一、模型介绍

本策略首先买入当前加载图的股票10000股

随后根据60s的数据来计算MACD(12,26,9)线,

在MACD>0，MACD_pre<0的时候买入100股,MACD<0,MACD_pre>0的时候卖出100股

但每日操作的股票数不超过原有仓位,并于收盘前把仓位调整至开盘前的仓位

二、可学习部分

1.通过应用ContextInfo.barpos确定时间段和时间点

 startdate = timetag_to_datetime(ContextInfo.get_bar_timetag(d - 35), '%Y%m%d%H%M%S')#将毫秒时间转换成日期时间，这种方式可以输出到秒的值，设置35分钟前是开始时间enddate = timetag_to_datetime(ContextInfo.get_bar_timetag(d), '%Y%m%d%H%M%S')print startdate,enddatedate = timetag_to_datetime(ContextInfo.get_bar_timetag(d), '%Y-%m-%d %H:%M:%S')print('日期', date)

2.取一个股票的时间段值

 df = ContextInfo.get_market_data(['close'], stock_code=ContextInfo.get_universe(), start_time=startdate,end_time=enddate, period=ContextInfo.period)#1支股票代码，在一个时间段取值，返回pandas.DataFrame（pandas二维表格型数据结构类型的值。

3.设置不交易时间

 if int(date[-8:-6] + date[-5:-3]) > 1455:   #14+55return

三、代码逐行解释

# coding:gbk
'''
回测模型示例（非实盘交易策略）'''
import numpy as np
import pandas as pd
import talibdef init(ContextInfo):MarketPosition = {}ContextInfo.MarketPosition = MarketPosition  # 初始化持仓ContextInfo.set_universe([ContextInfo.stockcode + '.' + ContextInfo.market])ContextInfo.first = 0ContextInfo.Lots = 100  # 设定交易手数ContextInfo.day = [0, 0]ContextInfo.ending = 0ContextInfo.total = 10000ContextInfo.accountID = 'testS'def handlebar(ContextInfo):d = ContextInfo.barpos  #当前运行到的 K 线的位置if d < 35:returnstartdate = timetag_to_datetime(ContextInfo.get_bar_timetag(d - 35), '%Y%m%d%H%M%S')#将毫秒时间转换成日期时间，这种方式可以输出到秒的值，设置35分前是开始时间enddate = timetag_to_datetime(ContextInfo.get_bar_timetag(d), '%Y%m%d%H%M%S')date = timetag_to_datetime(ContextInfo.get_bar_timetag(d), '%Y-%m-%d %H:%M:%S')print('日期', date)print(date[-8:-6])print(date[-5:-3])flage = False          #这是用于在过去的图上绘出信号的singleemited = Falsedf = ContextInfo.get_market_data(['close'], stock_code=ContextInfo.get_universe(), start_time=startdate,end_time=enddate, period=ContextInfo.period)#1支股票代码，在一个时间段取值，返回pandas.DataFrame（pandas二维表格型数据结构类型的值。#ContextInfo.get_universe()获取股票池中的股票，返回列表#ContextInfo.get_market_data()获取行情数据#ContextInfo.period  获取当前周期# print dfif df.empty:return# print dfif ContextInfo.first == 0:  #控制开盘买入order_shares(ContextInfo.get_universe()[0], ContextInfo.total, 'fix', df.iloc[-1, 0], ContextInfo,ContextInfo.accountID)#iloc通过整数位置获得行和列的数据。逗号表示 -1(行) 和 0(列)，也就是最后一行的第一列flage = Truesingleemited = TrueContextInfo.first = 1ContextInfo.day[-1] = date[8:10]  #当日日期ContextInfo.turnaround = [0, 0]ContextInfo.MarketPosition[ContextInfo.get_universe()[0]] = ContextInfo.totalreturnContextInfo.day[0] = date# 14:55:00之后不再交易if int(date[-8:-6] + date[-5:-3]) > 1455:   #14+55returnavaliable = get_avaliable(ContextInfo.accountID, 'STOCK') #获取可用资金holding = get_holdings(ContextInfo.accountID, 'STOCK') #获取持仓if ContextInfo.get_universe()[0] not in list(holding.keys()): #标的无持仓holding[ContextInfo.get_universe()[0]] = 0  #持仓字典值为0# 计算MACD线if ContextInfo.total >= 0:  #设置买入大于0recent_date = np.array(df.iloc[-35:, 0])  #是取二维数组中第一维的所有数据macd = talib.MACD(recent_date)[0][-1]macd_pre = talib.MACD(recent_date)[0][-2]# 根据MACD>0则开仓,小于0则平仓if date[-8:-3] != '14:55':if macd > 0 and macd_pre < 0:# 根据MACD>0则开仓,小于0则平仓if avaliable > df.iloc[-1, 0] * ContextInfo.Lots * 100:  #可用资金充足order_shares(ContextInfo.get_universe()[0], ContextInfo.Lots, 'fix', df.iloc[-1, 0], ContextInfo,ContextInfo.accountID)flage = Truesingleemited = TrueContextInfo.MarketPosition[ContextInfo.get_universe()[0]] += ContextInfo.Lots   #开盘买入+新下单的持仓总数print (ContextInfo.get_universe()[0], 'open position at market price', ContextInfo.Lots, '股')elif macd < 0 and macd_pre > 0 and holding[ContextInfo.get_universe()[0]] >= ContextInfo.Lots:order_shares(ContextInfo.get_universe()[0], -ContextInfo.Lots, 'fix', df.iloc[-1, 0], ContextInfo,ContextInfo.accountID)flage = Falsesingleemited = Trueprint(ContextInfo.get_universe()[0], 'close position at market price', ContextInfo.Lots, '股')ContextInfo.MarketPosition[ContextInfo.get_universe()[0]] -= ContextInfo.Lots  #开盘买入-新下单的持仓总数else: # 临近收盘时若仓位数不等于昨仓则回转所有仓位if ContextInfo.MarketPosition[ContextInfo.get_universe()[0]] > ContextInfo.total:  #今天持仓比预订多，卖order_shares(ContextInfo.get_universe()[0],-(ContextInfo.MarketPosition[ContextInfo.get_universe()[0]] - ContextInfo.total), 'fix',df.iloc[-1, 0], ContextInfo, ContextInfo.accountID)flage = Falsesingleemited = True# print ContextInfo.get_universe()[0], '回转操作市价单平多仓', ContextInfo.MarketPosition[ContextInfo.get_universe()[0]] - ContextInfo.total, '股'ContextInfo.MarketPosition[ContextInfo.get_universe()[0]] = ContextInfo.totalif ContextInfo.MarketPosition[ContextInfo.get_universe()[0]] < ContextInfo.total:   #今天持仓比预订少，买order_shares(ContextInfo.get_universe()[0],(ContextInfo.total - ContextInfo.MarketPosition[ContextInfo.get_universe()[0]]), 'fix',df.iloc[-1, 0], ContextInfo, ContextInfo.accountID)flage = Truesingleemited = True# print ContextInfo.get_universe()[0], '回转操作市价单开多仓', ContextInfo.total - ContextInfo.MarketPosition[ContextInfo.get_universe()[0]] , '股'ContextInfo.MarketPosition[ContextInfo.get_universe()[0]] = ContextInfo.total# 更新过去的日期数据'''ContextInfo.day[-1] = ContextInfo.day[0]if singleemited:if flage:ContextInfo.paint('do_buy',1,-1,0,"yellow",'noaxis')ContextInfo.paint('do_sell',0,-1,0,"red",'noaxis')else:ContextInfo.paint('do_buy',0,-1,0,"yellow",'noaxis')ContextInfo.paint('do_sell',1,-1,0,"red",'noaxis')'''# ContextInfo.paint('holding',ContextInfo.MarketPosition[ContextInfo.get_universe()[0]],-1,0)def get_avaliable(accountid, datatype):   #获得可用资金result = 0resultlist = get_trade_detail_data(accountid, datatype, "ACCOUNT")for obj in resultlist:result = obj.m_dAvailablereturn resultdef get_holdings(accountid, datatype):  #返回值为股票数量的字典holdinglist = {}resultlist = get_trade_detail_data(accountid, datatype, "POSITION")for obj in resultlist:holdinglist[obj.m_strInstrumentID + "." + obj.m_strExchangeID] = obj.m_nCanUseVolumereturn holdinglist

0018-量化第五天：QMT—日内回转回测注释相关推荐

Python 量化投资实战教程(3) —A股回测MACD策略
量化投资系列文章: Backtrader 教程 - Python 量化投资实战教程(1) Python 量化投资实战教程(2) -MACD策略(+26.9%) Python 量化投资实战教程(3) - ...
Python量化交易实战-38使用开源项目回测双均线策略
B站配套视频教程观看使用PyAlgoTrade回测双均线策略双均线策略:长短周期均线,通过金叉,死叉的方式买入卖出股票,获取收益的策略. 回顾上节课代码的部分,上节课完成了可视化代码的部分, 主要 ...
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 ...
量化交易：止盈策略与回测
我们买基金或股票的时候通常用最简单的策略进行决策:低买高卖,跌的多了就加仓拉低持有成本,达到收益率就卖出. 那么如何用代码表示这个策略呢?首先定义交易信号则是:0.5%时买入,目标止盈线是1.5%,达 ...
日内回转交易(股票)——Python量化
目录 1. 原理 1.1 日内回转交易 1.2 股票的日内回转交易 1.3 MACD指标简介 2. 策略思路 3. 策略代码 4. 回测结果与稳健性分析 1. 原理 1.1 日内回转交易日内回转交易 ...
日内回转交易策略-股票
1. 原理 1.1 日内回转交易日内回转交易,顾名思义就是在一天内完成"买"和"卖"两个相反方向的操作(可一次也可多次),也就是"T+0" ...
Python量化投资——股票择时到底能否赚钱？ADX指标的有效性回测
ADX指标的有效性回测 Python量化投资--`ADX`技术指标的有效性研究背景介绍技术指标介绍指标用法建议 `qteasy`中的ADX内置策略 433支股票五年回测结果 12.45% --该 ...
小散量化炒股记｜说某个指标能赚钱？不盲从，先量化回测一番！
前言相信大家都听说了量化交易这个东西了吧!量化交易是一种新兴的系统化金融投资方法. 那么,什么才是普通股民所适合的量化交易打开方式呢? 本文就用一个接地气的股票分析场景 -- 用量化回测来识别技术指 ...
量化交易中用到的回测评估指标（策略收益、基准收益、Alpha比率、Beta比率、夏普比率、索提诺比率）详解
前言近日在做A股的过程中接触到了量化交易.通过一个月时间的了解发现并非全自动印钞机,也有可能有全自动接盘侠的潜质.故现阶段以学习量化交易的知识为主,多学多问总是没错的嘛~ 现阶段使用Python爬取 ...

0018-量化第五天：QMT—日内回转回测注释

一、模型介绍

二、可学习部分

1.通过应用ContextInfo.barpos确定时间段和时间点

2.取一个股票的时间段值

3.设置不交易时间

三、代码逐行解释

0018-量化第五天：QMT—日内回转回测注释相关推荐

最新文章

热门文章