用Python编程借助现有量化平台编写股票交易策略和回测分析

青旅半醒 2022-10-05 07:50 169阅读 0赞

点击上方“**Python爬虫与数据挖掘**”，进行关注

回复“**书籍**”即可获赠Python从入门到进阶共10本电子书

今

日

鸡

汤

桃李春风一杯酒，江湖夜雨十年灯。

## 一、简介 ##

大家好，我是Snowball。今天给大家分享的内容是基于Python编程，实现股票交易相关功能开发，如果读者对股票或金融衍生物交易不太了解，又比较感兴趣的话可自行查询相关资料。

接下来笔者会给大家介绍股票交易中的常见几种交易策略实现思路和源码编写过程，如果大家听说过量化交易这个词语的话，对其中的交易策略或许了解过，大概意思就是**在股票、加密货币或者金融衍生物在价格的波动过程中根据其交易策略进行不断的买入和卖出，不断的套利，降低持仓陈本，来达到收益最大化**。

常见的交易策略有很多种，例如趋势型，网格型，剥头皮，概率法则，高频交易等，今天主要给大家介绍2种低频的交易策略，高抛低吸网格交易策略、日内做T策略。其他的交易策略较复杂，读者可自行百度了解，笔者这里推荐一个量化交易网站，仅供参考，米筐量化：

https://www.ricequant.com/doc/quant/

## 二、需求分析&实现思路 ##

每个交易日的股票都会上涨或者下跌，在这个过程中笔者们偶尔会想针对部分股票进行股价的涨跌幅进行监控，或者自动进行交易，在这个需求前提下，现有券商、股票分析软件都会带有机器人自动交易策略功能，大部分都需要收费或者部分策略不能满足自己的需求，笔者这边提供2种实现思路：

1、借助现有量化平台编写策略和回测分析，然后在券商软件层面进行策略执行。

2、自己编写功能代码来监控估价，对股价波动进行特殊处理满足特殊需求。

第一种实现成本较低，但功能受限于平台；第二种实现成本毋庸置疑相对较高，但是逻辑可以自己控制。

## 三、借助现有量化平台编写策略和回测分析 ##

这里利用米筐量化实现和分析自己的交易策略，需要先注册个账号，然后进入到平台-笔者的策略中进行策略编写，平台的功能使用可以参考平台文档。

笔者这里贴出笔者自己写的2种策略代码，这个平台只支持使用Python脚本编写。

### 1）价差交易策略 ###

平台截图：

![5fef89ac12e40938e3e9d449a8324836.png][]

部分代码如下，详细代码可以自己手撸实现，也可以在文末进行获取：

# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
    def handle_bar(context, bar_dict):
    ...
        if newPrice >= context.nextSellPrice:
            logger.info("执行高抛交易,对应价格:{}".format(newPrice))
            amount = context.portfolio.positions[context.s1].quantity
            if amount >= context.tradeNumber:
                logger.info("执行高抛交易,对应数量:{}".format(context.tradeNumber))
                order_shares(context.s1, -context.tradeNumber)
                plot("S", newPrice)
            elif amount >= 100:
                logger.info("执行高抛交易,对应数量:{}".format(amount))
                order_shares(context.s1, -amount)
                plot("S", newPrice) 
            
            calc_next_trade_price(context,newPrice)
            obj = {
                "nextSellPrice":context.nextSellPrice,
                "nextBuyPrice":context.nextBuyPrice,
                "curTradePrice":context.curTradePrice
            }
            context.buyTradeList.append(obj)
    
    
        if newPrice <= context.nextBuyPrice:
            logger.info("执行低吸交易,对应价格:{}".format(newPrice))
            amount = int(context.portfolio.cash / newPrice / 100.0)  * 100
            if amount >= context.tradeNumber:
                logger.info("执行低吸交易,对应数量:{}".format(context.tradeNumber))
                order_shares(context.s1, context.tradeNumber)
                plot("B", newPrice)
    
    
            calc_next_trade_price(context,newPrice)
           
            obj = {
                "nextSellPrice":context.nextSellPrice,
                "nextBuyPrice":context.nextBuyPrice,
                "curTradePrice":context.curTradePrice
            }
            context.sellTradeList.append(obj)

选择回测时间段，点击右侧平台右侧按钮运行回测，结果页面如下

![9912d0943d8887fa6aaad7451dc85903.png][]

从结果中可以看到，对招商银行\[600036\]这只股票进行价差网格交易，其参数设置在上涨8%的时候卖出，下跌8%的时候买入，最大连续下跌买入次数为3次。

回测收益：13.628%

回测年化收益：17.096%

比基准年化收益-6%高出非常之大，这是在股价波动的过程中可以进行执行该策略来不断的降低持仓成本。从交易详情面板来看，这个策略可以通过参数调节交易频率，在上涨下跌比率较大的情况下，其交易次数是能控制的相对较少，结果图如下：

![11f1c77a46a6d4ba3726528748bf4769.png][]

### 2）日内做T策略 ###

同样的，只贴部分代码

# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
    def handle_bar(context, bar_dict):
    ...
        newPrice = bar_dict[context.s1].last
        if newPrice >= context.nextSellPrice:
            context.lastTradeType = 1
            logger.info("执行高抛交易,对应价格:{}".format(newPrice))
            amount = context.portfolio.positions[context.s1].quantity
            #if amount - context.tradeNumber >= context.lockStockNumber:
            if amount - context.tradeNumber >= 0:
                logger.info("执行高抛交易,对应数量:{}".format(context.tradeNumber))
                order_shares(context.s1, -context.tradeNumber)
                plot("S", newPrice)
            else:
                logger.info("股票数量不足，无法执行高抛交易,对应数量:{}".format(amount))
                return    
            
            calc_next_trade_price(context,newPrice)
    
    
            obj = {
                "nextSellPrice":context.nextSellPrice,
                "nextBuyPrice":context.nextBuyPrice,
                "curTradePrice":context.curTradePrice
            }
            context.buyTradeList.append(obj)
    
    
        if newPrice <= context.nextBuyPrice:
            context.lastTradeType = 0
            logger.info("执行低吸交易,对应价格:{}".format(newPrice))
            amount = int(context.portfolio.cash / newPrice / 100.0)  * 100
            if amount >= context.tradeNumber:
                logger.info("执行低吸交易,对应数量:{}".format(context.tradeNumber))
                order_shares(context.s1, context.tradeNumber)
                plot("B", newPrice)
            else:
                logger.info("现金不足，无法执行低吸交易,对应数量:{}".format(amount))
                return    
    
    
            calc_next_trade_price(context,newPrice)
           
            obj = {
                "nextSellPrice":context.nextSellPrice,
                "nextBuyPrice":context.nextBuyPrice,
                "curTradePrice":context.curTradePrice
            }
            context.sellTradeList.append(obj)

总体来说，代码逻辑还是比较简单，就是对价格的涨跌进行处理，其参数设置在日内上涨2%的时候卖出，下跌2%的时候买入，初始买入资金比例7成，锁定最低仓位5成。然后运行回测，其结果如下

![af8bcfc9c4a3675f2ab8be0e99abab11.png][]

回测收益：5.501%

回测年化收益：6.839%

基准收益：19.26%

可以看到日内做T这种高频交易，在长期来看收益可能并不高，适合在短期价格内运行。

## 四、总结 ##

我是Snowball。这个量化平台在笔者的熟悉情况下，它可以很方便的回测你的交易策略，但是在股价盯盘上，或者自定义逻辑上支持的不是很完善，很多功能也是需要收费才能使用。本文基于Python，借助现有量化平台编写策略和回测分析，希望对大家的学习有所帮助。

最后需要本文代码的小伙伴，可以在后台回复“**价差交易**”关键词进行获取，觉得不错，记得三连支持噢~

**---\--\---\---\---\--\---** End **---\--\---\--\---\---\--\-**

往期精彩文章推荐：

*  ## [反爬虫策略手把手教你使用FastAPI来限制接口的访问速率][FastAPI] ##
 *  ## [浅析三种Anaconda虚拟环境创建方式和第三方包的安装][Anaconda] ##
 *  ## [手把手教你如何在Ubuntu下安装Miniconda][Ubuntu_Miniconda]    ##

![31802a2f6072959290c231f70145ee9e.png][]

欢迎大家**点赞，****留言，****转发，转载，**感谢大家的相伴与支持

想加入Python学习群请在后台回复【**入群**】

万水千山总是情，点个【**在看**】行不行

**/今日留言主题/**

随便说一两句吧~~

[5fef89ac12e40938e3e9d449a8324836.png]: /images/20221005/ebf3db5c7baa462793aa86dd055de324.png
[9912d0943d8887fa6aaad7451dc85903.png]: /images/20221005/94a52b7061b34c95b4d4516f32c9c4c6.png
[11f1c77a46a6d4ba3726528748bf4769.png]: /images/20221005/5f927e4d22474f79801f9add8a7509f2.png
[af8bcfc9c4a3675f2ab8be0e99abab11.png]: /images/20221005/f1c11b1b51ab43f7a765ec0ccb71dbc4.png
[FastAPI]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc35963cbb4d075f9ee7698d2ec7c950b0ec6e6091ae48125d665542e026b7c3a3483ae981d&idx=1&mid=2247491400&scene=21&sn=aeab71c4b64794e1f1e662c752e16417#wechat_redirect
[Anaconda]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc358e7cbb4d1f195019362e9de1cb6443c208461109584c2dd725739fb5d2538cd9e8d2084&idx=2&mid=2247491276&scene=21&sn=41903ecc36e8a4b40f3f9b2b0d171198#wechat_redirect
[Ubuntu_Miniconda]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc35897cbb4d181311287311ee406a5eb7c6c248452a5c75a6fe085c22b9b3ef8b77d5a6ed1&idx=2&mid=2247491260&scene=21&sn=cd9e8f1f7ea0421514043cbf85360a61#wechat_redirect
[31802a2f6072959290c231f70145ee9e.png]: /images/20221005/89f3b7483f2249e7bdfad1f7584cf160.png