002 常见量化交易平台使用

大家好，欢迎来到IT知识分享网。

常见的量化交易平台：米筐，BigQuant，优矿，聚宽，掘金。

本文简单介绍其中的米筐量化交易平台。米筐支持Python，Java编写交易策略进行回测。

一、平台使用

1. 注册账号

平台网址：米筐量化平台

平台的帮助文档见网站【支持】页面：

2. 进入界面

打开右上角的【产品——米筐量化协作平台】进入策略编写界面，然后点击【新建策略】的【代码策略】，当然，也可以使用向导策略。

3. 编写策略

在左侧编写策略，点击右侧的【编译策略】

4. 运行回测

编译通过后，点击最右侧的【运行回测】，模拟交易策略的结果。

二、常用函数

1. init()

策略启动运行时首先执行的函数，只执行一次。其中context参数可理解为全局变量，可在各个函数中使用，以传递参数。

# 可以导入常见的numpy,pandas等库，以及米筐自带的talib库 # 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。 def init(context): # 在context中保存全局变量 context.s1 = "000001.XSHE" # 实时打印日志 logger.info("RunInfo: {}".format(context.run_info))

2. handle_bar()

股票数据有更新时会自动执行该函数，用于编写量化策略的主要逻辑和触发交易动作。

# 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): # 开始编写你的主要的算法逻辑 # bar_dict[order_book_id] 可以拿到某个证券的bar信息 # context.portfolio 可以拿到现在的投资组合信息 # 使用order_shares(id_or_ins, amount)方法进行落单 # TODO: 开始编写你的算法吧！ order_shares(context.s1, 1000)

3. before_training()

每天策略开始交易前自动触发的函数。具体触发事件取决于交易策略的执行事件。

4. after_training()

每天收盘后组东触发的函数。

5. 交易函数

order_percent()：按目前总资产的百分比金额买入或买出。如：

order_percent('000651.SZ', 1) # 全仓买入格力 order_percent('000651.SZ', 0.5) # 半仓买入格力 order_percent('000651.SZ', -1) # 清仓格力 order_percent('000651.SZ', -0.5) # 减半仓格力

order_shares：按若干股（必须是1手的倍数，A股中，1手=100股）的数量交易。如：

order_shares('000651.SZ', 200) # 买入200股格力 order_shares('000651.SZ', -100) # 卖出100股格力

order_lots：按若干手的数量交易。如：

order_lots('000651.SZ', 2) # 买入2手格力 order_lots('000651.SZ', -1) # 卖出1手股格力

order_value()：按金额数量交易。如

order_value('000651.SZ', ) # 买入共1w人民币的格力 order_value('000651.SZ', -) # 卖出共1w人民币的格力 order_value('000651.SZ', 0) # 清仓格力

其他还有order_target_percent、order_target_portfolio是按当前仓位百分比进行增减仓的函数等。

6. 股票筛选函数

is_st_stock(stock_code)：股票是否ST

is_suspend(stock_code)：是否停牌

三、策略示例

策略示例摘自李天胜《python量化交易实战》一书。

1. 策略示例1

如果空仓，直接全仓买入茅台股票。

# 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。 import talib # 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。 def init(context): logger.info('init') context.s1 = ".XSHG" # 茅台 context.fired = False # 是否发送了交易命令 context.cnt = 1 # 策略相关函数执行次数 # 设置这个策略当中会用到的参数，在策略中可以随时调用，这个策略使用长短均线，我们在这里设定长线和短线的区间，在调试寻找最佳区间的时候只需要在这里进行数值改动 context.SHORTPERIOD = 20 context.LONGPERIOD = 120 def before_trading(context): logger.info('before trading', context.cnt) context.cnt += 1 # 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): # 开始编写你的主要的算法逻辑 context.cnt += 1 logger.info('handle_bar', context.cnt) # bar_dict[order_book_id] 可以拿到某个证券的bar信息 # context.portfolio 可以拿到现在的投资组合状态信息 # 使用order_shares(id_or_ins, amount)方法进行落单 # TODO: 开始编写你的算法吧！ if not context.fired: order_percent(context.s1, 1) context.fired = True

回测结果：

2. 策略示例2

KDJ金叉全仓买入，KDJ死叉清仓

# 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。 import talib # 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。 def init(context): # 在context中保存全局变量 context.s1 = ".XSHG" # 实时打印日志 logger.info("RunInfo: {}".format(context.run_info)) context.SHORTPERIOD = 20 # MA20 context.LONGPERIOD = 60 # MA60 # before_trading此函数会在每天策略交易开始前被调用，当天只会被调用一次 def before_trading(context): 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): # 开始编写你的主要的算法逻辑 # bar_dict[order_book_id] 可以拿到某个证券的bar信息 # context.portfolio 可以拿到现在的投资组合信息 # 使用order_shares(id_or_ins, amount)方法进行落单 # TODO: 开始编写你的算法吧！ prices = history_bars(context.s1, context.LONGPERIOD+1, '1d','close') short_avg = talib.SMA(prices, context.SHORTPERIOD) long_avg = talib.SMA(prices, context.LONGPERIOD) plot('short avg', short_avg[-1]) plot('long avg', long_avg[-1]) # 当前股票持有的仓位 cur_position = get_position(context.s1).quantity # 当前portfolio中现金可以买入多少股 shares = context.portfolio.cash/bar_dict[context.s1].close # 死叉，清仓 if (short_avg[-1] - long_avg[-1]) < 0 and (short_avg[-2] - long_avg[-2] > 0) and cur_position > 0: order_target_value(context.s1, 0) # 金叉，加仓 if (short_avg[-1] - long_avg[-1]) > 0 and (short_avg[-2] - long_avg[-2] < 0): order_shares(context.s1, shares) # after_trading函数会在每天交易结束后被调用，当天只会被调用一次 def after_trading(context): pass