量化策略框架封装用法
由anthony_wan创建，最终由anthony_wan 被浏览 189 用户
\
本文将介绍
1.如何封装量化策略框架
2.提供多个预先封装好的量化策略框架
\
什么是策略框架？
说到量化，自然少不了策略。可能会有很多人认为A股中有很多不同的量化策略，实际上恰恰相反。就A股而言，可用的量化策略非常少。目前A股主流的量化策略只有2种，分别为筛选策略和多因子策略。值得注意的是，不同的因子构成的多因子策略其实仅是因子不同，但是依然使用相同的策略框架，所以我们依然认为这是一种策略。
就好像一个人出行，无论是开宝马汽车还是劳斯莱斯，无论汽车的动力来自电还是汽油，他的出行方式统称为驾车出行。
基于这个思想，我们就可以用固定的策略框架 + 不同的因子组合的方法实现快速完成复杂策略的目的。
以A股为例，目前可用的主流策略框架仅有以下两种：
1.筛选策略框架
筛选策略框架是量化爱好者最常用的策略框架。
例如最经典的小市值策略，往往就是获取基础数据以后，通过筛选条件，最终在剩下的股池通过市值因子排序而成的策略。
筛选策略框架的优点是简单，容易完成。
缺点也很明显，筛选策略很容易过拟合，所以当筛选条件过多时策略的泛化能力降低，实盘效果往往不如回测。
\
- 多因子策略框架
多因子策略框架是目前私募最常用的策略框架。
值得注意的是在因子合成的部分成熟机构往往会用多模型融合。
多因子策略的优点是稳定，且具有较强的泛化能力。通过滚动训练+机器学习的策略信号不太会过拟合，最终实盘和回测会更加接近。
多因子策略的缺点是维护起来相对复杂，且非常依赖有好的因子。
\
封装策略框架方法
1.点击资源管理器，点击新建文件。
2.建立一个以.py结尾的文件
这是一个简单的筛选策略框架。
将以下代码复制到py文件内
\
def mod1(*args, **kwargs):
import dai
from bigmodule import M
import pandas as pd
import numpy as np
sql = kwargs['sql']
holding_date = kwargs['holding_date']
num_stock = kwargs['num_stock']
df = dai.query(sql).df()
def m5_initialize_bigquant_run(context):
from bigtrader.finance.commission import PerOrder
# 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
# 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))
# 持有期/调仓周期，1天，3天，5天等
context.holding_days = holding_date
# 设置买入股票数量
context.target_hold_count = num_stock
# 每只股票的目标权重
context.target_percent_per_instrument = 1.0 / context.target_hold_count
def m5_before_trading_start_bigquant_run(context, data):
# 盘前处理，订阅行情等
pass
# @param(id="m5", name="handle_tick")
# 交易引擎：tick数据处理函数，每个tick执行一次
def m5_handle_tick_bigquant_run(context, tick):
pass
# @param(id="m5", name="handle_data")
def m5_handle_data_bigquant_run(context, data):
# 每 context.holding_days 个交易日调仓一次
if context.trading_day_index % context.holding_days != 0:
return
# 获取当前日期
current_date = data.current_dt.strftime("%Y-%m-%d")
# 获取当日数据
current_day_data = context.data[context.data["date"] == current_date]
# 取前10只
current_day_data.sort_values(by='factor',inplace=True,ascending=False)
current_day_data = current_day_data.head(context.target_hold_count)
len_ = len(current_day_data)
# 获取当日目标持有股票
target_hold_instruments = set(current_day_data["instrument"])
# 获取当前已持有股票
current_hold_instruments = set(context.get_account_positions().keys())
# 卖出不在目标持有列表中的股票
for instrument in current_hold_instruments - target_hold_instruments:
context.order_target_percent(instrument, 0)
# 买入目标持有列表中的股票
for instrument in target_hold_instruments - current_hold_instruments:
context.order_target_percent(instrument, 1/len_)
# @param(id="m5", name="handle_trade")
# 交易引擎：成交回报处理函数，每个成交发生时执行一次
def m5_handle_trade_bigquant_run(context, trade):
pass
# @param(id="m5", name="handle_order")
# 交易引擎：委托回报处理函数，每个委托变化时执行一次
def m5_handle_order_bigquant_run(context, order):
pass
# @param(id="m5", name="after_trading")
# 交易引擎：盘后处理函数，每日盘后执行一次
def m5_after_trading_bigquant_run(context, data):
pass
m5 = M.bigtrader.v22(
data=df,
start_date="""""",
end_date="""""",
initialize=m5_initialize_bigquant_run,
before_trading_start=m5_before_trading_start_bigquant_run,
handle_tick=m5_handle_tick_bigquant_run,
handle_data=m5_handle_data_bigquant_run,
handle_trade=m5_handle_trade_bigquant_run,
handle_order=m5_handle_order_bigquant_run,
after_trading=m5_after_trading_bigquant_run,
capital_base=999999,
frequency="""daily""",
product_type="""股票""",
rebalance_period_type="""月度交易日""",
rebalance_period_days="""1""",
rebalance_period_roll_forward=True,
backtest_engine_mode="""标准模式""",
before_start_days=0,
volume_limit=1,
order_price_field_buy="""open""",
order_price_field_sell="""open""",
benchmark="""沪深300指数""",
plot_charts=True,
debug=False,
backtest_only=False,
m_name="""m5""",
m_cached=False
)
return
\
使用方法
从py文件内import 函数
配置config文件，输入变量。
运行函数直接回测。
\
策略框架封装的好处
1.固定策略框架，尽量用代码方式实现，避免环境升级带来的bug
2.专注因子本身，专注可解释性收益。
3.固定框架，方便使用，仅需要配置config文件便可以开始回测，使用方式更加简洁。
\
本文评论过 30 会提供机器学习+滚动训练策略框架。
\