JoinQuant策略程式碼範例

標籤：long   option   不同   info   ini   back   使用者   alpha   tar   

• 總體回測前

‘‘‘================================================================================總體回測前================================================================================‘‘‘#總體回測前要做的事情def initialize(context):set_params() #1設定策參數set_variables() #2設定中間變數set_backtest() #3設定回測條件#1#設定策略參數def set_params():g.tc=15 # 調倉頻率g.N=4 #持倉數目g.security = ["000001.XSHE","000002.XSHE","000006.XSHE","000007.XSHE","000009.XSHE"]#設定股票池#2#設定中間變數def set_variables():return#3#設定回測條件def set_backtest():set_option(‘use_real_price‘, True) #用真實價格交易log.set_level(‘order‘, ‘error‘) 

• 每天開盤前

‘‘‘================================================================================每天開盤前================================================================================‘‘‘#每天開盤前要做的事情def before_trading_start(context):    set_slip_fee(context) #4 # 根據不同的時間段設定滑點與手續約def set_slip_fee(context):    # 將滑點設定為0    set_slippage(FixedSlippage(0))     # 根據不同的時間段設定手續約    dt=context.current_dt        if dt>datetime.datetime(2013,1, 1):        set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))             elif dt>datetime.datetime(2011,1, 1):        set_commission(PerTrade(buy_cost=0.001, sell_cost=0.002, min_cost=5))                elif dt>datetime.datetime(2009,1, 1):        set_commission(PerTrade(buy_cost=0.002, sell_cost=0.003, min_cost=5))                    else:        set_commission(PerTrade(buy_cost=0.003, sell_cost=0.004, min_cost=5)) 

• 每天交易時（以雙均線策略為例）

‘‘‘================================================================================每天交易時================================================================================‘‘‘def handle_data(context, data):    # 將總資金等分為g.N份，為每隻股票配資    capital_unit = context.portfolio.portfolio_value/g.N    toSell = signal_stock_sell(context,data)    toBuy = signal_stock_buy(context,data)    # 執行賣出操作以騰出資金    for i in range(len(g.security)):        if toSell[i]==1:            order_target_value(g.security[i],0)    # 執行買入操作    for i in range(len(g.security)):        if toBuy[i]==1:            order_target_value(g.security[i],capital_unit)      if not (1 in toBuy) or (1 in toSell):        # log.info("今日無操作")        send_message("今日無操作")#5#獲得賣出訊號#輸入：context, data#輸出：sell - listdef signal_stock_sell(context,data):    sell = [0]*len(g.security)    for i in range(len(g.security)):    # 算出今天和昨天的兩個指數移動平均趨勢線的值，我們這裡假設長線是60天，短線是1天(前一天的收盤價)        (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)        # 如果短均線從上往下穿越長均線，則為死叉訊號，標記賣出        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#獲得買入訊號#輸入：context, data#輸出：buy - listdef signal_stock_buy(context,data):    buy = [0]*len(g.security)    for i in range(len(g.security)):    # 算出今天和昨天的兩個指數移動平均趨勢線的值，我們這裡假設長線是60天，短線是1天(前一天的收盤價)        (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)        # 如果短均線從下往上穿越長均線，則為金叉訊號，標記買入        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# 計算移動平均線資料# 輸入：股票代號-字串，移動平均線天數-整數# 輸出：算術平均值-浮點數def get_MA(security_code,days):    # 獲得前days天的資料，詳見API    a=attribute_history(security_code, days, ‘1d‘, (‘close‘))    # 定義一個局部變數sum，用於求和    sum=0    # 對前days天的收盤價進行求和    for i in range(1,days+1):        sum+=a[‘close‘][-i]    # 求和之後除以天數就可以的得到算術平均值啦    return sum/days#8# 計算指數移動平均資料# 輸入：股票代號-字串，移動指數平均線天數-整數，data# 輸出：今天和昨天的移動指數平均數-浮點數def get_EMA(security_code,days,data):    # 如果只有一天的話,前一天的收盤價就是移動平均    if days==1:    # 獲得前兩天的收盤價資料，一個作為上一期的移動平均值，後一個作為當期的移動平均值        t = attribute_history(security_code, 2, ‘1d‘, (‘close‘))        return t[‘close‘][-2],t[‘close‘][-1]    else:    # 如果全域變數g.EMAs不存在的話，建立一個字典類型的變數，用來記錄已經計算出來的EMA值        if ‘EMAs‘ not in dir(g):            g.EMAs={}        # 字典的關鍵字用股票編碼和天數串連起來唯一確定，以免不同股票或者不同天數的指數移動平均弄在一起了        key="%s%d" %(security_code,days)        # 如果關鍵字存在，說明之前已經計算過EMA了，直接迭代即可        if key in g.EMAs:            #計算alpha值            alpha=(days-1.0)/(days+1.0)            # 獲得前一天的EMA（這個是儲存下來的了）            EMA_pre=g.EMAs[key]            # EMA迭代計算            EMA_now=EMA_pre*alpha+data[security_code].close*(1.0-alpha)            # 寫入新的EMA值            g.EMAs[key]=EMA_now            # 給使用者返回昨天和今天的兩個EMA值            return (EMA_pre,EMA_now)        # 如果關鍵字不存在，說明之前沒有計算過這個EMA，因此要初始化        else:            # 獲得days天的移動平均            ma=get_MA(security_code,days)             # 如果滑動平均存在（不返回NaN）的話，那麼我們已經有足夠資料可以對這個EMA初始化了            if not(isnan(ma)):                g.EMAs[key]=ma                # 因為剛剛初始化，所以前一期的EMA還不存在                return (float("nan"),ma)            else:                # 移動平均資料不足days天，只好返回NaN值                return (float("nan"),float("nan"))

• 每天收盤後

‘‘‘================================================================================每天收盤後================================================================================‘‘‘# 每日收盤後要做的事情（本策略中不需要）def after_trading_end(context):    return

 

JoinQuant策略程式碼範例