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

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(201901-0090-04  
DOI10.3969/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  
阳中学实验学校621900)  
摘要:  
在聚宽量化开发平台上Python 语言据择时选股的多头趋势回踩策略思路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熊判断数设置入判断出判断算统计制曲线和数据源等一步  
通过对各种关键影响因素的分析优化牛熊市场的差异策略构建开发年化市场收益率提高到 25%水平。  
关键词:  
量化策略Python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融工程  
建模等手段金融操作的策略加以定义和描述且  
严格按照所设定的规则去执行交易策格、  
数量自动交易方式协助投资决策。量化平台  
基本采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  
曲线逻辑过程。  
系统主要功能框架如图 1 所示要包含策略模  
熊判断数设置入判断出判断算统  
制曲线和平台数据库等 8 个部分组成。  
系统主要功能框架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宽和  
米筐等筐支持 Python3 Java优矿和聚宽使用  
Python2筐和聚宽支持股票和金融期货数据矿平  
台提供股票生品等数据。  
本策略设计采用百度公司投资的量化平台  
—聚  
(JoinQuant)言编程 Python定一亿元交易规模,  
最大持仓数 100 只股票拟周期为 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现一个  
全自动化量化交易系统进行关键参数优化思路  
是根据若干条均线呈现出的形态断一支股票是否  
处于多头强势状态抓住回调的时机低位买入进  
一步分析市场状态线周期入均线和止损触发条  
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定股票池选定一系列参数;  
2组均线天数[N1,N2,N3,…,Nk]数量 k 限  
照从小到大排列。当相应天数的移动均线是从  
大到小排列时多头排列格局;  
3势天数 T上面指定的移动均线在 T 天内  
都处于多头排列时断价格处于多头趋势;  
4撤均线 M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损比例 D 和止盈比例 U股票价格高出买  
入价的 U 低于买入价的 D 倍时出股票。  
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  
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及分析前 10 大持  
5 大回撤区间业配比Sharpe仓比例分析  
和风险控制等现买入均线损条件和均线周期影  
3 主要参数结构设计  
现代计算机 2019.01 上  

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载