[策略模板] 一个新手适用的交易策略的模板（分钟回测，过滤涨跌停、停牌……）

[thinkingmind]

一个新手适用的交易模型的模板

新鲜出品： https://www.ricequant.com/community/topic/1150/?utm_source=v2ex

关键词：策略模板、策略、策略交易、新人、模板、模块……

引言： 在 rice 里混了大半年了，学习了不少大牛的有用知识，也编写了一大堆的有的没的策略，但是每次都面临大量的重复劳动，费时费力，于是这里就总结了一个适合新人的交易策略的模板分享给大家。

原理: 看了大家的策略，和查阅了一些资料，也总结了和归纳了一些，大概分为，选股、进场时机、持仓平衡、现金管理、出场时机、风险管理，一些工具组件~ 不废话了，直接上 demo 代码简单写~

模板代码： 说明：分钟回测，组合初始 100 万现金，交易手续默认的，无卖空， benchmark 为默认，进场策略输出了股票列表，出场策略也是返回要卖出的股票列表……

1 、传奇的小市值策略（市值最小的 100 只股票做为每天的备选列表），这个因子表现的最好，为避免模板的 demo 曲线表现太差，所以用了这个吸引眼球的选股因子，高手勿喷，勿笑；

2 、进场以大家熟悉的 5 日均线上传 10 日均线，并保持 20 日线为进场条件；（感觉自己写复杂了，反正是模板）

3 、出场为低于 20 日线的 99%为强制出场（ 20 日线，在近两年基本作为了行业标配了，反正有点用）

4 、持仓策略：在市值不便的情况下平均持仓，每日临近收盘进行再平衡，理想情况保持每只持仓占比相等（

5 、现金管理：本来想再收盘前现金买进“银华日利”，但由于默认市价交易滑点太大，就省略了（要限价交易才可能有利润，但是这里也发现尾盘表现非常不好，就注释掉了）

6 、风险管理：略了，流传一个大盘跌过 3%的强制止损风险策略，小市值也可以增加二八轮动的择时，没有加上，有兴趣可以自己弄着玩，加这个模块里；

7 、交易方式：为了避免过大的成家量超过 25%的 error ，这里都下的限价单，但是后续模块化吧，另控制了单只持仓不超过 10%~（模块写起来比较复杂，还要新建 dict 进行撤单再下单等计算，后续成熟了，再拿出来分享）

8 、工具：

trans 、历史数据强制转化成真正的 DataFrame(效率问题，做了.T 的来回变换)，问 licco 说，其实 2016 年 5 月 2X 后就不需要了

n 日内随机交易的收益率概率（例子中未用到）

多个 list 里取交集，懒得每次都写了，干脆写了个小函数

标的上市自然日的函数，避免次新股对收益干扰太大，要真像炒次新股，要好好研究一下，个人做过尝试发现，高风险高利润，大盘择时比较关键，干脆这里做了过滤比如一定要上市超过 60 个自然日

是否涨跌停区间，一定要可交易，人家都封版了，交易量有，关咱策略毛事，所以也进行了过滤

因为分钟回测，所以选择了 14 ： 50 作为买入时间点，而出场选择每 15 分钟采样计算一次（性能压力和必要性的问题）， 14 ： 59 （后来发现深圳市场应该 14 点 56 ，要不 57 开始深圳会集合竞价了，但是例子里没有调整，所以还是 error 一大堆，见笑了）

最后，个人也是新学小白用户，以新人最常见的 5 日金叉做例子，结合小市值选股做了这个模板，期望可以减少新人的重复无价值劳动~另还请大牛们给与指正~

import pandas as pd
import numpy as np
import time
import math
import itertools

# 数据准备

def init_variables (context):
    context.init = 0 
    context.days = 0
    context.barcount = 0
    context.choosenum = 300
    context.obv = 50
    context.tj1 = 5 # 5 日均线
    context.tj2 = 10 # 10 日均线
    context.tj3 = 20 # 20 日均线
    context.his = pd.DataFrame()
    return


'''第 1 部、选择标的'''

def choose_target(context):
    # 最小市值的 100 只标的
    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、入场策略'''
#2.1 大盘环境问题
    #可增加外部数据

#2.2 个股选择问题，最后还要过滤非跌停、上市天数、非停牌的标的（ st 未过滤）
def for_buy(context, bar_dict, his):
    #2.2.1 备选中标的站上 5 日线
    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 备选中标的站上 10 日线
    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 所谓金叉，今天短均线大于长均线，上一个 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
    
    #整合各个子条件的交集
    
    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 = []
    #过滤上市时间、是否涨停、是否停牌等条件
    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、持仓组合的微调策略'''
# 平均市值做微调
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、出场策略'''
# 小于 20 日均线，并且可交易，没跌停
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、闲置资金效率最大化'''
def for_cash(context, bar_dict):
    cash = context.portfolio.cash
    #order_target_value('511880.XSHG',cash) 注释掉因为滑点太大，可以买一个货基，或者逆回购
    return 

'''第 6 部、风险控制'''
def alert_risk(context,bar_dict):
    #这里如果给出策略，要强制执行，注意在 handle 优先级高于所有
    pass

'''第 7 部、备用组件'''

#7.1 将 his 的非标 DF 进行转换， licco 说现在不用转换了，我还是保留了：）
def trans(df):
    temp = pd.DataFrame()
    for col in df.index:
        temp[col] = df.T[col]
    return temp.T

#7.2 计算 n 日概率随机交易的概率收益率
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 获得并集
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 标的上市时间距离参照时间的自然日数量
def ipo_days(stock, today):
    ssrq = instruments(stock).listed_date.replace(tzinfo=None)
    today = today.replace(tzinfo=None)
    return (today - ssrq).days

#7.5 判断当前标在可交易区间内（非涨跌停）
def zdt_trade(stock, context, bar_dict):
    yesterday = history(2,'1d', 'close')[stock].values[-1]
    zt = round(1.10 * yesterday,2)
    dt = round(0.90 * yesterday,2)
    return dt < bar_dict[stock].last < zt
    



'''--------------华丽的分割线----------------'''

def init(context):
    init_variables(context)
    choose_target(context)


# before_trading 此函数会在每天交易开始前被调用，当天只会被调用一次
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


# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
    context.barcount += 1
    
    alert_risk(context,bar_dict)
    
    #模拟交易第一次开始，如果是交易时间可能运行不了 before_trading,所以这里做了个参数来控制这种出错的特例
    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, 0.99/hnum, 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)  

新鲜出品： https://www.ricequant.com/community/topic/1150/?utm_source=v2ex

[rim99]

这个厉害，已收藏