002 常见量化交易平台使用

常见的量化交易平台:米筐,BigQuant,优矿,聚宽,掘金。

本文简单介绍其中的米筐量化交易平台。米筐支持Python,Java编写交易策略进行回测。

 一、平台使用

1. 注册账号

平台网址:米筐量化平台

 平台的帮助文档见网站【支持】页面:

2.  进入界面

打开右上角的【产品——米筐量化协作平台】进入策略编写界面,然后点击【新建策略】的【代码策略】,当然,也可以使用向导策略。

3. 编写策略

在左侧编写策略,点击右侧的【编译策略】

4. 运行回测

编译通过后,点击最右侧的【运行回测】,模拟交易策略的结果。

 二、常用函数

1. init()

策略启动运行时首先执行的函数,只执行一次。其中context参数可理解为全局变量,可在各个函数中使用,以传递参数。

# 可以导入常见的numpy,pandas等库,以及米筐自带的talib库

# 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):
    # 在context中保存全局变量
    context.s1 = "000001.XSHE"
    # 实时打印日志
    logger.info("RunInfo: {}".format(context.run_info))

2. handle_bar()

股票数据有更新时会自动执行该函数,用于编写量化策略的主要逻辑和触发交易动作。

# 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):
    # 开始编写你的主要的算法逻辑

    # bar_dict[order_book_id] 可以拿到某个证券的bar信息
    # context.portfolio 可以拿到现在的投资组合信息

    # 使用order_shares(id_or_ins, amount)方法进行落单

    # TODO: 开始编写你的算法吧!
    order_shares(context.s1, 1000)

3. before_training()

每天策略开始交易前自动触发的函数。具体触发事件取决于交易策略的执行事件。

4. after_training()

每天收盘后组东触发的函数。

5. 交易函数

order_percent():按目前总资产的百分比金额买入或买出。如:

order_percent('000651.SZ', 1)    # 全仓买入格力
order_percent('000651.SZ', 0.5)    # 半仓买入格力

order_percent('000651.SZ', -1)    # 清仓格力
order_percent('000651.SZ', -0.5)    # 减半仓格力

order_shares:按若干股(必须是1手的倍数,A股中,1手=100股)的数量交易。如:

order_shares('000651.SZ', 200)    # 买入200股格力
order_shares('000651.SZ', -100)    # 卖出100股格力

order_lots:按若干手的数量交易。如:

order_lots('000651.SZ', 2)    # 买入2手格力
order_lots('000651.SZ', -1)    # 卖出1手股格力

order_value():按金额数量交易。如 

order_value('000651.SZ', 100000)    # 买入共1w人民币的格力
order_value('000651.SZ', -100000)    # 卖出共1w人民币的格力
order_value('000651.SZ', 0)    # 清仓格力

其他还有order_target_percent、order_target_portfolio是按当前仓位百分比进行增减仓的函数等。

6. 股票筛选函数

is_st_stock(stock_code):股票是否ST

is_suspend(stock_code):是否停牌

三、策略示例

策略示例摘自李天胜《python量化交易实战》一书。

1. 策略示例1

如果空仓,直接全仓买入茅台股票。

# 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):
    logger.info('init')
    context.s1 = "600519.XSHG"      # 茅台
    context.fired = False           # 是否发送了交易命令
    context.cnt = 1                 # 策略相关函数执行次数

 
    # 设置这个策略当中会用到的参数,在策略中可以随时调用,这个策略使用长短均线,我们在这里设定长线和短线的区间,在调试寻找最佳区间的时候只需要在这里进行数值改动
    context.SHORTPERIOD = 20
    context.LONGPERIOD = 120
 
def before_trading(context):
    logger.info('before trading', context.cnt)
    context.cnt += 1
 
# 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):
    # 开始编写你的主要的算法逻辑
    context.cnt += 1
    logger.info('handle_bar', context.cnt)

    # bar_dict[order_book_id] 可以拿到某个证券的bar信息
    # context.portfolio 可以拿到现在的投资组合状态信息
 
    # 使用order_shares(id_or_ins, amount)方法进行落单
 
    # TODO: 开始编写你的算法吧!
    if not context.fired:
        order_percent(context.s1, 1)
        context.fired = True

回测结果: 

 2. 策略示例2

KDJ金叉全仓买入,KDJ死叉清仓

# 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):
    # 在context中保存全局变量
    context.s1 = "600519.XSHG"
    # 实时打印日志
    logger.info("RunInfo: {}".format(context.run_info))

    context.SHORTPERIOD = 20    # MA20
    context.LONGPERIOD = 60     # MA60

# 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):
    pass


# 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):
    # 开始编写你的主要的算法逻辑

    # bar_dict[order_book_id] 可以拿到某个证券的bar信息
    # context.portfolio 可以拿到现在的投资组合信息

    # 使用order_shares(id_or_ins, amount)方法进行落单

    # TODO: 开始编写你的算法吧!
    prices = history_bars(context.s1, context.LONGPERIOD+1, '1d','close')

    short_avg = talib.SMA(prices, context.SHORTPERIOD)
    long_avg = talib.SMA(prices, context.LONGPERIOD)
    plot('short avg', short_avg[-1])
    plot('long avg', long_avg[-1])

    # 当前股票持有的仓位
    cur_position = get_position(context.s1).quantity   

    # 当前portfolio中现金可以买入多少股     
    shares = context.portfolio.cash/bar_dict[context.s1].close

    # 死叉,清仓
    if (short_avg[-1] - long_avg[-1]) < 0 and (short_avg[-2] - long_avg[-2] > 0) and cur_position > 0:
        order_target_value(context.s1, 0)
    
    # 金叉,加仓
    if (short_avg[-1] - long_avg[-1]) > 0 and (short_avg[-2] - long_avg[-2] < 0):
        order_shares(context.s1, shares) 

# 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

回测结果:

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
量化交易策略可以根据不同的分类方法进行分组,以下是其中一种可能的分类方法: 1. 趋势跟踪策略:趋势跟踪策略是一种基于市场趋势的交易策略,其逻辑是基于价格走势判断当前市场趋势,然后根据趋势方向进行交易。常见的趋势跟踪策略包括移动平均线策略、布林带策略、动量策略等。 2. 均值回归策略:均值回归策略是一种基于统计学原理的交易策略,其逻辑是认为市场价格在一定时期内会向其均值回归,因此在价格偏离均值时进行交易。常见的均值回归策略包括配对交易策略、RSI指标策略、MACD策略等。 3. 统计套利策略:统计套利策略是一种利用市场中存在的价格关系进行交易的策略,其逻辑是通过对不同证券之间或同一证券在不同市场之间的价格关系进行分析,发现价格之间的偏离,然后利用这种偏离进行交易。常见的统计套利策略包括ETF套利策略、跨市场套利策略、期货套利策略等。 4. 事件驱动策略:事件驱动策略是一种基于公司事件(如合并收购、股票拆分、股息宣布等)进行交易的策略,其逻辑是预测公司事件的影响,然后根据预测结果进行交易。常见的事件驱动策略包括并购套利策略、股权分置改革策略、分红预期策略等。 5. 高频交易策略:高频交易策略是一种利用计算机算法和高速网络进行快速交易的策略,其逻辑是通过对市场微小波动的捕捉进行快速的买入卖出操作,以实现利润。常见的高频交易策略包括套利策略、市场制造者策略、量化趋势跟踪策略等。 以上只是量化交易策略分类的一种方式,不同的分类方式可能会产生不同的策略组合,但是这些策略都是基于特定的市场规律或

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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