Name	Name	Last commit message	Last commit date
parent directory ..
img	img
README.md	README.md

详细代码请查看：https://github.com/charliedream1/ai_quant_trade

文末将附上对应代码压缩文件包，以及聚宽对应代码样例。

如果喜欢本项目，或希望随时关注动态，请给我点个赞吧 (Github页面右上角的小星星)，欢迎分享到社区! 如果发现代码中的bug，欢迎留言或在github提交issues。

为什么需要本地交易平台？

通过在线平台确实可以帮助我们快速的获取高质量数据，以及验证自己的策略，并得到详细的回测结果。在线平台中，现成的数据获取和回测评估，可以节约我们大量的时间，但是使用本地平台也是不可或缺的。本地平台主要有以下优点：

方便调试，以及代码管理
本地资源充足，在线平台资源有限，跑机器学习类模型非常吃力
本地平台方便定制化，不再是黑盒使用
隐私管理较好，方便进行实盘

如何在本地构建一个自己的量化交易平台。我将分成如下几章进行讲解：

数据获取篇(见上一篇文章)
基于双均线策略的本地回测框架(本篇将重点介绍)
回测及风险评估指标(请关注后续的文章)
机器学习/深度学习类策略(请关注后续的文章)

1. 使用简介

1.1 获取代码并安装必须的python库

安装所需Python包
下载仓库代码，并通过如下命令安装所需库：

pip install requirements.txt

风险指标计算ta_lib包安装
其中，如果ta_lib安装不成功，可以通过如下方法进行安装：

pip install TA-Lib

上述方法很容易出现安装错误

可以通过网站 https://www.lfd.uci.edu/~gohlke/pythonlibs/
按Ctrl+F搜索ta-lib，选择对应的平台安装包，离线安装
注意windows下和linux下的斜杠不同

cd download
pip install .\TA_Lib-0.4.24-cp38-cp38-win_amd64.whl

数据获取包安装
目前本仓库采纳tushare pro进行数据获取（后续也将加入其它数据接口） Tushare网址: https://tushare.pro/ 安装

pip install tushare

注：如果大量调用，或需要获取更详细的信息，需要付费

旧版本接口将不再维护，建议使用新接口Tushare Pro (需要注册获取token)
注册后在右上角用户头像--》个人主页--》获取token
如果没有缴费加入会员，很多接口都无法调用(每个接口调用需要的积分数，请查看接口文档)

1.2 运行样例程序

进入策略样例列表：egs_local_strategies->rules->double_ma
在conf/double_ma.yaml中配置回测条件，在stock_lst中设置待选择的股票，并设置回测日期
配置tushare的token: 在quant_brain->fetch_data->get_tushare_data.py 的头文件中，将“from data.private.tushare_token import tushare_token”替换为“tushare_token = 'xxxx'”个人申请注册的token
运行回测脚本，之后在日志中可以查看风险指标，并可以得到交易K线图

python back_tester.py --debug_off --config conf/double_ma.yaml

输出文件

通过tushare获取的数据将按照日期+股票代码的格式作为文件名以csv格式存储在data目录下。
绘制的交易曲线图，以及风控指标csv文件将存储在exp文件夹下。

2. 回测框架构

核心代码可以在quant_brain中进行查看。主体结构如下：

通过yaml配置回测条件，手工设置股票池待选股票及回测周期
初始化：(1) 通过tushare获取股票数据 (2) 初始化账户信息
回测流程：按照日期和股票双循环遍历，计算长短周期均线，获取卖出买入信号，更新账户信息
计算风险指标以及绘图

2.1 数据及选股

2.1.1 数据获取

通过tushare pro获取数据

import tushare as ts
import datetime
# replace below with your token and comment my import
# tushare_token = 'xxxx'
from data.private.tushare_token import tushare_token

# initialize api
ts.set_token(tushare_token)
ts_pro = ts.pro_api()

# query date setting
# date type is year-month-day
today = datetime.date.today()
yesterday = today - datetime.timedelta(days = 1)
five_days_ago = today - datetime.timedelta(days = 5)
# change date type to YearMonthDay
yesterday = yesterday.strftime("%Y%m%d")
five_days_ago = five_days_ago.strftime("%Y%m%d")

# request data，中国平安: 601318.SH, date type require is: YearMonthDay
# api website: https://tushare.pro/document/2?doc_id=27
# !!! 警告：未复权，如果是复权请用 通用行情接口
df = ts_pro.query('daily', ts_code='601318.SH',
                    start_date=five_days_ago, end_date=yesterday)
df.head()

每一列数据的含义如下：

名称	类型	描述
ts_code	str	股票代码
trade_date	str	交易日期
open	float	开盘价
high	float	最高价
low	float	最低价
close	float	收盘价
pre_close	float	昨收价
change	float	涨跌额
pct_chg	float	涨跌幅（未复权，如果是复权请用通用行情接口）
vol	float	成交量（手）
amount	float	成交额（千元）

[注：如果没有tushare的积分，大盘指数数据将无法获取，风险指标将跳过alpha和beta值的计算]

2.1.2 选股策略

当前策略采用人工选股，在conf/double_ma.yaml中配置回测条件，在stock_lst中设置待选择的股票。（注：后续将加入更多的自动选股策略）

2.2 择时策略

2.2.1 双均线策略

双均线策略是一种趋势跟踪类策略，作为基础入门类策略，容易理解，不管是否采用程序代码实现，都能快速上手使用。其原理也就是常说的通过捕捉金叉死叉信号组合来判断买点和卖点。趋势类策略一般适用于市场环境较好的时候。

知识点补充：均线计算，即用特定时间段的收盘价计算平均值，作为当天的均价。在信号处理中，也是一种滤波的手段，避免信号出现较大波动，过滤较大的跳变。

如上图，我们首先根据收盘价，计算2条均线，一条长周期均线（如20日，图中黄线），一条短周期均（如10日，图中蓝线）。如果短周期均线下穿长周期均线时，则意味着当前有下跌的趋势，此时适合卖出，即常说的死叉。反之，当短周期均线向上穿过长周期均线时，则意味着有上涨的趋势，此时适合买入，即所谓的金叉。

通过pandas快速计算均值。

df['ma_short'] = df['close'].rolling(window=self.test_conditions['ma_short']).mean()
df['ma_long'] = df['close'].rolling(window=self.test_conditions['ma_long']).mean()

通过双均线进行择时。

if ma_short >= ma_long and not hold:
    trade_type = 'buy'
elif ma_short < ma_long and hold:
    trade_type = 'sell'

2.2.2 账户信息刷新

通过账户类实时刷新账户信息。

class Account:
    def __init__(self, capital: int):
        # 1. dynamic changing info
        self.cash = capital  # available cash for trading
        self.total_capital = capital
        # stock id: {pos_num, price}, price for current price
        self.pos_dict = {}

        # 2. trading history log
        # historical trading of each stock
        # stock id: dataframe (detailed trading info)
        self.trade_dict = {}
        # each day's trading history (only log trading really happens)
        self.daily_trading_lst = []
        # overall trading info, make each day's trading as one
        self.pd_gather_trades = pd.DataFrame()
        # log total funds changing of each day even no trades happened on the day
        self.funds_chg_lst = []

2.2.3 其它费用计算

order_cost:
  close_tax: 0.001  # tax charged for selling
  open_commission: 0.0003  # purchase service fee
  close_commission: 0.0003  # selling service fee
  min_commission: 5  # minimum service fee for each trade
  slippage_fee: 0.0 #0.00246 # 0.00246  # fee difference between value and actual order
  # random: random pos or neg value, general: buy pos, sell neg
  slippage_type: general
  # calculate purchase number, 1 buy = 100 shares
  # minimum subscribe for 100 shares, multiple 100 is to 1 buy
  trade_lim: 100

2.3 回测评估

2.3.1 风险指标计算

策略收益：P是账户资金在一段时间内的变化。

(Pend - Pstart) / Pstart * 100%

年化收益：
如果测试周期小于1年，则是一个折算值，有可能比实际年化少，((1+P)^(250/n) - 1) * 100%，P是策略收益， n可以认为是交易日，一年250天
Beta：
衡量策略收益和基准收益的关系，常用上证指数作为基准，如果基准收益上涨1%，策略收益上涨1.5%，则Beta为1.5，反之为-1.5。如果市场状态良好，则越大越好，反之，越小越好。公式如下：

   Beta = Cov(Dp, Dm) / Var(Dm)

COV：协方差，Var：方差

Alpha:
非系统性风险，代表和市场波动无关的收益。比如，策略收益为20%，基准收益为10%，则Alpha为 10%。Alpha计算公式如下：

   Alpha = Rp - [Rf + Beta * (Rm - Rf)]

Rp: 策略年化收益
Rm：基准收益
Beta：上述3中计算的值
Rf: 无风险利率，可以银行定期存款利率作为基准，通常设为4%。

Sharp率：表示每承担一个风险所获得的无风险收益。值越大，表示承担越多风险，收益越大。反之亦然。通常，该值越大越好。计算公式如下：

    Sharp Ratio = (Rp - Rf) / Sigma(p)

Rp: 策略年化收益
Rf: 无风险利率，可以银行定期存款利率作为基准，通常设为4%。
Sigma(p): 策略收益的波动率(策略收益的年化标准差)

最大回撤：表示策略最大损失，该值越小越好。有些库采用正值，有些采用负值表示，都是一个意思。计算公式如下：

   max_draw_down = (Px-Py)/Px

Px, Py: 一段时间内资产的最高和最低值。

Sortino率：评估策略亏损的风险，比略越高越好。公式如下：

    Sortino Ratio = (Rp - Rf) / Sigma(d)

Rp: 策略年化收益
Rf: 无风险利率，可以银行定期存款利率作为基准，通常设为4%。
Sigma(p): 策略下行波动率

胜率：即获胜的概率，比如10次交易中8次是盈利的，那么胜率就是80%。
盈亏比在一段交易时间内，如果盈利12000，亏损8000，则比率为1.5。
最大连续亏损在一段交易时间内，连续亏损的最大值。

2.3.2 回测注意事项

回测和真是交易存在一定的差异，因此，只可能尽可能接近实际的模拟，但和真实存在一定差异，如：

概率性买入失败：真实交易可能存在涨跌停导致没有买入或卖出，而回测无法很好的模拟
滑点：由于价格快速实时波动，导致下单和实际成交价格存在差异，回测往往采用一个固定比率模拟
交易值：回测往往采取一天的收盘价或者平均价作为交易价格，与实际存在差异

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

文档教程

文档教程

README.md

1. 使用简介

1.1 获取代码并安装必须的python库

1.2 运行样例程序

2. 回测框架构

2.1 数据及选股

2.1.1 数据获取

2.1.2 选股策略

2.2 择时策略

2.2.1 双均线策略

2.2.2 账户信息刷新

2.2.3 其它费用计算

2.3 回测评估

2.3.1 风险指标计算

2.3.2 回测注意事项

Files

文档教程

Directory actions

More options

Directory actions

More options

Latest commit

History

文档教程

Folders and files

parent directory

README.md

1. 使用简介

1.1 获取代码并安装必须的python库

1.2 运行样例程序

2. 回测框架构

2.1 数据及选股

2.1.1 数据获取

2.1.2 选股策略

2.2 择时策略

2.2.1 双均线策略

2.2.2 账户信息刷新

2.2.3 其它费用计算

2.3 回测评估

2.3.1 风险指标计算

2.3.2 回测注意事项