Python零基础该如何学习

Posted 2020-09-18

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python零基础该如何学习相关的知识，希望对你有一定的参考价值。

这篇文章经过叙述 [单股市均线战略] 在 Ricequant 量化渠道的完成，了解渠道并迅速入门、创立自个的量化战略代码。

难易度：入门级

那么以下咱们就先从 [单股市均线战略] 的代码完成及进行日等级回测讲起吧。

1 确定框架：

[单股票均线策略] 的主要策略框架： 5 日均线高于 30 天均线，则全仓买入股票 5 日均线低于 30 天均线，则卖出所持股票

从我们日常交易的角度，一般交易者的行为可以拆分以下两部分：

1 选择标的（初始化）：

在交易之前，我们通常会先选定要交易的股票池或者单个股票

2 交易（每天盯盘）

我们会观察该股票的五日均线和 30 日均线，并进行比较如果该股票的五日均线在 30 天均线以上，则全仓买入股票如果该股票的五日均线在 30 天均线以下，则全仓卖出（空仓）

那么程序中，我们是怎么做的呢？

先看看 Ricequant 平台中对应的代码框架会是怎么样的吧：

definit(context):#程序的初始化，预设股票池、设置参数和变量。只运行一次defhandle(context, bar_dict):#从回测的开始日期至结束日期，根据选择的频率（日、分钟）循环运行

对照策略思路及 Ricequant 代码框架，你会发现我们可以很轻松地把两者结合起来

以上框架也是 Ricequant 平台的最基本也最主要的框架，也就是

初始化
循环 - 根据选择的频率（日、分钟）循环运行

2 初始化：

选择标的：本策略的交易股票设定为 300059 ”东方财富“。

definit(context): context.stock ="300059.XSHE" # 存入目标股票 [东方财富 ]

3 获取均价：

我们分别获取该股票 5 日和 30 日的均价

# 用法：变量 = bar_dict[股票代码].mavg(天数, frequency='day')# 获取近五日股票收盘价均价，命名为 fast fast= bar_dict[context.stock].mavg(5, frequency='day')# 同上，获取近二十日的收盘价均价，命名为 slow ： slow = bar_dict[context.stock].mavg(30, frequency='day')

4 判断买卖条件：

获得均价数据之后，我们就可以进行一个判断决定是否买卖了：

iffast>slow:# 若快线在慢线之上则用所有现金买入该股票 #买入操作 eliffast<slow:# 若慢线在快线之上则清空所持股票 #卖出操作

在判断之前，我们还漏了一步，那是什么呢？就是要知道我们有多少现金，那么在程序中是如何获得现金的呢？我们使用以下代码

# 用法：变量 = context.portfolio.cashcash= context.portfolio.cash#取得当前的现金量，命名为 cash

延伸阅读： portfolio 中包含所有的投资组合的信息，请参考文档 - Portfolio 对象

5 买入 /卖出：

在判定买卖的条件成立之后，我们会对股票进行买入或者卖出的操作：

#用法 order_value(股票代码，买卖金额）金额为正则为买入，负数则为卖出#将所有现金买入 300059 东方财富order_value(context.stock, cash)#用法： order_target_value(股票代码，目标持仓比例) 比例在 1 与 0 之间#此处将持仓比例调整为 0 ，则等同于全部卖出order_target_percent(context.stock,0)

6 策略回测

以上，我们用几行代码就把策略的框架完整地搭建起来了，最终的完整代码为：

definit(context): #初始化 context.stock ="300059.XSHE" #存入要交易的股票代码defhandle_bar(context, bar_dict): #每日循环运行 #获取 30 日均线 slow = bar_dict[context.stock].mavg(30, frequency='day') #获取 5 日均线 fast = bar_dict[context.stock].mavg(5, frequency='day') cash = context.portfolio.cash #获取持有现金金额 iffast>slow: #判定买入条件 order_value(context.stock, cash) #买入目标股票 eliffast<slow: order_target_percent(context.stock,0) #卖出目标股票

写完了策略，那么我们接下去做什么呢？先对我们的策略进行一次历史回测，看看它的历史表现是如何吧。

在策略编辑页面右上方，选择从 2015 年 1 月 4 日至 2016 年 10 月 4 日，用资金 10 万元进行日回测吧，请点击运行回测

技术分享

如代码没有问题，在数秒之后，我们就会拿到该策略的历史表现结果：

技术分享

我们可以看到回测详情中有精致的图表，详细的各项风险收益指标、以及持仓、落单等详情辅助你进一步了解你的策略的表现。

到这里，一个完整的从 [构建策略思路] 到 [策略代码编写] 到 [回测结果检验] 的流程就结束了。

7 从日回测到分钟回测：

在循环部分， handle 函数根据选择的频率（日、分钟）循环运行，在以上的日回测中， handle 内的代码会每日被触发一次

defhandle(context, bar_dict):

如果是进行分钟回测或模拟实盘，那么这个 handle 里的代码就会被每分钟触发一次；

因此，我们的代码逻辑也势必要进行一定的改进，使得策略按照我们的逻辑正常地运行。

我们先把修改好的代码贴上来：

definit(context): context.stock ="300059.XSHE"# 每日开盘前运行一次，可以进行选股、设置参数等行为 defbefore_trading(context): # 设定并重置 context.fired 的值为 0 context.fired =0 #从回测的开始日期至结束日期，根据选择的频率（日、分钟）循环运行defhandle_bar(context, bar_dict): # 判定今日是否有下过单，若未下单则进行下列代码的操作 if(context.fired ==0): slow = bar_dict[context.stock].mavg(30, frequency='day') fast = bar_dict[context.stock].mavg(5, frequency='day') cash = context.portfolio.cash iffast>slow: order_value(context.stock, cash) eliffast < slow: order_target_percent(context.stock,0) # 设置 fired 等于 1 ，表示执行完毕 context.fired =1

可以看到这里改动并不多，

这里需要介绍到框架中常用到的函数 before_trading ：

# 每日开盘前运行一次，可以进行选股、设置参数等行为 defbefore_trading(context):

我们在 before_trading 中设置一个变量命名为 fired ，赋值为 0

# 设定并重置 context.fired 的值为 0 context.fired =0

由于 before_trading 是每天开盘前运行一次，所以 context.fired 会被每天重置为 0

在 handle 函数中，我们加入了判断，如 context.fired 为 0 ，则继续执行下面的代码，否则本次循环结束。

# 判定今日是否有下过单，若未下单则进行下列代码的操作if(context.fired ==0):

并在执行完判断和买卖操作之后，设定 context.fired 的值等于 1 ，使得当日余下的分钟循环操作均被跳过。

# 设置 fired 等于 1 ，表示今天已下过单 context.fired =1

在完成以上代码后，我们开始进行分钟回测吧：在策略编辑页面右上方，选择从 2015 年 1 月 4 日至 2016 年 10 月 4 日，用资金 10 万元进行分钟回测吧，请点击运行回测技术分享