# 本代码由可视化策略环境自动生成 2022年10月25日 15:47
# 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 m3_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 m3_handle_data_bigquant_run(context, data):
    # 获取今日的日期
    today = data.current_dt.strftime('%Y-%m-%d')  
    # 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 = {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,因为是早盘卖股票，需要记录卖出的股票市值并在买入下单前更新可用现金；
    # 如果是早盘买尾盘卖，则卖出时不需更新可用现金，因为尾盘卖出股票所得现金无法使用
    cash_for_buy = context.portfolio.cash    
    
    try:
        buy_stock = context.daily_stock_buy[today]  # 当日符合买入条件的股票
    except:
        buy_stock=[]  # 如果没有符合条件的股票，就设置为空
    
    try:
        sell_stock = context.daily_stock_sell[today]  # 当日符合卖出条件的股票
    except:
        sell_stock=[] # 如果没有符合条件的股票，就设置为空
    
    # 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 ]  
    # 需要调仓的股票：已有持仓且不符合卖出条件的股票
    stock_to_adjust=[ i for i in stock_hold_now if i not in sell_stock ]
    
    # 如果有卖出信号
    if len(stock_to_sell)>0:
        for instrument in stock_to_sell:
            sid = context.symbol(instrument) # 将标的转化为equity格式
            cur_position = context.portfolio.positions[sid].amount # 持仓
            if cur_position > 0 and data.can_trade(sid):
                context.order_target_percent(sid, 0) # 全部卖出 
                # 因为设置的是早盘卖出早盘买入，需要根据卖出的股票更新可用现金；如果设置尾盘卖出早盘买入，则不需更新可用现金(可以删除下面的语句)
                cash_for_buy += stock_hold_now[instrument]
    
    # 如果有买入信号/有持仓
    if len(stock_to_buy)+len(stock_to_adjust)>0:
        weight = 1/(len(stock_to_buy)+len(stock_to_adjust)) # 每只股票的比重为等资金比例持有
        for instrument in stock_to_buy+stock_to_adjust:
            sid = context.symbol(instrument) # 将标的转化为equity格式
            if  data.can_trade(sid):
                context.order_target_value(sid, weight*cash_for_buy) # 买入
# 回测引擎：准备数据，只执行一次
def m3_prepare_bigquant_run(context):
    # 加载预测数据
    df = context.options['data'].read_df()
#     print('df',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)

    # 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_stock_buy= df.groupby('date').apply(open_pos_con)
    # 每日卖出股票的数据框
    context.daily_stock_sell= df.groupby('date').apply(close_pos_con)

m1 = 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(mean(close_0,5)>mean(close_0,10),1,0)
sell_condition=where(mean(close_0,5)<mean(close_0,10),1,0)""",
    m_cached=False
)

# m2 = M.instruments.v2(
#     start_date=T.live_run_param('trading_date', '2022-09-27'),
#     end_date=T.live_run_param('trading_date', '2022-11-01'),
#     market='CN_STOCK_A',
#     instrument_list="""600519.SHA
# 600333.SHA""",
#     max_count=0
# )
m2 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2022-09-01'),
    end_date=T.live_run_param('trading_date', '2022-11-01'),
    market='CN_STOCK_A',
    instrument_list=
    ['000001.SZA',
 '000002.SZA',
 '000063.SZA',
 '000069.SZA',
 '000100.SZA',
 '000157.SZA',
 '000166.SZA',
 '000301.SZA',
 '000333.SZA',
 '000338.SZA',
 '000425.SZA',
 '000538.SZA',
 '000568.SZA',
 '000596.SZA',
 '000617.SZA',
 '000625.SZA',
 '000651.SZA',
 '000661.SZA',
 '000708.SZA',
 '000725.SZA',
 '000768.SZA',
 '000776.SZA',
 '000786.SZA',
 '000792.SZA',
 '000858.SZA',
 '000876.SZA',
 '000877.SZA',
 '000895.SZA',
 '000938.SZA',
 '000963.SZA',
 '000977.SZA',
 '001979.SZA',
 '002001.SZA',
 '002007.SZA',
 '002008.SZA',
 '002027.SZA',
 '002032.SZA',
 '002049.SZA',
 '002050.SZA',
 '002129.SZA',
 '002142.SZA',
 '002179.SZA',
 '002202.SZA',
 '002230.SZA',
 '002236.SZA',
 '002241.SZA',
 '002271.SZA',
 '002304.SZA',
 '002311.SZA',
 '002352.SZA',
 '002371.SZA',
 '002410.SZA',
 '002414.SZA',
 '002415.SZA',
 '002459.SZA',
 '002460.SZA',
 '002466.SZA',
 '002475.SZA',
 '002493.SZA',
 '002555.SZA',
 '002594.SZA',
 '002601.SZA',
 '002602.SZA',
 '002709.SZA',
 '002714.SZA',
 '002736.SZA',
 '002812.SZA',
 '002821.SZA',
 '002841.SZA',
 '002916.SZA',
 '002938.SZA',
 '003816.SZA',
 '300014.SZA',
 '300015.SZA',
 '300033.SZA',
 '300059.SZA',
 '300122.SZA',
 '300124.SZA',
 '300142.SZA',
 '300274.SZA',
 '300316.SZA',
 '300347.SZA',
 '300408.SZA',
 '300413.SZA',
 '300433.SZA',
 '300450.SZA',
 '300454.SZA',
 '300498.SZA',
 '300601.SZA',
 '300628.SZA',
 '300661.SZA',
 '300750.SZA',
 '300759.SZA',
 '300760.SZA',
 '300782.SZA',
 '300896.SZA',
 '300919.SZA',
 '300957.SZA',
 '300979.SZA',
 '300999.SZA'],
    max_count=0
)
#注意模拟盘需要与实盘绑定+'trading_date'
m7 = M.general_feature_extractor.v7(
    instruments=m2.data,
    features=m1.data,
    start_date='',
    end_date='',
    before_start_days=60
)

m8 = M.derived_feature_extractor.v3(
    input_data=m7.data,
    features=m1.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m4 = M.dropnan.v2(
    input_data=m8.data
)

m3 = M.trade.v4(
    instruments=m2.data,
    options_data=m4.data,
    start_date='',
    end_date='',
    initialize=m3_initialize_bigquant_run,
    handle_data=m3_handle_data_bigquant_run,
    prepare=m3_prepare_bigquant_run,
    volume_limit=0,
    order_price_field_buy='open',
    order_price_field_sell='open',
    capital_base=1000000,
    auto_cancel_non_tradable_orders=True,
    data_frequency='daily',
    price_type='前复权',
    product_type='股票',
    plot_charts=True,
    backtest_only=False,
    benchmark='000300.HIX'
)
# df = context.options['data'].read_df()
# df
# help(context.perf_tracker)

m3.get_attr

# 本代码由可视化策略环境自动生成 2022年10月25日 15:52
# 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。
pd.set_option('display.max_rows',None)

# 回测引擎：初始化函数，只执行一次
def m5_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 = 5
    
    # 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
    context.rebalance_days = 2
    
    # 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
#     print('context.extension',context.extension)
    if 'index' not in context.extension:
        context.extension['index'] = 0
#     print('context.extension',context.extension)
 
    

# 回测引擎：每日数据处理函数，每天执行一次
def m5_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:
#     if  context.extension['index'] % context.rebalance_days != 0:
#         return 
        
    # 当前的日期
    date = data.current_dt.strftime('%Y-%m-%d')
    print('date',date)

    cur_data = context.indicator_data[context.indicator_data['date'] == date]
#     print('cur_data',cur_data)
#     print('indicator_dat',context.indicator_dat)
    # 根据日期获取调仓需要买入的股票的列表
    stock_to_buy = list(cur_data.instrument[:context.stock_num])
#     print('stock_to_buy',stock_to_buy)
    # 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.symbol for equity in context.portfolio.positions]
#     print('stock_hold_now',stock_hold_now)
    # 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:
        # 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(stock)):
            # 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(stock), 0)

    # 如果当天没有买入的股票，就返回
    if len(stock_to_buy) == 0:
        return

    # 等权重买入 
    weight =  1 / len(stock_to_buy)
#     print('weight',weight)

    # 买入
    for stock in stock_to_buy:
        if data.can_trade(context.symbol(stock)):
            # 下单使得某只股票的持仓权重达到weight，因为
            # weight大于0,因此是等权重买入
            context.order_target_percent(context.symbol(stock), weight)
 
# 回测引擎：准备数据，只执行一次
def m5_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 m5_before_trading_start_bigquant_run(context, data):
    pass


m1 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2022-09-01'),
    end_date=T.live_run_param('trading_date', '2022-11-01'),
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m2 = M.input_features.v1(
    features="""market_cap_float_0
amount_0"""
)

m3 = M.general_feature_extractor.v7(
    instruments=m1.data,
    features=m2.data,
    start_date='',
    end_date='',
    before_start_days=1
)

m4 = M.sort.v4(
    input_ds=m3.data,
    sort_by='market_cap_float_0',
    group_by='instrument',
    keep_columns='--',
    ascending=True
)

m6 = M.filter.v3(
    input_data=m4.sorted_data,
    expr='amount_0 > 10000',
    output_left_data=False
)

m5 = M.trade.v4(
    instruments=m1.data,
    options_data=m6.data,
    start_date='',
    end_date='',
    initialize=m5_initialize_bigquant_run,
    handle_data=m5_handle_data_bigquant_run,
    prepare=m5_prepare_bigquant_run,
    before_trading_start=m5_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='前复权',
    product_type='股票',
    plot_charts=True,
    backtest_only=False,
    benchmark=''
)

m5.get_attr

# # 策略组合 
# m = M.multi_strategy_analysis.v3(
#     raw_perfs=[DataSource('b7615d75bae54e2d82eda37cb549896aT'), DataSource('ab8c541c8cd94e1aa26905de007b161eT') ],
#     weights=[1/3, 2/3]
# )
# # M.multi_strategy_analysis.v3

M.multi_strategy_analysis.v3(
    raw_perf_1=DataSource('f2a32208dbc04dfb98e0d4c849652e92T'),
    raw_perf_2=DataSource('8df6f1b69fa3498c940dc318e1dd91b1T'),
    raw_perfs_list='',
    weights_list='0.5,0.5'
)