积分商城

最新搜索： ispLEVER ESAM sonar NE555.PDF STM8S003 BRIGHTEK
您现在的位置是：首页 > 技术资料 > 基于Python 语言的量化策略设计与应用优化
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于Python 语言的量化策略设计与应用优化

更新时间：2019-12-21 14:54:03 大小：907K 上传用户：songhuahua查看TA发布的资源 标签：python 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

在聚宽量化开发平台上,基于Python语言,根据择时选股的多头趋势回踩策略思路,构建一个全自动量化交易系统,系统主要功能框架包含策略模型、牛熊判断、参数设置、买入判断、卖出判断、计算统计、绘制曲线和数据源等;进一步通过对各种关键影响因素的分析优化,和牛熊市场的差异策略构建开发,将年化市场收益率提高到25%水平。


部分文件列表

文件名 大小
基于Python_语言的量化策略设计与应用优化.pdf 907K

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
实践与经验  
文章编号：1007-1423（2019）01-0090-04  
DOI：10.3969/j.issn.1007-1423.2019.01.019  
基于 Python 语言的量化策略设计与应用优化  
黄万铭  
（绵阳中学实验学校，绵阳 621900）  
摘要：  
在聚宽量化开发平台上，基于 Python 语言，根据择时选股的多头趋势回踩策略思路，构建一个全自动量化交易系统，  
系统主要功能框架包含策略模型、牛熊判断、参数设置、买入判断、卖出判断、计算统计、绘制曲线和数据源等；进一步  
通过对各种关键影响因素的分析优化，和牛熊市场的差异策略构建开发，将年化市场收益率提高到 25%水平。  
关键词：  
量化策略；Python；程序设计  
件等关键参数对量化策略的贡献效果。  
0
引言  
2
概要设计  
量化交易是指投资者利用计算机技术、金融工程  
建模等手段，将金融操作的策略加以定义和描述，并且  
严格按照所设定的规则去执行交易策略（买卖、价格、  
数量等）的自动交易方式，以协助投资决策。量化平台  
基本采用“初始化函数→从平台数据库取出数据→每  
个周期执行调仓函数→回测完成→计算统计量→绘制  
曲线”的逻辑过程。  
系统主要功能框架如图 1 所示，主要包含策略模  
型、牛熊判断、参数设置、买入判断、卖出判断、计算统  
计、绘制曲线和平台数据库等 8 个部分组成。  
系统主要功能框架、流程图和参数结构如图 1  
所示。  
目前市面上比较流行的量化平台有优矿、聚宽和  
米筐等；米筐支持 Python3 和 Java，而优矿和聚宽使用  
Python2；米筐和聚宽支持股票和金融期货数据，优矿平  
台提供股票、基金、衍生品等数据。  
本策略设计采用百度公司投资的量化平台  
——聚  
宽(JoinQuant)，语言编程 Python，设定一亿元交易规模，  
最大持仓数 100 只股票，模拟周期为 2005～2018 年的  
中国股票市场。  
1
需求分析  
拟以多头趋势回踩策略为主决策依据，实现一个  
全自动化量化交易系统，并进行关键参数优化；其思路  
是根据若干条均线呈现出的形态，判断一支股票是否  
处于多头强势状态，并抓住回调的时机低位买入；再进  
一步分析市场状态、均线周期、买入均线和止损触发条  
图1 功能框架设计  
ꢀ
现代计算机 2019.01 上  
实践与经验  
3
主策略算法模型  
（1）选定股票池，并选定一系列参数；  
（2）一组均线天数[N1,N2,N3,…,Nk]：总数量 k 限  
制，按照从小到大排列。当相应天数的移动均线是从  
大到小排列时，为多头排列格局；  
（3）趋势天数 T：当上面指定的移动均线在 T 天内  
都处于多头排列时，判断价格处于多头趋势；  
（4）回撤均线 M：当前一天的最收盘价低于 M 日  
均线时时判断为回撤；  
（5）持 有 股 票 上 限 num_stocks：同 时 最 多 持 仓  
num_stocks 支股票。  
（6）止损比例 D 和止盈比例 U：当股票价格高出买  
入价的 U 倍，或低于买入价的 D 倍时，卖出股票。  
部分程序核心代码如下：  
for security in in_trend_stocks:  
# 获取历史收盘价  
past_prices = attribute_history(security,g.test_ma_length, '  
1d', 'close', skip_paused = True)  
# 计算均线  
test_ma = sum(past_prices).iloc[0] / g.test_ma_length  
# 获取站住均线数据  
past_prices_2 = attribute_history(security, g.stand_ma_  
length, '1d', 'close', skip_paused= True)  
# 计算均线  
图2 系统主要流程图  
stand_ma = sum(past_prices_2).iloc[0] / g.stand_ma_length  
# 计算 bias 基准线  
past_prices_3= attribute_history(security,g.bias_ma_length,  
'1d', 'close', skip_paused = True)  
bias_ma = sum(past_prices_3).iloc[0] / g.bias_ma_length  
# 获取昨日信息  
previous_history = attribute_history(security, 1, '1d',  
['close','low'])  
# 昨日收盘价  
current_price = previous_history['close'].iloc[0]  
# 昨日最低价  
previous_low = previous_history['low'].iloc[0]  
4
关键影响因素优化  
经过不同单项的海量测试，以及分析前 10 大持  
仓、前 5 大回撤区间、行业配比、Sharpe、持仓比例分析  
和风险控制等，发现买入均线、止损条件和均线周期影  
图3 主要参数结构设计  
ꢁ
现代计算机 2019.01 上  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号