版本 v1.0
金叉死叉策略其实就是双均线策略。策略思想是：当短期均线上穿长期均线时，形成金叉，此时买入股票。当短期均线下穿长期均线时，形成死叉，此时卖出股票。研究表明，双均线系统虽然简单，但只要严格执行，也能长期盈利。
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。
当短期均线上穿长期均线时，形成金叉，此时买入股票。当短期均线下穿长期均线时，形成死叉，此时卖出股票。
通过 trade 模块中的初始化函数定义交易手续费。 通过 trade 模块中的主函数(handle函数)形成金叉买入股票；形成死叉卖出股票。并打印交易日志。
# 本代码由可视化策略环境自动生成 2023年5月24日 18:30
# 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。
# 显式导入 BigQuant 相关 SDK 模块
from bigdatasource.api import DataSource
from biglearning.api import M
from biglearning.api import tools as T
from biglearning.module2.common.data import Outputs
from zipline.finance.commission import PerOrder
# 回测引擎：初始化函数，只执行一次
def m2_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))
# 回测引擎：每日数据处理函数，每天执行一次
def m2_handle_data_bigquant_run(context, data):
# 按日期过滤得到今日的预测数据
options_data = context.ranker_prediction[context.ranker_prediction.date == data.current_dt.strftime('%Y-%m-%d')]
# 标的为字符串格式
sid = context.symbol(context.instruments[0])# 标的为字符串格式
price = data.current(sid, 'price') # 最新价格
cash = context.portfolio.cash # 现金
cur_position = context.portfolio.positions[sid].amount # 持仓
short_mavg = options_data['mean5'].values # 短期均线值
long_mavg = options_data['mean50'].values # 长期均线值
#交易逻辑
# 如果短期均线大于长期均线形成金叉，并且没有持仓，并且该股票可以交易
if short_mavg > long_mavg and cur_position == 0 and data.can_trade(sid):
context.order(sid, int(cash/price/100)*100) # 买入
print('{}全仓买入{}股票'.format(data.current_dt.strftime('%Y-%m-%d'),sid.symbol))
# 如果短期均线小于长期均线形成死叉，并且有持仓，并且该股票可以交易
elif short_mavg < long_mavg and cur_position > 0 and data.can_trade(sid):
context.order_target_percent(sid, 0) # 全部卖出
print('{}卖出{}股票'.format(data.current_dt.strftime('%Y-%m-%d'),sid.symbol))
# 回测引擎：准备数据，只执行一次
def m2_prepare_bigquant_run(context):
pass
# 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 m2_before_trading_start_bigquant_run(context, data):
pass
m1 = M.instruments.v2(
start_date='2017-11-24',
end_date='2021-11-24',
market='CN_STOCK_A',
instrument_list='600519.SHA',
max_count=0
)
m3 = 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
mean5=mean(close_0,5)
mean50=mean(close_0,50)"""
)
m4 = M.general_feature_extractor.v7(
instruments=m1.data,
features=m3.data,
start_date='',
end_date='',
before_start_days=90
)
m5 = M.derived_feature_extractor.v3(
input_data=m4.data,
features=m3.data,
date_col='date',
instrument_col='instrument',
drop_na=True,
remove_extra_columns=False,
user_functions={}
)
m2 = M.trade.v4(
instruments=m1.data,
options_data=m5.data,
start_date='',
end_date='',
initialize=m2_initialize_bigquant_run,
handle_data=m2_handle_data_bigquant_run,
prepare=m2_prepare_bigquant_run,
before_trading_start=m2_before_trading_start_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='真实价格',
product_type='股票',
plot_charts=True,
backtest_only=False,
benchmark=''
)