首先，編寫一個簡單的“雙均線量化策略”

程式碼如下：

def initialize(context):
    """雙均線量化策略的初始化函式"""
    
    # 定義一個區域性變數，儲存要操作的股票
    g.security = '000002.XSHE'  # 萬科A
    # 設定滬深300作為基準
    set_benchmark('000300.XSHG')
    # 開啟動態復權，使用真實價格交易
    set_option('use_real_price', True)
    # 設定成交量比例
    set_option('order_volume_ratio'
 
, 1)
    # 股票類交易手續費：買入時佣金的萬分之三，賣出時ew佣金的萬分之三加
    # 千分之一的印花稅，每筆交易佣金最低扣5元錢
    set_order_cost(OrderCost(open_tax=0,
        close_tax=0.001,
        open_commission=0.0003,
        close_commission=0.0003,
        close_today_commission=0, 
        min_commission=5), type='stock')
    # 執行函式
    run_daily(trade, 'every_bar'
 
)
    
    
def trade(context):
    """雙均線量化策略的交易程式函式"""
    
    security = g.security
    # 設定均線
    n1 = 5
    n2 = 10
    # 獲取股票的收盤價
    close_data = attribute_history(
        security=security, 
        count=n2+2, 
        unit='1d', 
        fields=['close'], 
        df=True)
    # 取得過去 ma_n1 天的平均價格
 

    ma_n1 = close_data['close'][-n1:].mean()
    # 取得過去 ma_n2 天的平均價格
    ma_n2 = close_data['close'][-n2:].mean()
    # 取得當前的現金
    cash = context.portfolio.cash
    # 如果當前有餘額，並且 n1 日無線大於 n2 日無線
    if ma_n1 > ma_n2:
        # 用所有 cash 買入股票
        order_value(security, cash)
        # 記錄這次買入
        log.info('Buying %s' % (security))
    # 如果 n1 日無線小於 n2 日無線，並且目前有頭寸    
    elif ma_n1 < ma_n2 and context.portfolio.positions[security].closeable_amount > 0:
        # 全部賣出
        order_target(security, 0)
        # 記錄這次賣出
        log.info('Selling %s' % (security))
    # 繪製 n1 日均線價格
    record(ma_n1=ma_n1)
    # 繪製 ma_n2 日均線價格
    record(ma_n2=ma_n2)

然後設定回測的開始時間、結束時間、回測資金和回測頻率，點選“執行回測”

回測結果如下：

瞭解Bar的概念

一根完整的K線相當於一個Bar，根據時間序列的不同，有分鐘Bar、小時Bar、日Bar等

當選擇“每天”頻率時，演算法在每根日線Bar上都會執行一次，即每天執行一次

同理，選擇“分鐘”頻率時，演算法會在每根分鐘Bar上執行一次，即每分鐘執行一次

瞭解量化策略的風險指標

一個策略的好壞，可以能過以下幾個指標來判斷

風險指標有利於投資者對策略進行客觀的評價。需要注意的是，無論是回測還是模擬，所有風險指標都只會根據每天收盤後的收益計算並每天更新一次，並不會考慮盤中的收益情況

Alpha（阿爾法）

意義：

投資中面臨著系統性風險（即Beta）和非系統性風險（即Alpha），Alpha是投資者獲得與市場波動無關的回報。比如投資者獲得了15%的回報，其基準獲得了10%的回報，那麼Alpha或者價值增值部分就是5%

公式：
$Alpha = α = R_p - [R_f + β_p(R_m - R_f)]$

• R_p = 策略年化收益率
• R_m = 基準年化收益率
• R_f = 無風險利率（預設是0.04）
• β_p = 策略beta值

根據公式得出：當 α > 0 ，策略相對於風險，獲得了超額收益； α = 0，策略相對於風險，獲得了適當收益； α < 0，策略相對於風險，獲得了較少收益

Beta（貝塔）

意義：

Beta表示投資的系統性風險，反映了策略對大盤變化的敏感性。例如一個策略的Beta為1.5，則大盤漲1%時，策略可能漲1.5%，反之亦然；如果一個策略的Beta為-1.5，說明大盤漲1%的時候，策略可能跌1.5%，反之亦然

公式：
$Beta = β_p = \frac{Cov(D_p,D_m)}{Var(D_m)}$

• D_p = 策略每日收益
• D_m = 基準每日收益
• Cov(D_p,D_m) = 策略每日收益與基準每日收益的協方差
• Var(D_m) = 基準每日收益的方差

當 β<0，投資組合和基準的走向通常相反，如空頭頭寸類。如果β=0，投資組合和基準的走向沒有相關性，如固定收益類。0<β<1,投資組合和基準的走向相同，但是比基準的移動幅度更小。如果β=1，投資組合和基準的走向相同，並且和基準的移動同謀貼近。如果β>1，投資組合和基準的走向相同，但是比基準的移動幅度更大

Sharpe（夏普比率）

意義：

Sharpe表示每承受一單位總風險，會產生多少超額報酬，可以同時對策略的收益與風險進行綜合考慮

公式：
$Sharpe Ratio = \frac{R_p - R_f}{σ_p}$

• R_p = 策略年化收益率
• R_f = 無風險利率（預設值為0.04）
• σ_p = 策略收益波動率

Sortino（索提諾比率）

意義：

Sortino 表示每承擔一單位的下行風險，將會獲得多少超額回報

公式：
$Sortino Ratio = \frac{R_p - R_f}{σ_pd}$

• R_p = 策略年化收益率
• R_f = 無風險利率（預設值為0.04）
• σ_pd = 策略下行波動率

Information Ratio（資訊比率）

意義：

Information Ratio 是用來衡量單位超額風險帶來的σ_p = 策略收益波動率。資訊比率越大，說明該策略單位跟蹤誤差所獲得的超額收益越高，因此，資訊比率較大的策略的表現要優於資訊比率較低的基準。合理的投資目標應該是在承擔適度風險下，儘可能追求高資訊比率

公式：
$Information Ratio = \frac{R_p - R_m}{σ_t}$

• R_p = 策略年化收益率
• R_m = 基準年華收益率
• σ_t = 策略與基準每日收益差值的年化標準差

Volatility（策略波動率）

意義：

公式：
$Volatility = σ_p = \sqrt{\frac{250}{n-1} \sum_{i=1}^{n} (r_p-\overline{r_p})^2}$

• r_p = 策略每日收益第
• r^- _p = 策略每日收益的平均值 = lnΣi=lnrp
• n = 策略執行天數

Benchmark Volatility（基準波動率）

意義：

Benchmark Volatility 用來測量基準的風險性，波動越大代表基準風險越高

公式：
$Benchmark Volatility = σ_m = \sqrt{\frac{250}{n-1} \sum_{i=1}^{n} (r_m-\overline{r_m})^2}$

• r_m = 其次每日收益第
• r^- _m = 基準每日收益的平均值 = lnΣi=lnrm
• n = 策略執行天數

Max Drawdown（最大回撤）

意義：

Max Drawdown 描述策略可能出現最糟糕的情況，最極端可能的虧損

公式：
$Max Drawdown = Max(P_x - P_v)/P_x$

相關推薦