基准收益有点不太一样

123456abc · 2019-01-28 06:04:27 UTC

克隆策略

期货日线MACD策略¶

版本 v1.0

目录¶

### MACD策略的交易规则
### 策略构建步骤
### 策略的实现

正文¶

一、MACD策略的交易规则¶

相关指标定义如下：

DIF=EMA(close,12)−EMA(close,26)

DEM=EMA(DIF,9)
DIF从下而上穿过DEA，买入开仓；
DIF从上往下穿过DEA，卖出开仓；

二、策略构建步骤¶

1、确定期货合约和回测时间¶

通过证券代码列表输入要回测的期货合约，以及回测的起止日期

2、确定买卖条件信号¶

通过自定义Python模块m4获取合约基础数据，通过自定义Python模块m1获取DIF和DEA指标数据；
在输入特征列表中通过表达式引擎定义 buy_condition=where((shift(DIF,1) > shift(DEA,1)) & (shift(DIF,2)<shift(DEA,2)),1,0)，实现买入信号。
在输入特征列表中通过表达式引擎定义 sell_condition=where((shift(DIF,1) < shift(DEA,1)) & (shift(DIF,2)>shift(DEA,2)),1,0)，实现卖出信号。
通过衍生特征抽取模块实现买卖条件指标 buy_condition 和 sell_condition 数据的抽取。
通过缺失数据处理模块删去有缺失值的数据。

3、确定买卖原则¶

如果当日 buy_condition > 0，执行平空开多操作；
如果当日 sell_condition > 0，执行平多开空操作。

4、模拟回测¶

通过 trade 模块中的初始化函数定义交易手续费、滑点、杠杆比例和是否逐日结算；
通过 trade 模块中的准备函数定义 context.buy_condition 和 context.sell_condition 变量来获取并存放每日买卖交易信号；
通过 trade 模块中的主函数(handle函数)查看每日的交易信号，按照买卖原则执行相应的交易操作。

三、策略的实现¶

可视化策略实现如下：

In [12]:

# 本代码由可视化策略环境自动生成 ‎2019‎年‎1月‎28‎日‎ ‎14‎:‎03
# 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。


# Python 代码入口函数，input_1/2/3 对应三个输入端，data_1/2/3 对应三个输出端
def m4_run_bigquant_run(input_1, input_2, input_3,before_days):
    # 示例代码如下。在这里编写您的代码
    start_date=(pd.to_datetime(input_1.read_pickle()['start_date']) - datetime.timedelta(days=before_days)).strftime('%Y-%m-%d')
    end_date=input_1.read_pickle()['end_date']
    instruments=input_1.read_pickle()['instruments']
    fields=['open','high','low','close']
    df = DataSource('bar1d_CN_FUTURE').read(instruments,start_date,end_date,fields)
    df['adjust_factor']=1.0
    data_1 = DataSource.write_df(df)
    return Outputs(data_1=data_1, data_2=None, data_3=None)

# 后处理函数，可选。输入是主函数的输出，可以在这里对数据做处理，或者返回更友好的outputs数据格式。此函数输出不会被缓存。
def m4_post_run_bigquant_run(outputs):
    return outputs

# Python 代码入口函数，input_1/2/3 对应三个输入端，data_1/2/3 对应三个输出端
def m1_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    df = input_1.read_df()
    close = [float(x) for x in df['close']]
    import talib
    # 调用talib计算6日指数移动平均线的值
    df['EMA12'] = talib.EMA(np.array(close), timeperiod=6)  
    df['EMA26'] = talib.EMA(np.array(close), timeperiod=12)   
    # 调用talib计算MACD指标
    df['DIF'],df['DEA'],df['MACD'] = talib.MACD(np.array(close),
                                fastperiod=6, slowperiod=12, signalperiod=9) 
    data_1 = DataSource.write_df(df)
    return Outputs(data_1=data_1, data_2=None, data_3=None)

# 后处理函数，可选。输入是主函数的输出，可以在这里对数据做处理，或者返回更友好的outputs数据格式。此函数输出不会被缓存。
def m1_post_run_bigquant_run(outputs):
    return outputs

# 回测引擎：每日数据处理函数，每天执行一次
def m3_handle_data_bigquant_run(context, data):
    # 获取当日多头/空头信号数据
    today = data.current_dt.strftime('%Y-%m-%d') # 当前交易日期
    
    try:
        buy_condition = context.buy_condition[today]
    except:
        buy_condition = 0
    
    try:
        sell_condition = context.sell_condition[today]
    except:
        sell_condition = 0
    
    instrument = context.future_symbol(context.instruments[0]) # 交易标的
    curr_po=context.portfolio.positions[instrument] # 组合持仓
    curr_position = curr_po.amount  # 持仓数量
         
    # 交易逻辑
    if  sell_condition>0: # 卖出开仓
        if curr_position >= 0 and data.can_trade(instrument):
            order_target(instrument, -20)
            print(today,'今日DIF下穿DEA，平多，卖空开仓')
    elif  buy_condition>0:# 买入开仓
        if curr_position <= 0 and data.can_trade(instrument):
            order_target(instrument, 20)
            print(today,'今日DIF上穿DEA，平空，买多开仓')
# 回测引擎：准备数据，只执行一次
def m3_prepare_bigquant_run(context):
    df = context.options['data'].read_df()
    df['date']=df['date'].apply(lambda x:x.strftime('%Y-%m-%d'))
    df.set_index('date',inplace=True)
    context.buy_condition=df['buy_condition']
    context.sell_condition=df['sell_condition']

# 回测引擎：初始化函数，只执行一次
def m3_initialize_bigquant_run(context):
   # 设置是否是结算模式
    context.set_need_settle(False)
    # 设置最大杠杆
    context.set_max_leverage(1, 'fill_amap')

    
# 回测引擎：每个单位时间开始前调用一次，即每日开盘前调用一次。
def m3_before_trading_start_bigquant_run(context, data):
    pass


m2 = M.instruments.v2(
    start_date='2018-04-01',
    end_date='2019-1-01',
    market='CN_FUTURE',
    instrument_list='I1905.DCE',
    max_count=0
)

m4 = M.cached.v3(
    input_1=m2.data,
    run=m4_run_bigquant_run,
    post_run=m4_post_run_bigquant_run,
    input_ports='',
    params='{\'before_days\':60}',
    output_ports=''
)

m1 = M.cached.v3(
    input_1=m4.data_1,
    run=m1_run_bigquant_run,
    post_run=m1_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m6 = 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
buy_condition=where((shift(DIF,1)>shift(DEA,1))&(shift(DIF,2)<shift(DEA,2)),1,0)
sell_condition=where((shift(DIF,1)<shift(DEA,1))&(shift(DIF,2)>shift(DEA,2)),1,0)"""
)

m5 = M.derived_feature_extractor.v3(
    input_data=m1.data_1,
    features=m6.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions={}
)

m7 = M.dropnan.v1(
    input_data=m5.data
)

m3 = M.trade.v4(
    instruments=m2.data,
    options_data=m7.data,
    start_date='',
    end_date='',
    handle_data=m3_handle_data_bigquant_run,
    prepare=m3_prepare_bigquant_run,
    initialize=m3_initialize_bigquant_run,
    before_trading_start=m3_before_trading_start_bigquant_run,
    volume_limit=0,
    order_price_field_buy='open',
    order_price_field_sell='open',
    capital_base=1000000,
    auto_cancel_non_tradable_orders=True,
    data_frequency='daily',
    price_type='后复权',
    product_type='期货',
    plot_charts=True,
    backtest_only=False,
    benchmark=''
)

[2019-01-28 14:01:07.346931] INFO: bigquant: instruments.v2 开始运行..
[2019-01-28 14:01:07.368222] INFO: bigquant: 命中缓存
[2019-01-28 14:01:07.369960] INFO: bigquant: instruments.v2 运行完成[0.023037s].
[2019-01-28 14:01:07.373714] INFO: bigquant: cached.v3 开始运行..
[2019-01-28 14:01:07.382401] INFO: bigquant: 命中缓存
[2019-01-28 14:01:07.383833] INFO: bigquant: cached.v3 运行完成[0.010096s].
[2019-01-28 14:01:07.392608] INFO: bigquant: cached.v3 开始运行..
[2019-01-28 14:01:07.468303] INFO: bigquant: 命中缓存
[2019-01-28 14:01:07.469706] INFO: bigquant: cached.v3 运行完成[0.077063s].
[2019-01-28 14:01:07.472428] INFO: bigquant: input_features.v1 开始运行..
[2019-01-28 14:01:07.477270] INFO: bigquant: 命中缓存
[2019-01-28 14:01:07.478310] INFO: bigquant: input_features.v1 运行完成[0.005884s].
[2019-01-28 14:01:07.480954] INFO: bigquant: derived_feature_extractor.v3 开始运行..
[2019-01-28 14:01:07.485949] INFO: bigquant: 命中缓存
[2019-01-28 14:01:07.486861] INFO: bigquant: derived_feature_extractor.v3 运行完成[0.00588s].
[2019-01-28 14:01:07.491424] INFO: bigquant: dropnan.v1 开始运行..
[2019-01-28 14:01:07.496031] INFO: bigquant: 命中缓存
[2019-01-28 14:01:07.496938] INFO: bigquant: dropnan.v1 运行完成[0.005503s].
[2019-01-28 14:01:07.513544] INFO: bigquant: backtest.v8 开始运行..
[2019-01-28 14:01:07.519580] INFO: bigquant: 命中缓存

收益率-23.71%
年化收益率-30.97%
基准收益率-22.77%
阿尔法-0.38
贝塔-0.01
夏普比率-1.95
胜率0.35
盈亏比0.45
收益波动率19.52%
信息比率-0.0
最大回撤28.81%

[2019-01-28 14:01:08.171716] INFO: bigquant: backtest.v8 运行完成[0.658153s].

iQuant · 2019-01-28 06:36:54 UTC

你的问题是：觉得基准收益率不对，对吧？
这里的基准收益率如果不传入的话，应该是沪深300现货指数的收益率。

123456abc · 2019-01-28 06:40:33 UTC

基准应该是该证券的实际走势吧，策略就是运用的策略所获得的收益。不然可比性就不强了。

123456abc · 2019-01-28 06:44:19 UTC

不过好像还真是沪深300的

iQuant · 2019-01-28 06:47:51 UTC

基准您可以自己设置，指定任意的指数或者品种。
如果用此合约作为基准，直接连一下就好了

123456abc · 2019-01-28 06:50:10 UTC

好，谢谢~

iQuant · 2019-01-28 06:50:55 UTC

平台有期货各个品种的主力连续数据和指数数据，这俩都可以传入作为基准。

feynman0825 · 2019-01-28 06:55:29 UTC