【量化交易】顶底分型策略

创作时间:

作者:

@小白创作中心

【量化交易】顶底分型策略

引用

来源

https://www.cnblogs.com/bigleft/p/18214152

在众多的量化策略中，顶底分型策略因其独特的市场趋势捕捉能力和简洁的实现方式而受到许多投资者的青睐。本文将详细介绍顶底分型策略的原理，并展示如何使用Python在聚宽平台上实现这一策略。

顶底分型策略概述

顶底分型是一种基于价格行为的技术分析方法，由市场分析师Bill Williams提出。该策略认为价格行为可以形成特定的模式，这些模式能够预示市场趋势的转变。顶分型和底分型是两种基本的价格模式：

顶分型：在上升趋势的末端出现，预示着可能的下跌趋势。顶分型由三根连续的K线组成，其中第二根K线的高点高于第一根和第三根K线的高点。
底分型：在下降趋势的末端出现，预示着可能的上升趋势。底分型同样由三根连续的K线组成，其中第二根K线的低点低于第一根和第三根K线的低点。

顶底分型策略的实现步骤

在聚宽平台上实现顶底分型策略，我们需要按照以下步骤进行：

初始化策略参数：设置策略的基本参数，如K线周期、顶底分型确认的K线数量等。
计算顶底分型：根据历史K线数据计算可能的顶分型和底分型。
确认顶底分型：根据一定的规则确认顶分型和底分型的成立。
生成交易信号：根据确认的顶底分型生成买入和卖出信号。
执行交易：根据交易信号在市场中执行买卖操作。

策略参数初始化

在策略开始前，我们需要设置一些基本的参数，这些参数将影响顶底分型的计算和确认。

# 初始化参数
g.n = 5  # 用于计算分型的K线数量

计算顶底分型

接下来，我们需要编写函数来计算顶分型和底分分型。这个函数将遍历历史K线数据，并找出可能的顶分型和底分型。

# 计算顶底分型
def calculate_fractals(data):
    highs = data['high']
    lows = data['low']
    tops = []
    bottoms = []
    for i in range(len(highs) - g.n):
        if highs[i] < highs[i + 1] and highs[i + 1] > highs[i + 2]:
            tops.append((i + 1, highs[i + 1]))
        if lows[i] > lows[i + 1] and lows[i + 1] < lows[i + 2]:
            bottoms.append((i + 1, lows[i + 1]))
    return tops, bottoms

确认顶底分型

计算出可能的顶底分型后，我们需要确认这些分型是否成立。顶分型的确认通常需要后续的K线低点低于顶分型的高点，而底分型的确认则需要后续的K线高点高于底分型的低点。

# 确认顶底分型
def confirm_fractals(data, tops, bottoms):
    confirmed_tops = []
    confirmed_bottoms = []
    for i, top in tops:
        if i + 1 < len(data) and data[i + 1]['low'] < top:
            confirmed_tops.append(top)
    for i, bottom in bottoms:
        if i + 1 < len(data) and data[i + 1]['high'] > bottom:
            confirmed_bottoms.append(bottom)
    return confirmed_tops, confirmed_bottoms

生成交易信号

有了确认的顶底分型后，我们可以生成交易信号。当确认顶分型时，我们可能会考虑卖出或做空；当确认底分型时，我们可能会考虑买入或做多。

# 生成交易信号
def generate_signals(security, confirmed_tops, confirmed_bottoms, portfolio, order):
    for top in confirmed_tops:
        order(security, -1)  # 卖出
    for bottom in confirmed_bottoms:
        order(security, 1)  # 买入

执行交易

最后，我们需要在策略的交易函数中调用上述函数，并执行交易。

# 交易函数
def trade(context):
    stock_data = attribute_history(context.security, g.n + 1, '1d', ['open', 'high', 'low', 'close'], skip_paused=True)
    tops, bottoms = calculate_fractals(stock_data)
    confirmed_tops, confirmed_bottoms = confirm_fractals(stock_data, tops, bottoms)
    generate_signals(context.security, confirmed_tops, confirmed_bottoms, context.portfolio, order_target)