如何30分钟在个人PC搭建免费量化交易系统(附详细代码教程)

如何30分钟在个人PC搭建免费量化交易系统(附详细代码教程)

  更多量化炒股知识及详细代码请查看:https://github.com/charliedream1/ai_quant_trade聚宽对应代码样例:如何30分钟在个人PC搭建免费量化交易系统(附详细代码教程) – 量客攻城狮 – JoinQuant

  如果喜欢本项目,或希望随时关注动态,请给我点个赞吧 (Github页面右上角的小星星),欢迎分享到社区!

如果发现代码中的bug,欢迎留言或在github提交issues。

  为什么需要本地交易平台?

  通过在线平台确实可以帮助我们快速的获取高质量数据,

以及验证自己的策略,并得到详细的回测结果。在线平台中,现成的数

据获取和回测评估,可以节约我们大量的时间,但是使用本地平台也是不可或缺的。

本地平台主要有以下优点:

* 方便调试,以及代码管理

* 本地资源充足,在线平台资源有限,跑机器学习类模型非常吃力

* 本地平台方便定制化,不再是黑盒使用

* 隐私管理较好,方便进行实盘

  如何在本地构建一个自己的量化交易平台。我将分成如下几章进行

讲解:

* [数据获取篇(见上一篇文章)](https://www.joinquant.com/view/community/detail/6aad770d9c9eab2b6e65f58dfd944fe8

)

* 基于双均线策略的本地回测框架(本篇将重点介绍)

* 回测及风险评估指标(请关注后续的文章)

* 机器学习/深度学习类策略(请关注后续的文章)

# 1. 使用简介

## 1.1 获取代码并安装必须的python库

1. 安装所需Python包

下载仓库代码,并通过如下命令安装所需库:

“`shell

pip install requirements.txt

“`

2. 风险指标计算ta_lib包安装

其中,如果ta_lib安装不成功,可以通过如下方法进行安装:

“` sh

pip install TA-Lib

“`

  上述方法很容易出现安装错误

– 可以通过网站

[https://www.lfd.uci.edu/~gohlke/pythonlibs/](https://www.lfd.uci.edu/~gohlke/pythonlibs/

)

– 按Ctrl+F搜索ta-lib,选择对应的平台安装包,离线安装

– 注意windows下和linux下的斜杠不同

“` sh

cd download

pip install .\TA_Lib-0.4.24-cp38-cp38-win_amd64.whl

“`

3. 数据获取包安装

目前本仓库采纳tushare pro进行数据获取(后续也将加入其它数据接口)

Tushare网址: [**https://tushare.pro/**](https://tushare.pro/

)

安装

“` sh

pip install tushare

“`

**注:如果大量调用,或需要获取更详细的信息,需要付费**

– 旧版本接口将不再维护,建议使用新接口Tushare Pro (需要注册获取token)

– 注册后在右上角用户头像–》个人主页–》获取token

– 如果没有缴费加入会员,很多接口都无法调用(每个接口调用需要的积分数,请查看接口文档)

## 1.2 运行样例程序

1. 进入策略样例列表:egs_local_strategies->rules->double_ma

2. 在conf/double_ma.yaml中配置回测条件,在stock_lst中设置待

选择的股票,并设置回测日期

3. 配置tushare的token: 在quant_brain->fetch_data->get_tushare_data.py

的头文件中,将“from data.private.tushare_token import tushare_token”替换

为“tushare_token = xxxx”个人申请注册的token

4. 运行回测脚本,之后在日志中可以查看风险指标,并可以得到交易K线图

“`shell

python back_tester.py –debug_off –config conf/double_ma.yaml

“`

5. 输出文件

* 通过tushare获取的数据将按照日期+股票代码的格式作为文件名以csv格式

存储在data目录下。

* 绘制的交易曲线图,以及风控指标csv文件将存储在exp文件夹下。

# 2. 回测框架构

  核心代码可以在quant_brain中进行查看。主体结构如下:

* 通过yaml配置回测条件,手工设置股票池待选股票及回测周期

* 初始化:(1) 通过tushare获取股票数据 (2) 初始化账户信息

* 回测流程:按照日期和股票双循环遍历,计算长短周期均线,获取卖出买入信号,更新账户信息

* 计算风险指标以及绘图

## 2.1 数据及选股

### 2.1.1 数据获取

  通过tushare pro获取数据

“`python

import tushare as ts

import datetime

# replace below with your token and comment my import

# tushare_token = xxxx

from data.private.tushare_token import tushare_token

# initialize api

ts.set_token(tushare_token)

ts_pro = ts.pro_api()

# query date setting

# date type is year-month-day

today = datetime.date.today()

yesterday = today – datetime.timedelta(days = 1)

five_days_ago = today – datetime.timedelta(days = 5)

# change date type to YearMonthDay

yesterday = yesterday.strftime(“%Y%m%d”)

five_days_ago = five_days_ago.strftime(“%Y%m%d”)

# request data,中国平安: 601318.SH, date type require is: YearMonthDay

# api website: https://tushare.pro/document/2?doc_id=27

# !!! 警告:未复权,如果是复权请用 通用行情接口

df = ts_pro.query(daily, ts_code=601318.SH,

start_date=five_days_ago, end_date=yesterday)

df.head()

“`

  每一列数据的含义如下:

| 名称 | 类型 | 描述 |

|:——– |:——-:| ———:|

| ts_code |str | 股票代码 |

| trade_date | str | 交易日期 |

| open | float | 开盘价 |

| high | float | 最高价 |

| low | float | 最低价 |

| close | float | 收盘价 |

| pre_close | float | 昨收价 |

| change | float | 涨跌额 |

| pct_chg | float | 涨跌幅 (未复权,如果是复权请用 通用行情接口 )

| vol | float | 成交量 (手) |

| amount| float |成交额 (千元)|

[注:如果没有tushare的积分,大盘指数数据将无法获取,风险指标将跳过alpha和beta值的计算]

### 2.1.2 选股策略

  当前策略采用人工选股,在conf/double_ma.yaml中配置回测条件,在stock_lst中设置待

选择的股票。(注:后续将加入更多的自动选股策略)

# 2.2 择时策略

## 2.2.1 双均线策略

  双均线策略是一种趋势跟踪类策略,作为基础入门类策略,容易理解,不管是否采用程序代码实现,

都能快速上手使用。其原理也就是常说的通过捕捉金叉死叉信号组合来判断买点和卖点。趋势类策略一般适用于市场

环境较好的时候。

  知识点补充:均线计算,即用特定时间段的收盘价计算平均值,作为当天的均价。在信号处理中,

也是一种滤波的手段,避免信号出现较大波动,过滤较大的跳变。

  如上图,我们首先根据收盘价,计算2条均线,一条长周期均线(如20日,图中黄线),

一条短周期均(如10日,图中蓝线)。如果短周期均线下穿长周期均线时,则意味着当前有下跌的趋势,

此时适合卖出,即常说的死叉。反之,当短周期均线向上穿过长周期均线时,则意味着有上涨的趋势,

此时适合买入,即所谓的金叉。

  通过pandas快速计算均值。

“`python

df[ma_short] = df[close].rolling(window=self.test_conditions[ma_short]).mean()

df[ma_long] = df[close].rolling(window=self.test_conditions[ma_long]).mean()

“`

  通过双均线进行择时。

“`python

if ma_short >= ma_long and not hold:

trade_type = buy

elif ma_short < ma_long and hold:

trade_type = sell

“`

## 2.2.2 账户信息刷新

  通过账户类实时刷新账户信息。

“`python

class Account:

def __init__(self, capital: int):

# 1. dynamic changing info

self.cash = capital # available cash for trading

self.total_capital = capital

# stock id: {pos_num, price}, price for current price

self.pos_dict = {}

# 2. trading history log

# historical trading of each stock

# stock id: dataframe (detailed trading info)

self.trade_dict = {}

# each days trading history (only log trading really happens)

self.daily_trading_lst = []

# overall trading info, make each days trading as one

self.pd_gather_trades = pd.DataFrame()

# log total funds changing of each day even no trades happened on the day

self.funds_chg_lst = []

“`

# 2.2.3 其它费用计算

“`shell

order_cost:

close_tax: 0.001 # tax charged for selling

open_commission: 0.0003 # purchase service fee

close_commission: 0.0003 # selling service fee

min_commission: 5 # minimum service fee for each trade

slippage_fee: 0.0 #0.00246 # 0.00246 # fee difference between value and actual order

# random: random pos or neg value, general: buy pos, sell neg

slippage_type: general

# calculate purchase number, 1 buy = 100 shares

# minimum subscribe for 100 shares, multiple 100 is to 1 buy

trade_lim: 100

“`

# 2.3 回测评估

# 2.3.1 风险指标计算

1. 策略收益:P是账户资金在一段时间内的变化。

“`shell

(Pend – Pstart) / Pstart * 100%

“`

2. 年化收益:

如果测试周期小于1年,则是一个折算值,

有可能比实际年化少,((1+P)^(250/n) – 1) * 100%,P是策略收益,

n可以认为是交易日,一年250天

3. Beta:

衡量策略收益和基准收益的关系,常用上证指数作为基准,如果基准收益上涨1%,

策略收益上涨1.5%,则Beta为1.5,反之为-1.5。如果市场状态良好,则越大越好,

反之,越小越好。公式如下:

“`shell

Beta = Cov(Dp, Dm) / Var(Dm)

“`

  COV:协方差,Var:方差

4. Alpha:

非系统性风险,代表和市场波动无关的收益。比如,策略收益为20%,基准收益为10%,则Alpha为

10%。Alpha计算公式如下:

“`shell

Alpha = Rp – [Rf + Beta * (Rm – Rf)]

“`

* Rp: 策略年化收益

* Rm:基准收益

* Beta:上述3中计算的值

* Rf: 无风险利率,可以银行定期存款利率作为基准,通常设为4%。

5. Sharp率:

表示每承担一个风险所获得的无风险收益。值越大,表示承担越多风险,收益越大。反之亦然。

通常,该值越大越好。计算公式如下:

“`shell

Sharp Ratio = (Rp – Rf) / Sigma(p)

“`

* Rp: 策略年化收益

* Rf: 无风险利率,可以银行定期存款利率作为基准,通常设为4%。

* Sigma(p): 策略收益的波动率(策略收益的年化标准差)

6. 最大回撤:

表示策略最大损失,该值越小越好。有些库采用正值,有些采用负值表示,都是一个意思。计算公式如下:

“`shell

max_draw_down = (Px-Py)/Px

“`

  Px, Py: 一段时间内资产的最高和最低值。

7. Sortino率:

评估策略亏损的风险,比略越高越好。公式如下:

“`shell

Sortino Ratio = (Rp – Rf) / Sigma(d)

“`

* Rp: 策略年化收益

* Rf: 无风险利率,可以银行定期存款利率作为基准,通常设为4%。

* Sigma(p): 策略下行波动率

8. 胜率:

即获胜的概率,比如10次交易中8次是盈利的,那么胜率就是80%。

9. 盈亏比

在一段交易时间内,如果盈利12000,亏损8000,则比率为1.5。

10. 最大连续亏损

在一段交易时间内,连续亏损的最大值。

# 2.3.2 回测注意事项

  回测和真是交易存在一定的差异,因此,只可能尽可能接近实际的模拟,但和真实

存在一定差异,如:

* 概率性买入失败:真实交易可能存在涨跌停导致没有买入或卖出,而回测无法很好的模拟

* 滑点:由于价格快速实时波动,导致下单和实际成交价格存在差异,回测往往采用一个固定比率模拟

* 交易值:回测往往采取一天的收盘价或者平均价作为交易价格,与实际存在差异

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注

Proudly powered by WordPress | Theme: HoneyWaves by SpiceThemes