手把手教你编写第一个量化交易策略

手把手教你编写第一个量化交易策略

量化交易是利用计算机程序和数学模型来执行交易决策的一种投资方式。对于初学者来说，编写第一个量化策略可能会感到有些神秘和复杂。本文将手把手教你编写一个基于均线交叉的简单量化交易策略，并在实盘模拟环境中运行，实时接收买卖信号。

理解量化策略的基本框架

通常情况下，完整的量化交易策略至少需要确定两件事：

1. 交易标的，即买什么；
2. 确定交易时机，即怎么买卖。

让我们来设计一个简单完整的量化交易策略：

• 策略交易标的：贵州茅台；
• 策略交易时机：5日均线与20日均线金叉时，买入；5日均线与20日均线死叉时，卖出。

学会编写一个简单的量化交易策略

第一步：创建新策略

打开SuperMind量化交易平台，先在上方导航栏点击“我的策略”-“策略编译”，再点击蓝色按钮“+新建策略”，接着点击已创建的策略进入策略编译器页面。

第二步：理解量化交易策略框架对应的代码框架

def init(context):
    # 初始化函数：确定交易标的
def handle_bar(context, bar_dict):    
    # 定时运行函数：确定交易时机

框架理解：

1. def init(context)与def handle_bar(context, bar_dict)是两个函数，函数格式固定为：def 函数名（参数），其中def后面带空格键，函数末尾必须带冒号。
2. def init(context)函数是初始化函数，只运行一次，确定初始化条件；def handle_bar(context, bar_dict)函数是定时运行函数，平台默认该函数定时运行。日级策略，每日9：30；分钟级策略，交易期间内的每分钟。
3. "#"后面为注释内容，用于注释代码，便于编写和阅读。

第三步：确定交易标的

context.security = '600519.SH'

温馨提示：

1. context是账户对象，该对象存放所有账户相关信息，持仓、可用现金、资产盈亏。
2. context.security是在账户对象下，设置security变量，存放在账户内，这里我们需要确定交易标的，即：context.security = '600519.SH'。

def init(context):
    context.security = '600519.SH'# 已确定交易标的
def handle_bar(context, bar_dict):   
    # 定时运行函数：确定交易时机

第四步：确定交易时机

从交易时机出发，我们需要计算交易标的5日和20日均线，那么5、20日均线需要用历史行情数据的收盘价来计算。

整个流程即：获取历史行情20日的收盘价数据———计算5、20日均线———判断5、20日均线，进行买卖交易。

A. 获取历史行情20日的收盘价数据

1. 找到函数历史数据函数：history
2. 填写函数参数，获取到数据：

• 交易标的，即：获取那个股票的数据。
• 数据字段：['close']收盘价，即：获取哪个数据。
• 输入历史长度，即：获取多长时间的数据。
• 获取数据的时间步长，即：获取日线级步长数据。
• 填写是否跳过停牌数据，复权选项，返回数据格式。
• 最终结果即为：history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1)

3. 将获取到的数据储存，便于计算，即：closeprice = history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1)

# 获取证券过去20日的收盘价数据            
closeprice = history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1)

B. 计算5、20日均线

1. 获取数据值，即：closeprice['close']，['close']可以获取储存中的收盘价数据，格式为closeprice['close']。温馨提示：closeprice是我们刚才获取的数据，但是数据有股票、时间、数值，我们直接用['close']获取收盘价数据值用于计算即可。
2. 选取数据长度，即：closeprice['close'].iloc[-5:]。iloc[]用于取值，我们之前获取20个数据，但5日均线只需要过去5日的收盘价，因此iloc[-5:]即为获取倒数第五个到最后一个数据。温馨提示：

• iloc[:]是获取所有数据。
• iloc[:x]是从第一个获取到第x个，不包括第x个。
• iloc[x:y]是从第x个到第y个，包括x，但不包括y。
• iloc[-x:]获取倒数第x个到最后一个数据。

3. 计算均值，即closeprice['close'].iloc[-5:].mean()，赋值给MA5。同理MA20=closeprice['close'].mean()，即对所有值取平均，相当于MA20=closeprice['close'].iloc[:].mean()。

# 计算二十日均线价格            
MA20 = closeprice['close'].mean()
# 计算五日均线价格        
MA5 = closeprice['close'].iloc[-5:].mean()

C. 判断5、20日均线，进行买卖交易

1. if判断条件，即为 if MA5 > MA20:。温馨提示if判断函数的格式为if +添加判断+:，其中if后面必须带一个空格键，其次末尾必须带冒号。

2. 当MA5小于MA20时，我们再对持仓市值判断，如果有持仓，那么持仓市值必然大于0，需要进行卖出交易，我们直接通过context账户对象中portfolio资产组合内stock_account股票账户下来获取持仓市值，即为:context.portfolio.stock_account.market_value。

3. 下单买入交易：

• 当触发MA5大于MA20时，我们需要买入股票，这时候我们可以使用order_target_percent下单函数，该函数以目标市值占比下单。
• 输入下单函数的参数，order_target_percent函数需要输入两个参数：
• 下单的股票，即为context.security，我们之前将交易标的传入进去，可以直接用。
• 下单的占比，即为1，取值范围[0,1]，此时取1，表示全仓买入股票。
• 触发条件后程序提醒，当代码执行完下单函数后，我们用log.info()来打印日志，这样我们也可以看到程序下单了。
• 温馨提示：log.info()内你可以直接输入中文，例如:log.info('条件满足！买入贵州茅台啦！')

# 如果5日均线大于20日均线,则全仓买入股票
if MA5 > MA20:            
    # 按目标市值占比下单
    order_target_percent(context.security, 1)
    # 记录这次买入
    log.info("买入 %s" % (context.security))

4. 下单卖出交易：

• 当触发MA5小于MA20时，我们需要卖出股票，这时候我们可以使用order_target下单函数，该函数以目标股数下单。
• 输入下单函数的参数，order_target函数需要输入两个参数：
• 下单的股票，即为context.security，我们之前将交易标的传入进去，可以直接用。
• 下单的目标股数，即0，因为我们需要将持仓股票卖出，卖到0股为止。
• 触发条件后程序提醒，当代码执行完下单函数后，我们同log.info()来打印日志，这样我们也可以看到程序下单了。

# 如果5日均线小于20日均线,并且目前有头寸,则清仓股票
elif MA20 > MA5 and context.portfolio.stock_account.market_value > 0:
    # 卖出所有股票,使这只股票的最终持有量为0
    order_target(context.security, 0)
    # 记录这次卖出
    log.info("卖出 %s" % (context.security))

最终完整代码：

def init(context):
    # 设置要操作的股票：贵州茅台
    context.security = '600519.SH'
# 设置买卖条件，每个交易频率（日/分钟/tick）调用一次
def handle_bar(context, bar_dict):
    # 获取股票过去20天的收盘价数据
    closeprice = history(context.security, ['close'], 20, '1d', False, 'pre', is_panel=1)
    # 计算20日均线
    MA20 = closeprice['close'].mean()
    # 计算5日均线
    MA5 = closeprice['close'].iloc[-5:].mean()
    # 如果5日均线大于20日均线,则全仓买入股票
    if MA5 > MA20 :
        # 按目标市值占比下单
        order_target_percent(context.security, 1)
        # 记录这次买入
        log.info("买入 %s" % (context.security))
    # 如果5日均线小于20日均线,并且目前有头寸,则清仓股票
    elif MA20 > MA5 and context.portfolio.stock_account.market_value > 0:
        # 卖出所有股票,使这只股票的最终持有量为0
        order_target(context.security, 0)
        # 记录这次卖出
        log.info("卖出 %s" % (context.security))

第五步：回测量化交易策略

通过以上4步，我们已经完成了量化交易策略编写，那么接下来我们需要进行量化交易策略回测。

1. 首先，我们尝试去跑通整个历史行情，排查代码错误。

• 右上角设置回测历史长度，设置资金，设置交易频率。
• 点击左上角“编译运行”按钮，右边出现量化交易策略在历史行情中的表现情况

2. 当量化交易策略能跑通整个历史行情后，我们可以确定该代码正确无误，随后点击右上角蓝色按钮“进行回测”。页面跳转至回测页面，在回测详情界面，您可以查看策略收益曲线，风险指标，每日持仓，交易明细，输出日志等信息。

3. 学会将量化交易策略绑定实盘模拟交易，并实时收到交易策略的买卖信号

• 在回测显示结果页面，右上角点击蓝色按钮开启模拟交易，可以自行选择：从当前日开始模拟，在已有的回测基础上继续模拟.
• 至此，我们成功开启了模拟交易,可以查看您的模拟交易账户详细情况:交易明细、持仓、盈亏情况、账户风险指标等等。
• 您可以为您模拟交易账户新建模拟交易、暂停策略运行、发布策略至社区、重启策略、查看策略运行日志、查看策略代码。注意：重启按钮只会在策略运行错误后显示，如果策略运行正常，显示暂停按钮。