JoinQuant策略代码示例
Posted 宽客
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JoinQuant策略代码示例相关的知识，希望对你有一定的参考价值。
- 总体回测前
‘‘‘ ================================================================================ 总体回测前 ================================================================================ ‘‘‘ #总体回测前要做的事情 def initialize(context): set_params() #1设置策参数 set_variables() #2设置中间变量 set_backtest() #3设置回测条件 #1 #设置策略参数 def set_params(): g.tc=15 # 调仓频率 g.N=4 #持仓数目 g.security = ["000001.XSHE","000002.XSHE","000006.XSHE","000007.XSHE","000009.XSHE"]#设置股票池 #2 #设置中间变量 def set_variables(): return #3 #设置回测条件 def set_backtest(): set_option(‘use_real_price‘, True) #用真实价格交易 log.set_level(‘order‘, ‘error‘)
- 每天开盘前
‘‘‘ ================================================================================ 每天开盘前 ================================================================================ ‘‘‘ #每天开盘前要做的事情 def before_trading_start(context): set_slip_fee(context) #4 # 根据不同的时间段设置滑点与手续费 def set_slip_fee(context): # 将滑点设置为0 set_slippage(FixedSlippage(0)) # 根据不同的时间段设置手续费 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))
- 每天交易时（以双均线策略为例）
‘‘‘ ================================================================================ 每天交易时 ================================================================================ ‘‘‘ def handle_data(context, data): # 将总资金等分为g.N份，为每只股票配资 capital_unit = context.portfolio.portfolio_value/g.N toSell = signal_stock_sell(context,data) toBuy = signal_stock_buy(context,data) # 执行卖出操作以腾出资金 for i in range(len(g.security)): if toSell[i]==1: order_target_value(g.security[i],0) # 执行买入操作 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("今日无操作") send_message("今日无操作") #5 #获得卖出信号 #输入：context, data #输出：sell - list def signal_stock_sell(context,data): sell = [0]*len(g.security) for i in range(len(g.security)): # 算出今天和昨天的两个指数移动均线的值，我们这里假设长线是60天，短线是1天(前一天的收盘价) (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) # 如果短均线从上往下穿越长均线，则为死叉信号，标记卖出 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 #获得买入信号 #输入：context, data #输出：buy - list def signal_stock_buy(context,data): buy = [0]*len(g.security) for i in range(len(g.security)): # 算出今天和昨天的两个指数移动均线的值，我们这里假设长线是60天，短线是1天(前一天的收盘价) (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) # 如果短均线从下往上穿越长均线，则为金叉信号，标记买入 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 # 计算移动平均线数据 # 输入：股票代码-字符串，移动平均线天数-整数 # 输出：算术平均值-浮点数 def get_MA(security_code,days): # 获得前days天的数据，详见API a=attribute_history(security_code, days, ‘1d‘, (‘close‘)) # 定义一个局部变量sum，用于求和 sum=0 # 对前days天的收盘价进行求和 for i in range(1,days+1): sum+=a[‘close‘][-i] # 求和之后除以天数就可以的得到算术平均值啦 return sum/days #8 # 计算指数移动平均线数据 # 输入：股票代码-字符串，移动指数平均线天数-整数，data # 输出：今天和昨天的移动指数平均数-浮点数 def get_EMA(security_code,days,data): # 如果只有一天的话,前一天的收盘价就是移动平均 if days==1: # 获得前两天的收盘价数据，一个作为上一期的移动平均值，后一个作为当期的移动平均值 t = attribute_history(security_code, 2, ‘1d‘, (‘close‘)) return t[‘close‘][-2],t[‘close‘][-1] else: # 如果全局变量g.EMAs不存在的话，创建一个字典类型的变量，用来记录已经计算出来的EMA值 if ‘EMAs‘ not in dir(g): g.EMAs={} # 字典的关键字用股票编码和天数连接起来唯一确定，以免不同股票或者不同天数的指数移动平均弄在一起了 key="%s%d" %(security_code,days) # 如果关键字存在，说明之前已经计算过EMA了，直接迭代即可 if key in g.EMAs: #计算alpha值 alpha=(days-1.0)/(days+1.0) # 获得前一天的EMA（这个是保存下来的了） EMA_pre=g.EMAs[key] # EMA迭代计算 EMA_now=EMA_pre*alpha+data[security_code].close*(1.0-alpha) # 写入新的EMA值 g.EMAs[key]=EMA_now # 给用户返回昨天和今天的两个EMA值 return (EMA_pre,EMA_now) # 如果关键字不存在，说明之前没有计算过这个EMA，因此要初始化 else: # 获得days天的移动平均 ma=get_MA(security_code,days) # 如果滑动平均存在（不返回NaN）的话，那么我们已经有足够数据可以对这个EMA初始化了 if not(isnan(ma)): g.EMAs[key]=ma # 因为刚刚初始化，所以前一期的EMA还不存在 return (float("nan"),ma) else: # 移动平均数据不足days天，只好返回NaN值 return (float("nan"),float("nan"))
- 每天收盘后
‘‘‘ ================================================================================ 每天收盘后 ================================================================================ ‘‘‘ # 每日收盘后要做的事情（本策略中不需要） def after_trading_end(context): return
以上是关于JoinQuant策略代码示例的主要内容，如果未能解决你的问题，请参考以下文章