复制链接

克隆策略

In [114]:

# 本代码由可视化策略环境自动生成 2022年7月21日 17:23
# 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 m5_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['list_date'] = df['list_date'].astype(str)
    df['delist_date'] = df['delist_date'].astype(str)
    df = df.loc[:,['instrument','list_date','delist_date']]
    
    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 m5_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 m4_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 = df.loc[:,['date','instrument','close','bond_prem_ratio','double_low','remain_size','total_size']]
    
    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 m10_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['date'] = pd.to_datetime(df['date'])
    df['list_date'] = pd.to_datetime(df['list_date'])
    df['delist_date'] = pd.to_datetime(df['delist_date'])
    
    #买入规则：上市满30天，并且价格小于120
    #df['can_buy'] = df['date'] > (df['list_date'] + datetime.timedelta(days=30)) and df['close']<120
    df['can_buy'] = df['close']<120
    #卖出规则：价格大于140时卖
    df['to_clean'] = df['close']>140
    
    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 m10_post_run_bigquant_run(outputs):
    return outputs

# 交易引擎：初始化函数，只执行一次
def m8_initialize_bigquant_run(context):
       # 加载股票指标数据,数据继承自m6模块
    context.indicator_data = 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))
    
    # 设置股票数量
    context.stock_num = 20
    
    # 调仓天数,22个交易日大概就是一个月。可以理解为一个月换仓一次
    context.rebalance_days = 22
    
    # 如果策略运行中，需要将数据进行保存，可以借用extension这个对象，类型为dict
    # 比如当前运行的k线的索引，比如个股持仓天数、买入均价
    if 'index' not in context.extension:
        context.extension['index'] = 0
 
# 交易引擎：每个单位时间开盘前调用一次。
def m8_before_trading_start_bigquant_run(context, data):
    context.subscribe(context.instruments)
    pass
# 交易引擎：tick数据处理函数，每个tick执行一次
def m8_handle_tick_bigquant_run(context, data):
    pass

# 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):
    # context.extension['index'] += 1
    # 不在换仓日就return,相当于后面的代码只会一个月运行一次，买入的股票会持有1个月
    #if  context.extension['index'] % context.rebalance_days != 0:
    #    return
    # 当前的日期
    date = data.current_dt.strftime('%Y-%m-%d')
    print('----------',date)
    #获取当天的股票列表
    cur_data = context.indicator_data[context.indicator_data['date'] == date]

    #建仓条件判断：市场双低均值达到170可进行建仓
    #if cur_data['double_low'].mean() > 170:
    #    print(date,'：该调仓日市场双低均值为',cur_data['double_low'].mean(),",无需建仓")
    #    return
    # 如果价格>120，则不建仓
    #if cur_data['close'].mean() > 120:
    #    #print(date,'该转债价格大于120，',cur_data['instrument'],',无需建仓')
    #   return
   
    # 设定股票池
    # 条件1：满足条件的可以买
    stock_can_buy = cur_data[cur_data['can_buy'] == True]
    # 条件2：满足卖出条件的可以卖
    stock_to_clean = cur_data[cur_data['to_clean'] == True]
    
    symbols = list(set(stock_can_buy['instrument'].values).difference(set(stock_to_clean['instrument'].values)))
    cur_data = cur_data.set_index('instrument').loc[symbols,:].reset_index().sort_values('close')
    stock_to_buy = list(cur_data.instrument[:context.stock_num])
   
    # 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
    stock_hold_now = [equity for equity in context.portfolio.positions]
    # 继续持有的股票：调仓时，如果买入的股票已经存在于目前的持仓里，那么应继续持有
    no_need_to_sell = [i for i in stock_hold_now if i in stock_to_buy]
    # 需要卖出的股票
    stock_to_sell = [i for i in stock_hold_now if i not in no_need_to_sell] 
    
    # 卖出
    for stock in stock_to_sell:
        context.order_target_percent(stock, 0)
    
    # 如果当天没有买入的股票，就返回
    if len(stock_to_buy) == 0:
        print(date,'当天没有买入的股票')
        return

    # 等权重买入 
    weight =  1 / len(stock_to_buy)
    
    # 买入
    for stock in stock_to_buy:
        context.order_target_percent(stock, weight)
 
# 交易引擎：成交回报处理函数，每个成交发生时执行一次
def m8_handle_trade_bigquant_run(context, data):
    pass

# 交易引擎：委托回报处理函数，每个委托变化时执行一次
def m8_handle_order_bigquant_run(context, data):
    pass

# 交易引擎：盘后处理函数，每日盘后执行一次
def m8_after_trading_bigquant_run(context, data):
    pass


m1 = M.use_datasource.v1(
    datasource_id='market_performance_CN_CONBOND',
    start_date='2022-01-17',
    end_date='2022-07-20'
)

m9 = M.trade_data_generation.v1(
    input=m1.data,
    category='CN_STOCK',
    m_cached=False
)

m2 = M.use_datasource.v1(
    datasource_id='basic_info_CN_CONBOND',
    start_date='2022-01-17',
    end_date='2022-07-20'
)

m5 = M.cached.v3(
    input_1=m2.data,
    run=m5_run_bigquant_run,
    post_run=m5_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m6 = 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
double_low = close + bond_prem_ratio # 双低价
remain_size > 1.5 # 剩余规模
total_size
remain_size
bond_prem_ratio
"""
)

m7 = M.derived_feature_extractor.v3(
    input_data=m1.data,
    features=m6.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions={}
)

m4 = M.cached.v3(
    input_1=m7.data,
    run=m4_run_bigquant_run,
    post_run=m4_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m3 = M.join.v3(
    data1=m4.data_1,
    data2=m5.data_1,
    on='instrument',
    how='inner',
    sort=False
)

m10 = M.cached.v3(
    input_1=m3.data,
    run=m10_run_bigquant_run,
    post_run=m10_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m11 = M.filter.v3(
    input_data=m10.data_1,
    expr='date<delist_date and close<120',
    output_left_data=True
)

m8 = M.hftrade.v2(
    instruments=m9.instrument_list,
    options_data=m11.data,
    start_date='',
    end_date='',
    initialize=m8_initialize_bigquant_run,
    before_trading_start=m8_before_trading_start_bigquant_run,
    handle_tick=m8_handle_tick_bigquant_run,
    handle_data=m8_handle_data_bigquant_run,
    handle_trade=m8_handle_trade_bigquant_run,
    handle_order=m8_handle_order_bigquant_run,
    after_trading=m8_after_trading_bigquant_run,
    capital_base=1000001,
    frequency='daily',
    price_type='真实价格',
    product_type='可转债',
    before_start_days='0',
    order_price_field_buy='close',
    order_price_field_sell='close',
    benchmark='000300.HIX',
    plot_charts=True,
    disable_cache=False,
    replay_bdb=False,
    show_debug_info=False,
    backtest_only=False
)

[2022-07-21 17:21:05.801969] INFO: moduleinvoker: use_datasource.v1 开始运行..

[2022-07-21 17:21:06.709997] INFO: moduleinvoker: use_datasource.v1 运行完成[0.908028s].

[2022-07-21 17:21:06.730039] INFO: moduleinvoker: trade_data_generation.v1 开始运行..

[2022-07-21 17:21:07.196914] INFO: moduleinvoker: trade_data_generation.v1 运行完成[0.466859s].

[2022-07-21 17:21:07.290978] INFO: moduleinvoker: use_datasource.v1 开始运行..

[2022-07-21 17:21:07.568563] INFO: moduleinvoker: use_datasource.v1 运行完成[0.277586s].

[2022-07-21 17:21:07.849726] INFO: moduleinvoker: cached.v3 开始运行..

[2022-07-21 17:21:08.323770] INFO: moduleinvoker: cached.v3 运行完成[0.474048s].

[2022-07-21 17:21:08.330063] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-07-21 17:21:08.357848] INFO: moduleinvoker: 命中缓存

[2022-07-21 17:21:08.360126] INFO: moduleinvoker: input_features.v1 运行完成[0.030088s].

[2022-07-21 17:21:08.414069] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-07-21 17:21:09.577045] INFO: derived_feature_extractor: 提取完成 double_low = close + bond_prem_ratio # 双低价, 0.003s

[2022-07-21 17:21:09.586557] INFO: derived_feature_extractor: 提取完成 remain_size > 1.5 # 剩余规模, 0.007s

[2022-07-21 17:21:10.704568] INFO: derived_feature_extractor: /data, 48721

[2022-07-21 17:21:10.933624] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[2.51954s].

[2022-07-21 17:21:10.989241] INFO: moduleinvoker: cached.v3 开始运行..

[2022-07-21 17:21:11.626055] INFO: moduleinvoker: cached.v3 运行完成[0.636831s].

[2022-07-21 17:21:11.651690] INFO: moduleinvoker: join.v3 开始运行..

[2022-07-21 17:21:12.168884] INFO: join: /data, 行数=48721/2569, 耗时=0.143173s

[2022-07-21 17:21:12.261535] INFO: join: 最终行数: 48721

[2022-07-21 17:21:12.290988] INFO: moduleinvoker: join.v3 运行完成[0.639286s].

[2022-07-21 17:21:12.337417] INFO: moduleinvoker: cached.v3 开始运行..

[2022-07-21 17:21:12.767617] INFO: moduleinvoker: cached.v3 运行完成[0.430219s].

[2022-07-21 17:21:12.816377] INFO: moduleinvoker: filter.v3 开始运行..

[2022-07-21 17:21:12.930042] INFO: filter: 使用表达式 date[2022-07-21 17:21:13.302832] INFO: filter: 过滤 /data, 22204/26517/48721
[2022-07-21 17:21:13.388361] INFO: moduleinvoker: filter.v3 运行完成[0.571976s].
[2022-07-21 17:21:13.449657] INFO: moduleinvoker: hfbacktest.v1 开始运行..
[2022-07-21 17:21:13.458495] INFO: hfbacktest: biglearning V1.4.14
[2022-07-21 17:21:13.463283] INFO: hfbacktest: bigtrader v1.9.7 2022-07-11
[2022-07-21 17:21:13.509585] INFO: moduleinvoker: cached.v2 开始运行..
[2022-07-21 17:21:13.836785] INFO: moduleinvoker: cached.v2 运行完成[0.327205s].
[2022-07-21 17:21:14.067474] INFO: moduleinvoker: cached.v2 开始运行..
[2022-07-21 17:21:15.378715] INFO: moduleinvoker: cached.v2 运行完成[1.311242s].
[2022-07-21 17:21:16.849263] ERROR: moduleinvoker: module name: hfbacktest, module version: v1, trackeback: TypeError: 'NoneType' object is not iterable
[2022-07-21 17:21:16.861232] ERROR: moduleinvoker: module name: hftrade, module version: v2, trackeback: TypeError: 'NoneType' object is not iterable

---------- 2022-01-17
---------- 2022-01-18
---------- 2022-01-19
---------- 2022-01-20
---------- 2022-01-21

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-114-0f056b8e46c2> in <module>
    229 )
    230 
--> 231 m8 = M.hftrade.v2(
    232     instruments=m9.instrument_list,
    233     options_data=m11.data,

TypeError: 'NoneType' object is not iterable

In [ ]:

m11.data.read()

In [ ]:

m10.data_1.read()

In [ ]:

m3.data.read()