对于大部分人来说，量化交易是非常陌生与神秘的。本篇文章将带你入门量化交易，全文阅读约10分钟。
本篇文章内容摘要：
1.理解量化策略的基本框架。
2.十行代码完成双均线策略编写。
3.开启策略模拟交易，实时接收交易信号。
1.理解量化策略的基本框架
通常情况下，完整的量化交易策略至少需要确定两件事：
A.交易标的，即买什么；
B.确定交易时机，即怎么买卖。
让我们来设计一个简单完整的双均线量化交易策略:
策略交易标的：通策医疗；
策略交易时机：5日均线与20日均线金叉时，买入；5日均线与20日均线死叉时，卖出。
2.十行代码完成双均线策略
第一步：登录MindGo量化交易平台，导航栏上点击“我的策略”—“策略研究”，点击右上角蓝色按钮“+新建策略”，再点击已创建的策略进入策略编译器页面，如下：
第二步：理解量化交易策略框架对应的代码框架。
def init(context):
#初始化函数：确定交易标的
def handle_bar(context, bar_dict):
#定时运行函数：确定交易时机
框架理解：
1.def init(context)与def handle_bar(context, bar_dict)是两个函数，函数格式固定为：def 函数名（参数），其中def后面带空格键，函数末尾必须带冒号。
2.def init(context)函数是初始化函数，只运行一次，确定初始化条件；def handle_bar(context, bar_dict)函数是定时运行函数，平台默认该函数定时运行。日级策略，每日9：30；分钟级策略，交易期间内的每分钟。
3.“#”后面为注释内容，用于注释代码，便于编写和阅读。
第三步：确定交易标的：g.stock = '600763.SH'
温馨提示：
1.g是全局对象，该对象用于存放自定义参数。这里我们需要确定交易标的，即：g.stock = '600763.SH'
def init(context):
g.stock = '600763.SH'
def handle_bar(context, bar_dict):
#定时运行函数：确定交易时机
第四步：确定交易时机，即为：5日均线与20日均线金叉时，买入；5日均线与20日均线死叉时，卖出。 从交易时机出发，我们需要计算交易标的5日和20日均线，那么5、20日均线需要用历史行情数据的收盘价来计算。
整个流程即：获取历史行情20日的收盘价数据———计算5、20日均线———判断5、20日均线，进行买卖交易。
A.获取历史行情20日的收盘价数据：
1.找到函数历史数据函数：history()
2.填写函数参数，获取到数据：
i.交易标的，即：获取那个股票的数据。
ii.数据字段：['close']收盘价，即：获取那个数据。
iii.输入历史长度，即：获取多长时间的数据。
iv.获取数据的时间步长，即：获取日线级步长数据。
v.最终结果即为：history(g.stock, ['close'] , 20, '1d')
3.将获取到的数据储存，便于计算，即：price = history(g.stock, ['close'] , 20, '1d')
#获取证券过去20日的收盘价数据
price = history(g.stock, ['close'] , 20, '1d')
B.计算5、20日均线：
1.获取数据值，即：price.values。values可以直接获取储存中的数据值，格式为price.values。温馨提示：price是我们刚才获取的数据，但是数据有股票、时间、数值，我们直接用values获取值用于计算即可。
2.选取数据长度，即：price.values[-5:]。[]用于取值，我们之前获取20个数据，但5日均线只需要过去5日的收盘价，因此[-5:]即为获取倒数第五个到最后一个数据。温馨提示：
i.[:]是获取所有数据。
ii.[:x]是从第一个获取到第x个，不包括第x个。
iii.[x:y]是从第x个到第y个，包括x，但不包括y。
iv.[-x:]获取倒数第x个到最后一个数据。
3.计算均值，即price.values[-5:].mean()，赋值给MA5。同理MA20=price.values.mean()，即对所有值取平均，相当于MA20=close.values[:].mean()。
#计算5日均线和20日均线
MA20 = price.values.mean()
MA5 = price.values[-5:].mean()
C.判断5、20日均线，进行买卖交易：
1.if判断条件，即为 if MA5 > MA20:。温馨提示if判断函数的格式为if +添加判断+:,其中if后面必须带一个空格键，其次末尾必须带冒号。
2.当MA5大于MA20时，下单买入交易：
i.当触发MA5大于MA20时，我们需要买入股票，这时候我们可以使用order_target_percent下单函数，该函数以目标市值百分比下单。
ii.输入下单函数的参数，order_target_percent函数需要输入两个参数：
1.下单的股票，即为g.stock，我们之前将交易标的传入进去，可以直接用。
2.目标市值百分比，满仓即为1
#如果5日大于20日均线，则满仓买入
if MA5 > MA20:
order_target_percent(g.stock,1)
3.当MA5小于MA20时，下单卖出交易：
i.当触发MA5小于MA20时，我们需要卖出股票，这时候我们可以使用order_target下单函数，该函数以目标股数下单。
ii.输入下单函数的参数，order_target函数需要输入两个参数：
1.下单的股票，即为g.stock，我们之前将交易标的传入进去，可以直接用。
2.下单的目标股数，即0，因为我们需要将持仓股票卖出，卖到0股为止。
#如果5日小于20日均线，则清仓卖出
if MA20 > MA5:
order_target(g.stock,0)
最终结果：
# 初始化函数
def init(context):
#设置需要交易的股票
g.stock = '600763.SH'
#每日运行函数
def handle_bar(context, bar_dict):
#获取证券过去20日的收盘价数据
price = history(g.stock, ['close'] , 20, '1d')
#计算5日均线和20日均线
MA20 = price.values.mean()
MA5 = price.values[-5:].mean()
#如果5日大于20日均线，则满仓买入
if MA5 > MA20:
order_target_percent(g.stock,1)
#如果5日小于20日均线，则清仓卖出
if MA20 > MA5:
order_target(g.stock,0)
第五步 回测量化交易策略 通过以上4步，我们已经完成了量化交易策略编写，那么接下来我们需要进行量化交易策略回测。
A.首先，我们尝试去跑通整个历史行情，排查代码错误。
右上角设置回测历史长度，设置资金，设置交易频率。点击左上角“编译运行”按钮，右边出现量化交易策略在历史行情中的表现情况
B.当量化交易策略能跑通整个历史行情后，我们可以确定该代码正确无误，随后点击右上角蓝色按钮“进行回测”。页面跳转至回测页面，如下：
3.开启策略模拟交易，实时接收交易信号
完成策略回测后，可在右上角点击“开启仿真交易”，即可绑定模拟交易.
在模拟交易页面右侧，可开关信号推送，开启状态下，策略交易信号通过同花顺APP实时推送。
网友评论