自己做量化交易软件(43)小白量化实战16--利用小白量化金融模块在恒生PTrade交易系统(交易端)上仿大智慧指标回测及实战交易设计_ptrade量化回测策略

自己做量化交易软件(43)小白量化实战16–利用小白量化金融模块在恒生PTrade交易系统(交易端)上仿大智慧指标回测及实战交易设计

量化产品PTrade(Personalise Trade)交易系统采用事件驱动式回测平台，与聚宽量化平台类似的量化框架，内置Ta-lib金融模块，除了Ta-lib提供的金融指标外，用户无法直接使用仿大智慧自编公式，需要采用类似C++的算法来实现指标策略。
众所周知，Python如何使用C++的程序算法流程，包含大量嵌套循环，效率极其低下。以此方法实现的自编策略，回测1个月，可能需要数小时才能完成。因此在做设计策略时，尽量依赖C++的Python模块开发的numpy和pandas库实现，同样的回测工作，数十秒完成。
小白量化金融模块仿大智慧指标系统，主要依赖numpy库和pandas库，因此计算速度很快。此外后期版本将一些numpy库和pandas库没有的大智慧和通达信函数都转化为C++的Python模块，提高仿大智慧和仿通达信自编指标回测速度，也可以实现因子矩阵自编公式运算。目前是个别函数以Python代码实现的，使用这些函数调用，将降低回测速度，例如SMA(),WMA()，ZIG()等函数，这些是用纯Python代码实现的，因使用了嵌套循环计算，所以速度比较慢。后期计划都转化为C++的Python模块，达到与numpy库和pandas库一样的计算速度。
其他不多说了，下面直接给出PTrade(Personalise Trade)交易系统上自编公式MACD交易策略的实现代码，读者可以仿造此程序，替换为自己的自编指标公式，在PTrade上实现仿大智慧和仿通达信自编指标回测和实战交易。

import pandas as pd  
import numpy  as np


global CLOSE,LOW,HIGH,OPEN,VOL
global C,L,H,O,V
##从小白量化公式函数库中复制.
## 函数来源 HP_formula
def ABS(Series):  #绝对值 
    return abs(Series)

def SUM(Series, N):
    if N<=0:
        N=len(Series)
    sum_=pd.Series.rolling(Series, N).sum()
    return pd.Series(sum_,name='sums')
    

def EMA(Series, N):
    return pd.Series.ewm(Series, span=N, min_periods=N - 1, adjust=True).mean()

def HHV(Series, N):
    if N==0:
        return Series.cummax()
    else:
        return pd.Series(Series).rolling(N).max()

def LLV(Series, N):
    if N==0:
        return Series.cummin()
    else:
        return pd.Series(Series).rolling(N).min()

def CROSS(A, B):
    A2=np.array(A)
    var = np.where(A2<B, 1, 0)
    return (pd.Series(var, index=A.index).diff()<0).apply(int)


def IF(COND, V1, V2):
    var = np.where(COND, V1, V2)
    return pd.Series(var)

def REF(Series, N,sign=0):
    #sign=1表示保留数据,并延长序列
    if sign==1:
        for i in range(N):
            Series=Series.append(pd.Series([0],index=[len(Series)+1]))
    return Series.shift(N)


#来源于网上自编指标公式，或股票软件中公式源代码
#MACD 指数平滑移动平均线
def MACD(SHORT=12, LONG=26, M=9):
    """
    MACD 指数平滑移动平均线
    """
    DIFF = EMA(CLOSE, SHORT) - EMA(CLOSE, LONG)
    DEA = EMA(DIFF, M)
    MACD = (DIFF - DEA) * 2

    return DIFF,DEA,MACD

#Ptrade交易策略编写
def initialize(context):
    # 初始化此策略
    # 设置我们要操作的股票池, 这里我们只操作一支股票
    g.security = '600519.SS'
    set_universe(g.security)
    
#当五日均线高于十日均线时买入，当五日均线低于十日均线时卖出
def handle_data(context, data):
    global CLOSE,LOW,HIGH,OPEN,VOL
    security = g.security
    
    # 得到十日前的历史价格
    mydf= get_price(g.security, count=300, frequency='1d',fields=['open','close','low','high','volume'])
    
    #小白量化数据规格化
    mydf['date']=mydf.index
    mydf=mydf.reset_index(level=None, drop=True ,col_level=0, col_fill='')  
    CLOSE=mydf['close']
    LOW=mydf['low']
    HIGH=mydf['high']
    OPEN=mydf['open']
    VOL=mydf['volume']
   
    #计算MACD指标
    diff,dea,macd=MACD()
    mydf['diff']=diff
    mydf['dea']=dea
    mydf['macd']=macd
    
    #交易策略,仅供演示
    #买点:MACD指标diff上穿dea数值，并且diff小于0
    mydf['B']=CROSS(mydf['diff'],mydf['dea'])*IF(mydf['diff']<0,1,0)
    
    #卖点:MACD指标diff下穿dea数值
    mydf['S']=CROSS(mydf['dea'],mydf['diff'])

    # 取得昨天收盘价
    price = data[security]['close']

    # 得到当前资金余额
    cash = context.portfolio.cash
    
    # 如果出现买点
    if mydf['B'].iloc[-1] > 0:
        # 用所有 cash 买入股票
        order_value(security, cash)
        # 记录这次买入
        log.info("Buying %s" % (security))
        
    # 如果出现卖点
    elif mydf['S'].iloc[-1]>0 and get_position(security).amount > 0:
        # 全部卖出
        order_target(security, 0)
        # 记录这次卖出
        log.info("Selling %s" % (security))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120

程序回测结果如下图.

在PTrade交易软件上回测,如果没问题，能够赢利，可以直接启动策略交易进行交易实战。

请持续关注我的博客，我的进步，就是你的进步！