配对交易策略¶

版本 v1.0

目录¶

### 配对交易策略的交易规则
### 策略构建步骤
### 策略的实现

正文¶

一、配对策略的交易规则¶

对于股价有长期协整关系的两只股票X和Y, 可以通过历史数据回归计算两只股票的股价关系,即 Y = a*X + b, 得到相关系数a和残差项b；
如果两个股票所属同一行业，我们可以认为两者的股价未来应该保持上述关系，即序列 zscore=(b-mean(b,N))/std(b,N) 存在比较稳定的均值回归特性，保持在-1和1之间往复震荡;
当zscore小于-1时,Y股票低估，此时卖出X, 全仓买入Y；
当zscore大于 1时,X股票低估，此时卖出Y, 全仓买入X；

二、策略构建步骤¶

1、确定股票池和回测时间¶

通过证券代码列表输入要回测的两只股票，以及回测的起止日期

2、获取历史价格数据¶

通过输入特征列表输入 close_0/adjust_factor_0 因子,指定获取股票的收盘价真实价格。
通过基础特征抽取模块获取股票的价格数据。
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¶

当zscore小于-1时,卖出X股票, 全仓买入Y；
当zscore大于 1时,卖出Y股票, 全仓买入X；

4、模拟回测¶

通过 trade 模块中的初始化函数定义交易手续费和滑点;
通过 trade 模块中的盘前处理函数每日用当日之前的历史数据计算一次zscore变量序列，并存放在context.zscore 变量中；
回测第一天用过去240个自然日的历史数据计算，后面每日用于计算zscore的历史数据逐日递增；
通过 trade 模块中的主函数(handle函数)查看每日zscore值，按照买卖原则执行相应的卖出/买入操作。

三、策略的实现¶

可视化策略实现如下：

In [1]:

# 本代码由可视化策略环境自动生成 2021年12月6日 22:15
# 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：初始化函数，只执行一次
def m3_initialize_bigquant_run(context):
    # 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))
# 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):
    today = data.current_dt.strftime('%Y-%m-%d')
    zscore_today =context.zscore.loc[today]
    #获取股票的列表
    stocklist=context.instruments
    # 转换成回测引擎所需要的symbol格式
    symbol_1 = context.symbol(stocklist[0]) 
    symbol_2 = context.symbol(stocklist[1])  

    # 持仓
    cur_position_1 = context.portfolio.positions[symbol_1].amount
    cur_position_2 = context.portfolio.positions[symbol_2].amount
       
    # 交易逻辑
    # 如果zesore大于上轨（>1），则价差会向下回归均值，因此需要买入股票x，卖出股票y
    if zscore_today > 1 and cur_position_1 == 0 and data.can_trade(symbol_1) and data.can_trade(symbol_2):  
        context.order_target_percent(symbol_2, 0)
        context.order_target_percent(symbol_1, 1)
        print(today, '全仓买入：',stocklist[0])
        
    # 如果zesore小于下轨（<-1），则价差会向上回归均值，因此需要买入股票y，卖出股票x
    elif zscore_today < -1 and cur_position_2 == 0 and data.can_trade(symbol_1) and data.can_trade(symbol_2):  
        context.order_target_percent(symbol_1, 0)  
        context.order_target_percent(symbol_2, 1)
        print(today, '全仓买入：',stocklist[1])
 
          

# 回测引擎：准备数据，只执行一次
def m3_prepare_bigquant_run(context):
    pass
    

def m3_before_trading_start_bigquant_run(context,data):    
    # 加载股票历史数据
    df = context.options['data'].read_df()
    df['date'] = df['date'].apply(lambda x:x.strftime('%Y-%m-%d'))
    today = data.current_dt.strftime('%Y-%m-%d')
    # 获取前240个自然日的数据
    start_date = (pd.to_datetime(data.current_dt)-datetime.timedelta(days=240)).strftime('%Y-%m-%d')
    stock_data = df[df.date <= today]
    #获取股票的列表，由于可能上市天数不同，对缺失值填充处理
    stocklist=context.instruments
    prices_df=pd.pivot_table(stock_data, values='close_0', index=['date'], columns=['instrument'])
    prices_df.fillna(method='ffill',inplace=True)
    
    x = prices_df[stocklist[0]] # 股票1
    y = prices_df[stocklist[1]] # 股票2
    
    # 线性回归两个股票的股价 y=ax+b
    from pyfinance import ols
    model = ols.OLS(y=y, x=x)
 
    def zscore(series):
        return (series - series.mean()) / np.std(series)
    
    # 计算 y-a*x 序列的zscore值序列
    zscore_calcu = zscore(y-model.beta*x)
    context.zscore=zscore_calcu

m1 = 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
close_0/adjust_factor_0
"""
)

m2 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2015-01-01'),
    end_date=T.live_run_param('trading_date', '2015-05-28'),
    market='CN_STOCK_A',
    instrument_list="""601328.SHA
601998.SHA""",
    max_count=0
)

m7 = M.general_feature_extractor.v7(
    instruments=m2.data,
    features=m1.data,
    start_date='',
    end_date='',
    before_start_days=300
)

m4 = M.derived_feature_extractor.v3(
    input_data=m7.data,
    features=m1.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions={}
)

m5 = M.dropnan.v2(
    input_data=m4.data
)

m3 = M.trade.v4(
    instruments=m2.data,
    options_data=m5.data,
    start_date='',
    end_date='',
    initialize=m3_initialize_bigquant_run,
    handle_data=m3_handle_data_bigquant_run,
    prepare=m3_prepare_bigquant_run,
    before_trading_start=m3_before_trading_start_bigquant_run,
    volume_limit=0.025,
    order_price_field_buy='open',
    order_price_field_sell='open',
    capital_base=1000000,
    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='000300.HIX'
)

[2021-06-04 15:41:38.684367] INFO: moduleinvoker: input_features.v1 开始运行..

[2021-06-04 15:41:38.710577] INFO: moduleinvoker: 命中缓存

[2021-06-04 15:41:38.712764] INFO: moduleinvoker: input_features.v1 运行完成[0.028382s].

[2021-06-04 15:41:38.790392] INFO: moduleinvoker: instruments.v2 开始运行..

[2021-06-04 15:41:38.813463] INFO: moduleinvoker: 命中缓存

[2021-06-04 15:41:38.822188] INFO: moduleinvoker: instruments.v2 运行完成[0.03179s].

[2021-06-04 15:41:38.913454] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2021-06-04 15:41:38.922342] INFO: moduleinvoker: 命中缓存

[2021-06-04 15:41:38.924931] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.011453s].

[2021-06-04 15:41:39.039697] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2021-06-04 15:41:39.049364] INFO: moduleinvoker: 命中缓存

[2021-06-04 15:41:39.052605] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.012905s].

[2021-06-04 15:41:39.141338] INFO: moduleinvoker: dropnan.v2 开始运行..

[2021-06-04 15:41:39.157190] INFO: moduleinvoker: 命中缓存

[2021-06-04 15:41:39.159773] INFO: moduleinvoker: dropnan.v2 运行完成[0.018445s].

[2021-06-04 15:41:42.431317] INFO: moduleinvoker: backtest.v8 开始运行..

[2021-06-04 15:41:42.446038] INFO: moduleinvoker: 命中缓存

[2021-06-04 15:41:43.304184] INFO: moduleinvoker: backtest.v8 运行完成[0.872962s].

[2021-06-04 15:41:43.305783] INFO: moduleinvoker: trade.v4 运行完成[4.044588s].

收益率-3.86%
年化收益率-9.72%
基准收益率36.8%
阿尔法-0.87
贝塔0.97
夏普比率-0.18
胜率0.0
盈亏比0.0
收益波动率36.47%
信息比率-0.26
最大回撤20.9%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-ef80dec11e8c44aab57e3c5e5841c993"}/bigcharts-data-end