ricequant 的用戶 ming gao 在社區里為我們貢獻了一個很有趣的模板~
小編決定把回測結果放在前面
以下是正文：
關鍵詞：策略模板、策略、策略交易、新人、模板、模塊……
引言：
在rice里混了大半年了，學習了不少大牛的有用知識，也編寫了一大堆的有的沒的策略，但是每次都面臨大量的重復勞動，費時費力，于是這里就總結了一個適合新人的交易策略的模板分享給大家。
原理:
看了大家的策略，和查閱了一些資料，也總結了和歸納了一些，大概分為，選股、進場時機、持倉平衡、現金管理、出場時機、風險管理，一些工具組件~
不廢話了，直接上demo代碼簡單寫~
模板代碼：
說明：分鐘回測，組合初始100萬現金，交易手續默認的，無賣空，benchmark為默認，進場策略輸出了股票列表，出場策略也是返回要賣出的股票列表……
1、傳奇的小市值策略（市值最小的100只股票做為每天的備選列表），這個因子表現的最好，為避免模板的demo曲線表現太差，所以用了這個吸引眼球的選股因子，高手勿噴，勿笑；
2、進場以大家熟悉的5日均線上傳10日均線，并保持20日線為進場條件；（感覺自己寫復雜了，反正是模板）
3、出場為低于20日線的99%為強制出場（20日線，在近兩年基本作為了行業標配了，反正有點用）
4、持倉策略：在市值不便的情況下平均持倉，每日臨近收盤進行再平衡，理想情況保持每只持倉占比相等（
5、現金管理：本來想再收盤前現金買進“銀華日利”，但由于默認市價交易滑點太大，就省略了（要限價交易才可能有利潤，但是這里也發現尾盤表現非常不好，就注釋掉了）
6、風險管理：略了，流傳一個大盤跌過3%的強制止損風險策略，小市值也可以增加二八輪動的擇時，沒有加上，有興趣可以自己弄著玩，加這個模塊里；
7、交易方式：為了避免過大的成家量超過25%的error，這里都下的限價單，但是后續模塊化吧，另控制了單只持倉不超過10%~（模塊寫起來比較復雜，還要新建dict進行撤單再下單等計算，后續成熟了，再拿出來分享）
8、工具：
trans、歷史數據強制轉化成真正的DataFrame(效率問題，做了.T的來回變換)，問licco說，其實2016年5月2X后就不需要了
n日內隨機交易的收益率概率（例子中未用到）
多個list里取交集，懶得每次都寫了，干脆寫了個小函數
標的上市自然日的函數，避免次新股對收益干擾太大，要真像炒次新股，要好好研究一下，個人做過嘗試發現，高風險高利潤，大盤擇時比較關鍵，干脆這里做了過濾比如一定要上市超過60個自然日
是否漲跌停區間，一定要可交易，人家都封版了，交易量有，關咱策略毛事，所以也進行了過濾
因為分鐘回測，所以選擇了14：50作為買入時間點，而出場選擇每15分鐘采樣計算一次（性能壓力和必要性的問題），14：59（后來發現深圳市場應該14點56，要不57開始深圳會集合競價了，但是例子里沒有調整，所以還是error一大堆，見笑了）
接下來就是代碼啦，可讀性還是很強的，大家可以去ricequant上克隆一下運行起來試試。
import pandas as pd
import numpy as np
import time
import math
import itertools
# 數據準備
def init_variables (context):
context.init = 0
context.days = 0
context.barcount = 0
context.choosenum = 300
context.obv = 50
context.tj1 = 5 # 5日均線
context.tj2 = 10 # 10日均線
context.tj3 = 20 # 20日均線
context.his = pd.DataFrame()
return
'''第1部、選擇標的'''
def choose_target(context):
# 最小市值的100只標的
df = get_fundamentals(
query(fundamentals.eod_derivative_indicator.market_cap)
.order_by(fundamentals.eod_derivative_indicator.market_cap.asc())
.limit(context.choosenum)
)
context.stocks = [stock for stock in df][:100]
return context.stocks
'''第2部、入場策略'''
#2.1 大盤環境問題
#可增加外部數據
#2.2 個股選擇問題，最后還要過濾非跌停、上市天數、非停牌的標的（st未過濾）
def for_buy(context, bar_dict, his):
#2.2.1 備選中標的站上5日線
def tj1(context, bar_dict, his):
ma_n = pd.rolling_mean(his, context.tj1)
temp = his - ma_n
temp_s = list(temp[temp>0].iloc[-1,:].dropna().index)
return temp_s
#2.2.2 備選中標的站上10日線
def tj2(context, bar_dict, his):
ma_n = pd.rolling_mean(his, context.tj2)
temp = his - ma_n
temp_s = list(temp[temp>0].iloc[-1,:].dropna().index)
return temp_s
#2.2.2 所謂金叉，今天短均線大于長均線，上一個bar反之
def tj3(context, bar_dict, his):
mas = pd.rolling_mean(his, context.tj1)
mal = pd.rolling_mean(his, context.tj2)
temp = mas - mal
temp_jc = list(temp[temp>0].iloc[-1,:].dropna().index)
temp_r = list(temp[temp>0].iloc[-2,:].dropna().index)
temp = []
for stock in temp_jc:
if stock not in temp_r:
temp.append(stock)
return temp
#整合各個子條件的交集
l1 = tj1(context, bar_dict, his)
l2 = tj2(context, bar_dict, his)
l3 = tj3(context, bar_dict, his)
l_tar = jj_list([l1,l2,l3])
to_buy = []
#過濾上市時間、是否漲停、是否停牌等條件
if l_tar:
for stock in l_tar:
con1 = ipo_days(stock,context.now)>60
con2 = zdt_trade(stock,context,bar_dict)
con3 = bar_dict[stock].is_trading
if con1 & con2 & con3:
to_buy.append(stock)
return to_buy
'''第3部、持倉組合的微調策略'''
# 平均市值做微調
def for_balance(context, bar_dict):
#mvalues = context.portfolio.market_value
#avalues = context.portfolio.portfolio_value
#per = mvalues / avalues
hlist = []
for stock in context.portfolio.positions:
hlist.append([stock,bar_dict[stock].last * context.portfolio.positions[stock].quantity])
if hlist:
hlist = sorted(hlist,key=lambda x:x[1], reverse=True)
temp = 0
for li in hlist:
temp += li[1]
for li in hlist:
if bar_dict[li[0]].is_trading:
order_target_value(li[0], temp/len(hlist))
return
'''第4部、出場策略'''
# 小于20日均線，并且可交易，沒跌停
def for_sell(context, bar_dict):
to_sell = []
for stock in context.portfolio.positions:
con1 = bar_dict[stock].last < 0.99 * bar_dict[stock].mavg(20, frequency='day')
con2 = bar_dict[stock].is_trading
con3 = zdt_trade(stock,context,bar_dict)
if con1 & con2 & con3:
to_sell.append(stock)
return to_sell
'''第5部、閑置資金效率最大化'''
def for_cash(context, bar_dict):
cash = context.portfolio.cash
#order_target_value('511880.XSHG',cash) 注釋掉因為滑點太大，可以買一個貨基，或者逆回購
return
'''第6部、風險控制'''
def alert_rish(context,bar_dict):
#這里如果給出策略，要強制執行，注意在handle優先級高于所有
pass
'''第7部、備用組件'''
#7.1 將his的非標DF進行轉換，licco說現在不用轉換了，我還是保留了：）
def trans(df):
temp = pd.DataFrame()
for col in df.index:
temp[col] = df.T[col]
return temp.T
#7.2 計算n日概率隨機交易的概率收益率
def rts_sj(df,n,m):
dfp_pct = df.pct_change()
def the_list(df,n,m):
temp = []
for i in range(n,n+m):
temp.append(df.iloc[-i,:] + 1)
return temp
def from_list(self,num):
result = []
for i in range(1,num+1):
result.extend(list(itertools.combinations(self,i)))
return result
def rts_n(tu):
sum0 = []
for i in tu:
temp = 1
for z in i:
temp = temp * z
temp = temp**(1/len(i))
sum0.append(temp)
sum1 = 0
for i in sum0:
sum1 = sum1 + i - 1
return sum1/len(sum0)
return rts_n(from_list(the_list(dfp_pct,n,m),m))
#7.3 多list獲得并集
def jj_list(tar_list):
temp = tar_list[0]
for i in tar_list:
temp = list(set(temp).intersection(set(i)))
return temp
#7.4 標的上市時間距離參照時間的自然日數量
def ipo_days(stock, today):
ssrq = instruments(stock).listed_date.replace(tzinfo=None)
today = today.replace(tzinfo=None)
return (today - ssrq).days
#7.5 判斷當前標在可交易區間內（非漲跌停）
def zdt_trade(stock, context, bar_dict):
yesterday = history(2,'1d', 'close')[stock].values[-1]
zt = round(1.10 * yesterday,2)
dt = round(0.99 * yesterday,2)
return dt < bar_dict[stock].last < zt
'''--------------華麗的分割線----------------'''
def init(context):
init_variables(context)
choose_target(context)
# before_trading此函數會在每天交易開始前被調用，當天只會被調用一次
def before_trading(context, bar_dict):
choose_target(context)
update_universe(context.stocks)
context.his = trans(history(context.obv,'1d','close'))
context.barcount = 0
context.init = 1
pass
# 你選擇的證券的數據更新將會觸發此段邏輯，例如日或分鐘歷史數據切片或者是實時數據切片更新
def handle_bar(context, bar_dict):
context.barcount += 1
alert_rish(context,bar_dict)
#模擬交易第一次開始，如果是交易時間可能運行不了before_trading,所以這里做了個參數來控制這種出錯的特例
if context.init == 0:
update_universe(context.stocks)
context.his = trans(history(context.obv, '1d', 'close'))
context.barcount = 0
context.init = 1
else:
pass
if context.barcount % 15 == 0:
to_sell = for_sell(context, bar_dict)
if to_sell:
for oid in get_open_orders().keys():
cancel_order(oid)
for stock in to_sell:
order_target_value(stock, 0, style=LimitOrder(bar_dict[stock].last*0.995))
if context.barcount == 230:
his = trans(history(2,'1m','close'))
his = context.his.append(his.iloc[-1,:],ignore_index=True)
to_buy = for_buy(context, bar_dict, his)
if to_buy:
print (to_buy)
hnum = len(list(set(to_buy).union(set(context.portfolio.positions.keys()))))
for stock in to_buy:
if hnum <10:
print ('buy', stock, bar_dict[stock].high * 1.005)
order_target_percent(stock, 0.99/10, style=LimitOrder(bar_dict[stock].high * 1.005))
else:
order_target_percent(stock, 0.99um, style=LimitOrder(bar_dict[stock].high * 1.005))
if context.barcount == 236:
his = trans(history(2,'1m','close'))
his = context.his.append(his.iloc[-1,:],ignore_index=True)
for_balance(context, bar_dict)
for_cash(context, bar_dict)
