多条件选股策略¶

版本 v1.0

目录¶

### 多条件选股策略的交易规则
### 策略构建步骤
### 策略的实现

正文¶

一、多条件选股策略的交易规则¶

买入条件：满足 1）今日开盘价大于昨日收盘价；2）5日收盘价均线大于10日收盘价均线的股票按PE升序排名取前十名,次日以开盘价买入；
买入后，如果5日收盘价均线小于10日收盘价均线，则次日以开盘价卖出。

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单只/多只股票，以及回测的起止日期

2、确定买卖条件信号¶

在输入特征列表中通过表达式引擎定义 buy_condition=where((open_0>close_1)&(mean(close_0,5)>mean(close_0,10)),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(mean(close_0,5)<mean(close_0,10),1,0)，实现卖出信号。
通过基础特征和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¶

已有持仓中满足卖出条件的股票为卖出股票列表，需执行卖出操作并更新可用现金。
满足买入条件且没有持仓的股票为买入股票列表，需根据可用现金执行等资金买入操作,此例采用整百股数下单。

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 模块中的准备函数定义 context.daily_stock_buy 和 context.daily_stock_sell 变量来获取并存放每日符合买卖条件的股票列表；
通过 trade 模块中的主函数(handle函数)查看每日的买卖交易信号，按照买卖原则执行相应的买入/卖出操作。

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 22:14
# 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 m8_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 m8_handle_data_bigquant_run(context, data):
    # 回测引擎：每日数据处理函数，每天执行一次
    today = data.current_dt.strftime('%Y-%m-%d') # 日期
    # 通过positions对象，使用列表生成式的方法获取目前持仓的股票列表和对应的最新市值
    stock_hold_now = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.perf_tracker.position_tracker.positions.items()}

    # 记录用于买入股票的可用现金
    cash_for_buy = context.portfolio.cash
    
    # 获取当日符合买入/卖出条件的股票列表
    try:
        buy_stock = context.daily_buy_stock[today]  # 当日符合买入条件的股票
    except:
        buy_stock=[]
    try:
        sell_stock = context.daily_sell_stock[today]  # 当日符合卖出条件的股票
    except:
        sell_stock = []

    # 需要卖出的股票:已有持仓中符合卖出条件的股票
    stock_to_sell = [i for i in stock_hold_now if i in sell_stock]
    # 需要买入的股票:没有持仓且符合买入条件的股票
    stock_to_buy = [i for i in buy_stock if i not in stock_hold_now]
    # 卖出
    for instrument in stock_to_sell:
        # 如果该股票停牌，则没法成交。因此需要用can_trade方法检查下该股票的状态
        # 如果返回真值，则可以正常下单，否则会出错
        # 因为stock是字符串格式，我们用symbol方法将其转化成平台可以接受的形式：Equity格式
        if data.can_trade(context.symbol(instrument)):
            # order_target_percent是平台的一个下单接口，表明下单使得该股票的权重为0，即卖出全部股票，可参考回测文档
            context.order_target_percent(context.symbol(instrument), 0)
            # 开盘卖出后所得资金可用来买入股票，更新当日可用现金
            cash_for_buy += stock_hold_now[instrument]
            
    # 如果当天没有买入的股票，就返回
    if len(stock_to_buy) == 0:
        return
    
    # 买入
    for instrument in stock_to_buy:
        # 利用当日可用现金使用等资金比例下单买入
        cash = cash_for_buy / len(stock_to_buy)
        if data.can_trade(context.symbol(instrument)):
            current_price = data.current(context.symbol(instrument), 'price')
            amount = math.floor(cash / current_price / 100) * 100
            context.order(context.symbol(instrument), amount)
# 回测引擎：准备数据，只执行一次
def m8_prepare_bigquant_run(context):
    # 加载预测数据
    df = context.options['data'].read_df()
    # 函数：求满足开仓条件的股票列表
    def open_pos_con(df):
        return list(df[df['buy_condition']>0].instrument)[:10]

    # 函数：求满足平仓条件的股票列表
    def close_pos_con(df):
        return list(df[df['sell_condition']>0].instrument)
    
    # 每日买入股票的数据框
    context.daily_buy_stock= df.groupby('date').apply(open_pos_con)
    # 每日卖出股票的数据框
    context.daily_sell_stock= df.groupby('date').apply(close_pos_con)    
    
    

# 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 m8_before_trading_start_bigquant_run(context, data):
    pass


m1 = M.instruments.v2(
    start_date='2017-05-01',
    end_date=T.live_run_param('trading_date', '2017-07-01'),
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m2 = 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((open_0>close_1)&(mean(close_0,5)>mean(close_0,10)),1,0)
sell_condition=where(mean(close_0,5)<mean(close_0,10),1,0)
pe_ttm_0
"""
)

m5 = M.general_feature_extractor.v7(
    instruments=m1.data,
    features=m2.data,
    start_date='',
    end_date='',
    before_start_days=60,
    m_cached=False
)

m7 = M.derived_feature_extractor.v3(
    input_data=m5.data,
    features=m2.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions={}
)

m9 = M.sort.v4(
    input_ds=m7.data,
    sort_by='pe_ttm_0',
    group_by='date',
    keep_columns='--',
    ascending=True
)

m8 = M.trade.v4(
    instruments=m1.data,
    options_data=m9.sorted_data,
    start_date='',
    end_date='',
    initialize=m8_initialize_bigquant_run,
    handle_data=m8_handle_data_bigquant_run,
    prepare=m8_prepare_bigquant_run,
    before_trading_start=m8_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='后复权',
    product_type='股票',
    plot_charts=True,
    backtest_only=False,
    benchmark='000300.HIX'
)

[2021-02-21 16:44:14.022520] INFO: moduleinvoker: instruments.v2 开始运行..

[2021-02-21 16:44:15.804196] INFO: moduleinvoker: instruments.v2 运行完成[1.781668s].

[2021-02-21 16:44:15.808886] INFO: moduleinvoker: input_features.v1 开始运行..

[2021-02-21 16:44:15.814202] INFO: moduleinvoker: 命中缓存

[2021-02-21 16:44:15.815489] INFO: moduleinvoker: input_features.v1 运行完成[0.006609s].

[2021-02-21 16:44:15.828118] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2021-02-21 16:44:16.798238] INFO: 基础特征抽取: 年份 2017, 特征行数=242716

[2021-02-21 16:44:16.912481] INFO: 基础特征抽取: 总行数: 242716

[2021-02-21 16:44:16.930858] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[1.102743s].

[2021-02-21 16:44:16.935209] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2021-02-21 16:44:18.850739] INFO: derived_feature_extractor: 提取完成 buy_condition=where((open_0>close_1)&(mean(close_0,5)>mean(close_0,10)),1,0), 0.862s

[2021-02-21 16:44:19.722461] INFO: derived_feature_extractor: 提取完成 sell_condition=where(mean(close_0,5)[2021-02-21 16:44:20.926059] INFO: derived_feature_extractor: /y_2017, 242716
[2021-02-21 16:44:21.172004] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[4.236754s].
[2021-02-21 16:44:21.180137] INFO: moduleinvoker: sort.v4 开始运行..
[2021-02-21 16:44:22.033802] INFO: moduleinvoker: sort.v4 运行完成[0.853685s].
[2021-02-21 16:44:24.213530] INFO: moduleinvoker: backtest.v8 开始运行..
[2021-02-21 16:44:24.218594] INFO: backtest: biglearning backtest:V8.5.0
[2021-02-21 16:44:24.649195] INFO: backtest: product_type:stock by specified
[2021-02-21 16:44:24.793696] INFO: moduleinvoker: cached.v2 开始运行..
[2021-02-21 16:44:35.737832] INFO: backtest: 读取股票行情完成:944077
[2021-02-21 16:44:38.611393] INFO: moduleinvoker: cached.v2 运行完成[13.817699s].
[2021-02-21 16:44:39.958871] INFO: algo: TradingAlgorithm V1.8.0
[2021-02-21 16:44:40.233126] INFO: algo: trading transform...
[2021-02-21 16:44:42.344997] INFO: Performance: Simulated 42 trading days out of 42.
[2021-02-21 16:44:42.346531] INFO: Performance: first open: 2017-05-02 09:30:00+00:00
[2021-02-21 16:44:42.347637] INFO: Performance: last close: 2017-06-30 15:00:00+00:00
[2021-02-21 16:44:45.600644] INFO: moduleinvoker: backtest.v8 运行完成[21.387105s].
[2021-02-21 16:44:45.603259] INFO: moduleinvoker: trade.v4 运行完成[23.564731s].

收益率-6.92%
年化收益率-34.96%
基准收益率6.6%
阿尔法-0.68
贝塔0.64
夏普比率-2.66
胜率0.39
盈亏比0.69
收益波动率16.76%
信息比率-0.32
最大回撤9.99%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-3bfcbd5a9e644d7595545283bea7ffb5"}/bigcharts-data-end