策略指引

策略编写必要基础

知识&技能储备

  • 证券知识：需要了解证券的交易规则、证券分析基本原理
  • 计算机编程：熟悉至少一门计算机语言，熟悉数据结构、能够处理数据、能够编写运算公式和逻辑
  • 数学知识：统计学、高等数学、金融时序数据处理等知识

编写环境准备

  • 量化策略的编写，通常在程序开发环境中结合策略接口完成，因此首先要准备合适的
    • 程序开发环境
    • 策略接口

策略开发环境

  • 比如
    • python 策略可使用 pycharm 集成开发环境
    • matlab 策略需要 matlab 开发环境

策略接口

  • 策略接口可以比作是策略的承载容器
  • 比如
    • pythonSDK
      • 处理许多繁琐的逻辑
      • 包括处理数据、切换运行模式、连接终端等
  • 示例
    • 策略可能要面对的问题
      • 历史数据
      • 实时行情
      • 执行交易
      • 逻辑被调用
      • 回测or实时
      • 下单到哪里
      • 回测参数设置
      • ......
    • 无策略（弱策略）
      • 功能需要自主在策略中编程实现（或部分实现）
    • SDK
      • 声明即可获取功能或结果
        • 终端监控和管理
        • 数据服务
        • 交易通道服务
        • ......

策略基本要素

  • 获取数据
    • 数据包括
      • 行情数据
      • 基本面数据
    • 知识点
      • 有效市场假说
        • 在弱有效市场下，历史数据有助于获取超额利润
  • 分析决策
    • 主流决策
      • 择时（选择最佳买卖时机）
      • 择股（选择最优价值的投资组合）
  • 执行交易
    • 仓位管理
    • 止损
    • 止盈
  • 其他功能
    • 风险控制
    • 标的黑白名单
    • 人工干预因子
  • 策略状态控制
    • 回测参数
    • 异常情况处理
    • 日志信息输出
    • 初始化

用掘金编写策略

  • 将一个投资决策思路以代码的形式组织，使之在计算机上自动执行
  • 能够高效执行投资思路
  • 框架
    • 策略结构
      • 初始化 init
        • 定时接口 schedule()
        • 订阅接口 subscribe()
        • 常量定义 context()
      • 逻辑事件函数 on_xxx（事件附带数据推送功能）
        • 定时事件 on_time()
        • 数据事件 on_bar、on_tick()
        • 交易事件 on_order_status()
        • 其他时间 ......
      • 自定义函数 algo
        • 自定义编写出发条件
    • 策略功能
      • 数据获取
        • 数据接口
          • 历史行情 history()
          • 行情快照 current()
          • 基本面数据 get_fundamentals()
          • 业务数据 get_instruments()
          • 其他数据
      • 分析决策
      • 执行交易
        • 交易接口 order_volume()
        • 目标交易 order_target_volume()
        • 获取信息 get_position、get_cash()
        • 其他交易接口

获取数据

  • 订阅数据，获取实时数据
  • 接口，直通获取历史数据

通过订阅获取高频行情数据

  • 预先订阅数据
    • 用对应的事件函数接收数据
  • 数据发生更新时返回
    • 能够返回指定格式的时间序列划窗数据
  • 伪代码
    • 第一步：订阅数据（参数规格）
      • subscribe(标的列表，数据频率，数据序列长度)
    • 第二步：接收函数标识（全局变量，指定数据返回）
      • on_event(全局变量,指定数据返回)
      • print(指定数据集)
      • print(全局变量)
  • 伪代码说明
    • 模式说明
      • 返回结果跟随策略模式
    • 处理原理
      1. 预先将需要的数据参数，通过 subscribe 订阅接口传至服务器
      2. 服务器建立一个持久的订阅服务
      3. 当数据更新时将数据主推返回，并在本地组织成预先设定的数据格式
      4. 返回的数据存放在 context.data 中，并按照频率、品种、字段分类存放
    • 优点
      • 高频方式下，数据返回延时低
      • 本地预先取到全量历史数据
      • 数据格式规整，可获取指定长度的时间序列数据
    • 缺点
      • 只有日频以内的行情数据支持订阅模式
      • 使用方式不如接口方式灵活，只能按固定频率向后递推
    • 适用场景
      • 高频次、规则行情数据的处理
      • 在高频实时行情接收、策略回测时性能高
    • 示例
  • 订阅 平安银行 10个长度1分钟的 bar数据，然后求收盘价均值

  • 通过订阅，将需要的数据申明

    • subscribe(symbols='SZSE.000001', frequency='60s', count=10)

  • 通过 on_bar 函数接收 bar数据事件，并在该函数中求均值

    • on_bar(context,bar)
    • mean(context.data(symbols='SZSE.000001', frequency='60s', fields='close'))

通过接口获取数据

  • 功能
    • 财务数据（收录了上市公司各季度财务报表数据）
    • 历史行情数据（最近的tick数据，较长时间的bar数据）
    • 证券基本信息（涨跌停、停复牌、最小变动价位、保证金比例等）
    • 指数成分
    • 交易日历
  • 描述
    • 通过接口返回值获取数据，数据仅返回一次
      • 数据返回=请求函数（参数规格）
      • 查询历史行情数据：获取指定时间段内的历史数据
        • history(标的，频率，开始时间，结束时间，是否复权)
      • 查询基本面数据：获取指定时间段内的历史数据
        • get_fundamentals(表名，字段名，标的，开始时间，结束时间)
      • 查询成分股：获取指数成分股
        • get_consituents(指数代码)
      • 查询业务数据：获取交易日期列表
        • get_trading_dates(交易所，开始时间，结束时间)
  • 处理方式
    • 函数、参数、直连服务器，服务器响应后将数据返回
  • 模式
    • 直连服务器，无模式
  • 结果保存
    • 订阅后的数据滑窗储存在 context.data 中
      • 提取数据需要调用 context.data() 接口
    • 可以在自定义函数algo()中调取或是在on_xxx()事件驱动函数中调取
    • 调取格式为
      • data = context.data(标的,频率,滑窗大小,字段)
  • 优点
    • 可获取的数据种类多，使用场景灵活
    • 一次性返回较大数据量
    • 可直接获取指定数据
  • 缺点
    • 和服务器往返交互，高频调用时对网络和服务器状态依赖大，效率不高
    • 策略历史模式运行时容易引入未来数据，导致回测失真
  • 适用场景
    • 低频次，大数据量的数据获取
  • 示例
    • 查询行情快照
      • current_data = current(symbols='SZSE.000001')
    • 查询历史行情数据，并以结构方式返回
      • history_data = history(symbol='SHSE.000300', frequency='1d', start_time='2010-07-28', end_time='2017-07-30', df=True)
    • 查询财务数据，在股票交易衍生表中查询几个字段的值
      • get_fundamentals(table='trading_derivative_indicator', symbols='SHSE.600000, SZSE.000001', start_date='2017-01-01', end_date='2017-01-01', fields='TCLOSE,PETTMNPAAEI')

分析决策

  • 需要处理的问题
    • 策略中决策的类型有哪些？
    • 不同类型的决策逻辑如何被自动的调用？
    • 怎么更快速的让决策逻辑介入待决策事件？
    • 决策逻辑如何获取待决策数据？
  • 决策分类为几类事件
    • 数据分析决策
    • 交易回报决策
    • 定时接口
  • 当事件发生时，对应的事件函数会被自动调用
    • 数据到达时
    • 交易回报返回时
    • 定时被调用
  • 调用方式通过专有程序监控，及时执行对应事件函数，并将事件内容当做参数传入

定时决策

  • 处理方式
    • 预先通过schedule()配置定时任务函数
    • 配置的定时函数将在指定的时间被执行
  • 模式
    • 跟随策略模式
  • 优点
    • 直接指定运行时间，使用场景灵活
  • 缺点
    • 行情的更新时间和本地时间是不一致的，容易错失重要行情的信息
  • 适用场景
    • 一般用于低频定时执行，比如盘前选股，尾盘定时交易
  • 示例
    • 定时每天早上9:30执行algo函数
      • 启动定时
        • schedule(schedule_func=algo, date_rule='1d', time_rule='9:30:00')
    • 执行定时
      • algo(context):
        • 定时执行的函数内容

事件发生时决策

  • 处理方式
    • 指定事件发生时触发专用事件函数。
    • 事件类型由SDK提供
    • 事件的内容作为入参传入。
    • 函数包括：
      • 行情更新事件 bar（tick）
      • 成交回报事件 execrpt
      • 处理委托 order
      • 系统连接异常事件
  • 模式
    • 跟随策略模式
  • 优点
    • 响应速度快，方便设置专门逻辑对事件进行处理
  • 缺点
    • 事件的类型为预先设定，类型有限；
    • 过高频的触发可能导致拥堵，需要预先考虑事件的处理速度量级
  • 适用场景
    • 要求及时处理的事件，比如
      • 行情更新
      • 订单成交
  • 示例
    • 下单
      • order_volume()
    • 回报事件函数
      • on_execution_report(成交回报)
    • 撤单
      • order_concel(cl_ord_id)

执行交易

  • 包含基本的自动交易功能
  • 支持策略完成订单管理、资金管理和持仓管理功能

交易接口

  • 处理方式
    • 将不同品种、多种场景统一的交易接口
    • 返回统一格式的委托信息
    • 委托通过系统主键cl_ord_id唯一标识，可直接用于查询和撤单入参
  • 模式
    • 跟随策略模式
    • 自动接入不同交易通道：
      • 回测
      • 仿真
      • 实盘
  • 优点
    • 下单格式统一（跨品种，跨模式，跨柜台）
  • 适用场景
    • 关于交易的所有功能：
      • 下单
      • 撤单
      • 委托查询
      • 回报查询
  • 示例
    • 定量委托(依次解释为：标的，委托量，委托方向，委托类型（市价/限价），仓位类型（多仓/空仓），价格)
      • order_volume（symbol='SHSE.600000', volume=10000, side=OrderSide_Buy, order_type=OrderType_Limit, position_effect=PositionEffect_Open, price=11)
    • 定价值委托
      • order_value（symbol='SHSE.600000', value=10000, side=OrderSide_Buy, order_type=OrderType_Limit, position_effect=PositionEffect_Open, price=11）
    • 目标持仓委托
      • order_target_volume（symbol='SHSE.600000', volume=10000, order_type=OrderType_Limit, position_effect=PositionEffect_Open, price=11）
    • 查询委托
      • get_orders()
    • 撤单（cl_ord_id唯一标识）
      • order_cancel(cl_ord_id)

账户查询

  • 处理方式
    • 提供账户查询、资金查询、持仓查询接口
  • 模式
    • 跟随策略模式
    • 自动接入不同交易通道账户：回测、仿真、实盘
  • 优点
    • 提供统一的策略查询接口
  • 适用场景
    • 查询可用资金：总资产、可用金、保证金、冻结资金……
    • 查询持仓：持仓成本、持仓价格、可用持仓……
  • 示例
    • 查询资金
      • cash = cash()
      • 查询持仓
      • positions = positions()

策略范式

  • 策略平台约定的一些规则
  • 在尽量遵照交易所规定、行业规范、约定俗成的基础上，使平台更加简化、通用和灵活
  • 熟悉这些规则能够帮助 QUANT 了解平台的逻辑架构，快速在平台上完成量化策略
名称 类型 说明
run 函数 策略启动入口函数
main 函数 用于策略编写的主文件名，可通过 run 函数中的 filename 指定
strategy_id 参数 策略id，用于终端识别策略身份的唯一标识
token 参数 登录身份信息的标识，服务器通过该标识识别账户
mode 参数 策略运行参数，通过在 run 函数指定 mode：MODE_LIVE(实时)=1，MODE_BACKTEST(回测) =2
init 函数 策略初始化函数
context 全局变量 系统默认的全局变量名，可用于：获取订阅的时序数据、系统参数、自定义全局变量
log 函数 实时运行时可以将日志输出到终端监控页面
on_xxx 函数 xxx表示事件名，系统提供多种常用的决策事件共策略调用：数据事件、定时事件、交易事件、异常事件等
symbol 参数 标的参数，标的格式为：交易所.代码，如深交所平安银行，‘SZSE.000001’
frequence 参数 数据频率，支持格式为：‘60s’，‘300s’，‘900s’，‘1d’
fields 参数 数据字段，用于选定返回数据的字段
adjust 参数 复权模式，用于指定历史行情数据的复权模式
bar 数据结构 对应K线的 Bar (一根蜡烛节点，是该段时间内 tick 的统计)，其中包含开高低收量等统计信息
tick 数据结构 对应交易所的 tick 数据（推送频率取决于交易所），不同交易所的 tick 数据流解析为相同规格的数据
cl_ord_id 参数 订单数据的主键，通过该主键撤单和识别订单，在下单函数调用成功时自动生成

策略的一般组织形式

策略运行函数 run

  • 策略运行函数的作用是策略运行控制
  • 可看做是无关策略逻辑内容的系统功能设置
参数 作用
strategy_id 策略id，用于终端识别策略身份的唯一标识
filename 指定策略主函数的名称
mode 策略运行模式，MODE_LIVE(实时)=1，MODE_BACKTEST(回测) =2
token 登录身份信息的标识，服务器通过该标识识别账户
backtest_start_time 回测开始时间
backtest_end_time 回测结束时间
backtest_initial_cash 回测初始资金
backtest_transaction_ratio 成交比率，最大成交量占比，用于防止不切实际的成交量
backtest_commission_ratio 回测交易手续费，仿真的在终端设置
backtest_slippage_ratio 回测滑点，用于模拟冲击成本
backtest_adjust 复权方式，采用复权撮合可以不用盘后结算，速度更快，但是价格和当时价格不一致，ADJUST_NONE(不复权)，ADJUST_PREV(前复权)，ADJUST_POST(后复权)
backtest_check_cache 回测缓存，回测一次后数据就会被缓存起来，重复回测更快
serv_addr 终端地址，默认情况下无需设置，SDK运行无法脱离终端（很多动态资源是终端在管），需要指定一个登陆状态的终端

策略主体函数

  • 策略主体函数是由自己编写，一般策略的组成结构如下
    • 策略结构
      • 初始化 init
        • 定时接口 schedule()
        • 订阅接口 subscribe()
        • 常量定义 context()
      • 逻辑事件函数 on_xxx（事件附带数据推送功能）
        • 定时事件 on_time()
        • 数据事件 on_bar、on_tick()
        • 交易事件 on_order_status()
        • 其他时间 ......
      • 自定义函数 algo
        • 自定义编写出发条件
  • 示例：以均线突破指标策略为例，组织一个五脏俱全的简单策略
  • 文件名：main.xxx
description
- 1. %% main 函数作为默认的策略编辑函数
- 2. function [Context] = main(Context,Event)
- 4. %% 首行注释一般用于说明该段策略代码的功能、逻辑等
- 5. % 策略名：均线突破策略
- 6. % 第一步：设定交易股票池，订阅股票池数据，分别针对个股做以下决策
- 7. % 第二步：60分钟均线突破3日均线作为指标
- 8. % 如果向上突破，且无持仓，则按一定资金比例买入
- 9. % 如果向下突破，且有持仓，则卖出所有持仓
- 10. % 第三步：止损指标，判断持仓时间，如果超过两天，就平仓了结
- 12. if Event.初始化 % 初始化操作
- 13. 股票池 = 'xxxxx' % 设定股票池
- 14. subscribe(symbols, '1分钟数据',长度20); % 订阅数据
- 15. subscribe(symbols, '1天数据',长度10);
- 16. Context.周期1 = 20; % 设定均线周期
- 17. Context.周期2 = 10;
- 18. end
- 20. 周期1=Context.周期1;
- 21. 周期2=Context.周期2;
- 22. 1分钟时序数据 = Context.data.1分钟数据.收盘价(周期1);
- 23. 1天时序数据 = Context.data.1天数据.收盘价(周期2);
- 25. if Event.1分钟数据更新时
- 26. % 计算突破因子
- 27. 突破因子 = mean(1分钟时序数据）-mean(1天时序数据 );
- 28. 资金= get_cash();
- 29. 仓位 = get_position();
- 30. for i = 所有股票循环
- 31. % 60分钟均线突破3日均线作为指标
- 32. if 突破因子(i)>0
- 33. if 持仓.数量==0 %没有仓位则开仓
- 34. 订单对象=order_value(标的, 资金*0.1, 买入, 市价,开仓,价格);
- 35. end
- 36. else
- 37. if 持仓.数量~=0 % 有仓位则平仓
- 38. 订单对象=order_value(标的, 持仓.数量, 卖出, 市价,平仓,价格);
- 39. end
- 40. end
- 41. % 止损指标
- 42. if Context.now-仓位.时间>2天 且 持仓.数量~=0
- 43. 订单对象=order_value(标的, 持仓.数量, 卖出, 市价,平仓,价格);
- 44. end
- 45. end
- 47. end

用掘金优化策略

  • 提高策略的交易绩效
  • 通过历史回测、实时仿真结合绩效分析手段，反复优化策略模型，达到提高策略决策能力的目的
  • 萌生 idea
    • 策略idea萌生时，一般是模糊、带有主观经验的概念
    • 需要理清思路，运用建模技巧、数学知识组织成一个完整的推理过程
    • 且会是一个反复推到重建的优化过程
  • 构思模型
    • 思路-模型化过程，模型的构建就是要尽可能的完整的表示思路
    • 将模型思路转化为计算机逻辑的过程，和人的一般思维有区别
      • 计算机局限于顺序、判断、循环组成的逻辑流，需要一定的编程实现能力
  • 编写/调试
    • 策略编写和调试一般在回测模式下进行，反复调试，直到策略能够完整的实现模型内容且能够顺畅运行
  • 回测
    • 将历史数据按时间切片模拟真实数据返回给策略
    • 策略获取数据、分析决策、执行交易后，经回测柜台进行模拟撮合和结算，再将结果返回给策略，模拟一个完整的投资行为
    • 最终的交易信息会输出到绩效服务，得到历史区间内的交易绩效报告
  • 仿真交易
  • 实盘交易
  • 绩效分析
    • 根据交易绩效报告，了解策略的交易详情、收益变化、资金利用、风险敞口，风格偏向等特征作为策略优化的方向
  • 构思模型
  • ......
  • 备注：
    • 历史数据的效果不能完全代表未来
    • 回测优化中经常存在过拟合、未来函数（数据）等干扰因素
    • 回测中速度和精度难以共存，粗精度回测结果失准
    • 回测中冲击成本（滑点）、流动性等问题无法模拟

仿真-分析过程

  • 策略实盘前精度最高的策略有效性检验
  • 策略仿真运行需要切换策略运行模式并绑定仿真账户
  • 仿真交易使用实时行情盘口撮合，撮合更加精确
  • 备注
    • 仿真数据同步实时数据，数据样本小，模型优化耗时
    • 仍然不能解决冲击成本和流动性问题

实盘-分析过程

  • 会承受真实损失