PE高位时适度减仓，旨在追求在市场估值较低时买入，较高时卖出，获取超额收益。这样的投资策略基于市场估值，理论上能够在市场波动中获得超额收益。
【Python】 网格策略回测（日内高频数据）
m0_74961681的博客
03-10 2924
网格策略日内高频情况下的回测情况
【python量化交易】—— 经典网格交易 - Qteasy自定义交易策略【附源码】
最新发布
Shepherdppz的博客
05-20 786
我们今天使用qteasy来回测一个双均线择时交易策略，qteasy是一个功能全面且易用的量化交易策略框架，Github地址在这里。使用它，能轻松地获取历史数据，创建交易策略并完成回测和优化，还能实盘运行。项目文档在这里。为了继续本章的内容，您需要安装qteasy【教程1】，并下载历史数据到本地【教程2、），详情可以参考更多教程【教程3】。建议您先按照前面教程的内容了解qteasy的使用方法，然后再参考这里的例子创建自己的交易策略。
python 网格_Python版简单网格策略
weixin_39966163的博客
12-06 554
策略广场上的Python策略不多，这里编写了一个Python版本的网格策略。策略原理十分简单，在一个价格区间内固定价格距离产生一系列的网格节点，当行情变化时，价格到达一个网格节点价格位置，就挂一个买入订单。当这个订单成交时，即按照挂单的价格加上利润差价，挂出平仓的卖单订单。捕捉在设置的价格区间内的波动。网格策略的风险不用多说，任何网格类型的策略都是属于赌价格在某个区间震荡，一旦价格冲出网格范围，可...
【转载】网格交易 python
u010659877的专栏
07-20 1657
平台：发明者量化 转载自：https://blog.csdn.net/qq_25863231/article/details/103976490 import json # reference: https://blog.csdn.net/qq_25863231/article/details/103976490 # 参数 beginPrice = 5000 # 网格区间开始价格 endPrice = 8000 # 网格区间结束价格 distance = 20 # 每个网格节点的价格距离 pointPr.
策略1：使用python+mongodb实现股票网格交易代码----附python源码
KelvinLiu
07-19 3704
使用python+mongodb实现网格交易的思路。
网格交易 python代码_网格交易原理和代码
weixin_36300491的博客
01-13 3269
# coding=utf-8from __future__ import print_function, absolute_import, unicode_literalsimport numpy as npimport pandas as pdfrom gm.api import *'''本策略标的为：SHFE.rb1901价格中枢设定为：前一交易日的收盘价从阻力位到压力位分别为：1.03 * ...
python网格交易法详解_期货交易技巧：等分网格交易法详解
weixin_39683769的博客
12-10 602
期货交易技巧：等分网格交易法详解网格交易法的基本原理就是把行情的所有日间上下的波动全部囊括，它不会放过任何一次的行情上下波动。不管市场价格如何上下波动，不外3种形态：上涨，盘整，下跌。由于不同的操作方法而有不同的结果表现，依据历史经验，由于盘整行情的神出鬼没，用普通习惯的操作方法在盘整行情中是很难赚到钱的，经常是高买低卖，左右挨耳光。而网格法由于不依赖人为的思考，完全是一种程序行为，像渔网一样，可...
用python写一个网格交易策略代码
weixin_35756637的博客
02-17 1562
网格交易策略的python代码大致如下： 导入需要的库 import pandas as pd 加载数据 data = pd.read_csv("data.csv") 定义一个函数，用于计算最优买入和卖出价格 def calculate_optimal_buy_sell_price(data, grid_size): # 计算最低价和最高价 low_price = dat...
python 网格交易源码_MT4的网格交易策略源码
weixin_39593498的博客
11-29 383
//+------------------------------------------------------------------+//| Grid1.1.mq4 |//| Copy* 顺势加码 2006...
python网格交易法详解_给大家科普一下网格交易法
weixin_39841709的博客
12-10 1345
网格交易法相信很多人都知道，其思路来源于信息论之父申农。上世纪40年代的某一天，申农在黑板上给大家演示了他的投资理论：1、在任意一个价位上，用50%的资金买入股票。即资金数量：股票市值=50%：50%。例如，我有10万块钱，当前股价是10元/股。我花5万块钱，买了5000股(股票市值5万元)，我还剩5万元。此时，我的资金数量：股票市值=50%：50%。2、股票价格上涨一定幅度就卖出一部分股票，保持...
量化网格编码器：一种快速的Python量化网格编码器
02-16
量化网格编码器 快速的Python编码器。 在20毫秒内编码具有100k坐标和180k三角形的网格。 。 大峡谷和瓦尔哈拉高原。 网格是使用或创建的，使用quantized-mesh-encoder ，使用 ，并使用渲染。 概述 是一种用于对地形网格进行编码的格式，以实现高效的客户端地形渲染。 这些文件都支持和 。 该库旨在支持高性能的服务器端按需地形网格生成。 安装 随着点： pip install quantized-mesh-encoder 或使用Conda： conda install -c conda-forge quantized-mesh-encoder 使用 API encode 参数： f ：一个可写的文件状对象，在其中写入编码的字节 positions ：（ array[float] ）：包含3D位置的1D Numpy数组或形状为(-1, 3) -1，3）
网格交易法
08-13
网格交易法，数学+传统智慧战胜华尔街。网格交易法，数学+传统智慧战胜华尔街。
BlackBot:网格交易机器人
05-10
黑宝 BlackBot是实现网格交易策略的Python机器人。 它可以与Waves DEX上的任何资产对一起使用。 网格交易并不关心市场的发展方向-实际上，作为一种有利可图的策略，它在范围广泛的市场中效果最好。 该策略以高于市场价格的固定间隔放置一个销售阶梯，并在其下方放置另一个购买阶梯。 如果卖空被填补，这些资金将被用于在该卖空下方放置一个买入。 因此，您可以将网格视为一系列在价格图表上下延伸的买/卖对，而每对中的买或卖始终保持活动状态。 例如，假设最后一个价格是2000 satoshis，那么您以2100、2200、2300的价格增加了销售…如果价格达到2100，则立即使用这些资金在2000年进行新的买入。如果价格再次跌至2000， ，您可以回购在2100卖出的Incent。如果价格进一步上涨，则在2200卖出并在2100开仓。无论价格走势如何，您都在提供深度-缓冲市场并消除高峰和
基于Python实现的简单网格策略交易源码+使用说明.zip
11-06
基于Python实现的简单网格策略交易源码+使用说明.zip 策略说明 开仓：在盘口挂出买N和卖N，当你的买单或卖单完成后，再重新开启相应的仓位，保持你始终有买N和卖N的订单。 **KuCoin**拥有**level3交易数据、强大...
网格交易法.pdf
05-22
经典的网格交易法/网格策略详细讲解，量化交易参考
网格交易4.0.pdf
10-07
网格交易4.0 1. 学习网格交易策略基本原理：一定要明白“基准价更新”的原理！ 设置基准价和网格价 → 价格下跌：1 买入 2. 更新基准价 → 价格上涨： 1. 卖出 2. 基准价更 新… 2. 学习网格交易 App 应用： 亲手...
一种自动调整网格交易策略中网格大小的方法.docx
10-06
一种简单实用的调整网格交易策略中网格大小的方法，有效改善了网格交易策略的盈利效率，降低回撤风险！
新建 文档.rar_外汇_网格_网格EA_网格交易
07-15
外汇网格交易源码，提供给大家，于大家一起学习
网格交易策略python
05-11
网格交易是一种基于价格波动的交易策略，它通过在价格区间内设置一系列的买入和卖出订单，以期望在价格波动中实现收益。下面是一个用Python实现的基本的网格交易策略： ```python import ccxt # 初始化交易所 exchange = ccxt.binance({ 'apiKey': 'YOUR_API_KEY', 'secret': 'YOUR_SECRET', 'enableRateLimit': True, }) # 设置交易对和网格参数 symbol = 'BTC/USDT' grid_size = 10 # 网格大小 grid_num = 10 # 网格数量 price_precision = 2 # 价格精度 # 获取最新价格 ticker = exchange.fetch_ticker(symbol) last_price = ticker['last'] # 设置网格价格 grid_prices = [] for i in range(grid_num): grid_price = round(last_price * (1 - grid_size / 100) ** (grid_num / 2 - i), price_precision) grid_prices.append(grid_price) # 下单 for i in range(grid_num): buy_price = grid_prices[i] sell_price = grid_prices[i] * (1 + grid_size / 100) amount = 0.01 # 下单数量 buy_order = exchange.create_limit_buy_order(symbol, amount, buy_price) sell_order = exchange.create_limit_sell_order(symbol, amount, sell_price) ``` 这个代码使用了ccxt库来连接Binance交易所，并在BTC/USDT交易对上实现了网格交易策略。具体来说，它首先获取了最新价格，然后计算出了一系列的网格价格。接着，它使用了create_limit_buy_order()和create_limit_sell_order()函数来下买单和卖单。这里的例子中，我们设置了每个订单的数量为0.01BTC。 需要注意的是，这只是一个最基本的网格交易策略的实现，实际应用中还需要考虑很多因素，比如交易费用、风险控制等。另外，由于交易涉及到资金风险，建议在实际操作前进行充分的测试和风险评估。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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