BigQuant平台高效使用指南

新手专区
标签: #<Tag:0x00007fc08b603990>

(iQuant) #1

导语:分享一些BigQuant常见问题指南,帮助大家更高效地使用BigQuant平台开发策略。


作者: bigquant
阅读时间:15分钟
本文由BigQuant宽客学院推出,难度标签:☆☆

小结:本文是对文档进行的补充,一些比较零散的使用技巧,希望对大家有所帮助。


   本文由BigQuant宽客学院推出,版权归BigQuant所有,转载请注明出处。


如何复制共享函数库里的代码到策略里
策略研究常用功能
写策略遇到报错,怎么快速寻求帮助呢?
(iQuant) #2

策略对比查看

左右分栏对比查看策略,可以同时查看多个策略

  1. 鼠标点击策略标题,并拖动
  2. 然后就可以对比查看了

(神龙斗士) #3

代码提示:自动补全和文档帮助

  1. 代码提示和自动补全:输入代码等待一会儿,会触发自动提示;如果没有自动提示,可以按 Tab 键强制提示
  2. 代码帮助:代码帮助会自动显示; 可以使用 Shift + Tab,强制显示文档帮助

产品动态——持续更新,为您提供更好的研究体验
(神龙斗士) #4

修改策略名称

有多种方法:

  • 策略列表(页面左侧) > 在策略上点击右键 > 点击重命名
  • 或者在策略标题栏点击右键 > 重命名

(iQuant) #5

如何使用 我的交易 来进行模拟交易
参考文档:交易

1. 在账户的策略研究界面打开一个策略(传统的策略也可以)

2. 检查策略内部使用了 M.trade接口(V2版本以上都行),如下:

3. 点击 开始交易

4. 点击 下一步

如果是新建的模拟交易,那么就选模拟交易,如果对模拟交易的策略进行修改,那么选替换策略

5. 对模拟交易的策略命名

6. 弹出界面,显示提交成功,表明你已经将该策略添加至模拟交易策略列表

7. 你可以在主页的 我的交易 查询模拟策略信息

  • 状态:该字段表明该策略是否处于模拟交易运行中

  • 分享:该字段表明你是否将该策略分享在策略英雄榜

  • 开始时间:该字段表明该策略是什么时候开始进行模拟交易的

  • 微信订阅:该字段表明你是否开启微信订阅功能,开启之后,每日在微信上将收到策略信号

  • 邮件订阅:该字段表明你是否开启邮件订阅功能,开启之后,每日在邮件里将受到策略信号

  • 操作:该字段拥有三个按钮,分别为 暂停、分享和删除按钮。暂停表明暂停运行该策略,分享是指将策略分享到策略英雄榜,删除指直接删除该策略,该策略不再存续在模拟交易策略中。

8. 点击 策略名称,进入单个策略的详细信息界面

在策略界面,可以查看策略概览、风险指标、策略日志、策略代码以及进行策略设置。特别地,你可以查看下单详情、持仓详情和计划下单。

9. 点击 策略设置,也对对策略进行设置

在这里,可以修改策略的名称。

10. 点击 策略代码,可以查看策略的详细代码

11. 点击 策略日志,进入日志界面

该页面包括系统日志和执行输出。执行输出可以查看每天运行情况,点击查看即可。


编写策略并回测后,怎么进行选股交易呢,实盘模式怎么进入?
怎么实盘?
制订了策略,如何实时提醒我买入卖出股票
如何进行模拟交易
模拟交易为何没有买卖的成交记录呢?
请问,我编辑的策略如何开始实盘交易?
策略如何使用
克隆与复制有什么区别?
怎么实盘?
为什么我的策略里没有开始交易按钮?
每天都要登录运行策略吗?
【宽客学院】开始模拟交易
产品动态——持续更新,为您提供更好的研究体验
(jiangxiaoyu610) #6

您好,我利用策略生成器随便生成了一个策略,然后点击开始交易想测试一下模拟交易.我的代码中有M.trade接口,在"我的交易"界面中也显示运行中,运行可能没有问题.
我是昨天设置的开始交易,按理说今天开盘是不是应该进行开仓买入了?但是我的策略一直没有反应。策略是stockranker。
所以我想问是不是应该策略今天开盘就应该按策略开始执行买入了?为什么到现在都没有动呢?
我是量化小白,还请管理员大神指点迷津!

察看了一下策略日志,里面有一条今天凌晨三点的,最后写着“Exception: no features extracted.”。这是什么意思?是代码有问题吗?


(小Q) #7

您好,已经收到您的反馈,正在排查!我们会尽快联系您!


(jiangxiaoyu610) #8

好的,非常感谢


(jiangxiaoyu610) #9

应该是可以运行了,非常感谢


(jiangxiaoyu610) #11

您好,还是有点问题,我的策略里虽然显示了计划下单,但是计划买入时间就是今天的九点半,但是到现在都不执行买入,没有持仓,请问是为什么?


(小Q) #12

您好,这样是正常的。显示计划下单也是没有问题的。因为现在BigQuant只有日频数据,因此成交和持仓要等今天的K线进来以后(收盘后)才会执行。因此,你可以先不用管,晚上的时候就能看到成交和持仓了。
这块体验还需要完善,忘理解!


(jiangxiaoyu610) #13

好的 我明白了 非常感谢


(小Q) #14

不客气!


(jiangxiaoyu610) #15

您好,我又遇到一个问题,我在策略里定义的是10天的持仓期,但是经过最近几天的交易,我发现这个策略每天都回进行调仓,请问这是为什么?hold_days的意思应该是持仓一段时间,在这段时间结束后才进行调仓吗?


(小Q) #16

嗯,目前策略模板的hold_days的确是持仓期。因为每天都会买入股票,因此每天也都有卖出。比如资金一共10万,持长期为10天,那么每天会买入一万的股票。前10天只有买入,没有卖出。后面每天既有买入,又有卖出。

这并不是第一天买入全部资金股票,持有hold_days再换仓。


(jiangxiaoyu610) #17

我明白了,非常感谢您的解答 ^ - ^


(mxz18042321669) #18

您好已经在策略商城订阅的策略在哪里开启模拟交易


(iQuant) #19

您好 您订阅策略后平台会每天为您发送策略推送的交易信号的


(h4527) #20

你好,我是滚动运行社区里的涨停策略的。提示error,不知道什么情况。在我的交易中提示这个,金额显示也是零元。不知道怎设置。

引用

# 本代码由可视化策略环境自动生成 2019年2月12日 18:11
# 本代码单元只能在可视化模式下编辑。您也可以拷贝代码,粘贴到新建的代码单元或者策略,然后修改。

# 回测引擎:每日数据处理函数,每天执行一次
def m10_handle_data_bigquant_run(context, data):
    #------------------------------------------止损模块START--------------------------------------------
    positions = {e.symbol: p.cost_basis  for e, p in context.portfolio.positions.items()}
    # 新建当日止损股票列表是为了handle_data 策略逻辑部分不再对该股票进行判断
    current_stoploss_stock = []  # 将当天止损的股票整理到一个集合
    if len(positions) > 0:
        for i in positions.keys():
            stock_cost = positions[i] 
            stock_market_price = data.current(context.symbol(i), 'price') 
            # 亏5%就止损
            if (stock_market_price - stock_cost) / stock_cost <= -0.03:   
                context.order_target_percent(context.symbol(i),0)     
                current_stoploss_stock.append(i)
            #    print('日期:',date,'股票:',i,'出现止损状况')
    #-------------------------------------------止损模块END---------------------------------------------
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.ranker_prediction[
        context.ranker_prediction.date == data.current_dt.strftime('%Y-%m-%d')]
    # 1. 资金分配
    # 平均持仓时间是hold_days,每日都将买入股票,每日预期使用 1/hold_days 的资金
    # 实际操作中,会存在一定的买入误差,所以在前hold_days天,等量使用资金;之后,尽量使用剩余资金(这里设置最多用等量的1.5倍)
    is_staging = context.trading_day_index < context.options['hold_days'] # 是否在建仓期间(前 hold_days 天)
    cash_avg = context.portfolio.portfolio_value / context.options['hold_days']
    cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
    cash_for_sell = cash_avg - (context.portfolio.cash - cash_for_buy)
    positions = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.perf_tracker.position_tracker.positions.items()}

    # 2. 生成卖出订单:hold_days天之后才开始卖出;对持仓的股票,按机器学习算法预测的排序末位淘汰
    if not is_staging and cash_for_sell > 0:
        equities = {e.symbol: e for e, p in context.perf_tracker.position_tracker.positions.items()}
        instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
                lambda x: x in equities and not context.has_unfinished_sell_order(equities[x]))])))
        # print('rank order for sell %s' % instruments)
        for instrument in instruments:
            context.order_target(context.symbol(instrument), 0)
            cash_for_sell -= positions[instrument]
            if cash_for_sell <= 0:
                break

    # 3. 生成买入订单:按机器学习算法预测的排序,买入前面的stock_count只股票
    buy_cash_weights = context.stock_weights
    buy_instruments = list(ranker_prediction.instrument[:len(buy_cash_weights)])
    max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument
    for i, instrument in enumerate(buy_instruments):
        cash = cash_for_buy * buy_cash_weights[i]
        if cash > max_cash_per_instrument - positions.get(instrument, 0):
            # 确保股票持仓量不会超过每次股票最大的占用资金量
            cash = max_cash_per_instrument - positions.get(instrument, 0)
        if cash > 0:
            context.order_value(context.symbol(instrument), cash)

# 回测引擎:准备数据,只执行一次
def m10_prepare_bigquant_run(context):
    pass

# 回测引擎:初始化函数,只执行一次
def m10_initialize_bigquant_run(context):
    # 加载预测数据
    context.ranker_prediction = context.options['data'].read_df()

    # 系统已经设置了默认的交易手续费和滑点,要修改手续费可使用如下函数
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
    # 预测数据,通过options传入进来,使用 read_df 函数,加载到内存 (DataFrame)
    # 设置买入的股票数量,这里买入预测股票列表排名靠前的5只
    stock_count = 15
    # 每只的股票的权重,如下的权重分配会使得靠前的股票分配多一点的资金,[0.339160, 0.213986, 0.169580, ..]
    context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 0.2
    context.options['hold_days'] = 5


m3 = M.input_features.v1(
    features="""# #号开始的表示注释
# 多个特征,每行一个,可以包含基础特征和衍生特征
rank_turn_3 #过去i个交易日的换手率 (turn_i) 排名,=从小到大排名序号/总数
return_3
return_10 #10日累计收益
return_360 #360日累计收益
return_360/market_cap_float_0 #360日累计收益与流通市值比
west_netprofit_ftm_0 #一致预测净利润(未来12个月)
west_eps_ftm_0	#一致预测每股收益(未来12个月)
west_avgcps_ftm_0	#一致预测每股现金流(未来12个月)
list_board_0 #所在版块
ta_sma_5_0 
ta_sma_10_0
ta_sma_20_0
ta_sma_30_0
ta_sma_60_0
fs_eps_yoy_0	#每股收益同比增长率
rank_fs_cash_ratio_0	#现金比率,升序百分比排名 
fs_roe_ttm_0	#净资产收益率 (TTM)
fs_net_profit_yoy_0	#归属母公司股东的净利润同比增长率
ta_macd_macd_12_26_9_0 #MACD
swing_volatility_5_0 #波动率
price_limit_status_1+price_limit_status_2+price_limit_status_3+price_limit_status_4+price_limit_status_5+price_limit_status_6+price_limit_status_7+price_limit_status_8+price_limit_status_9+price_limit_status_10
avg_amount_0/avg_amount_5
rank_avg_amount_0/rank_avg_amount_5
pe_ttm_0
rank_avg_mf_net_amount_3
avg_mf_net_amount_3/market_cap_float_0
# BOLL、成交量相关
(avg_amount_10/avg_amount_5) * sum((ta_sma_20_0 + 2 * std(close_0, 20)),5) / 5
(avg_amount_10/avg_amount_5) * sum((ta_sma_20_0 - 2 * std(close_0, 20)),5) / 5

"""
)

m9 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2018-01-01'),
    end_date=T.live_run_param('trading_date', '2019-01-31'),
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m17 = M.general_feature_extractor.v7(
    instruments=m9.data,
    features=m3.data,
    start_date='',
    end_date='',
    before_start_days=0
)

m18 = M.derived_feature_extractor.v3(
    input_data=m17.data,
    features=m3.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m14 = M.dropnan.v1(
    input_data=m18.data
)

m4 = M.rolling_conf.v1(
    start_date='2010-01-01',
    end_date='2019-01-31',
    rolling_update_days=365,
    rolling_min_days=730,
    rolling_max_days=0,
    rolling_count_for_live=1
)

m1 = M.instruments.v2(
    rolling_conf=m4.data,
    start_date='',
    end_date='',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m2 = M.advanced_auto_labeler.v2(
    instruments=m1.data,
    label_expr="""# #号开始的表示注释
# 0. 每行一个,顺序执行,从第二个开始,可以使用label字段
# 1. 可用数据字段见 https://bigquant.com/docs/data_history_data.html
#   添加benchmark_前缀,可使用对应的benchmark数据
# 2. 可用操作符和函数见 `表达式引擎 <https://bigquant.com/docs/big_expr.html>`_

# 计算收益:5日收盘价(作为卖出价格)除以明日开盘价(作为买入价格)
shift(close, -5) / shift(open, -1)

# 极值处理:用1%和99%分位的值做clip
clip(label, all_quantile(label, 0.01), all_quantile(label, 0.99))

# 将分数映射到分类,这里使用20个分类
all_wbins(label, 20)

# 过滤掉一字涨停的情况 (设置label为NaN,在后续处理和训练中会忽略NaN的label)
where(shift(high, -1) == shift(low, -1), NaN, label)
""",
    start_date='',
    end_date='',
    benchmark='000300.SHA',
    drop_na_label=True,
    cast_label_int=True
)

m15 = M.general_feature_extractor.v7(
    instruments=m1.data,
    features=m3.data,
    start_date='',
    end_date='',
    before_start_days=0
)

m16 = M.derived_feature_extractor.v3(
    input_data=m15.data,
    features=m3.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m7 = M.join.v3(
    data1=m2.data,
    data2=m16.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m13 = M.dropnan.v1(
    input_data=m7.data
)

m6 = M.stock_ranker_train.v5(
    training_ds=m13.data,
    features=m3.data,
    learning_algorithm='排序',
    number_of_leaves=30,
    minimum_docs_per_leaf=1000,
    number_of_trees=20,
    learning_rate=0.1,
    max_bins=1023,
    feature_fraction=1,
    m_lazy_run=True
)

m5 = M.rolling_run.v1(
    run=m6.m_lazy_run,
    input_list=m4.data,
    param_name='rolling_input'
)

m8 = M.stock_ranker_predict.v5(
    model=m5.data,
    data=m14.data,
    m_lazy_run=False
)

m10 = M.trade.v4(
    instruments=m9.data,
    options_data=m8.predictions,
    start_date='',
    end_date='',
    handle_data=m10_handle_data_bigquant_run,
    prepare=m10_prepare_bigquant_run,
    initialize=m10_initialize_bigquant_run,
    volume_limit=0.025,
    order_price_field_buy='open',
    order_price_field_sell='close',
    capital_base=1000000,
    auto_cancel_non_tradable_orders=True,
    data_frequency='daily',
    price_type='后复权',
    product_type='股票',
    plot_charts=True,
    backtest_only=False,
    benchmark='000300.SHA'
)

(小Q) #21

请问你的报错是?可以接一个图我们看看吗?或者你联系我们的客服,微信:bigq100.