皮皮网

1.量化交易策略之双均线策略
2.2个量化小技巧，开拓开拓双均线策略盈亏比从1.2提升到1.9（大神请绕行）
3.Python之路 11 双均线策略的均线交易交易3种回测方法
4.量化交易Python实用功能函数（6）
5.vn.py社区精选4 - 双均线策略深度解析
6.量化金融课堂（三）双均线策略

量化交易策略之双均线策略

       投资者交易的核心需求就是赚取低买高卖的价差，我们总是量化希望在趋势启动时买入，在趋势反转时卖出。源码这种需求促使趋势定义延伸出固化的双均进场/出场策略，其中双均线交易策略被广泛采用。线系micropython源码编译

       一、开拓开拓多周期双均线策略

       1. 策略思路

       本策略利用双均线模式，均线交易交易即运用不同周期的量化移动平均线，研判买进与卖出时机。源码我们常用日均线和分钟均线作为判断标准，双均计算日均线、线系日均线、开拓开拓5分钟均线和分钟均线，均线交易交易然后根据长短期均线交叉判断多空市场进行交易。量化短周期均线向上穿越长周期均线为金叉，买入；向下穿越为死叉，卖出。双均线策略有助于确认标的目前趋势，但震荡期的交易标的不太适合。

       2. 案例演示功能

       该案例通过日线和分钟线两种K线数据进行多周期指标计算。

       3. 如何使用？

       （1）进入平台，打开策略，进入策略编辑器。

       （2）在左侧策略列表右击，导入公式，选择策略文件。

       （3）点击回测，查看日志输出栏结果。

       二、止盈止损双均线策略

       1. 策略思路

       （1）固定百分比止盈止损：根据建仓价格的一定百分比确定止损/止盈点位，价格超越该价位时平仓。

       （2）追踪止盈止损：止损/止盈点随价格变动调整，让盈利跟随价格奔跑。

       2. 案例演示功能

       该案例基于移动均线交叉趋势跟踪策略，添加了固定百分比和追踪止盈止损模式，通过变量切换，手动设置。刷量源码

       3. 如何使用？

       （1）进入平台，打开策略，进入策略编辑器。

       （2）在左侧策略列表右击，导入公式，选择策略文件。

       （3）点击回测，查看日志输出栏结果。

       目前，我使用的量化交易软件自带双均线策略，投资者可直接使用，无需编写策略，非常方便。

       以上是关于双均线策略的详细介绍，希望对您有所帮助，祝您投资顺利！

2个量化小技巧，双均线策略盈亏比从1.2提升到1.9（大神请绕行）

       本文将基础的双均线策略提升至新高度，通过引入两个量化技巧，优化信号处理，以提升策略的盈利效率。以下是我们的策略改进过程：

       首先，双均线策略通常在震荡市中表现不佳，胜率低、盈亏比不高。我们关注如何提高这两个关键指标。通过在金叉或死叉信号出现后，增加一个观察期，等待价格突破设定的上轨或下轨，比如唐奇安通道，这样可以减少不必要的交易，降低了“总交易次数”。这一调整使得策略的胜率从%提升到了.0%，盈亏比也相应提升至1.。

       第二个技巧是引入波动指标ATR，过滤掉假突破，通过“原开仓价位置±N倍ATR”的校园墙源码规则，提高了开仓标准，减少了错误交易。这样，改进后的信号使得交易次数进一步减少到次，胜率提升到了.4%，盈亏比更是达到1.，策略的盈利能力显著增强。

       下面是一段示例源码，展示了上述策略的实现细节：

       这次的优化得益于Aust小伙伴的交流，也得益于知乎的便捷沟通，让我们有机会共同进步。我是@quantkoala，致力于分享和探讨量化策略，欢迎大家关注我的社群『量化藏经阁』，一起交流学习，共同提升。更多内容请关注我的动态。

       最后，别忘了关注我，一起探索更多量化策略的奥秘！

Python之路 双均线策略的3种回测方法

       Python中的双均线策略有三种回测方法，但其效果并不理想，且策略稳定性差，已逐渐失效。以下是三种回测方法的简要概述：

       1. **向量回测**：首先，使用Python的Tushare获取数据，计算5日和日均线。回测中，遇到快线穿过慢线时产生买入信号，反之则卖出。然而，简单向量回测存在未来函数问题，可能导致策略效果偏高。

       2. **事件化回测**：采用事件驱动引擎，确保策略在事件发生时执行，避免未来函数。通过缓存结构逐日更新数据，h 源码包精确计算盈亏，与向量回测结果相似。

       3. **基于vnpy框架的回测**：vnpy框架提供了一个实盘交易的环境，编写策略更为规范。虽然回测过程相对复杂，但能确保代码无未来函数，适合多技术指标和多策略的组合，但回测效果并不显著。

       通过这些方法，双均线策略作为入门示例，可以帮助理解和实践量化交易，但要实现稳定盈利，需要结合更多过滤器和离场策略。

量化交易Python实用功能函数（6）

       量化交易的一大功能是“回测”，通过回测可以直观检验策略的有效性及存在问题。

       上篇文章《大牛量化：量化双均线策略回测效果如何？》对双均线策略的回测分析，总结经验，量化交易不再迷茫，将不确定行情转化为可操作交易。

       已介绍的代码功能包括：

       获取股票上市时间（get_open_date()）

       判断回测模式（ContextInfo.do_back_test）

       设置回测基准（ContextInfo.benchmark）

       设定回测系统日志显示级别（ContextInfo.data_info_level）

       获取特定记录（get_result_records()）

       接下来，将分享QMT量化平台的行情函数：

       (一) 设置定时器（ContextInfo.run_time(funcName,period,startTime)）

       实现：设置定时器执行指定函数

       参数：funcName回调函数名称，period执行周期，startTime开始时间

       示例：ContextInfo.run_time('funcName', '1min', '--')

       (二) 创建板块（create_sector(parent_node,sector_name,overwrite)）

       实现：在指定节点下创建板块

       参数：parent_node根节点，sector_name板块名称，overwrite覆盖已有板块

       示例：create_sector('root', 'my_sector', True)

       (三) 创建板块目录节点（create_sector_folder(parent_node,folder_name,overwrite)）

       实现：在指定目录下创建节点

       参数：parent_node根节点，folder_name节点名称，overwrite覆盖已有节点

       示例：create_sector_folder('root_folder', 'my_subfolder', True)

       (四) 获取板块目录信息（get_sector_list(node)）

       实现：获取指定节点下的所有板块信息

       参数：node目标节点

       示例：get_sector_list('root')

       (五) 设置板块成分股（reset_sector_stock_list(sector,stock_list)）

       实现：更新板块内成分股

       参数：sector板块名称，stock_list股票代码列表

       示例：reset_sector_stock_list('my_sector', ['AAPL', 'GOOGL'])

vn.py社区精选4 - 双均线策略深度解析

       策略原理

       双均线策略作为基础的CTA策略，通过短周期与长周期均线的金叉或死叉信号进行交易决策，捕捉市场趋势。策略包含两个关键周期的移动平均线，短周期反映近期市场走势，长周期代表较长时段的趋势。

       源码分析

       以vn.py项目中的双均线策略源码为例，解析策略实现逻辑和内部代码。

       创建策略实例

       所有vn.py框架中的CTA策略类（包括内置和自定义）皆基于CTA策略模板类（CtaTemplate）实现子类。模板类为策略设计提供了通用结构，源码分析odl如同汽车设计图指导汽车制造。CtaTemplate定义了交易函数和策略逻辑框架，使得快速实现策略成为可能。

       策略初始化

       在策略实例创建时，设置参数和变量。参数由外部指定，变量随策略状态变化动态更新。参数列表中包括策略名称、设置信息等，系统自动从配置文件中加载。变量列表用于界面显示，并在策略停止、收到回报或同步数据时保存状态。

       构造函数__init__

       构造函数接收CTA引擎、策略名称、标的代码和设置信息作为参数，其中引擎对象自动传入。创建BarGenerator实例用于生成分钟级别K线数据，ArrayManager用于缓存K线数据，支持指标计算。

       状态变量初始化

       状态变量初始化并非在构造函数中完成，而是在创建策略实例后通过图形界面的初始化按钮触发on_init函数，加载历史数据回放给策略初始化变量。

       启动自动交易

       点击启动策略按钮，自动调用on_start函数，将交易状态变量设置为True，启动交易流程。确保在界面刷新策略状态相关显示时调用put_event函数。

       接收Tick推送

       CTP接口每0.5秒推送Tick数据，由事件引擎分发到策略中。Tick数据通过BarGenerator的update_tick函数处理，合成1分钟K线数据，供策略使用。

       核心交易逻辑

       接收到K线数据后，将数据放入ArrayManager容器中，确保至少个数据后初始化完毕。调用talib库计算技术指标，判断金叉或死叉触发交易逻辑。交易指令由策略模板封装，在on_bar函数中直接调用。

       委托回报处理

       on_order函数处理委托状态变化，on_trader和on_stop_order函数处理成交回报和停止单回报。双均线策略在这些函数中通常无操作。

       停止自动交易

       每日交易结束后，通过停止按钮关闭自动交易，策略引擎调整交易状态变量，撤销所有活动委托，并保存变量状态。

       CTA交易流程梳理

       使用思维导图整理vn.py中策略实现与执行流程，包括从创建策略实例到停止自动交易的完整步骤。

       《vn.py全实战进阶》课程介绍

       该课程提供节内容，涵盖策略设计、参数回测和实盘自动交易的CTA量化业务流程，适合深入学习vn.py应用。

       更多vn.py精华内容

       关注公众号以获取更多深入分析和实践技巧。

量化金融课堂（三）双均线策略

       在量化金融的课堂上，我们继续探索更复杂的交易策略。前一节课中，定投平安银行的实例显示其并不理想。今天，我们将引入双均线策略，它是一种利用短期和长期移动平均线交叉点来判断买卖时机的策略。

       双均线策略的关键在于观察两条不同周期的均线，如5日和日均线。当短期均线从长期均线下方上穿形成金叉，意味着市场看涨，建议买入；反之，短期均线下穿长期均线形成死叉，则表示市场看跌，应选择卖出。要实现这个策略，首先从tushare获取年至今的股票数据，通过Python的dataframe的rolling()函数计算移动平均线，并剔除初始的空值部分。

       计算出金叉和死叉后，我们将这些信号转化为0（死叉）和1（金叉）的数值序列，以此为依据调整投资决策。以万元本金为例，根据策略在金叉时买入，死叉时卖出。结果显示，从年到年，运用双均线策略投资平安银行的收益达到了,元，十年的收益率为%，年均收益为4%。尽管这比银行定期存款稍高，但扣除交易成本后，实际收益率甚至可能不如定期存款。

       双均线策略虽然操作简便，但策略细节可调整，如均线周期的选择会影响效果。对于初入股市的投资者，掌握这种策略是十分必要的，它提供了一种直观且实用的买卖信号判断方式。

量化交易策略-双均线策略

       双均线策略是量化交易中的进阶技巧，是对单均线策略的扩展。核心指标依然是均线，主要应用在趋势跟踪。策略包含两条均线：短期与长期。

       短期均线周期较短，而长期均线周期较长。如设置短期为5，长期为；或短期，长期。双均线策略通过短周期均线与长周期均线间的相对位置，来决定买卖时机。

       短周期均线从下向上突破长周期均线，表示当前市场趋势向好，是买入信号，即所谓的“金叉”。反之，短周期均线从上向下突破长周期均线，表示市场趋势恶化，是卖出信号，即“死叉”。从下向上突破意味着短期平均价格持续升高，超越长期平均价格，为多头趋势；从上向下突破则表示近期价格持续下滑，导致短期平均价格低于长期平均价格，为空头趋势。

       以浪潮信息为例，双均线策略的买卖点清晰可见。通过代码，我们可以实现指标、标的、择时和风控等四个维度的策略理解。指标代码描绘了短期与长期均线。标的代码专注于标的区，通常与单均线策略共享数据源。择时代码涉及交易时机与交易量的选取。风控策略包括止盈止损、资金管理、仓位控制和风险对冲，复杂性较高，此阶段暂不深入。

       双均线策略的实施步骤已概述，其效果是否优于单均线策略还需进一步验证。不过，策略的应用需谨慎，股市有风险，投资需谨慎。本内容不构成任何投资建议。草根量化团队致力于提供全面的量化交易策略知识，敬请关注后续更新。

如何分钟在个人PC搭建免费量化交易系统（附详细代码教程）

       为了在个人PC上搭建一个免费的量化交易系统，本文提供了一个详细的代码教程。搭建本地交易平台有以下优点：

       - 方便调试和代码管理。

       - 本地资源充足，尤其适合运行对资源要求较高的机器学习类模型。

       - 本地平台方便定制化，不再是黑盒使用。

       - 隐私管理较好，方便进行实盘操作。

       在本地构建自己的量化交易平台分为几个步骤：

       1. **安装所需Python包**：首先下载仓库代码并使用`pip install requirements.txt`命令安装所有必需的库。如果遇到`TA-Lib`安装问题，可从[指定网站](lfd.uci.edu/~gohlke/pyt/)下载离线安装包并按照说明操作。另外，使用`tushare`包获取数据，通过`pip install tushare`安装。注意，对于大量调用或需要获取更详细信息的情况，可能需要付费使用`tushare pro`接口。

       2. **运行样例程序**：进入策略样例列表，配置回测条件，包括选择待测试的股票和回测周期，设置tushare的token，并运行回测脚本。回测脚本完成后，可以通过查看日志来获取风险指标，并生成交易K线图。

       构建回测框架主要包括：

       - **数据及选股**：使用`tushare pro`获取数据，每列数据包含股票代码、交易日期、开盘价、最高价、最低价、收盘价、昨收价、涨跌额、涨跌幅、成交量和成交额。配置回测条件并在`conf/double_ma.yaml`文件中设置待选股票。

       - **双均线策略**：采用双均线策略（如日和日均线）进行趋势跟踪。在策略中，如果短周期均线下穿长周期均线时卖出，短周期均线向上穿过长周期均线时买入。

       - **账户信息刷新**：通过账户类实时更新账户信息，包括现金、总资本、股票持仓、交易历史等。

       - **费用计算**：考虑交易成本、税费和滑点等费用，这些会影响最终的交易收益。

       - **回测评估**：计算策略收益、年化收益、Beta（衡量策略收益与基准收益的关系）、Alpha（非系统性风险）、Sharp率、最大回撤、Sortino率、胜率、盈亏比和最大连续亏损等风险指标，以评估策略的性能。

       - **注意事项**：回测与实际交易存在差异，如概率性买入失败、滑点问题和交易值的差异等。因此，回测结果应视为模拟情况，实际操作时需谨慎考虑市场变化和策略的适应性。

       通过以上步骤，个人可以在本地搭建一个功能完善的量化交易平台，并利用详细的代码教程进行实操。