每周交易

zxc7573316672 · 2020-09-16 10:18:58 UTC

克隆策略

In [13]:

# 本代码由可视化策略环境自动生成 2020年9月11日 10:56
# 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 m6_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    input_df = input_1.read_df().reset_index(drop='True')
    import talib
    def cal_macd(df):
        # 取出close_0列的数据转化为float
        close = [float(x) for x in df['close_0']]
         # 调用talib计算MACD指标
        df['MACD'],df['MACDsignal'],df['MACDhist'] = talib.MACD(np.array(close),
                                    fastperiod=6, slowperiod=12, signalperiod=9)
        return df[['date','instrument','MACD','MACDsignal','MACDhist']]
    
    result = input_df.groupby('instrument').apply(cal_macd)
    
    data_1 = DataSource.write_df(result)
    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 m6_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 m20_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    input_df = input_1.read_df().reset_index(drop='True')
    import talib
    def cal_macd(df):
        # 取出close_0列的数据转化为float
        close = [float(x) for x in df['close_0']]
         # 调用talib计算MACD指标
        df['MACD'],df['MACDsignal'],df['MACDhist'] = talib.MACD(np.array(close),
                                    fastperiod=6, slowperiod=12, signalperiod=9)
        return df[['date','instrument','MACD','MACDsignal','MACDhist']]
    
    result = input_df.groupby('instrument').apply(cal_macd)
    
    data_1 = DataSource.write_df(result)
    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 m20_post_run_bigquant_run(outputs):
    return outputs

# 回测引擎：初始化函数，只执行一次
def m19_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 = 2
    # 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 = 0.4
    context.options['hold_days'] = 1
# 回测引擎：每日数据处理函数，每天执行一次
def m19_handle_data_bigquant_run(context, data):
    today = data.current_dt.strftime('%Y-%m-%d')
    stock_hold_now = [equity.symbol for equity in context.portfolio.positions ]
    #大盘风控模块，读取风控数据    
    benckmark_risk=context.benckmark_risk[today]
    context.symbol
    #当risk为1时，市场有风险，全部平仓，不再执行其它操作
    if benckmark_risk > 0:
        for instrument in stock_hold_now:
            context.order_target(symbol(instrument), 0)
        print(today,'大盘风控止损触发,全仓卖出')
        return
    
    if context.trading_day_index % 5 != 0:
        return
    
    # 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)

def m19_prepare_bigquant_run(context):
    #在数据准备函数中一次性计算每日的大盘风控条件相比于在handle中每日计算风控条件可以提高回测速度
    # 多取50天的数据便于计算均值(保证回测的第一天均值不为Nan值)，其中context.start_date和context.end_date是回测指定的起始时间和终止时间
    start_date= (pd.to_datetime(context.start_date) - datetime.timedelta(days=50)).strftime('%Y-%m-%d') 
    df=DataSource('bar1d_index_CN_STOCK_A').read(start_date=start_date,end_date=context.end_date,fields=['close'])
    benckmark_data=df[df.instrument=='000001.HIX']
    #计算上证指数5日涨幅
    benckmark_data['ret5']=benckmark_data['close']/benckmark_data['close'].shift(1)-1
    #计算大盘风控条件，如果5日涨幅小于-4%则设置风险状态risk为1，否则为0
    benckmark_data['risk'] = np.where(benckmark_data['ret5']<-0.04,1,0)
    #修改日期格式为字符串(便于在handle中使用字符串日期索引来查看每日的风险状态)
    benckmark_data['date']=benckmark_data['date'].apply(lambda x:x.strftime('%Y-%m-%d'))
    #设置日期为索引
    benckmark_data.set_index('date',inplace=True)
    #把风控序列输出给全局变量context.benckmark_risk
    context.benckmark_risk=benckmark_data['risk']


m1 = M.instruments.v2(
    start_date='2016-01-08',
    end_date='2019-01-01',
    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(open, -5)/shift(open, -1)

# 极值处理：用1%和99%分位的值做clip
clip(label, all_quantile(label, 0.05), all_quantile(label, 0.95))

# 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
)

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
close_0
rank_swing_volatility_60_0
swing_volatility_30_0
ta_rsi_14_0
ta_cci_14_0
avg_turn_5
rank_return_20
avg_amount_5
rank_avg_turn_5
mean(turn_0*return_0, 15)
"""
)

m15 = M.general_feature_extractor.v7(
    instruments=m1.data,
    features=m3.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m6 = M.cached.v3(
    input_1=m15.data,
    run=m6_run_bigquant_run,
    post_run=m6_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m7 = M.join.v3(
    data1=m2.data,
    data2=m6.data_1,
    on='date,instrument',
    how='inner',
    sort=False
)

m24 = 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,
    user_functions={}
)

m10 = M.join.v3(
    data1=m7.data,
    data2=m24.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m5 = M.dropnan.v2(
    input_data=m10.data
)

m12 = M.input_features.v1(
    features="""
# #号开始的表示注释，注释需单独一行
# 多个特征，每行一个，可以包含基础特征和衍生特征，特征须为本平台特征
rank_swing_volatility_60_0
swing_volatility_30_0
ta_rsi_14_0
#ta_cci_14_0
#avg_turn_5
#rank_return_20
#avg_amount_5
#rank_avg_turn_5
#mean(turn_0*return_0, 15)
"""
)

m16 = M.instruments.v2(
    start_date='2019-01-04',
    end_date='2020-09-10',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m18 = M.general_feature_extractor.v7(
    instruments=m16.data,
    features=m3.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m20 = M.cached.v3(
    input_1=m18.data,
    run=m20_run_bigquant_run,
    post_run=m20_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m26 = M.derived_feature_extractor.v3(
    input_data=m18.data,
    features=m3.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions={}
)

m23 = M.join.v3(
    data1=m20.data_1,
    data2=m26.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m22 = M.dropnan.v2(
    input_data=m23.data
)

m9 = M.advanced_auto_labeler.v2(
    instruments=m16.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(open, -5)/shift(open, -1)

# 极值处理：用1%和99%分位的值做clip
clip(label, all_quantile(label, 0.05), all_quantile(label, 0.95))

# 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
)

m8 = M.join.v3(
    data1=m9.data,
    data2=m23.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m11 = M.dropnan.v2(
    input_data=m8.data
)

m4 = M.stock_ranker.v2(
    training_ds=m5.data,
    features=m12.data,
    test_ds=m11.data,
    predict_ds=m22.data,
    learning_algorithm='排序',
    number_of_leaves=5,
    minimum_docs_per_leaf=1000,
    number_of_trees=10,
    learning_rate=0.1,
    max_bins=1023,
    feature_fraction=1,
    data_row_fraction=1,
    ndcg_discount_base=1,
    slim_data=True
)

m19 = M.trade.v4(
    instruments=m16.data,
    options_data=m4.predictions,
    start_date='',
    end_date='',
    initialize=m19_initialize_bigquant_run,
    handle_data=m19_handle_data_bigquant_run,
    prepare=m19_prepare_bigquant_run,
    volume_limit=0.025,
    order_price_field_buy='open',
    order_price_field_sell='open',
    capital_base=500000,
    auto_cancel_non_tradable_orders=True,
    data_frequency='daily',
    price_type='真实价格',
    product_type='股票',
    plot_charts=True,
    backtest_only=False,
    benchmark=''
)

[2020-09-11 10:54:20.634586] INFO: moduleinvoker: instruments.v2 开始运行..

[2020-09-11 10:54:20.691262] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.692581] INFO: moduleinvoker: instruments.v2 运行完成[0.057991s].

[2020-09-11 10:54:20.694554] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2020-09-11 10:54:20.700092] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.701858] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.007286s].

[2020-09-11 10:54:20.703543] INFO: moduleinvoker: input_features.v1 开始运行..

[2020-09-11 10:54:20.710442] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.711445] INFO: moduleinvoker: input_features.v1 运行完成[0.007898s].

[2020-09-11 10:54:20.717938] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2020-09-11 10:54:20.723413] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.724214] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.006275s].

[2020-09-11 10:54:20.727189] INFO: moduleinvoker: cached.v3 开始运行..

[2020-09-11 10:54:20.732355] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.733158] INFO: moduleinvoker: cached.v3 运行完成[0.005969s].

[2020-09-11 10:54:20.734620] INFO: moduleinvoker: join.v3 开始运行..

[2020-09-11 10:54:20.784402] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.785751] INFO: moduleinvoker: join.v3 运行完成[0.05112s].

[2020-09-11 10:54:20.787703] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2020-09-11 10:54:20.801429] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.802653] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.014939s].

[2020-09-11 10:54:20.804577] INFO: moduleinvoker: join.v3 开始运行..

[2020-09-11 10:54:20.810808] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.811871] INFO: moduleinvoker: join.v3 运行完成[0.007294s].

[2020-09-11 10:54:20.813583] INFO: moduleinvoker: dropnan.v2 开始运行..

[2020-09-11 10:54:20.819573] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.820426] INFO: moduleinvoker: dropnan.v2 运行完成[0.00684s].

[2020-09-11 10:54:20.821770] INFO: moduleinvoker: input_features.v1 开始运行..

[2020-09-11 10:54:20.826921] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.827866] INFO: moduleinvoker: input_features.v1 运行完成[0.006098s].

[2020-09-11 10:54:20.829360] INFO: moduleinvoker: instruments.v2 开始运行..

[2020-09-11 10:54:20.834972] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.884957] INFO: moduleinvoker: instruments.v2 运行完成[0.055563s].

[2020-09-11 10:54:20.905249] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2020-09-11 10:54:20.914490] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.915660] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.010422s].

[2020-09-11 10:54:20.918311] INFO: moduleinvoker: cached.v3 开始运行..

[2020-09-11 10:54:20.923228] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.924108] INFO: moduleinvoker: cached.v3 运行完成[0.005796s].

[2020-09-11 10:54:20.925625] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2020-09-11 10:54:20.932125] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.933204] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.007567s].

[2020-09-11 10:54:20.934780] INFO: moduleinvoker: join.v3 开始运行..

[2020-09-11 10:54:20.939720] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.940621] INFO: moduleinvoker: join.v3 运行完成[0.005837s].

[2020-09-11 10:54:20.984678] INFO: moduleinvoker: dropnan.v2 开始运行..

[2020-09-11 10:54:20.991622] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:20.993203] INFO: moduleinvoker: dropnan.v2 运行完成[0.008568s].

[2020-09-11 10:54:20.995977] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2020-09-11 10:54:21.002881] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:21.004129] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.008148s].

[2020-09-11 10:54:21.005936] INFO: moduleinvoker: join.v3 开始运行..

[2020-09-11 10:54:21.013497] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:21.014510] INFO: moduleinvoker: join.v3 运行完成[0.008578s].

[2020-09-11 10:54:21.016048] INFO: moduleinvoker: dropnan.v2 开始运行..

[2020-09-11 10:54:21.023517] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:21.024311] INFO: moduleinvoker: dropnan.v2 运行完成[0.00826s].

[2020-09-11 10:54:21.025772] INFO: moduleinvoker: stock_ranker.v2 开始运行..

[2020-09-11 10:54:21.043423] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:21.193249] INFO: moduleinvoker: stock_ranker.v2 运行完成[0.167459s].

[2020-09-11 10:54:21.288282] INFO: moduleinvoker: backtest.v8 开始运行..

[2020-09-11 10:54:21.295727] INFO: moduleinvoker: 命中缓存

[2020-09-11 10:54:23.379855] INFO: moduleinvoker: backtest.v8 运行完成[2.09159s].

[2020-09-11 10:54:23.385767] INFO: moduleinvoker: trade.v4 运行完成[2.190288s].

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-4e213818940748009675fde31ba5e4aa"}/bigcharts-data-end

收益率91.0%
年化收益率48.7%
基准收益率54.54%
阿尔法0.28
贝塔0.38
夏普比率2.27
胜率0.49
盈亏比2.19
收益波动率16.77%
信息比率0.04
最大回撤9.52%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-37fb37d8f20849eda6653a57d7d803df"}/bigcharts-data-end

In [14]:

#m13.result.best_params_

In [15]:

#dt = m4.predictions.read_df()[-30000:]
#dt.to_csv('3.csv')