复制链接

克隆策略

In [4]:

# 本代码由可视化策略环境自动生成 2021年12月21日 18:01
# 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 m30_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    from sklearn.model_selection import train_test_split
    data = input_2.read()
    x_train, x_val, y_train, y_val = train_test_split(data["x"], data['y'])
    data_1 = DataSource.write_pickle({'x': x_train, 'y': y_train})
    data_2 = DataSource.write_pickle({'x': x_val, 'y': y_val})
    return Outputs(data_1=data_1, data_2=data_2, 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 m30_post_run_bigquant_run(outputs):
    return outputs

from tensorflow.keras.callbacks import EarlyStopping
m6_earlystop_bigquant_run=EarlyStopping(monitor='val_mse', min_delta=0.0001, patience=10)
# 用户的自定义层需要写到字典中，比如
# {
#   "MyLayer": MyLayer
# }
m6_custom_objects_bigquant_run = {
    
}

# 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 m33_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    pred_label = input_1.read_pickle()
    df = input_2.read_df()
    df = pd.DataFrame({'pred_label':pred_label[:,0], 'instrument':df.instrument, 'date':df.date})
    df.sort_values(['date','pred_label'],inplace=True, ascending=[True,False])
    return Outputs(data_1=DataSource.write_df(df), 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 m33_post_run_bigquant_run(outputs):
    return outputs

# 回测引擎：初始化函数，只执行一次
def m32_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=0.00016, sell_cost=0.00116, 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 = 3
    # 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 = [0.3, 0.2, 0.2]
    # 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 m32_handle_data_bigquant_run(context, data):
    
   #------------------------------------------止损模块START--------------------------------------------
    date = data.current_dt.strftime('%Y-%m-%d')
    positions = {e.symbol: p.cost_basis  for e, p in context.portfolio.positions.items()}
    # 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
    current_stoploss_stock = [] 
    if len(positions) > 0:
        for i in positions.keys():
            stock_cost = positions[i] 
            stock_market_price = data.current(context.symbol(i), 'price') 
            # 亏5%就止损
            if (stock_market_price - stock_cost) / stock_cost <= -0.05:   
                context.order_target_percent(context.symbol(i),0)     
                current_stoploss_stock.append(i)
                print('日期：',date,'股票：',i,'出现止损状况')
    #-------------------------------------------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()}

    # 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:
            
           #----------这里加入股票判断，如果已经止盈/止损了就跳过此股票，避免二次卖出--------
            if instrument in current_stoploss_stock:
                continue
           #----------------------------------------------------------------------------------------
            
            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:
            price = data.current(context.symbol(instrument), 'price')  # 最新价格
            stock_num = np.floor(cash/price/100)*100  # 向下取整
            context.order(context.symbol(instrument), stock_num) # 整百下单
# 回测引擎：准备数据，只执行一次
def m32_prepare_bigquant_run(context):
    pass


m3 = M.dl_layer_input.v1(
    shape='3,4',
    batch_shape='',
    dtype='float32',
    sparse=False,
    name=''
)

m4 = M.dl_layer_lstm.v1(
    inputs=m3.data,
    units=8,
    activation='tanh',
    recurrent_activation='hard_sigmoid',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    recurrent_initializer='Orthogonal',
    bias_initializer='Zeros',
    unit_forget_bias=True,
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    recurrent_regularizer='None',
    recurrent_regularizer_l1=0,
    recurrent_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    recurrent_constraint='None',
    bias_constraint='None',
    dropout=0,
    recurrent_dropout=0,
    return_sequences=False,
    implementation='2',
    name=''
)

m11 = M.dl_layer_dropout.v1(
    inputs=m4.data,
    rate=0.1,
    noise_shape='',
    name=''
)

m10 = M.dl_layer_dense.v1(
    inputs=m11.data,
    units=8,
    activation='relu',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='Zeros',
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    bias_constraint='None',
    name=''
)

m9 = M.dl_layer_dense.v1(
    inputs=m10.data,
    units=1,
    activation='linear',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='Zeros',
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    bias_constraint='None',
    name=''
)

m5 = M.dl_model_init.v1(
    inputs=m3.data,
    outputs=m9.data
)

m8 = M.input_features.v1(
    features="""close_0
low_0
open_0
return_0
"""
)

m24 = M.instruments.v2(
    start_date='2010-01-01',
    end_date='2010-03-31',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m21 = M.advanced_auto_labeler.v2(
    instruments=m24.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：2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, -2) / shift(open, -1)-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=False,
    user_functions={}
)

m2 = M.standardlize.v9(
    input_1=m21.data,
    standard_func='ZScoreNorm',
    columns_input='label'
)

m22 = M.general_feature_extractor.v7(
    instruments=m24.data,
    features=m8.data,
    start_date='',
    end_date='',
    before_start_days=0
)

m23 = M.derived_feature_extractor.v3(
    input_data=m22.data,
    features=m8.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=True,
    remove_extra_columns=False,
    user_functions={}
)

m15 = M.filter.v3(
    input_data=m23.data,
    expr='return_0>0',
    output_left_data=False
)

m12 = M.standardlize.v9(
    input_1=m15.data,
    input_2=m8.data,
    standard_func='ZScoreNorm',
    columns_input=''
)

m20 = M.dropnan.v2(
    input_data=m12.data,
    features=m8.data
)

m17 = M.join.v3(
    data1=m2.data,
    data2=m20.data,
    on='date,instrument',
    how='inner',
    sort=True
)

m1 = M.dl_convert_to_bin.v2(
    input_data=m17.data,
    features=m8.data,
    window_size=3,
    feature_clip=5,
    flatten=False,
    window_along_col='instrument'
)

m30 = M.cached.v3(
    input_2=m1.data,
    run=m30_run_bigquant_run,
    post_run=m30_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m6 = M.dl_model_train.v1(
    input_model=m5.data,
    training_data=m30.data_1,
    validation_data=m30.data_2,
    optimizer='Adam',
    loss='mean_squared_error',
    metrics='mse',
    batch_size=1024,
    epochs=3,
    earlystop=m6_earlystop_bigquant_run,
    custom_objects=m6_custom_objects_bigquant_run,
    n_gpus=0,
    verbose='2:每个epoch输出一行记录'
)

m28 = M.instruments.v2(
    start_date='2021-01-01',
    end_date='2021-01-30',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m16 = M.general_feature_extractor.v7(
    instruments=m28.data,
    features=m8.data,
    start_date='',
    end_date='',
    before_start_days=365
)

m26 = M.derived_feature_extractor.v3(
    input_data=m16.data,
    features=m8.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=True,
    remove_extra_columns=False,
    user_functions={}
)

m19 = M.filter.v3(
    input_data=m26.data,
    expr='return_0>0',
    output_left_data=False
)

m29 = M.standardlize.v9(
    input_1=m19.data,
    input_2=m8.data,
    standard_func='ZScoreNorm',
    columns_input=''
)

m18 = M.dropnan.v2(
    input_data=m29.data,
    features=m8.data
)

m27 = M.dl_convert_to_bin.v2(
    input_data=m18.data,
    features=m8.data,
    window_size=3,
    feature_clip=5,
    flatten=False,
    window_along_col='instrument'
)

m7 = M.dl_model_predict.v1(
    trained_model=m6.data,
    input_data=m27.data,
    batch_size=1024,
    n_gpus=0,
    verbose='2:每个epoch输出一行记录'
)

m33 = M.cached.v3(
    input_1=m7.data,
    input_2=m29.data,
    run=m33_run_bigquant_run,
    post_run=m33_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m32 = M.trade.v4(
    instruments=m28.data,
    options_data=m33.data_1,
    start_date='',
    end_date='',
    initialize=m32_initialize_bigquant_run,
    handle_data=m32_handle_data_bigquant_run,
    prepare=m32_prepare_bigquant_run,
    volume_limit=0.025,
    order_price_field_buy='open',
    order_price_field_sell='close',
    capital_base=100000,
    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.SHA'
)

[2021-12-21 18:00:23.647848] INFO: moduleinvoker: dl_layer_input.v1 运行完成[0.081012s].

[2021-12-21 18:00:24.298466] INFO: moduleinvoker: dl_layer_lstm.v1 运行完成[0.631551s].

[2021-12-21 18:00:24.328663] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.015423s].

[2021-12-21 18:00:24.355289] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.015706s].

[2021-12-21 18:00:24.383296] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.020762s].

[2021-12-21 18:00:24.479001] INFO: moduleinvoker: cached.v3 开始运行..

[2021-12-21 18:00:24.592100] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:24.594903] INFO: moduleinvoker: cached.v3 运行完成[0.11592s].

[2021-12-21 18:00:24.598893] INFO: moduleinvoker: dl_model_init.v1 运行完成[0.207111s].

[2021-12-21 18:00:24.626619] INFO: moduleinvoker: input_features.v1 开始运行..

[2021-12-21 18:00:24.640716] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:24.643674] INFO: moduleinvoker: input_features.v1 运行完成[0.017077s].

[2021-12-21 18:00:24.652027] INFO: moduleinvoker: instruments.v2 开始运行..

[2021-12-21 18:00:24.691489] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:24.694427] INFO: moduleinvoker: instruments.v2 运行完成[0.042392s].

[2021-12-21 18:00:24.706928] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2021-12-21 18:00:24.717491] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:24.719878] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.01295s].

[2021-12-21 18:00:24.728709] INFO: moduleinvoker: standardlize.v9 开始运行..

[2021-12-21 18:00:24.742084] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:24.743934] INFO: moduleinvoker: standardlize.v9 运行完成[0.015227s].

[2021-12-21 18:00:24.798296] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2021-12-21 18:00:24.813154] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:24.815341] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.01707s].

[2021-12-21 18:00:24.825415] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2021-12-21 18:00:24.865861] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:24.868364] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.042945s].

[2021-12-21 18:00:24.879532] INFO: moduleinvoker: filter.v3 开始运行..

[2021-12-21 18:00:24.889979] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:24.892434] INFO: moduleinvoker: filter.v3 运行完成[0.012905s].

[2021-12-21 18:00:24.910242] INFO: moduleinvoker: standardlize.v9 开始运行..

[2021-12-21 18:00:24.923205] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:24.925536] INFO: moduleinvoker: standardlize.v9 运行完成[0.015315s].

[2021-12-21 18:00:24.937271] INFO: moduleinvoker: dropnan.v2 开始运行..

[2021-12-21 18:00:24.949542] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:24.951716] INFO: moduleinvoker: dropnan.v2 运行完成[0.014447s].

[2021-12-21 18:00:24.964317] INFO: moduleinvoker: join.v3 开始运行..

[2021-12-21 18:00:24.976286] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:24.978654] INFO: moduleinvoker: join.v3 运行完成[0.014349s].

[2021-12-21 18:00:24.996346] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2021-12-21 18:00:25.008395] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:25.011005] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.014692s].

[2021-12-21 18:00:25.030439] INFO: moduleinvoker: cached.v3 开始运行..

[2021-12-21 18:00:25.055794] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:25.060097] INFO: moduleinvoker: cached.v3 运行完成[0.02969s].

[2021-12-21 18:00:25.075884] INFO: moduleinvoker: dl_model_train.v1 开始运行..

[2021-12-21 18:00:25.095336] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:25.098773] INFO: moduleinvoker: dl_model_train.v1 运行完成[0.022918s].

[2021-12-21 18:00:25.114436] INFO: moduleinvoker: instruments.v2 开始运行..

[2021-12-21 18:00:25.126954] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:25.129317] INFO: moduleinvoker: instruments.v2 运行完成[0.014883s].

[2021-12-21 18:00:25.147562] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2021-12-21 18:00:25.202111] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:25.204362] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.056806s].

[2021-12-21 18:00:25.214745] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2021-12-21 18:00:25.232208] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:25.234945] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.020202s].

[2021-12-21 18:00:25.244600] INFO: moduleinvoker: filter.v3 开始运行..

[2021-12-21 18:00:25.257483] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:25.259189] INFO: moduleinvoker: filter.v3 运行完成[0.014596s].

[2021-12-21 18:00:25.266346] INFO: moduleinvoker: standardlize.v9 开始运行..

[2021-12-21 18:00:25.277189] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:25.279035] INFO: moduleinvoker: standardlize.v9 运行完成[0.012681s].

[2021-12-21 18:00:25.290663] INFO: moduleinvoker: dropnan.v2 开始运行..

[2021-12-21 18:00:25.299843] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:25.302413] INFO: moduleinvoker: dropnan.v2 运行完成[0.011742s].

[2021-12-21 18:00:25.334962] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2021-12-21 18:00:25.347652] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:25.349717] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.014784s].

[2021-12-21 18:00:25.355770] INFO: moduleinvoker: dl_model_predict.v1 开始运行..

[2021-12-21 18:00:25.369697] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:25.373503] INFO: moduleinvoker: dl_model_predict.v1 运行完成[0.017729s].

[2021-12-21 18:00:25.392832] INFO: moduleinvoker: cached.v3 开始运行..

[2021-12-21 18:00:52.280645] INFO: moduleinvoker: cached.v3 运行完成[26.887796s].

[2021-12-21 18:00:52.487869] INFO: moduleinvoker: backtest.v8 开始运行..

[2021-12-21 18:00:52.494900] INFO: backtest: biglearning backtest:V8.6.0

[2021-12-21 18:00:52.496876] INFO: backtest: product_type:stock by specified

[2021-12-21 18:00:52.700896] INFO: moduleinvoker: cached.v2 开始运行..

[2021-12-21 18:00:52.714344] INFO: moduleinvoker: 命中缓存

[2021-12-21 18:00:52.716630] INFO: moduleinvoker: cached.v2 运行完成[0.015764s].

[2021-12-21 18:00:55.037595] INFO: algo: TradingAlgorithm V1.8.6

[2021-12-21 18:00:55.606813] INFO: algo: trading transform...

[2021-12-21 18:00:56.549055] INFO: Performance: Simulated 20 trading days out of 20.

[2021-12-21 18:00:56.551755] INFO: Performance: first open: 2021-01-04 09:30:00+00:00

[2021-12-21 18:00:56.553750] INFO: Performance: last close: 2021-01-29 15:00:00+00:00

[2021-12-21 18:01:00.770347] INFO: moduleinvoker: backtest.v8 运行完成[8.282456s].

[2021-12-21 18:01:00.773259] INFO: moduleinvoker: trade.v4 运行完成[8.450918s].

DataSource(fe838231cf0d417b8130a350da452cc5T)

日期： 2021-01-07 股票： 605186.SHA 出现止损状况
日期： 2021-01-07 股票： 300506.SZA 出现止损状况
日期： 2021-01-07 股票： 000606.SZA 出现止损状况
日期： 2021-01-07 股票： 603665.SHA 出现止损状况
日期： 2021-01-08 股票： 605155.SHA 出现止损状况
日期： 2021-01-11 股票： 300064.SZA 出现止损状况
日期： 2021-01-11 股票： 000007.SZA 出现止损状况
日期： 2021-01-12 股票： 002781.SZA 出现止损状况
日期： 2021-01-12 股票： 000007.SZA 出现止损状况
日期： 2021-01-12 股票： 003029.SZA 出现止损状况
日期： 2021-01-13 股票： 002455.SZA 出现止损状况
日期： 2021-01-14 股票： 601375.SHA 出现止损状况
日期： 2021-01-14 股票： 003028.SZA 出现止损状况
日期： 2021-01-14 股票： 300489.SZA 出现止损状况
日期： 2021-01-19 股票： 605179.SHA 出现止损状况
日期： 2021-01-22 股票： 000702.SZA 出现止损状况
日期： 2021-01-22 股票： 002071.SZA 出现止损状况
日期： 2021-01-25 股票： 002071.SZA 出现止损状况
日期： 2021-01-25 股票： 002633.SZA 出现止损状况
日期： 2021-01-25 股票： 603607.SHA 出现止损状况
日期： 2021-01-25 股票： 300465.SZA 出现止损状况
日期： 2021-01-26 股票： 002071.SZA 出现止损状况
日期： 2021-01-26 股票： 300038.SZA 出现止损状况
日期： 2021-01-26 股票： 001896.SZA 出现止损状况
日期： 2021-01-27 股票： 002071.SZA 出现止损状况
日期： 2021-01-27 股票： 002813.SZA 出现止损状况
日期： 2021-01-27 股票： 600086.SHA 出现止损状况
日期： 2021-01-28 股票： 000570.SZA 出现止损状况
日期： 2021-01-28 股票： 002071.SZA 出现止损状况
日期： 2021-01-28 股票： 600086.SHA 出现止损状况
日期： 2021-01-29 股票： 002071.SZA 出现止损状况
日期： 2021-01-29 股票： 600086.SHA 出现止损状况
日期： 2021-01-29 股票： 000903.SZA 出现止损状况
日期： 2021-01-29 股票： 300641.SZA 出现止损状况
日期： 2021-01-29 股票： 002943.SZA 出现止损状况
日期： 2021-01-29 股票： 002370.SZA 出现止损状况

收益率-9.18%
年化收益率-70.28%
基准收益率2.7%
阿尔法-0.73
贝塔0.26
夏普比率-4.97
胜率0.35
盈亏比1.25
收益波动率24.38%
信息比率-0.33
最大回撤9.8%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-01c4259f3dad4e508fb666903d917035"}/bigcharts-data-end