无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。教程链接：https://www.cbedai.net/qtlyx

这么多python开源的量化平台中，zipline应该是应用最广泛的一个了，而且在quantopian的体系下，可以和pyfolio和alphalen无缝衔接。但是相比于之前笔者使用的backtrader量化回测平台，zipline在本地的实用化更加复杂。当然，如果用joinquant和ricequant下，其实很easy，但是云端运行策略，很多方面都会有限制。

所以，zipline想真正用起来，第一步就是本地化。之前了解过本地化的过程，浅尝辄止了，而近来发现，zipline的受众太多了，但是国内的资料几乎是空白。所以笔者尝试进行一下本地化。

这篇教程，并没有成功的本地化，碰到了一些问题，但是想必已经很接近了，仅此作为一个记录。

1.zipline安装

这里，笔者建议安装zipline之前先安装最新的anaconda，然后用

conda install -c Quantopian zipline

如果不是最新的anaconda，可能会有各种各样的问题。笔者用的是python2.7的版本，似乎3.X也是可以的。

2.zipline教程中的运行方法

在zipline的官方教程中，重点讲了命令行的运行方法，如下：

zipline run -f ../../zipline/examples/buyapple.py --start 2000-1-1 --end 2014-1-1 -o buyapple_out.pickle

zipline的ipython格式的教程中，还介绍了ipython中的运行方式，唯独没有介绍如何在pycharm这样的ide中运行的方式。

3.zipline在ide中运行的方式

首先，在zipline中，我们需要两个关键函数来完成一个策略。教程中有如下这样段代码。

from zipline.api import order, record, symboldef initialize(context):passdef handle_data(context, data):order(symbol('AAPL'), 10)record(AAPL=data.current(symbol('AAPL'), 'price'))

如果不知道这两个函数分别是干嘛的，大家可以先去joinquant上了解一下基本教程。

那么，我们怎么在ide中运行这样的一个策略呢？

方法就是我们构建一个TradingAlgorithm类，然后run这个类。

algor_obj = TradingAlgorithm(initialize=initialize, handle_data=handle_data)

然后，我们run一下

perf_manual = algor_obj.run(data_c)

这样我们的策略就完成了。

一个完整的例子如下：

#-*- coding: utf-8 -*-
from datetime import datetime
from zipline.algorithm import TradingAlgorithm
from zipline.finance.trading import TradingEnvironment
from zipline.api import order, record, symbol, history
from zipline.finance import trading
from zipline.utils.factory import create_simulation_parameters
import pandas as pd
import numpy as npn = 0
# Define algorithm
def initialize(context):context.asset = symbol('AAPL')print "initialization"passdef handle_data(context, data):global nprint "handle", nprint data.history(context.asset, 'price', 1, '1d')#close price# print history(1, '1d', 'price').mean()n += 1order(symbol('AAPL'), 10)record(AAPL=data.current(symbol('AAPL'), 'price'))def analyze(context=None, results=None):import matplotlib.pyplot as plt# Plot the portfolio and asset data.ax1 = plt.subplot(211)results.portfolio_value.plot(ax=ax1)ax1.set_ylabel('Portfolio value (USD)')ax2 = plt.subplot(212, sharex=ax1)results.AAPL.plot(ax=ax2)ax2.set_ylabel('AAPL price (USD)')# Show the plot.plt.gcf().set_size_inches(18, 8)plt.show()# 本地化工作开始
def load_t(trading_day, trading_days, bm_symbol):# dates = pd.date_range('2001-01-01 00:00:00', periods=365, tz="Asia/Shanghai")bm = pd.Series(data=np.random.random_sample(len(trading_days)), index=trading_days)tr = pd.DataFrame(data=np.random.random_sample((len(trading_days), 7)), index=trading_days,columns=['1month', '3month', '6month', '1year', '2year', '3year', '10year'])return bm, tr
trading.environment = TradingEnvironment(load=load_t, bm_symbol='^HSI', exchange_tz='Asia/Shanghai')# 回测参数设置
sim_params = create_simulation_parameters(year=2014,start=pd.to_datetime("2001-01-01 00:00:00").tz_localize("Asia/Shanghai"),end=pd.to_datetime("2001-09-21 00:00:00").tz_localize("Asia/Shanghai"),data_frequency="daily", emission_rate="daily")  # 原始版本是上面这样的，代码里面是交易日历，然而，如何产生交易日历呢？# setting the algo parameters
algor_obj = TradingAlgorithm(initialize=initialize, handle_data=handle_data,sim_params=sim_params, env=trading.environment, analyze=analyze)
# data format definition
parse = lambda x: datetime.date(datetime.strptime(x, '%Y/%m/%d'))# data generator
data_s = pd.read_csv('AAPL.csv', parse_dates=['Date'], index_col=0, date_parser=parse)
print data_s
data_c = pd.Panel({'AAPL': data_s})perf_manual = algor_obj.run(data_c)
# Print
perf_manual.to_csv('myoutput.csv')

我们可以看到这样的输出，以及一张图片。
initialization
handle 0
2001-01-02 00:00:00+00:00 11.1
Freq: C, Name: Equity(0 [AAPL]), dtype: float64
handle 1
2001-01-03 00:00:00+00:00 12.1
Freq: C, Name: Equity(0 [AAPL]), dtype: float64
handle 2
2001-01-04 00:00:00+00:00 13.1
Freq: C, Name: Equity(0 [AAPL]), dtype: float64
handle 3
2001-01-05 00:00:00+00:00 14.1
Freq: C, Name: Equity(0 [AAPL]), dtype: float64
handle 4
2001-01-08 00:00:00+00:00 17.1
Freq: C, Name: Equity(0 [AAPL]), dtype: float64
handle 5
2001-01-09 00:00:00+00:00 18.1
Freq: C, Name: Equity(0 [AAPL]), dtype: float64
handle 6
2001-01-10 00:00:00+00:00 19.1
Freq: C, Name: Equity(0 [AAPL]), dtype: float64

上面的代码中，比笔者之前介绍的多了一些东西。

首先是我们定义了一个analyze()函数，这个函数在整个回测结束之后将会被调用。大家可以自己定义一些回测的结果计算指标。

然后，我们在TradingAlgorithm类中，还有sim_params和env参数。而这两个正是我们本地化工作的核心。其中，env更加重要，因为这个参数决定了你的回测环境，也就是说你的市场环境，其中有一个calender的设置，特别重要。然而，笔者并没有完全研究透彻这两个参数，还有很多问题存在。

这个例子当中的数据跑起来没有问题，因为交易数据是虚假的，其部分数据如下：

Date,open,high,low,close,volume,adj close
2001/1/1,0.1,11.1,9.1,10.1,500,10.1
2001/1/2,0.1,12.1,10.1,11.1,501,11.1
2001/1/3,0.1,13.1,11.1,12.1,502,12.1
2001/1/4,0.1,14.1,12.1,13.1,503,13.1
2001/1/5,14.1,15.1,13.1,14.1,504,14.1
2001/1/6,15.1,16.1,14.1,15.1,505,15.1
2001/1/7,16.1,17.1,15.1,16.1,506,16.1
2001/1/8,17.1,18.1,16.1,17.1,507,17.1
2001/1/9,18.1,19.1,17.1,18.1,508,18.1
2001/1/10,19.1,20.1,18.1,19.1,509,19.1
2001/1/11,20.1,21.1,19.1,20.1,510,20.1
2001/1/12,21.1,22.1,20.1,21.1,511,21.1
2001/1/13,22.1,23.1,21.1,22.1,512,22.1
2001/1/14,23.1,24.1,22.1,23.1,513,23.1
2001/1/15,24.1,25.1,23.1,24.1,514,24.1
2001/1/16,25.1,26.1,24.1,25.1,515,25.1
2001/1/17,26.1,27.1,25.1,26.1,516,26.1
2001/1/18,27.1,28.1,26.1,27.1,517,27.1
2001/1/19,28.1,29.1,27.1,28.1,518,28.1
2001/1/20,29.1,30.1,28.1,29.1,519,29.1
2001/1/21,30.1,31.1,29.1,30.1,520,30.1
2001/1/22,31.1,32.1,30.1,31.1,521,31.1
2001/1/23,32.1,33.1,31.1,32.1,522,32.1
2001/1/24,33.1,34.1,32.1,33.1,523,33.1
2001/1/25,34.1,35.1,33.1,34.1,524,34.1
2001/1/26,35.1,36.1,34.1,35.1,525,35.1
2001/1/27,36.1,37.1,35.1,36.1,526,36.1
2001/1/28,37.1,38.1,36.1,37.1,527,37.1
2001/1/29,38.1,39.1,37.1,38.1,528,38.1
2001/1/30,39.1,40.1,38.1,39.1,529,39.1
2001/1/31,40.1,41.1,39.1,40.1,530,40.1
2001/2/1,41.1,42.1,40.1,41.1,531,41.1
2001/2/2,42.1,43.1,41.1,42.1,532,42.1
2001/2/3,43.1,44.1,42.1,43.1,533,43.1
2001/2/4,44.1,45.1,43.1,44.1,534,44.1
2001/2/5,45.1,46.1,44.1,45.1,535,45.1
2001/2/6,46.1,47.1,45.1,46.1,536,46.1
2001/2/7,47.1,48.1,46.1,47.1,537,47.1
2001/2/8,48.1,49.1,47.1,48.1,538,48.1
2001/2/9,49.1,50.1,48.1,49.1,539,49.1
2001/2/10,50.1,51.1,49.1,50.1,540,50.1

可以看出来，最大的特点是，日期是连续的。而其实交易日是有放假的。

4.真实数据的例子

#! Users\Administrator\Documents\Python Scripts
#-*- coding: utf-8 -*-import pytz
from datetime import datetimeimport zipline
from zipline.algorithm import TradingAlgorithm
from zipline.finance.trading import TradingEnvironment
from zipline.api import order, record, symbol, history
from zipline.finance import trading
from zipline.utils.factory import create_simulation_parameters
from zipline.assets.synthetic import make_simple_equity_info
from zipline.utils.calendars import exchange_calendar_sh
from zipline.utils.calendars import exchange_calendar_lse
from zipline.utils.calendars import exchange_calendar_nyse
import pandas as pd
import numpy as npn = 0
# Define algorithm
def initialize(context):context.asset = symbol('dfqc')print "initialization"passdef handle_data(context, data):global nprint "handle", nprint data.history(context.asset, 'price', 1, '1d')#close price# print history(1, '1d', 'price').mean()n += 1order(symbol('dfqc'), 10)record(AAPL=data.current(symbol('dfqc'), 'price'))def analyze(context=None, results=None):import matplotlib.pyplot as plt# Plot the portfolio and asset data.ax1 = plt.subplot(211)results.portfolio_value.plot(ax=ax1)ax1.set_ylabel('Portfolio value (USD)')ax2 = plt.subplot(212, sharex=ax1)results.AAPL.plot(ax=ax2)ax2.set_ylabel('dfqc price (USD)')# Show the plot.plt.gcf().set_size_inches(18, 8)plt.show()# This is needed to handle the correct calendar. Assume that market data has the right index for trade able days.
# Passing in env_trading_calendar=trading calendar_lse doesn't appear to work, as it doesn't implement open_and_closesdef load_t(trading_day, trading_days, bm_symbol):# dates = pd.date_range('2001-01-01 00:00:00', periods=365, tz="Asia/Shanghai")bm = pd.Series(data=np.random.random_sample(len(trading_days)), index=trading_days)tr = pd.DataFrame(data=np.random.random_sample((len(trading_days), 7)), index=trading_days,columns=['1month', '3month', '6month', '1year', '2year', '3year', '10year'])return bm, tr
cal = exchange_calendar_sh.SHExchangeCalendar()
trading.environment = TradingEnvironment(load=load_t, bm_symbol='^HSI', exchange_tz='Asia/Shanghai', trading_calendar=cal)# 回测参数设置
sim_params = create_simulation_parameters(year=2014,start=pd.to_datetime("2014-01-01 00:00:00").tz_localize("Asia/Shanghai"),end=pd.to_datetime("2014-03-07 00:00:00").tz_localize("Asia/Shanghai"),data_frequency="daily", emission_rate="daily")  # 原始版本是上面这样的，代码里面是交易日历，然而，如何产生交易日历呢？# setting the algo parameters
algor_obj = TradingAlgorithm(initialize=initialize, handle_data=handle_data,sim_params=sim_params, env=trading.environment, analyze=analyze,trading_calendar=cal)# data format definition
parse = lambda x: datetime.date(datetime.strptime(x, '%Y-%m-%d %H:%M:%S.%f'))# parse = lambda x: datetime.date(pytz.utc.localize(datetime.strptime(x, '%Y-%m-%d %H:%M:%S.%f')))
# data generator
data_s = pd.read_csv('dfqc.csv', parse_dates=['date'], index_col=0, date_parser=parse)
print data_s
data_c = pd.Panel({'dfqc': data_s})perf_manual = algor_obj.run(data_c)
# Print
perf_manual.to_csv('myoutput.csv')

这是一个使用真实数据来实现本地化的例子，但是没有成功，笔者认为问题在于交易日期的设置。

注意到，在设置TradingEnvironment和TradingAlgorithm中，我们多了一个trading_calendar的参数，参数都是cal。而cal是SHExchangeCalendar()的一个实例。

cal = exchange_calendar_sh.SHExchangeCalendar()

而，exchange_calendar_sh是笔者参照别的calender文件写的，如下：

from datetime import time
from itertools import chainfrom pandas.tseries.holiday import (GoodFriday,USPresidentsDay,USLaborDay,USThanksgivingDay
)
from pandas.tslib import Timestamp
from pytz import timezone
from pandas.tseries.holiday import (Holiday,DateOffset,MO,weekend_to_monday,GoodFriday,EasterMonday,
)from zipline.utils.calendars import TradingCalendar
from zipline.utils.calendars.trading_calendar import HolidayCalendar
from zipline.utils.calendars.us_holidays import (USNewYearsDay,Christmas,USMartinLutherKingJrAfter1998,USMemorialDay,USIndependenceDay,USNationalDaysofMourning)CHINANewYearsDay = Holiday("New Year's Day",month=1,day=31,
)
class SHExchangeCalendar(TradingCalendar):@propertydef name(self):return "SH"@propertydef tz(self):return timezone("Asia/Shanghai")@propertydef open_time(self):return time(9, 30)@propertydef close_time(self):return time(15)@propertydef regular_holidays(self):return HolidayCalendar([CHINANewYearsDay])

如果，我们不设置trading_calendar，我们运行的结果如下：

这个错误的原因应该如下：

当我们不设置trading_calendar的时候，zipline默认使用纳斯达克的交易时间，2014-1-31在美国是正常的交易日，但是在中国一天是春节，所以我们的数据中没有这一天的数据。当我们随意补上一条虚拟的2014-1-31的交易记录后，错误提示变成如下：

由于2月1号2号是周末，所以zipline自动跳过了，但是2月3号在国内还是春节，所以错误提示就变成这样了。

既然如此我们把1月31号设置成一个假日之后来看一下，然后用我们自己的trading_calendar，但是结果却不是笔者想象的那样，而是

错误变成很奇怪的东西了。

于是笔者迷茫了。希望下次能够解决吧。

zipline量化平台----本地化（上）相关推荐

自己做量化交易软件(16)用小白通通量化AI框架打造自己的量化平台
最近一段时间,我主要学习python3和tkinter的窗口开发,对tkinter编程逐步了解. 此外,应广大朋友要求,我写了一本学习python3学习书籍<小白学Python3实战搭建量化投 ...
什么是量化交易接口？跟量化平台是一个意思吗？
什么是量化交易接口?量化交易接口跟量化平台并不能是一个意思,但是他们的功能都是雷同的,是帮助投资者,进行数量化分析决策思维的工具,这一类的软件功能.工具集.插件等等,都应算做量化投资相关素材. 市面上 ...
【京东量化平台周年庆】技术交流月,好礼领不停
[京东量化平台周年庆]技术交流月 7月15日-8月15日周周有惊喜好礼领不停 [活动一]预热签到抢楼送福利活动时间:7月15日-7月21日参与人员:所有京东量化平台注册用户均可参与活动内 ...
量化投资发展史上的那些“决定性瞬间”
如果从1952年哈里·马科维茨发表<投资组合选择>论文那一刻算起,量化投资至今已经走过了六十多年的发展历程.从量化投资理论肇始到经过"黑色星期一"这场金融风暴的洗礼再到 ...
国外量化平台-quantopian体验
文章目录整体感觉开始(Getting Started) https://www.quantopian.com 整体感觉优点: 1,功能较全,现在还没有太多感触.但国内的量化平台都是仿照国外的,很 ...
国内外量化平台发展现状简析
转国内外量化平台发展现状简析https://blog.csdn.net/myquant/article/details/85992029原标题:<国内外量化平台简介>,来源:万联金工公众 ...
国内外量化平台发展现状析
转国内外量化平台发展现状简析原标题:<国内外量化平台简介>,来源:万联金工公众号最近,京东量化平台下线的消息引发了量化圈的热烈讨论.近几年来,国内各类量化平台如雨后春笋般涌现,如聚宽 ...
python用户手册是什么_Wind量化平台-用户手册(Python).pdf
Wind量化平台-用户手册(Python) --中国金融数据及工具首席服务商 9311509 Wind Python 数据及交易接口 Version 1.1 修订时间:2014.02.12 上海万得信 ...
如何使用ricequant量化平台进行落单和回测
如何使用ricequant量化平台进行落单和回测: def init(context): : context.s1 = "000001.XSHE" update_ ...

zipline量化平台----本地化（上）

1.zipline安装

2.zipline教程中的运行方法

3.zipline在ide中运行的方式

4.真实数据的例子

zipline量化平台----本地化（上）相关推荐

最新文章

热门文章