复制链接

克隆策略

移动止损功能¶

版本v1.0

在开发策略时，经常使用个股的固定点位/百分比止盈止损功能。

本策略以买入后最高价下跌10%止损为例，介绍移动止损功能的实现步骤：

1、新建AI可视化模板策略

2、在回测/模拟模块m19的属性栏中进入“主函数”代码框，在函数体最前面插入移动止损的相关代码，详见策略

初始化变量stoploss_stock用来记录移动止损卖出的股票，
针对持仓的股票计算买入以来的最高价，并计算最新价相比最高价的回撤百分比，如果下跌超过10%就止损卖出，同时将股票添加到stoploss_stock变量：

3、在回测/模拟模块m19的属性栏中进入“主函数”代码框，在函数体中找到“# 2. 生成卖出订单”位置，

在上方初始化 sell_stock 列表用来记录轮仓卖出的股票；
在下方轮仓卖出代码 context.order_target(context.symbol(instrument), 0) 前加入判断语句：

#如果已经移动止损卖出过则不再轮仓卖出,以防止出现空头持仓 if instrument in stoploss_stock:
```
  continue
```

4、在回测/模拟模块m19的属性栏中进入“主函数”代码框，在函数体中找到“# 3. 生成买入订单”位置，将原有的buy_instruments一行代码改为如下：

# 获取所有排序结果股票列表
buy_list = list(ranker_prediction.instrument)

# 不再买入已经移动止损和轮仓卖出的股票,以防止出现空头持仓
buy_instruments = [i for i in buy_list if i not in sell_stock + stoploss_stock][:len(buy_cash_weights)]

In [1]:

# 本代码由可视化策略环境自动生成 2023年4月23日 22:31
# 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 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 = 5
    # 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

# 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')
    
    #------------------------------------------止损模块START--------------------------------------------
    equities = {e.symbol: p for e, p in context.portfolio.positions.items() if p.amount>0}
    
    # 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
    stoploss_stock = [] 
    if len(equities) > 0:
        for i in equities.keys():
            stock_market_price = data.current(context.symbol(i), 'price')  # 最新市场价格
            last_sale_date = equities[i].last_sale_date   # 上次交易日期
            delta_days = data.current_dt - last_sale_date  
            hold_days = delta_days.days # 持仓天数
            # 建仓以来的最高价
            highest_price_since_buy = data.history(context.symbol(i), 'high', hold_days, '1d').max()
            # 确定止损位置
            stoploss_line = highest_price_since_buy - highest_price_since_buy * 0.1
            #record('止损位置', stoploss_line)
            # 如果价格下穿止损位置
            if stock_market_price < stoploss_line:
                context.order_target_percent(context.symbol(i), 0)     
                stoploss_stock.append(i)
        if len(stoploss_stock)>0:
            print('日期：', today, '股票：', stoploss_stock, '出现跟踪止损状况')
    #-------------------------------------------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()}

    sell_stock = []
    # 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]))])))
        for instrument in instruments:
            # 如果已经移动止损卖出过则不再轮仓卖出,以防止出现空头持仓
            if instrument in stoploss_stock:
                continue
            context.order_target(context.symbol(instrument), 0)
            cash_for_sell -= positions[instrument]
            # 记录轮仓卖出的股票
            sell_stock.append(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_list = list(ranker_prediction.instrument)
    # 不再买入已经轮仓卖出和移动止损的股票,以防止出现空头持仓
    buy_instruments = [i for i in buy_list if i not in sell_stock + stoploss_stock][: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 m19_prepare_bigquant_run(context):
    pass


m1 = M.instruments.v2(
    start_date='2010-01-02',
    end_date='2010-05-01',
    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(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
)

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
return_5
return_10
return_20
avg_amount_0/avg_amount_5
avg_amount_5/avg_amount_20
rank_avg_amount_0/rank_avg_amount_5
rank_avg_amount_5/rank_avg_amount_10
rank_return_0
rank_return_5
rank_return_10
rank_return_0/rank_return_5
rank_return_5/rank_return_10
pe_ttm_0
"""
)

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
)

m5 = M.dropnan.v2(
    input_data=m7.data
)

m4 = M.stock_ranker_train.v6(
    training_ds=m5.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,
    data_row_fraction=1,
    plot_charts=True,
    ndcg_discount_base=1,
    m_lazy_run=False
)

m9 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2015-01-01'),
    end_date=T.live_run_param('trading_date', '2015-05-01'),
    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=60
)

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
)

m10 = M.dropnan.v2(
    input_data=m18.data
)

m8 = M.stock_ranker_predict.v5(
    model=m4.model,
    data=m10.data,
    m_lazy_run=False
)

m19 = M.trade.v4(
    instruments=m9.data,
    options_data=m8.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='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.HIX'
)

m6 = M.strategy_ret_risk_analysis.v2(
    input_1=m19.raw_perf,
    analysis_flag='absolute',
    benchmark_index='000300.HIX',
    terms='long'
)

[2023-04-23 22:29:47.505684] INFO: moduleinvoker: instruments.v2 开始运行..

[2023-04-23 22:29:47.522456] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:47.523926] INFO: moduleinvoker: instruments.v2 运行完成[0.018251s].

[2023-04-23 22:29:47.536540] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2023-04-23 22:29:47.546032] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:48.850179] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[1.313619s].

[2023-04-23 22:29:48.888845] INFO: moduleinvoker: input_features.v1 开始运行..

[2023-04-23 22:29:48.905917] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:48.907562] INFO: moduleinvoker: input_features.v1 运行完成[0.018727s].

[2023-04-23 22:29:49.015162] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2023-04-23 22:29:49.026279] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:49.027607] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.01247s].

[2023-04-23 22:29:49.131863] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2023-04-23 22:29:49.144153] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:49.145551] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.013693s].

[2023-04-23 22:29:49.164756] INFO: moduleinvoker: join.v3 开始运行..

[2023-04-23 22:29:49.181092] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:49.182820] INFO: moduleinvoker: join.v3 运行完成[0.01806s].

[2023-04-23 22:29:49.211867] INFO: moduleinvoker: dropnan.v2 开始运行..

[2023-04-23 22:29:49.231249] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:49.232675] INFO: moduleinvoker: dropnan.v2 运行完成[0.020818s].

[2023-04-23 22:29:49.246800] INFO: moduleinvoker: stock_ranker_train.v6 开始运行..

[2023-04-23 22:29:49.267792] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:49.832824] INFO: moduleinvoker: stock_ranker_train.v6 运行完成[0.586024s].

[2023-04-23 22:29:49.838375] INFO: moduleinvoker: instruments.v2 开始运行..

[2023-04-23 22:29:49.845890] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:49.847354] INFO: moduleinvoker: instruments.v2 运行完成[0.008973s].

[2023-04-23 22:29:49.860961] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2023-04-23 22:29:49.872640] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:49.874339] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.013389s].

[2023-04-23 22:29:49.882494] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2023-04-23 22:29:49.890843] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:49.892334] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.009842s].

[2023-04-23 22:29:49.900757] INFO: moduleinvoker: dropnan.v2 开始运行..

[2023-04-23 22:29:49.906514] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:49.907878] INFO: moduleinvoker: dropnan.v2 运行完成[0.007122s].

[2023-04-23 22:29:49.923532] INFO: moduleinvoker: stock_ranker_predict.v5 开始运行..

[2023-04-23 22:29:50.652024] INFO: StockRanker预测: /y_2014 ..

[2023-04-23 22:29:51.746827] INFO: StockRanker预测: /y_2015 ..

[2023-04-23 22:29:52.495390] INFO: moduleinvoker: stock_ranker_predict.v5 运行完成[2.571845s].

[2023-04-23 22:29:55.818895] INFO: moduleinvoker: backtest.v8 开始运行..

[2023-04-23 22:29:55.825399] INFO: backtest: biglearning backtest:V8.6.3

[2023-04-23 22:29:55.826984] INFO: backtest: product_type:stock by specified

[2023-04-23 22:29:55.900271] INFO: moduleinvoker: cached.v2 开始运行..

[2023-04-23 22:29:55.910225] INFO: moduleinvoker: 命中缓存

[2023-04-23 22:29:55.911670] INFO: moduleinvoker: cached.v2 运行完成[0.011436s].

[2023-04-23 22:30:05.049116] INFO: backtest: algo history_data=DataSource(8da9253c15ac415b90df9b61d42f949eT)

[2023-04-23 22:30:05.050461] INFO: algo: TradingAlgorithm V1.8.9

[2023-04-23 22:30:07.248557] INFO: algo: trading transform...

[2023-04-23 22:30:12.379291] INFO: Performance: Simulated 78 trading days out of 78.

[2023-04-23 22:30:12.380735] INFO: Performance: first open: 2015-01-05 09:30:00+00:00

[2023-04-23 22:30:12.382470] INFO: Performance: last close: 2015-04-30 15:00:00+00:00

[2023-04-23 22:30:15.945570] INFO: moduleinvoker: backtest.v8 运行完成[20.126679s].

[2023-04-23 22:30:15.947129] INFO: moduleinvoker: trade.v4 运行完成[23.438959s].

[2023-04-23 22:30:15.965296] INFO: moduleinvoker: strategy_ret_risk_analysis.v2 开始运行..

[2023-04-23 22:30:17.338055] ERROR: moduleinvoker: module name: strategy_ret_risk_analysis, module version: v2, trackeback: AttributeError: 'NoneType' object has no attribute 'set_index'

设置评估测试数据集，查看训练曲线
[视频教程]StockRanker训练曲线

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-95d13789a4e446a297b7dd8797944327"}/bigcharts-data-end

日期： 2015-01-12 股票： ['000557.SZA', '600853.SHA', '600528.SHA'] 出现跟踪止损状况
日期： 2015-01-19 股票： ['000935.SZA', '600428.SHA'] 出现跟踪止损状况
日期： 2015-02-02 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-02-03 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-02-04 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-02-05 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-02-06 股票： ['002113.SZA', '002575.SZA'] 出现跟踪止损状况
日期： 2015-02-09 股票： ['002113.SZA', '000791.SZA', '601727.SHA', '300100.SZA'] 出现跟踪止损状况
日期： 2015-02-10 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-02-11 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-02-12 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-02-13 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-02-16 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-02-17 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-02-25 股票： ['002113.SZA', '600282.SHA'] 出现跟踪止损状况
日期： 2015-02-26 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-02-27 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-02 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-03 股票： ['002113.SZA', '002712.SZA'] 出现跟踪止损状况
日期： 2015-03-04 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-05 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-06 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-09 股票： ['002113.SZA', '002108.SZA'] 出现跟踪止损状况
日期： 2015-03-10 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-11 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-12 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-13 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-16 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-17 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-18 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-19 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-20 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-23 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-24 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-25 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-26 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-27 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-03-30 股票： ['002113.SZA', '300389.SZA'] 出现跟踪止损状况
日期： 2015-03-31 股票： ['002113.SZA'] 出现跟踪止损状况
日期： 2015-04-14 股票： ['300261.SZA'] 出现跟踪止损状况
日期： 2015-04-15 股票： ['300117.SZA', '002006.SZA', '300069.SZA'] 出现跟踪止损状况
日期： 2015-04-16 股票： ['300019.SZA'] 出现跟踪止损状况
日期： 2015-04-20 股票： ['002652.SZA', '300195.SZA'] 出现跟踪止损状况
日期： 2015-04-28 股票： ['000513.SZA', '002004.SZA'] 出现跟踪止损状况

收益率79.49%
年化收益率561.78%
基准收益率34.42%
阿尔法3.13
贝塔0.5
夏普比率6.82
胜率0.68
盈亏比2.05
收益波动率27.93%
信息比率0.21
最大回撤5.03%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-8a275515587b4b7180bf7c11f9273ed4"}/bigcharts-data-end

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-1-ff64f8b3cf2e> in <module>
    253 )
    254 
--> 255 m6 = M.strategy_ret_risk_analysis.v2(
    256     input_1=m19.raw_perf,
    257     analysis_flag='absolute',

AttributeError: 'NoneType' object has no attribute 'set_index'