【量化】基于聚宽实现基本面多因子选股+技术指标择时策略

*** 这是一个尚未更新完全的博文***

引入包：

from jqdata import macro
import datetime

总体回测前：

'''
================================================================================
总体回测前
================================================================================
'''
#总体回测前要做的事情
def initialize(context):set_params()        #设置策参数set_globalvars() #设置全局变量set_slip_fee(context) #设置滑点和手续费#设置策参数
def set_params():set_option('use_real_price', True)#用真实价格交易log.set_level('order', 'error')
#     g.factors=["market_cap","roe"] # 用户选出来的因子
#     # 因子等权重里1表示因子值越小越好，-1表示因子值越大越好
#     g.weights=[[1],[-1]]   #设置全局变量
def set_globalvars():g.t=0              #记录回测运行的天数g.if_trade=False   #当天是否交易 g.tc=15  # 调仓频率g.maxnum =20   # 最大持仓数目g.stockpool_index = '000002.XSHG' #设置初始股票池g.buy_list = [] # 将要买入的股票g.sell_lisy = [] # 将要卖出的股票g.maxposition = 1.0 # 最大的持仓比例# 根据不同的时间段设置滑点与手续费
def set_slip_fee(context):# 将滑点设置为0set_slippage(FixedSlippage(0)) # 根据不同的时间段设置手续费dt=context.current_dtlog.info(type(context.current_dt))if dt>datetime.datetime(2013,1, 1):set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5)) elif dt>datetime.datetime(2011,1, 1):set_commission(PerTrade(buy_cost=0.001, sell_cost=0.002, min_cost=5))elif dt>datetime.datetime(2009,1, 1):set_commission(PerTrade(buy_cost=0.002, sell_cost=0.003, min_cost=5))else:set_commission(PerTrade(buy_cost=0.003, sell_cost=0.004, min_cost=5))

每天开盘前：

'''
================================================================================
每天开盘前
================================================================================
'''
#每天开盘前要做的事情
def before_trading_start(context):g.stockpool = get_index_stocks(g.stockpool_index) # 根据所选基础指数成分股更新当前基础股票池g.maxposition = systematicrisk(context) # 获取当日可接受最高仓位g.sell_list = [] # 清空g.sell_listg.buy_list = [] # 清空g.buy_liststoploss(context) # 运行止损函数，将满足止损条件的股票append到g.sell_list中get_selllist(context) # 运行持仓股基本面分析函数，将满足售出基本面条件的股票append到g.sell_list中if(context.current_dt.isoweekday() == 1):#判断是否周一get_buylist(context) # 运行基本面分析函数，将基础股票池中满足买入基本面条件的股票append到g.buy_list中filter_paused_stock(context)# 剔除停牌股票def systematicrisk(context):"""分析市场系统性风险，并通过不同的风险等级返回当前可以接受最大仓位。Parameters:contextReturns:float-当前可以接受最大仓位Raises:KeyError - raises an exception"""base_score = 50 #1 #前两日shibor 7天利率变动，降低10个基点以上则此项10分，降低25个基点以上则此项15分；#上升10个基点以上则此项-10分,上升25个基点则此项-15分query_object1 = query(macro.MAC_LEND_RATE.day,macro.MAC_LEND_RATE.interest_rate).filter(macro.MAC_LEND_RATE.currency_id=='1',macro.MAC_LEND_RATE.market_id=='5',macro.MAC_LEND_RATE.term_id=='7',macro.MAC_LEND_RATE.day > context.current_dt - datetime.timedelta(days=3),macro.MAC_LEND_RATE.day < context.current_dt                                   ).limit(2)df_shibor = macro.run_query(query_object1)diff = df_shibor.iloc[1]['interest_rate'] - df_shibor.iloc[0]['interest_rate']if(diff<=-0.25):score1 = -15elif(diff<=-0.10 && diff>-0.25):score1 = -10elif(score>=0.10 && diff<0.25):score1 = 10elif(score>=0.25):score1 = 15#2（每周只分析一次该项）#消费者景气指数（月度），表名：MAC_CONSUMER_BOOM_IDX#最近数据为预警，则此项为-5分，非预警则此项为5分。if(context.current_dt.isoweekday() == 1):#判断是否周一else:score2 = 0#3#大盘10日均线死叉-15分，金叉+15分#4#市场情绪BRAR-情绪指标#BR>400，暗示行情过热，-5分；BR<40 ，行情将起死回生，+5分；#AR>180，能量耗尽，-5分；AR<40 ，能量已累积爆发力，+5分；score = base_score + score1 + score2 + score3 + score4if(score > 100):score = 100if(score < 10):score = 10return score * 0.01def stoploss(context):"""持仓股止损函数，判断持仓股是否满足止损要求，并将满足要求的股票append到sell_listParameters:contextReturns:list- 需要止损的股票代码列表Raises:KeyError - raises an exception"""    def get_selllist(context):"""基本面分析持仓股是否应该卖出，将满足要求的股票append到sell_listParameters:contextReturns:list- 通过基本面分析得出需要卖出的股票代码列表Raises:KeyError - raises an exception"""        def get_buylist():"""基本面分析持仓股是否应该卖出，将满足要求的股票append到sell_listParameters:contextReturns:list- 通过基本面分析得出需要卖出的股票代码列表Raises:KeyError - raises an exception"""      def filter_paused_stock(context):"""过滤掉当日停牌的股票，删除buy_list中和sell_list中停牌的股票Parameters:contextReturns:list- 在buy_list中和sell_list中当日未停牌的股票Raises:KeyError - raises an exception"""  current_data = get_current_data()g.buy_list = [stock for stock in g.buy_list if not current_data[stock].paused]g.sell_list = [stock for stock in g.sell_list if not current_data[stock].paused]return g.buy_list , g.sell_list

每天交易时：

'''
================================================================================
每天交易时
================================================================================
'''def handle_data(context, data):if g.if_trade==True:# 计算现在的总资产，以分配资金，这里是等额权重分配g.everyStock=context.portfolio.portfolio_value/g.N# 获得今天日期的字符串todayStr=str(context.current_dt)[0:10]# 获得因子排序a,b=getRankedFactors(g.factors,todayStr)# 计算每个股票的得分points=np.dot(a,g.weights)# 复制股票代码stock_sort=b[:]# 对股票的得分进行排名points,stock_sort=bubble(points,stock_sort)# 取前N名的股票toBuy=stock_sort[0:g.N].values# 对于不需要持仓的股票，全仓卖出order_stock_sell(context,data,toBuy)# 对于不需要持仓的股票，按分配到的份额买入order_stock_buy(context,data,toBuy)g.if_trade=False    #获得卖出信号，并执行卖出操作
#输入：context, data，toBuy-list
#输出：none
def order_stock_sell(context,data,toBuy):#如果现有持仓股票不在股票池，清空list_position=context.portfolio.positions.keys()for stock in list_position:if stock not in toBuy:order_target(stock, 0)#7
#获得买入信号，并执行买入操作
#输入：context, data，toBuy-list
#输出：none
def order_stock_buy(context,data,toBuy):# 对于不需要持仓的股票，按分配到的份额买入for i in range(0,len(g.all_stocks)):if indexOf(g.all_stocks[i],toBuy)>-1:order_target_value(g.all_stocks[i], g.everyStock)#8
#查找一个元素在数组里面的位置，如果不存在，则返回-1
#输入：元素，对应数组
#输出：-1
def indexOf(e,a):for i in range(0,len(a)):if e==a[i]:return ireturn -1#9
#取因子数据
#输入：f-全局通用的查询,d-str
#输出：因子数据,股票的代码-dataframe
def getRankedFactors(f,d):# 获得股票的基本面数据，这个API里面有，g.q是一个全局通用的查询df = get_fundamentals(g.q,d)# 为了防止Python里面的浅复制现象，采用循环来定义二维数组res = [([0] * len(f)) for i in range(len(df))]# 把数据填充到刚才定义的数组里面for i in range(0,len(df)):for j in range(0,len(f)):res[i][j]=df[f[j]][i]# 用均值填充NaN值fillNan(res)# 将数据变成排名getRank(res)# 返回因子数据和股票的代码（这个是因为沪深300指数成分股一直在变，如果用未来的沪深300指数成分股在之前可能有一些股票还没上市）return res,df['code']#10
#把每列原始数据变成排序的数据
#输入：r-list
#输出：r-list
def getRank(r):# 定义一个临时数组记住一开始的顺序indexes=list(range(0,len(r)))# 对每一列进行冒泡排序for k in range(len(r[0])):for i in range(len(r)):for j in range(i):if r[j][k] < r[i][k]:# 交换所有的列以及用于记录一开始的顺序的数组indexes[j], indexes[i] = indexes[i], indexes[j]for l in range(len(r[0])):r[j][l], r[i][l] = r[i][l], r[j][l]# 将排序好的因子顺序变成排名for i in range(len(r)):r[i][k]=i+1# 再进行一次冒泡排序恢复一开始的股票顺序for i in range(len(r)):for j in range(i):if indexes[j] > indexes[i]:indexes[j], indexes[i] = indexes[i], indexes[j]for k in range(len(r[0])):r[j][k], r[i][k] = r[i][k], r[j][k]# 因为Python是引用传递，所以其实这个可以不用返回值也行，当然如果你想用另外一个变量来存储排序结果的话可以考虑返回值的方法return r#11
#用均值填充Nan
#输入：m-list
#输出：m-list
def fillNan(m):# 计算出因子数据有多少行（行是不同的股票）rows=len(m) # 计算出因子数据有多少列（列是不同的因子）columns=len(m[0])# 这个循环是对每一列进行操作for j in range(0,columns):# 定义一个临时变量，用来存储每列加总的值sum=0.0# 定义一个临时变量，用来计算非NaN值的个数count=0.0# 计算非NaN值的总和和个数for i in range(0,rows):if not(isnan(m[i][j])):sum+=m[i][j]count+=1# 计算平均值，为了防止全是NaN，如果当整列都是NaN的时候认为平均值是0avg=sum/max(count,1)for i in range(0,rows):# 这个for循环是用来把NaN值填充为刚才计算出来的平均值的if isnan(m[i][j]):m[i][j]=avgreturn m#12
#定义一个冒泡排序的函数
#输入：numbers是股票的综合得分-list
#输出：indexes是股票列表-list
def bubble(numbers,indexes):for i in range(len(numbers)):for j in range(i):if numbers[j][0] < numbers[i][0]:# 在进行交换的时候同时交换得分以记录哪些股票得分比较高numbers[j][0], numbers[i][0] = numbers[i][0], numbers[j][0]indexes[j], indexes[i] = indexes[i], indexes[j] return numbers,indexes'''
================================================================================
每天收盘后
================================================================================
'''
# 每日收盘后要做的事情（本策略中不需要）
def after_trading_end(context):return

【量化】基于聚宽实现基本面多因子选股+技术指标择时策略相关推荐

转载：用聚宽实现一个多因子策略
https://www.joinquant.com/view/community/detail/e7344a5530d6f5586d37611112b11060?type=1 聚宽小秘书 8个月前点 ...
基于matlab量化投资策略,【Matlab量化投资】支持向量机择时策略
推出[Matlab量化投资系列] 机器学习所谓机器学习,其实就是根据样本数据寻找规律,然后再利用这些规律来预测未来的数据(结果). 但是,直到今天,机器学习也没有一种被大家广泛认同的理论框架产生,这 ...
quantrader和matlab不匹配,【Matlab量化投资】支持向量机择时策略
原标题:[Matlab量化投资]支持向量机择时策略感谢国泰安与本公众号合作推出[Matlab量化投资系列] 机器学习所谓机器学习,其实就是根据样本数据寻找规律,然后再利用这些规律来预测未来的数据 ...
基于北向资金指数择时策略验证与思考
基于北向资金指数择时策略验证与思考本文思路华泰金工研量化资产配置7月月报<北向资金走向预示市场短期或震荡>关于北上资金的择时思路,构建基于北向资金的股市择时策略,并进行历史回测.结果表明 ...
【量化】基于聚宽实现MACD均线择时策略
MACD均线择时策略是十分基础的策略,适合咱们这种新手学习,这篇博客就分享一下基于聚宽实现MACD均线择时策略. 代码: 注:需要到聚宽的量化平台去运行. # MACD均线择时策略 ''' 筛选出符合 ...
量化交易聚宽多因子策略（市值, ROE）
量化交易聚宽多因子策略(市值, ROE) # 导入函数库 from jqdata import *# 初始化函数,设定基准等等 def initialize(context):# 设定沪深300作 ...
量化交易聚宽布林带策略
量化交易聚宽布林带策略 # 导入函数库 from jqdata import *# 初始化函数,设定基准等等 def initialize(context):# 使用真实价格set_option( ...
量化交易聚宽均值回归策略
量化交易聚宽均值回归策略 # 导入函数库 from jqdata import *# 初始化函数,设定基准等等 def initialize(context):# 设定沪深300作为基准set_b ...
量化交易聚宽动量与反转策略
量化交易聚宽动量与反转策略 # 导入函数库 from jqdata import *# 初始化函数,设定基准等等 def initialize(context):# 设定沪深300作为基准set_ ...

【量化】基于聚宽实现基本面多因子选股+技术指标择时策略

【量化】基于聚宽实现基本面多因子选股+技术指标择时策略相关推荐

最新文章

热门文章