量化交易10-backtrader回测乌云盖顶K线形态图
通用先引用乌云压顶的K线形态,定义以及理论意义:
K线卖出口诀:乌云压顶,卖出要紧
这里讲的“乌云”,是指股价上升到高位后,某日出现一条高开低走的大阴线,罩在前面一条阳线的头上,称之为“乌云压顶”。该形态的出现,表明获利盘在回吐筹码,股价将会出现一段下调行情,应卖出股票。
乌云压顶形态又称乌云线形态,是K线图较为常见顶部转形态图表之一。这种形态由两根K线组成,它们一般出现在上升趋势之后,在有些情况下也可能出现在水平调整区间的顶部。
乌云压顶(Dark-Cloud Cover)经常发生在一段上升行情的顶部,由一阴一阳两根K线组成,阴线在阳线收盘价之上开盘,在阳线实体内收盘,形成乌云盖顶之势,显示行情走软,阳线实体被阴线覆盖的越多,表明买气越弱,空方攻击力度越大。
以上的定义来自:K线卖出口诀:乌云压顶,卖出要紧
笔者基于上述的理论,定义出策略:出现底部十字星全仓买入,出现乌云压顶,全仓卖出
先上代码:
import tushare as ts
import pandas as pd
import datetime # For datetime objects
import os.path # To manage paths
import sys # To find out the script name (in argv[0])
# Import the backtrader platform
import backtrader as bt
import talib as talib
import numpy as np
class MyStrategy(bt.Strategy):
# 策略参数
params = dict(
printlog=False
)
def __init__(self):
self.star = dict()
self.cloudcover = dict()
# 定义全局变量
self.count = 0
for data in self.datas:
# 转为tabib要求的数据格式
opens = np.array(data.open.array)
highs = np.array(data.high.array)
lows = np.array(data.low.array)
closes = np.array(data.close.array)
print(opens)
# 计算十字星数据,结果为-100底部十字星,结果为100顶部十字星,0非十字星
res = talib.CDLDOJISTAR(opens, highs, lows, closes)
# 乌云盖顶形态
cloudcover = talib.CDLDARKCLOUDCOVER(opens, highs, lows, closes)
# 数据放入self中
print('十字星数据')
self.star[data._id] = res
print('乌云盖顶数据')
self.cloudcover[data._id] = cloudcover
def next(self):
# 得到当前的账户价值
total_value = self.broker.getcash()
for data in self.datas:
pos = self.getposition(data).size
# 函数出现100就代表出现十字星形态,做买入
if total_value > 0 and self.star[data._id][self.count] == -100:
p_value = total_value * 0.9 / 10
size = ((int(total_value / self.data.close[0]))) - ((int(total_value / self.data.close[0])) % 100) - 100
if(size > 100 ):
self.buy(data=data, size=size)
print('出现底部十字星,全仓买入,买入数量' + str(size) )
if pos > 0 and self.cloudcover[data._id][self.count] == 100 or self.cloudcover[data._id][self.count] == -100:
# 全部卖出
# 跟踪订单避免重复
self.sell(data=data, size=pos)
print('出现乌云盖顶,卖出数量' + str(pos))
#自增处理
self.count = self.count + 1
def log(self, txt, dt=None, doprint=False):
if self.params.printlog or doprint:
dt = dt or self.datas[0].datetime.date(0)
print(f'{dt.isoformat()},{txt}')
# 记录交易执行情况(可省略,默认不输出结果)
def notify_order(self, order):
# 如果order为submitted/accepted,返回空
if order.status in [order.Submitted, order.Accepted]:
return
# 如果order为buy/sell executed,报告价格结果
if order.status in [order.Completed]:
if order.isbuy():
self.log(f'买入:\n价格:{order.executed.price:.2f},\
成本:{order.executed.value:.2f},\
数量:{order.executed.size:.2f},\
手续费:{order.executed.comm:.2f}')
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
else:
self.log(f'卖出:\n价格:{order.executed.price:.2f},\
成本: {order.executed.value:.2f},\
数量:{order.executed.size:.2f},\
手续费{order.executed.comm:.2f}')
self.bar_executed = len(self)
# 如果指令取消/交易失败, 报告结果
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('交易失败')
self.order = None
# 记录交易收益情况(可省略,默认不输出结果)
def notify_trade(self, trade):
if not trade.isclosed:
return
self.log(f'策略收益:\n毛收益 {trade.pnl:.2f}, 净收益 {trade.pnlcomm:.2f}')
pro = ts.pro_api('cbb257058b7cb228769b4949437c27c27e5132e882747dc80f01a5a5')
def ts_get_daily_stock(code, start_dt, end_dt):
start_dt = start_dt.replace("'", "", 3);
end_dt = end_dt.replace("'", "", 3);
# start_dt = '20190101'
# end_dt=''
print(code, start_dt, end_dt)
data = pro.daily(ts_code=code, start_date=start_dt, end_date=end_dt)
data['trade_date'] = pd.to_datetime(data['trade_date'])
data['trade_date'] = pd.to_datetime(data['trade_date'])
data = data.sort_values(by='trade_date')
data.index = data['trade_date']
data['openinterest'] = 0
data['volume'] = data['vol']
data = data[
['open', 'close', 'high', 'low', 'volume']
]
return data
# 读取选股的结果
df = pd.read_csv('stock_alpha.csv')
df.columns = ['ts_code', 'name', 'alpha', 'start_dt', 'end_dt']
min_a = df.sort_values(by='alpha')
min_a = min_a.iloc[:10, :]
code = []
code = min_a['ts_code'] # 股票代码
start_dts = []
start_dts = min_a['start_dt'] # 股票代码起始时间
end_dts = []
end_dts = min_a['end_dt'] # 股票代码结束时间
for i in range(len(code)):
data = ts_get_daily_stock(code.iloc[i], start_dts.iloc[i], end_dts.iloc[i]) # 字段分别为股票代码、开始日期、结束日期
data.to_csv(code.iloc[i] + '.csv')
cerebro = bt.Cerebro()
for i in range(len(code)): # 循环获取股票历史数据
dataframe = pd.read_csv(code.iloc[i] + '.csv', index_col=0, parse_dates=True)
dataframe['openinterest'] = 0
data = bt.feeds.PandasData(dataname=dataframe,
fromdate=datetime.datetime(2008, 2, 20),
todate=datetime.datetime(2022, 4, 5)
)
cerebro.adddata(data)
# 回测设置
startcash = 100000.0
cerebro.broker.setcash(startcash)
# 设置佣金为千分之一
cerebro.broker.setcommission(commission=0.001)
# 添加策略
cerebro.addstrategy(MyStrategy, printlog=True)
cerebro.run()
# 获取回测结束后的总资金
portvalue = cerebro.broker.getvalue()
pnl = portvalue - startcash
# 打印结果
print(f'总资金: {round(portvalue,2)}')
print(f'净收益: {round(pnl,2)}')
cerebro.plot()
回测结果
总资金: 93905.92
净收益: -6094.08
笔者回测的数据依旧是中国国航的数据,结果是亏损的。
本章节和上一章节的内容差异不大,只是引入了一个新的乌云盖顶形态函数:
talib.CDLDARKCLOUDCOVER(opens, highs, lows, closes)
结果还是100或者-100
量化交易10-backtrader回测乌云盖顶K线形态图相关推荐
- 量化交易如何进行回测+模拟+实盘?包括哪些回测框架?
大家在进行实盘交易前,必须对量化交易策略进行回测和模拟,以确定策略是否有效,并进行改进和优化.作为一般人而言,你能想到的,一般都有人做过了.回测框架也如此.当前小白看到的主要有如下五个回测框架: 1. ...
- 量化交易12-backtrader回测三日定律K线形态图
三日定律: 三日定律其实是来源与乔治·道格拉斯·泰勒的"预约法",在后来它就被演变成了LSS三日周期法.泰勒说,市场波动最开始就是从内部开始驱动的,有内部消息者或者聪明人最先买进, ...
- 量化交易9-backtrader回测十字星K线形态图
十字星形态图,在股市中的应用: 十字星是一种K线基本型态.十字星,是一种只有上下影线,没有实体的K线图.开盘价即是收盘价,表示在交易中,股价出现高于或低于开盘价成交,但收盘价与开盘价相等.其中:上影线 ...
- 数据分析师1.4量化交易策略的回测方法和技巧
1.具体流程 1.利用Python编写好策略,选择选好的股票池. 2.设置开始和结束的时间点,然后设定资金池 3.通过股票池和日期获得股票数据,然后按照设定的间隔,比如每天/每 分钟调用回测函数. 4 ...
- 量化交易-Backtrader回测
目录 一.基础篇-backtrader简介 二.backtrader回测应用实例 三.backtrader数据全解析 3.1 数据中必须包含 3.2 一切皆是数据源 3.3 参数 3.4 Lines线 ...
- 量化策略——准备3 数据、Backtrader回测框架与quantstats评价指标
我们一般使用AKShare这个库来获取股票数据或策略中用得到的数据: AKShare github主页:https://github.com/akfamily/akshare 使用Backtrader ...
- A股月份效应的研究——基于python量化视角(backtrader回测)
A股月份效应的研究 前言 <易经>早就揭示出:物极必反,盛极必衰! 阴阳总是不断交替的.股票市场也一样,涨跌互现,涨多了会出现调整,跌多了会出现反弹,因此我们看到K线组合总是红(阳)绿(阴 ...
- backtrader回测框架实例
backtrader是基于Python的量化回测框架,功能丰富,操作方便.其优点是运行速度快,支持pandas的矢量运算:内置多种技术指标计算,还支持股票分析技术指标库talib:支持参数自动寻优运算 ...
- 11、【股票策略】用backtrader回测在A股上复利年化收益率超20%的“狗股策略”?
11.用backtrader回测在A股上复利年化收益率超20%的"狗股策略"? 更进一步的回测代码可以参考版本4:[股票策略]使用backtrader测试狗股策略版本4-在版本3的 ...
- 干货全拿走-用ExcelVBA做个股多模型交叉验证择时交易套利及回测系统
之前分不同的模块做了多个基于Excel的股票量化模型,具体可以看这篇文章: https://blog.csdn.net/m0_64899365/article/details/126921893?sp ...
最新文章
- 动漫风格迁移 AnimeGANv2 ,发布线上运行 Demo
- easyui展示年月
- 强大自己,从学习开始!2020年最有内容的订阅号,每一个都是万里挑一!
- Linux下用gSOAP开发Web Service服务端和客户端程序(一)
- Convolutional Neural Networks卷积神经网络
- GAN生成对抗网络-SSGAN原理与基本实现-半监督学习GAN-08
- linux ejb远程调用,[转载]在容器外使用EJB 3.0 Persistence
- if的作用域问题 *输出1~6的随机数*
- Android Studio快捷键(MAC版)
- java 线程状态_Java线程的状态
- R语言ETL工程系列:R语言基础设置
- vi/vim编辑器使用方法详解
- ADMM算法求解一个简单的例子
- matlab 实现同态滤波算法 并于直方均衡化相比较 看看谁的效果更好
- 数学建模系列-预测模型(一)---神经网络模型
- c# RoundUp函数
- python画运动物体的轨迹_canvas动画—圆形扩散、运动轨迹
- 苹果手机如何深度清理_苹果手机还可以这样清理垃圾,怪不得用这么久还流畅如丝...
- Notepad++的JsonViewer 插件安装失败的解决
- 万向和肖风的区块链版图
热门文章
- 一个投标经理的标书检查笔记,拿来就用!
- 无法使用密钥激活Parallels Desktop 9 for Mac
- HBase shell删除表失败:ERROR: Table user is enabled. Disable it first.
- 独家策划-----让“超女”和“好男”联姻
- microchip-01 MPLAB IDE安装
- ide-eval-resetter
- 帆软报表填报之内置数据自定义表、数据连接、服务器数据集配置
- 电脑小白快来!这有电脑常见故障解决方法
- Jieba中文分词 (二) ——词性标注与关键词提取
- Python数据分析入门教程(五):数据运算