资料网站怎么做,淮安专业做网站的公司,ui设计师个人优势,信息流推广主要具有哪两大优势创建更加复杂的自定义交易策略 使用交易策略类#xff0c;创建更复杂的自定义策略开始前的准备工作本节的目标继承Strategy类#xff0c;创建一个复杂的多因子选股策略策略和回测参数配置#xff0c;并开始回测 本节回顾 使用交易策略类#xff0c;创建更复杂的自定义策略 … 创建更加复杂的自定义交易策略 使用交易策略类创建更复杂的自定义策略开始前的准备工作本节的目标继承Strategy类创建一个复杂的多因子选股策略策略和回测参数配置并开始回测 本节回顾 使用交易策略类创建更复杂的自定义策略
qteasy是一个完全本地化部署和运行的量化交易分析工具包Github地址在这里并且可以通过pip安装
$ pip install qteasy -Uqteasy具备以下功能
金融数据的获取、清洗、存储以及处理、可视化、使用量化交易策略的创建并提供大量内置基本交易策略向量化的高速交易策略回测及交易结果评价交易策略参数的优化以及评价交易策略的部署、实盘运行
通过本系列教程您将会通过一系列的实际示例充分了解qteasy的主要功能以及使用方法。
开始前的准备工作
在开始本节教程前请先确保您已经掌握了下面的内容
安装、配置qteasy —— QTEASY教程1设置了一个本地数据源并已经将足够的历史数据下载到本地——QTEASY教程2学会创建交易员对象使用内置交易策略——QTEASY教程3学会使用混合器将多个简单策略混合成较为复杂的交易策略——QTEASY教程4了解自定策略的基础——QTEASY教程5 QTEASY教程6
在QTEASY文档中还能找到更多关于使用内置交易策略、创建自定义策略等等相关内容。对qteasy的基本使用方法还不熟悉的同学可以移步那里查看更多详细说明。
qteasy的内核被设计为一个兼顾高速执行以及足够的灵活性的框架理论上您可以实现您所设想的任何类型的交易策略。
同时qteasy的回测框架也做了相当多的特殊设计可以完全避免您无意中在交易策略中导入未来函数确保您的交易策略在回测时完全基于过去的数据同时也使用了很多预处理技术以及JIT技术对内核关键函数进行了编译以实现不亚于C语言的运行速度。
不过为了实现理论上无限可能的交易策略仅仅使用内置交易策略以及策略混合就不一定够用了一些特定的交易策略或者一些特别复杂的交易策略是无法通过内置策略混合而成的这就需要我们使用qteasy提供的Strategy基类基于一定的规则创建一个自定义交易策略了。
本节的目标
在本节中我们将介绍qteasy的交易策略基类通过一个具体的例子详细讲解如何基于这几个基类创建一个只属于您自己的交易策略。为了说明
继承Strategy类创建一个复杂的多因子选股策略
在这个例子中我们使用
import qteasy as qt
import numpy as npdef market_value_weighted(stock_return, mv, mv_cat, bp_cat, mv_target, bp_target): 根据mv_target和bp_target计算市值加权收益率在策略中调用此函数计算加权收益率sel (mv_cat mv_target) (bp_cat bp_target)mv_total np.nansum(mv[sel])mv_weight mv / mv_totalreturn_total np.nansum(stock_return[sel] * mv_weight[sel])return return_totalclass MultiFactors(qt.FactorSorter): 开始定义交易策略def __init__(self, pars: tuple (0.5, 0.3, 0.7)):交易策略的初始化参数super().__init__(parspars, par_count3, # 策略的可调参数有三个par_types[float, float, float], # 参数1:大小市值分类界限参数2:小/中bp分界线参数3中/大bp分界线par_range[(0.01, 0.99), (0.01, 0.49), (0.50, 0.99)],nameMultiFactor,description根据Fama-French三因子回归模型估算HS300成分股的alpha值选股,strategy_run_timingclose, # 在周期结束收盘时运行strategy_run_freqm, # 每月执行一次选股每周或每天都可以strategy_data_typespb, total_mv, close, # 执行选股需要用到的股票数据data_freqd, # 数据频率包括股票数据和参考数据window_length20, # 回测时的视窗长度为20天use_latest_data_cycleTrue, # 设置使用最新的数据reference_data_typesclose-000300.SH, # 选股需要用到市场收益率使用沪深300指数的收盘价计算因此设置HS300指数的收盘价作为参考数据传入max_sel_count10, # 最多选出10支股票sort_ascendingTrue, # 选择因子最小的股票conditionless, # 仅选择因子小于某个值的股票lbound0, # 仅选择因子小于0的股票ubound0, # 仅选择因子小于0的股票 )def realize(self, h, **kwargs): 策略的选股逻辑在realize()函数中定义size_gate_percentile, bp_small_percentile, bp_large_percentile self.pars# 读取投资组合的数据PB和total_MV的最新值pb h[:, -1, 0] # 当前所有股票的PB值mv h[:, -1, 1] # 当前所有股票的市值pre_close h[:, -2, 2] # 当前所有股票的前收盘价close h[:, -1, 2] # 当前所有股票的最新收盘价# 读取参考数据(r)market_pre_close r[-2, 0] # HS300的昨收价market_close r[-1, 0] # HS300的收盘价# 计算账面市值比为pb的倒数bp pb ** -1# 计算市值的50%的分位点,用于后面的分类size_gate np.nanquantile(mv, size_gate_percentile)# 计算账面市值比的30%和70%分位点,用于后面的分类bm_30_gate np.nanquantile(bp, bp_small_percentile)bm_70_gate np.nanquantile(bp, bp_large_percentile)# 计算每只股票的当日收益率stock_return pre_close / close - 1# 根据每只股票的账面市值比和市值给它们分配bp分类和mv分类# 市值小于size_gate的cat为1否则为2mv_cat np.ones_like(mv)mv_cat (mv size_gate).astype(float)# bp小于30%的cat为130%70%之间为2大于70%为3bp_cat np.ones_like(bp)bp_cat (bp bm_30_gate).astype(float)bp_cat (bp bm_70_gate).astype(float)# 获取小市值组合的市值加权组合收益率smb_s (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 1) market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 2) market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 3)) / 3# 获取大市值组合的市值加权组合收益率smb_b (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 1) market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 2) market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 3)) / 3smb smb_s - smb_b# 获取大账面市值比组合的市值加权组合收益率hml_b (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 3) market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 3)) / 2# 获取小账面市值比组合的市值加权组合收益率hml_s (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 1) market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 1)) / 2hml hml_b - hml_s# 计算市场收益率market_return market_pre_close / market_close - 1coff_pool []# 对每只股票进行回归获取其alpha值for rtn in stock_return:x np.array([[market_return, smb, hml, 1.0]])y np.array([[rtn]])# OLS估计系数coff np.linalg.lstsq(x, y)[0][3][0]coff_pool.append(coff)# 以alpha值为股票组合的选股因子执行选股factors np.array(coff_pool)return factors策略和回测参数配置并开始回测
定义好上面的策略之后就可以开始进行回测了我们需要在qteasy中创建一个交易员对象操作前面创建的策略
shares qt.filter_stock_codes(index000300.SH, date20190501) # 选择股票池包括2019年5月以来所有沪深300指数成分股
# 设置回测的运行参数
qt.config(mode1, # mode1表示回测模式invest_start20160405, # 回测开始日期invest_end20210201, # 回测结束日期asset_typeE, # 投资品种为股票asset_poolshares, # shares包含同期沪深300指数的成份股trade_batch_size100, # 买入批量为100股sell_batch_size1, # 卖出批量为整数股trade_logTrue, # 生成交易记录)# 开始策略的回测alpha MultiFactors() # 生成一个交易策略的实例名为alpha
op qt.Operator(alpha, signal_typePT) # 生成交易员对象操作alpha策略交易信号的类型为‘PT意思是生成的信号代表持仓比例例如1代表100%持有股票0.35表示持有股票占资产的35%
op.op_type stepwise # 运行模式为步进模式
op.set_blender(1.0*s0, close) # 交易策略混合方式只有一个策略不需要混合
op.run() # 开始运行本节回顾
