量化交易之路——策略实践

上一节介绍了量化交易的工具以及基础研究，本文讲述了量化交易的策略实践，及其效果。

通过GPT4.0书写交易策略，零成本跨界金融编程领域。如果效果不理想，也可以让其分析盈透API返回的表格文件，从而优化参数（小心过拟合）。

免责声明：以下是我个人研究内容，代码由GPT生成，不代表任何投资建议，投资请谨慎。

个人代码库

Quant

快速入门

注册盈透账户，下载gateway
安装backtrader库（量化回测框架）
安装ib_insync库（对接盈透gateway，开发者老哥erdewit于2024年3月11日去世，RIP）
通过ib_insync文档或是使用GPT写一个样例SMA策略
运行，观察图表

常见框架推荐

backtrader 传统策略框架，本人先不上AI玄学，先用好传统框架。该框架由德国人开发，代码风格、结构和设计很适合学习。

qlib AI量化框架

IB Gateway对接

import backtrader as bt
from ib_insync import IB, Stock, util
import pandas as pd

class IBStore:
    def __init__(self, host='127.0.0.1', port=7497, clientId=1):
        self.ib = IB()
        self.ib.connect(host, port, clientId)

    # 默认回测一年，每一天为一个bar
    def get_data(self, symbol, durationStr='1 Y', barSizeSetting='1 day', whatToShow='MIDPOINT'):
        contract = Stock(symbol, 'SMART', 'USD')
        bars = self.ib.reqHistoricalData(
            contract, endDateTime='', durationStr=durationStr,
            barSizeSetting=barSizeSetting, whatToShow=whatToShow, useRTH=True)
        df = util.df(bars)
        # 输出csv，用于GPT解释或优化参数
        df.to_csv('~/' + symbol + '.csv', sep=',', index=False, header=True)
        return df
      
# 这里写策略类
# class SmaCross(bt.Strategy):
      
if __name__ == '__main__':
  	# 对接IB gateway API，端口改为IB gateway设置中的端口
    ibstore = IBStore('127.0.0.1', 4002, clientId=1)
    # 选股，建议多选几种走势的股票
    df = ibstore.get_data('NVDA') # NVDA单调递增
    # df = ibstore.get_data('AAPL') # AAPL波动剧烈

    # Ensure the 'date' column is in the correct datetime format
    df['date'] = pd.to_datetime(df['date'])
    df.set_index('date', inplace=True)

    # Load data into Backtrader
    data = bt.feeds.PandasData(dataname=df)

    # Initialize and run Cerebro
    cerebro = bt.Cerebro(stdstats=True, cheat_on_open=True, optreturn=False)
    cerebro.addstrategy(SmaCross) # 这里改为你的策略类名
    cerebro.broker.set_cash(100000) # 本金
    # cerebro.broker.setcommission(commission=0.001) #交易手续费
    cerebro.adddata(data)
    cerebro.run()
    cerebro.plot()

SMA策略

简介

SMA（简单的移动平均线），名字看上去就很简单，因此用这个策略入门能快速跑通一个回测流程。

SMA是选取过去一段时间内的收盘价作为数据，并对这些数据进行平均计算得到的。

例如，要计算证券的20 天SMA，将过去20天的收盘价相加，然后除以20。

同样，要计算证券的200天SMA，将过去200天的收盘价相加，然后除以200。

SMA的每个数据都有相同权重，但投资者可能认为当前数据比之前更重要，需要赋予更高的权重。因此更倾向于另一种形式的移动平均线，即EMA（指数移动平均线）。EMA可以在行情发生快速、剧烈波动时更具参考价值。

趋势识别

高于SMA的证券交易处于上升趋势，而低于SMA处于下降趋势。

也可以识别支撑位和阻力位。

交叉

上升交叉和下跌交叉

涉及SMA的投资策略一般是上升交叉和下跌交叉。

当证券价格低于SMA后回升到SMA上方时，就会产生上升交叉。代表回调结束，预示上升趋势的开始。反之为下跌交叉，代表开始回调。

然而在处于震荡的市场中，这个指标不太适用。

黄金交叉和死亡交叉

当短期SMA跨越长期SMA时，会出现黄金交叉。例如50天SMA跨越200天SMA时，黄金交叉就会出现，是一个看涨的信号。反之就是死亡交叉，即看跌信号。

当出现死亡交叉时，投资者可以考虑暂时撤出市场。（回想我购买的医药基金，明明死亡交叉了两年，还要头铁去赌……）

代码

由GPT4生成，注意为了简单说明，代码中当出现交叉时全仓买入和卖出。

class SmaCross(bt.Strategy):
    params = dict(pfast=13, pslow=25)

    # Define trading strategy
    def __init__(self):
        sma1 = bt.ind.SMA(period=self.p.pfast)
        sma2 = bt.ind.SMA(period=self.p.pslow)
        self.crossover = bt.ind.CrossOver(sma1, sma2)

        # Custom trade tracking
        self.trade_data = []

    # Execute trades
    def next(self):
        # Trading the entire portfolio
        size = int(self.broker.get_cash() / self.data.close[0])

        if not self.position:
            if self.crossover > 0:
                self.buy(size=size)
                self.entry_bar = len(self)  # Record entry bar index
        elif self.crossover < 0:
            self.close()

    # Record trade details
    def notify_trade(self, trade):
        if trade.isclosed:
            exit_bar = len(self)
            holding_period = exit_bar - self.entry_bar
            trade_record = {
                'entry': self.entry_bar,
                'exit': exit_bar,
                'duration': holding_period,
                'profit': trade.pnl
            }
            self.trade_data.append(trade_record)

    # Caclulating holding periods
    def stop(self):
        # Calculate and print average holding periods
        total_holding = sum([trade['duration'] for trade in self.trade_data])
        total_trades = len(self.trade_data)
        avg_holding_period = round(total_holding / total_trades) if total_trades > 0 else 0

        # Calculating for winners and losers separately
        winners = [trade for trade in self.trade_data if trade['profit'] > 0]
        losers = [trade for trade in self.trade_data if trade['profit'] < 0]
        avg_winner_holding = round(sum(trade['duration'] for trade in winners) / len(winners))if winners else 0
        avg_loser_holding = round(sum(trade['duration'] for trade in losers) / len(losers)) if losers else 0

        # Display average holding period statistics
        print('Average Holding Period:', avg_holding_period)
        print('Average Winner Holding Period:', avg_winner_holding)
        print('Average Loser Holding Period:', avg_loser_holding)

效果

分析

SMA在单调递增的NVDA股票表现不错，NVDA乘着AI的爆点一路上涨，然而此类的爆点又会有多少呢？

更多的是AAPL的波动趋势，SMA在波动趋势中反而亏损了8%所有。

MACD策略

简介

MACD（Moving Average Convergence/Divergence）名为指数平滑异同平均线，一般交易所图表中都能看到，也被人称作技术指标之王。

MACD指标由三个主要组件组成：DIF线、DEA线和MACD柱状图。参数为12、26、9，在下面的代码中可以看到。

DIF线是快速移动平均线（一般为12天）减去慢速移动平均线（一般为26天）
DEA线是DIF线的9天加权移动平均线
MACD柱状图是DIF线和DEA线的差异，用来显示DIF线和DEA线的背离程度。

交叉策略

MACD的基本原理基于金叉和死叉

金叉表示DIF线上穿DEA线，多头力量增强，预示着市场可能出现上涨趋势，是买入信号。
死叉表示DIF线下穿DEA线，空头力量增强，预示着市场可能出现下跌趋势，是卖出信号。

背驰策略

红绿柱背离

红柱顶背离：股价创新高，但红柱却没有创新高。上升势能越来越小，可能预示大幅调整。

绿珠底背离：虽然股价在下跌，但下降的动能却逐渐减少，一旦多方势能占据优势，市场走势将由空转多。

黄白线背离

股价创新高/低，但黄白线并没有创新高/低。预示大幅调整或转多。

买入点

底背离可能反复出现，进一步下探，可能被套。只能反复出现多次后（处于下降趋势个股，底背离出现的次数最好在两次以上），才能确认。

只有震荡走势到横盘走势，才考虑加仓。最佳买点在零轴金叉。

如果没有出现零轴金叉：

寻找突破后的支撑点，即顶底转换的位置（金针探底收小阳）
找空中加油的地方（白线开始抬头往上走）
等放量突破现有横盘区域

慢慢把仓位加上，不要在第一天金针探底就满仓。

卖出点

股价创出新高，红白线没有出现顶背离，但红柱出现了顶背离，上升的势能变低。

当出现放量滞涨，违背量升价涨的逻辑，有很强的抛压。

可能是获利盘或知道是高点的人在卖，主力在跑，就是卖点信号。

双重顶背离信号出现后，大概率会有回撤来消化这次背离。

总结

出现顶背离，一般会迎来调整：情况好，波段调整；情况糟，趋势扭转。

出现底背离，很多票会经历长时间吸筹吸盘，然后迎来主升浪。

背离出现的次数越多越久，主升的行情也会越猛。

横有多长，竖有多高。

MACD是趋势指标，只适合做趋势票，不能做情绪票，因为其滞后性很强。（想想那3个参数）

市场没有成功率100%的方法。

雪球大神总结口诀

一个中心，两个基本点，四项基本原则

代码

# 定义策略
class DynamicMACDStrategy(bt.Strategy):
    params = (
        ('fast', 12),
        ('slow', 26),
        ('signal', 9),
    )

    def __init__(self):
        self.macd = bt.indicators.MACD(self.data.close,
                                       period_me1=self.params.fast,
                                       period_me2=self.params.slow,
                                       period_signal=self.params.signal)
        self.crossover = bt.indicators.CrossOver(self.macd.macd, self.macd.signal)

    def next(self):
        if not self.position:  # 没有持仓
            if self.crossover > 0:  # MACD线上穿信号线
                self.buy()
        elif self.crossover < 0:  # 已有持仓且MACD线下穿信号线
            self.sell()

效果

分析

看起来单调上涨能获得正收益，频繁波动则本金没有什么变化。

增强MACD策略

GPT4

从上面简单的MACD策略代码中，发现出现金叉或死叉时全仓买入和卖出。

因此将问题提给GPT4，看看它怎么解。

我运行了这个策略，但盈利太少了，可能是因为买入和卖出是全部持仓，请优化策略代码，要求通过合适的买入和卖出策略，获得更大盈利效果。

代码

GPT允许指定买入资金比例、止损止盈比例和盈利阈值，看起来比一把梭要科学多了。

另外提供了寻找快、慢、信号的参数方法。可以先按照默认方法执行，然后查看控制台输出的三个参数。然后将参数填入到cerebro.optstrategy(ImprovedMACDStrategy)中，例如：cerebro.optstrategy(ImprovedMACDStrategy, fast=10, slow=27, signal=5)


class ImprovedMACDStrategy(bt.Strategy):
    params = (
        ('fast', 12),
        ('slow', 26),
        ('signal', 9),
        ('order_percentage', 0.95),  # 买入资金比例
        ('stop_loss_percentage', 0.95),  # 止损比例
        ('take_profit_percentage', 1.05),  # 止盈比例
        ('partial_sell_percentage', 0.5),  # 部分卖出比例
        ('profit_threshold', 1.02),  # 盈利阈值，达到则部分卖出
    )

    def __init__(self):
        self.macd = bt.indicators.MACD(self.data.close,
                                       period_me1=self.params.fast,
                                       period_me2=self.params.slow,
                                       period_signal=self.params.signal)
        self.crossover = bt.indicators.CrossOver(self.macd.macd, self.macd.signal)
        self.order = None

    def notify_order(self, order):
        if order.status in [order.Completed]:
            if order.isbuy():
                self.buy_price = order.executed.price
                self.stop_price = self.buy_price * self.params.stop_loss_percentage
                self.limit_price = self.buy_price * self.params.take_profit_percentage
            self.order = None

    def next(self):
        if self.order:
            return  # 如果有未完成的订单，则不执行任何操作

        if not self.position:  # 没有持仓时
            if self.crossover > 0:  # MACD线上穿信号线，买入信号
                self.order = self.buy(size=(self.broker.get_cash() / self.data.close[0]) * self.params.order_percentage)
        else:  # 已有持仓时
            if self.data.close[0] / self.buy_price > self.params.profit_threshold:
                # 达到盈利阈值，部分卖出
                self.order = self.sell(size=self.position.size * self.params.partial_sell_percentage)
            elif self.crossover < 0 or self.data.close[0] < self.stop_price or self.data.close[0] > self.limit_price:
                # MACD线下穿信号线，或触发止损止盈，全仓卖出
                self.order = self.close()


if __name__ == '__main__':
    ibstore = IBStore('127.0.0.1', 4002, clientId=1)
    # df = ibstore.get_data('NVDA')
    df = ibstore.get_data('AAPL')

    # Ensure the 'date' column is in the correct datetime format
    df['date'] = pd.to_datetime(df['date'])
    df.set_index('date', inplace=True)

    # Load data into Backtrader
    data = bt.feeds.PandasData(dataname=df)

    # Initialize and run Cerebro
    cerebro = bt.Cerebro(stdstats=True, cheat_on_open=True, optreturn=False)

    # 1-默认参数
    # cerebro.optstrategy(ImprovedMACDStrategy)

    # 2-范围里面找最优解，查看控制台With Parameters输出。不同股票需要重新计算。
    # cerebro.optstrategy(ImprovedMACDStrategy, fast=range(10, 15), slow=range(20, 30), signal=range(5, 10))

    # 3-根据With Parameters输出，配置最优解。这个是AAPL的最优解，不同股票需要重新计算。
    # cerebro.optstrategy(ImprovedMACDStrategy, fast=10, slow=27, signal=5)
    cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
    cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')
    cerebro.broker.set_cash(100000)
    # cerebro.broker.setcommission(commission=0.001)
    cerebro.adddata(data)  # 确保这里的data是bt.feeds对象，不是pandas DataFrame
    result = cerebro.run()

    best_params = None
    best_sharpe = float('-inf')  # 初始化为负无穷大

    for run in result:
        for strategy in run:
            sharpe = strategy.analyzers.sharpe.get_analysis()['sharperatio']
            params = strategy.params
            if sharpe > best_sharpe:
                best_sharpe = sharpe
                best_params = params

    # 根据
    print(f"Best Sharpe Ratio: {best_sharpe}")
    print(f"With Parameters: Fast={best_params.fast}, Slow={best_params.slow}, Signal={best_params.signal}")
    cerebro.plot()

效果

默认参数（12、26、9）

各支股票的最优参数

注意：不同股票的参数需要重新计算，如果不是震荡市，计算参数可能没有优化效果

NVDA

Best Sharpe Ratio: 0.8460012912318833
With Parameters: Fast=13, Slow=24, Signal=9

AAPL

Best Sharpe Ratio: 0.801877924498146
With Parameters: Fast=10, Slow=27, Signal=5

总结

本文搭建了一套回测工具集，对一些常见的技术指标进行了介绍，提供了对应的代码和运行效果。

接下来会继续优化MACD及其他策略，获得更好的效果。