量化进阶——量化交易策略之羊驼和均线策略
阅读原文：
京东金融官方资讯QQ群: 有什么想咨询的都可以来询问我们
相当于加了一个开关，站在40日均线上，就执行羊驼策略，否则，就空仓。
import random
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import scipy.stats as stats
import math
# 设置股票池，本程序中为所有沪深300的股票
stocks = get_index_stocks('000300.XSHG')
#求出股票池中有多少股票
num=len(stocks)
set_universe(stocks)
#设置benchmark，默认为沪深300
#set_benchmark('510050.XSHG')
#设置回测条件
set_commission(PerTrade(buy_cost=0.0008, sell_cost=0.0015, min_cost=5))
set_slippage(FixedSlippage(0))
#设置初始买入多少只股票
num_of_stocks=10
#设置每次更新时替换多少只股票
num_of_change=3
#设置计算几日收益率
#用一个列表来保存每天持有的股票代码
stockshold=[]
#判断参数输入是否符合条件，如果不符合，则重置为默认值
if num_of_stocks&num:
log.info('too large num_of_stocks')
num_of_stocks=10
elif num_of_change&num_of_stocks:
log.info('too large num_of_change')
num_of_change=1
security = '000300.XSHG'
#预处理数据，将没有数据的股票剔除，同时加入收益率
#构成一个列索引为股票名，收益率一行的索引为
#'return'的dataframe，并返回这个dataframe
def process():
#取出每只股票period天的收盘价格
stocks_info=history(period,'1d','close')
#去除信息不全的数据
stocks_info.dropna(axis=0,how='any',thresh=None)
#取出昨天和period天之前的收盘价，计算收益率
a1=list(stocks_info.iloc[0])
a2=list(stocks_info.iloc[period-1])
a1=np.array(a1)
a2=np.array(a2)
#用一个dataframe来保存所有股票的收益率信息
stocks_return=DataFrame(a2/a1,columns=['return'],index=stocks_info.columns)
stocks_info=stocks_info.T
#把收益率的数据加到相应的列
stocks_info=pd.concat([stocks_info,stocks_return],axis=1)
#将股票信息按照收益率从大到小来存储
stocks_info=stocks_info.sort(columns=['return'],ascending=[False])
#返回处理好的dataframe
return stocks_info#股票入池
def BuyStocks(stocks_info,cash):
#计算现在持有的股票数
current_num=len(stockshold)
stocks_info=stocks_info.T
#将已持有的股票从股票池中剔除
for i in range(0,current_num):
if stockshold[i] in stocks_info.columns:
del stocks_info[stockshold[i]]
stocks_info=stocks_info.T
#计算在每只股票上可以支付的现金
cash=cash/num_of_stocks-current_num
for i in range(0,num_of_stocks-current_num):
#取得股票当前的价格
current_price=stocks_info['current_price'][i]
#判断是否有价格数据
if math.isnan(current_price)==False:
#计算可以每只股票可以购买的数量
num_of_shares=int(cash/current_price)
if num_of_shares&0:
order(stocks_info.index[i],+num_of_shares)
log.info('buying %s' %(stocks_info.index[i]))
#将购买的股票代码加到stockhold中
stockshold.append(stocks_info.index[i])
def SellStocks(stocks_info,num_of_change):
stocks_hold=DataFrame()
current_num=len(stockshold)
'log.info('here' % (current_num))'
#用一个dataframe来保存持有的股票的信息
for i in range(0,current_num):
stocks_hold=pd.concat([stocks_hold,stocks_info.loc[stockshold[i]]],axis=1)
stocks_hold=stocks_hold.T
#在持有的股票数不为0时，将持有的股票信息按照收益率大小从小到大排序
if current_num&0:
stocks_hold=stocks_hold.sort(columns=['return'])
#把收益率最低的股票卖空
for k in range(0,min(num_of_change,current_num)):
log.info(num_of_change)
#判断是否停牌
if stocks_hold['paused'][k]=='False':
order_target(stocks_hold.index[k],0)
log.info('Selling %s' % (stocks_hold.index[k]))
#在stockshold中去除已经卖空的股票的信息
stockshold.remove(stocks_hold.index[k])
# 每个单位时间(如果按天回测,则每天调用一次,如果按分钟,则每分钟调用一次)调用一次
def handle_data(context, data):
stocks_info=process()
stocks_num=len(stocks_info.index)
#用一个列表来保存所有股票是否停牌的信息
for i in range(0,stocks_num):
if data[stocks_info.index[i]].paused==True:
pause.append('True')
pause.append('False')
#将列表转换成dataframe以便加入到stocks_info中
paused=DataFrame(pause,columns=['paused'],index=stocks_info.index)
stocks_info=pd.concat([stocks_info,paused],axis=1)
#用一个列表来保存所有股票当前的价格信息
currentprice=[]
for i in range(0,stocks_num):
currentprice.append(data[stocks_info.index[i]].price)
current_price=DataFrame(currentprice,columns=['current_price'],index=stocks_info.index)
#将股票是否停牌，当前价格的信息添加到stocks_info中
stocks_info=pd.concat([stocks_info,current_price],axis=1)
#取得当前现金
cash=context.portfolio.cash
#判断MA的条件
close_price =history(num_MA,'1d', 'close', ['000300.XSHG'])
Closemean=close_price[security].mean()
# 取得当前价格
Current_close = close_price.iloc[-1,-1]
log.info('close %s' % (Current_close))
log.info('mean %s' % Closemean)
if Current_close & Closemean:
#执行卖出股票的函数
SellStocks(stocks_info,3)
#执行买入股票的函数
BuyStocks(stocks_info,cash)
elif Current_close &&
SellStocks(stocks_info,10)
阅读原文：
没有更多推荐了，京东为什么要做量化平台业务？各大量化平台未来可能有怎样的发展_百度知道
京东为什么要做量化平台业务？各大量化平台未来可能有怎样的发展
我有更好的答案
量化交易平台的功能一般包含三大块：研究、模拟、实盘。转化到技术层面为：数据、回测、实盘、安全等等。基于国内市场，我们遇到的挑战如下：1：数据数据包含两类，一类是行情数据，一类是财务、基本面、舆情、研报等其他数据。行情数据：目前市面上分钟级的数据比较精准，可以用于中低频的交易回测；历史、实盘TICK级的Level-1、Level-2数据需要自己找渠道去获得，较容易找到的渠道很容易出现漏数据、不精确等情况，需要工程师专门结合了多家数据源进行核对修复。2：回测回测最难的在于如何确定成交量，同时要考虑复权、停牌、ST*等问题，这里面有很多细节3：安全安全在交易平台的开发中是重中之重，如何保证策略的安全性，不被外部、内部人员所窃取，分为2部分。一部分是WEB安全，一部分是策略的编译安全。因为量化交易平台是用户可编程的，我们京东量化选用的是PYTHON语言，因为有强大的科学计算库和高性能，导致用户可以调用很多系统级API，在这上面我们下了很大的功夫来保证用户的策略安全，做到理论级的策略隔离。只能大概讲一下，这里面每一个部分都可以延伸出来成为一个话题。
采纳率：63%
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。京东量化平台初始化设置
init(context)
初始化函数，用来设置初始化配置,如滑点,交易费等。此函数返回None。
Python对象
初始化设置存储在该参数中，可以自定义属性，具体属性可查看Context对象
def init(context):
# context对象设置如下
#设置选择的股票
context.stock
= "000001.SZ"
#不使用滑点默认值2‰，手动设置滑点为5‰
context.set_slippage(0.005)
#不使用交易费默认值0.25‰，手动设置交易费比例为0.6‰，需注意参数值值为0.0006
context.set_commission(0.0006)
#将基准从默认的沪深300改为中国银行
context.set_benchmark("601988.SH")
没有更多推荐了，京东量化教你如何用简单的策略回测盈利
阅读原文：
今天来教大家使用量化平台中Python的部分，完成一个简单的策略回测。
首先，回测界面是长这个样子的
可以看到，左半边的大部分区域是编辑代码的地方，开发环境会自动识别Python语言的关键词。在代码区上面的设置标志里面可以个性化调节开发环境的视觉效果。
Python的回测代码主要包括init()函数，handle_data()函数，以及其他用户自定义内容。如果在每天开盘前要进行额外的处理或计算，可选择添加before_trade()函数。
def init(context):
# 这里用来写策略开始时要做什么
def before_trade(context):
# 非强制，在这里写每天开盘之前要做什么，不可下单
def handle_data(context, data_dict):
# 这里用来写每天开盘后要做什么，可以是计算，输出日志，或者下单
其中，init()是初始化函数，可以设置基准，滑点，佣金等回测参数，也可以利用context自定义变量。在Python及大部分其他编程语言中，在局部变量只在该变量定义的函数体有效，在其他函数体内是无效的。而context被定义为一个局部变量，可以把内容在不同函数代码之间传导。该函数在回测开始时运行一次。
handle_data()是每个交易时间点（分钟/日）时自动运行一次的函数，可以在此函数内设置交易判断和下单，是策略核心逻辑所在。
用户可以按照Python语言规则定义其他函数，包括运算/数据处理函数，也可以通过task()函数设置自定义函数的执行频率和执行时间。
接下来，我们用一个简单的策略来演示这个过程。我们策略的内容是对平安银行（000001.SZ）进行择时，如果前一天收益率大于中证全指收益率，则买入持仓，反之则不持仓。
首先，我们在init()函数里面设置我们的股票和比较的标的：
# init方法是您的初始化逻辑。context对象可以在任何方法之间传递。
def init(context):
context.stock = '000001.SZ'
context.set_benchmark = '000985.SH'
其中，只要在“#”后面的内容都是注释，不会被Python编译。设置stock和set_benchmark对象时，一定要在前面加上“context.”，这样才能传递到之后的函数中。设置标的后，回测中的基准曲线和收益将采用设置的指数。
然后我们来编辑每个交易日的逻辑：
# 日或分钟或实时数据更新，将会调用这个方法
def handle_data(context, data_dict):
price = get_history(2, '1d', 'close')[context.stock]
priceBm = get_history(2, '1d', 'close')[context.set_benchmark]
这部分代码获取了目标股票和标的的历史价格，其中context.stock和context.set_benchmark都在init()函数中定义好了。get_history()函数是京东量化平台封装的取历史交易数据的函数。其中“2”代表要取历史两天的数据，以便计算上个交易日的收益。“’1d’”和“'close’”分别表示数据频率为天，所需数据为收盘价。返回的价格为pandas.Series类型。各个平台函数的使用方法可以查看帮助板块中的API文档。
为了方便计算收益率，我自定义了一个CalRet()函数，输入连续两天的价格，计算第二天的收益率：
def CalRet(price):
r = (price[1] - price[0]) / price[0]
这段函数写在handle_data()之前。自定义函数编辑的语法符合Python语法即可。这个函数会返回float类型的r。
我们回到handle_data()函数，利用刚刚定义的函数和获取的股票及指数价格计算收益率：
ytdRet = CalRet(price)
bmRet = CalRet(priceBm)
可以得到上个交易日股票的收益率ytdRet和指数收益率bmRet。之后我们进行判断，如果ytdRet大于bmRet，则全仓买入平安银行股票，否则清仓。
if ytdRet & bmRet:
order_target_percent(context.stock, 1)
order_target_percent(context.stock, 0)
order_target_percent()是量化平台编辑的下单函数，可以设置某个股票的仓位至一个百分比。平台同样支持加减仓，用手数，金额等方式下单，详见API文档。
现在，我们就完成了这个策略的设计。回测平台会自动按照这个逻辑，在回测区间内完成交易。
我们设置回测区间为今年，初始金额为一百万，调仓频率为每天，点击“运行回测”。结果如下：
我们可以看到在回测区间内，策略和基准的净值曲线，每天盈亏，买卖等图像，以及回测的技术指标。同时可以查看相对收益，对数收益等。我们可以看到，这个策略没有能够跑赢大盘。当然，这只是一个例子。
在左边的交易详情，持仓和输出日志中可以看到回测中的具体情况，方便进行归因分析，调整策略等等，同时还可以查看历史回测记录。
这样我们就成功完成了整个回测过程。更详细的函数使用方法和平台功能，请参加平台的帮助板块。
阅读原文：
没有更多推荐了，京东量化多策略混合，实现4月超额相对收益
阅读原文：
京东金融官方资讯QQ群: 有什么想咨询的都可以来询问我们
一个策略写不够？
大家可以把自己多个不相关策略混合起来看整体收益
从选股池，核心策略判断，持仓日期，止盈止损，策略个性化参数，以及买卖点的设置，各自互相独立，方便测试和修改。
Select函数是策略核心，每个策略都可以有自己独自的止盈止损，也可以改为动态止盈止损，比如随时间不同、大盘涨幅不同而有不同的止盈止损，具体可以根据需要设置更改全局变量即可。
后续可以针对每个策略的函数进行修改逻辑参数即可，也可以加入仓位控制，为了方便大家修改，第一版是只买一手，之所以收益回撤都低是因为资金量设置的大，其实用不了那么多资金。
1.0不涉及仓位控制，简单买一点试水
这可是4月底，创熔断价更低
保稳能力还是不错的
因为时间过长被中断，只能采取300小市值，60个股票的小市值，大市值股票池进行分析。
可以看到每个策略都是有止盈的（排除了58分低止盈0.01）
因为股票池和策略基础都用的最简化模型，为了减少时间可以通过运行，具体的仓位控制还有待完善。
阅读原文：
没有更多推荐了，