编写第一个量化策略（手把手详细版教程）

　　对于大部分人来说，量化交易是非常陌生与神秘的。本节内容将带你开启第一个量化策略！
　　本节内容摘要：
　　　　1.理解量化策略的基本框架。
　　　　2.学会编写一个简单的量化交易策略。
　　　　3.学会将量化交易策略绑定实盘模拟交易，并实时收到交易策略的买卖信号。

　　1.理解量化策略的基本框架

　　　通常情况下，完整的量化交易策略至少需要确定两件事：
　　　　A.交易标的，即买什么；
　　　　B.确定交易时机，即怎么买卖。
　　　让我们来设计一个简单完整的量化交易策略:
　　　　策略交易标的：贵州茅台；
　　　　策略交易时机：5日均线与20日均线金叉时，买入；5日均线与20日均线死叉时，卖出。

　　2.学会编写一个简单的量化交易策略

　　第一步：打开SuperMind量化交易平台，先在上方导航栏点击“我的策略”—“策略编译”，再点击蓝色按钮“+新建策略”，接着点击已创建的策略进入策略编译器页面，如下：

　　温馨提示：“回测列表”下方三个按钮，可以设置编译器字体大小，背景颜色，编译设置，开启全屏编译，查看API文档，如下：
　　

　　第二步：理解量化交易策略框架对应的代码框架。

def init(context):
    #初始化函数：确定交易标的
def handle_bar(context, bar_dict):    
    #定时运行函数：确定交易时机

　　框架理解：
　　　1.def init(context)与def handle_bar(context, bar_dict)是两个函数，函数格式固定为：def 函数名（参数），其中def后面带空格键，函数末尾必须带冒号。
　　　2.def init(context)函数是初始化函数，只运行一次，确定初始化条件；def handle_bar(context, bar_dict)函数是定时运行函数，平台默认该函数定时运行。日级策略，每日9：30；分钟级策略，交易期间内的每分钟。
　　　3.“#”后面为注释内容，用于注释代码，便于编写和阅读。

　　第三步：确定交易标的：context.security = '600519.SH'。

　　温馨提示：
　　　1.context是账户对象，该对象存放所有账户相关信息，持仓、可用现金、资产盈亏。
　　　2.context.security是在账户对象下，设置security变量，存放在账户内，这里我们需要确定交易标的，即：context.security = '600519.SH'。

def init(context):
    context.security = '600519.SH'#已确定交易标的
def handle_bar(context, bar_dict):   
    #定时运行函数：确定交易时机

　　第四步：确定交易时机，即为：5日均线与20日均线金叉时，买入；5日均线与20日均线死叉时，卖出。

　　　从交易时机出发，我们需要计算交易标的5日和20日均线，那么5、20日均线需要用历史行情数据的收盘价来计算。

　　　整个流程即：获取历史行情20日的收盘价数据———计算5、20日均线———判断5、20日均线，进行买卖交易。

　　　　A.获取历史行情20日的收盘价数据：
　　　　　1.找到函数历史数据函数：history
　　　　　2.填写函数参数，获取到数据：
　　　　　　i.交易标的，即：获取那个股票的数据。
　　　　　　ii.数据字段：['close']收盘价，即：获取哪个数据。
　　　　　　iii.输入历史长度，即：获取多长时间的数据。
　　　　　　iv.获取数据的时间步长，即：获取日线级步长数据。
　　　　　　v.填写是否跳过停牌数据，复权选项，返回数据格式。
　　　　　　最终结果即为：history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1)
　　　　　3.将获取到的数据储存，便于计算，即：closeprice = history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1)

#获取证券过去20日的收盘价数据            
closeprice = history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1)

　　　　B.计算5、20日均线：
　　　　　1.获取数据值，即：closeprice['close']，['close']可以获取储存中的收盘价数据，格式为closeprice['close']。温馨提示：closeprice是我们刚才获取的数据，但是数据有股票、时间、数值，我们直接用['close']获取收盘价数据值用于计算即可。
　　　　　2.选取数据长度，即：closeprice['close'].iloc[-5:]。iloc[]用于取值，我们之前获取20个数据，但5日均线只需要过去5日的收盘价，因此iloc[-5:]即为获取倒数第五个到最后一个数据。温馨提示：
　　　　　　i.iloc[:]是获取所有数据。
　　　　　　ii.iloc[:x]是从第一个获取到第x个，不包括第x个。
　　　　　　iii.iloc[x:y]是从第x个到第y个，包括x，但不包括y。
　　　　　　iv.iloc[-x:]获取倒数第x个到最后一个数据。
　　　　　3.计算均值，即closeprice['close'].iloc[-5:].mean()，赋值给MA5。同理MA20=closeprice['close'].mean()，即对所有值取平均，相当于MA20=closeprice['close'].iloc[:].mean()。

#计算二十日均线价格            
MA20 = closeprice['close'].mean()
#计算五日均线价格        
MA5 = closeprice['close'].iloc[-5:].mean()

　　　　C.判断5、20日均线，进行买卖交易：
　　　　　1.if判断条件，即为 if MA5 > MA20:。温馨提示if判断函数的格式为if +添加判断+:,其中if后面必须带一个空格键，其次末尾必须带冒号。
　　　　　2.当MA5小于MA20时，我们再对持仓市值判断，如果有持仓，那么持仓市值必然大于0，需要进行卖出交易，我们直接通过context账户对象中portfolio资产组合内stock_account股票账户下来获取持仓市值，即为:context.portfolio.stock_account.market_value。
　　　　　3.下单买入交易：
　　　　　　i.当触发MA5大于MA20时，我们需要买入股票，这时候我们可以使用order_target_percent下单函数，该函数以目标市值占比下单。
　　　　　　ii.输入下单函数的参数，order_target_percent函数需要输入两个参数：
　　　　　　　1.下单的股票，即为context.security，我们之前将交易标的传入进去，可以直接用。
　　　　　　　2.下单的占比，即为1，取值范围[0,1]，此时取1，表示全仓买入股票。
　　　　　　iii.触发条件后程序提醒，当代码执行完下单函数后，我们用log.info()来打印日志，这样我们也可以看到程序下单了。
　　　　　　温馨提示：log.info()内你可以直接输入中文，例如:log.info('条件满足！买入贵州茅台啦！')

# 如果5日均线大于20日均线,则全仓买入股票
if MA5 > MA20:            
    # 按目标市值占比下单
    order_target_percent(context.security, 1)
    # 记录这次买入
    log.info("买入 %s" % (context.security))

　　　　　4.下单卖出交易：
　　　　　　i.当触发MA5小于MA20时，我们需要卖出股票，这时候我们可以使用order_target下单函数，该函数以目标股数下单。
　　　　　　ii.输入下单函数的参数，order_target函数需要输入两个参数：
　　　　　　　1.下单的股票，即为context.security，我们之前将交易标的传入进去，可以直接用。
　　　　　　　2.下单的目标股数，即0，因为我们需要将持仓股票卖出，卖到0股为止。
　　　　　　iii.触发条件后程序提醒，当代码执行完下单函数后，我们同log.info()来打印日志，这样我们也可以看到程序下单了。

# 如果5日均线小于20日均线,并且目前有头寸,则清仓股票
elif MA20 > MA5 and context.portfolio.stock_account.market_value > 0:
    # 卖出所有股票,使这只股票的最终持有量为0
    order_target(context.security, 0)
    # 记录这次卖出
    log.info("卖出 %s" % (context.security))

最终完整代码：

def init(context):
    # 设置要操作的股票：贵州茅台
    context.security = '600519.SH'
# 设置买卖条件，每个交易频率（日/分钟/tick）调用一次
def handle_bar(context, bar_dict):
    # 获取股票过去20天的收盘价数据
    closeprice = history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1)
    # 计算20日均线
    MA20 = closeprice['close'].mean()
    # 计算5日均线
    MA5 = closeprice['close'].iloc[-5:].mean()
    # 如果5日均线大于20日均线,则全仓买入股票
    if MA5 > MA20 :
        # 按目标市值占比下单
        order_target_percent(context.security, 1)
        # 记录这次买入
        log.info("买入 %s" % (context.security))
    # 如果5日均线小于20日均线,并且目前有头寸,则清仓股票
    elif MA20 > MA5 and context.portfolio.stock_account.market_value > 0:
        # 卖出所有股票,使这只股票的最终持有量为0
        order_target(context.security, 0)
        # 记录这次卖出
        log.info("卖出 %s" % (context.security))

第五步回测量化交易策略

　　　通过以上4步，我们已经完成了量化交易策略编写，那么接下来我们需要进行量化交易策略回测。

　　　　A.首先，我们尝试去跑通整个历史行情，排查代码错误。
　　　　　i.右上角设置回测历史长度，设置资金，设置交易频率。
　　　　　
　　　　　ii.点击左上角“编译运行”按钮，右边出现量化交易策略在历史行情中的表现情况
　　　　　
　　　　B.当量化交易策略能跑通整个历史行情后，我们可以确定该代码正确无误，随后点击右上角蓝色按钮“进行回测”。页面跳转至回测页面，在回测详情界面，您可以查看策略收益曲线，风险指标，每日持仓，交易明细，输出日志等信息，如下：

　　　　C.学会将量化交易策略绑定实盘模拟交易，并实时收到交易策略的买卖信号
　　　　　1.在回测显示结果页面，右上角点击蓝色按钮开启模拟交易，可以自行选择：从当前日开始模拟，在已有的回测基础上继续模拟.如下图:
　　　　　
　　　　　2.至此，我们成功开启了模拟交易,可以查看您的模拟交易账户详细情况:交易明细、持仓、盈亏情况、账户风险指标等等。如下图：

　　　　　3.您可以为您模拟交易账户新建模拟交易、暂停策略运行、发布策略至社区、重启策略、查看策略运行日志、查看策略代码。注意：重启按钮只会在策略运行错误后显示，如果策略运行正常，显示暂停按钮。新建模拟交易如下图：

Python 3 进阶教程 - 12：OLS回归

评论