bigquant的策略代碼

在bigquant的主頁有這麼一個代碼，使用的是機器學習，止盈止損大盤風控。從回測來看效果不錯，但實際上很不一定。
粘貼在這裏，方便以後學習。
學習特徵列表包括下面的幾項，多數是技術面，只有一個基本面

return_5
return_10
return_20
avg_amount_0/avg_amount_5
avg_amount_5/avg_amount_20
rank_avg_amount_0/rank_avg_amount_5
rank_avg_amount_5/rank_avg_amount_10
rank_return_0
rank_return_5
rank_return_10
rank_return_0/rank_return_5
rank_return_5/rank_return_10
pe_ttm_0

# 本代碼由可視化策略環境自動生成 2019年5月6日 20:12
# 本代碼單元只能在可視化模式下編輯。您也可以拷貝代碼，粘貼到新建的代碼單元或者策略，然後修改。


# 回測引擎：每日數據處理函數，每天執行一次
def m4_handle_data_bigquant_run(context, data):
    #獲取當日日期
    today_date = data.current_dt.strftime('%Y-%m-%d')
    
    #大盤風控模塊，讀取風控數據    
    benckmark_risk=context.benckmark_risk.ix[today_date].values[0]

    #當risk爲1時，市場有風險，全部平倉，不再執行其它操作
    if benckmark_risk > 0:
        position_all = context.portfolio.positions.keys()
        for i in position_all:
            context.order_target(i, 0)
        print(today_date,'大盤風控止損觸發,全倉賣出')
        return
    
    # 按日期過濾得到今日的預測數據
    ranker_prediction = context.ranker_prediction[
        context.ranker_prediction.date == data.current_dt.strftime('%Y-%m-%d')]

    # 1. 資金分配
    # 平均持倉時間是hold_days，每日都將買入股票，每日預期使用 1/hold_days 的資金
    # 實際操作中，會存在一定的買入誤差，所以在前hold_days天，等量使用資金；之後，儘量使用剩餘資金（這裏設置最多用等量的1.5倍）
    is_staging = context.trading_day_index < context.options['hold_days'] # 是否在建倉期間（前 hold_days 天）
    cash_avg = context.portfolio.portfolio_value / context.options['hold_days']
    cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
    cash_for_sell = cash_avg - (context.portfolio.cash - cash_for_buy)
    positions = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.perf_tracker.position_tracker.positions.items()}

    #---------------------------START:止贏止損模塊(含建倉期)--------------------
    # 新建當日止贏止損股票列表是爲了handle_data 策略邏輯部分不再對該股票進行判斷
    current_stopwin_stock=[]
    current_stoploss_stock = []   
    today_date = data.current_dt.strftime('%Y-%m-%d')
    positions_stop={e.symbol:p.cost_basis 
    for e,p in context.portfolio.positions.items()}
    if len(positions_stop)>0:
        for i in positions_stop.keys():
            stock_cost=positions_stop[i]  
            stock_market_price=data.current(context.symbol(i),'price')  
            # 賺3元且爲可交易狀態就止盈
            if stock_market_price-stock_cost-1>3 and data.can_trade(context.symbol(i)) and not context.has_unfinished_sell_order(i):
                context.order_target_percent(context.symbol(i),0)      
                current_stopwin_stock.append(i)
            # 虧10%並且爲可交易狀態就止損
            if stock_market_price/stock_cost-1 <= -0.1 and data.can_trade(context.symbol(i)) and not context.has_unfinished_sell_order(i):   
                context.order_target_percent(context.symbol(i),0)     
                current_stoploss_stock.append(i)
        if len(current_stopwin_stock)>0:
            print(today_date,'止盈股票列表',current_stopwin_stock)
        if len(current_stoploss_stock)>0:
            print(today_date,'止損股票列表',current_stoploss_stock)
    #--------------------------END: 止贏止損模塊-----------------------------
    
    #--------------------------START：持有固定天數賣出(不含建倉期)---------------
    current_stopdays_stock = [] 
    today = data.current_dt
    today_date = data.current_dt.strftime('%Y-%m-%d')
    # 不是建倉期（在前hold_days屬於建倉期）
    if not is_staging:
        equities = {e.symbol: p for e, p in context.portfolio.positions.items() if p.amount>0}
        if len(equities)>0:
            for i in equities:
                sid = equities[i].sid  # 交易標的
                #如果上面的止盈止損已經賣出過了，就不要重複賣出以防止產生空單
                if i in current_stopwin_stock+current_stoploss_stock:
                    continue
                # 今天和上次交易的時間相隔hold_days就全部賣出 datetime.timedelta(context.options['hold_days'])也可以換成自己需要的天數，比如datetime.timedelta(5)
                if today-equities[i].last_sale_date>=datetime.timedelta(5) and data.can_trade(context.symbol(i)) and not context.has_unfinished_sell_order(equities[i]):
                    context.order_target_percent(sid, 0)
                    current_stopdays_stock.append(i)
            if len(current_stopdays_stock)>0:        
                print(today_date,'固定天數賣出列表',current_stopdays_stock)
    #-------------------------------END:持有固定天數賣出--------------------------    
    
    
    # 2. 生成賣出訂單：hold_days天之後纔開始賣出；對持倉的股票，按機器學習算法預測的排序末位淘汰
    if not is_staging and cash_for_sell > 0:
        equities = {e.symbol: e for e, p in context.perf_tracker.position_tracker.positions.items()}
        instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
                lambda x: x in equities and not context.has_unfinished_sell_order(equities[x]))])))
        for instrument in instruments:
            #防止多個止損條件同時滿足，出現多次賣出產生空單
            if instrument not in current_stopdays_stock+current_stopwin_stock+current_stoploss_stock:
                context.order_target(context.symbol(instrument), 0)
                cash_for_sell -= positions[instrument]
            else:
                cash_for_sell -= positions[instrument]
            if cash_for_sell <= 0:
                break

    # 3. 生成買入訂單：按機器學習算法預測的排序，買入前面的stock_count只股票
    buy_cash_weights = context.stock_weights
    buy_instruments_tmp = list(ranker_prediction.instrument)
    #防止賣出後再次買入
    buy_instruments=[k for k in buy_instruments_tmp if k not in current_stopdays_stock+current_stopwin_stock+current_stoploss_stock][:len(buy_cash_weights)]
    max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument
    for i, instrument in enumerate(buy_instruments):
        cash = cash_for_buy * buy_cash_weights[i]
        if cash > max_cash_per_instrument - positions.get(instrument, 0):
            # 確保股票持倉量不會超過每次股票最大的佔用資金量
            cash = max_cash_per_instrument - positions.get(instrument, 0)
        if cash > 0:
            context.order_value(context.symbol(instrument), cash)

# 回測引擎：準備數據，只執行一次
def m4_prepare_bigquant_run(context):
    #在數據準備函數中一次性計算每日的大盤風控條件相比於在handle中每日計算風控條件可以提高回測速度
    # 多取50天的數據便於計算均值(保證回測的第一天均值不爲Nan值)，其中context.start_date和context.end_date是回測指定的起始時間和終止時間
    start_date= (pd.to_datetime(context.start_date) - datetime.timedelta(days=50)).strftime('%Y-%m-%d')     
    benckmark_data=D.history_data(instruments=['000001.SZA'], start_date=start_date, end_date=context.end_date,fields=['close'])
    #計算指數5日漲幅
    benckmark_data['ret5']=benckmark_data['close']/benckmark_data['close'].shift(5)-1
    #計算大盤風控條件，如果5日漲幅小於-5%則設置風險狀態risk爲1，否則爲0
    benckmark_data['risk'] = np.where(benckmark_data['ret5']<-0.04,1,0)
    #修改日期格式爲字符串(便於在handle中使用字符串日期索引來查看每日的風險狀態)
    benckmark_data['date']=benckmark_data['date'].apply(lambda x:x.strftime('%Y-%m-%d'))
    #設置日期爲索引
    benckmark_data.set_index('date',inplace=True)
    #把風控序列輸出給全局變量context.benckmark_risk
    context.benckmark_risk=benckmark_data[['risk']]

# 回測引擎：初始化函數，只執行一次
def m4_initialize_bigquant_run(context):
    # 加載預測數據
    context.ranker_prediction = context.options['data'].read_df()

    # 系統已經設置了默認的交易手續費和滑點，要修改手續費可使用如下函數
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
    # 預測數據，通過options傳入進來，使用 read_df 函數，加載到內存 (DataFrame)
    # 設置買入的股票數量，這裏買入預測股票列表排名靠前的5只
    stock_count = 5
    # 每隻的股票的權重，如下的權重分配會使得靠前的股票分配多一點的資金，[0.339160, 0.213986, 0.169580, ..]
    #context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
    #改爲等權重配置
    context.stock_weights = [1 / stock_count for i in range(0, stock_count)]
    # 設置每隻股票佔用的最大資金比例
    context.max_cash_per_instrument = 0.2
    context.options['hold_days'] = 5


m1 = M.instruments.v2(
    start_date='2010-01-01',
    end_date='2015-01-01',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m2 = M.advanced_auto_labeler.v2(
    instruments=m1.data,
    label_expr="""# #號開始的表示註釋
# 0. 每行一個，順序執行，從第二個開始，可以使用label字段
# 1. 可用數據字段見 https://bigquant.com/docs/data_history_data.html
#   添加benchmark_前綴，可使用對應的benchmark數據
# 2. 可用操作符和函數見 `表達式引擎 <https://bigquant.com/docs/big_expr.html>`_

# 計算收益：5日收盤價(作爲賣出價格)除以明日開盤價(作爲買入價格)
shift(close, -5) / shift(open, -1)

# 極值處理：用1%和99%分位的值做clip
clip(label, all_quantile(label, 0.01), all_quantile(label, 0.99))

# 將分數映射到分類，這裏使用20個分類
all_wbins(label, 20)

# 過濾掉一字漲停的情況 (設置label爲NaN，在後續處理和訓練中會忽略NaN的label)
where(shift(high, -1) == shift(low, -1), NaN, label)
""",
    start_date='',
    end_date='',
    benchmark='000300.SHA',
    drop_na_label=True,
    cast_label_int=True
)

m3 = M.input_features.v1(
    features="""# #號開始的表示註釋
# 多個特徵，每行一個，可以包含基礎特徵和衍生特徵
return_5
return_10
return_20
avg_amount_0/avg_amount_5
avg_amount_5/avg_amount_20
rank_avg_amount_0/rank_avg_amount_5
rank_avg_amount_5/rank_avg_amount_10
rank_return_0
rank_return_5
rank_return_10
rank_return_0/rank_return_5
rank_return_5/rank_return_10
pe_ttm_0
"""
)

m15 = M.general_feature_extractor.v7(
    instruments=m1.data,
    features=m3.data,
    start_date='',
    end_date='',
    before_start_days=0
)

m16 = M.derived_feature_extractor.v3(
    input_data=m15.data,
    features=m3.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m7 = M.join.v3(
    data1=m2.data,
    data2=m16.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m13 = M.dropnan.v1(
    input_data=m7.data
)

m6 = M.stock_ranker_train.v5(
    training_ds=m13.data,
    features=m3.data,
    learning_algorithm='排序',
    number_of_leaves=30,
    minimum_docs_per_leaf=1000,
    number_of_trees=20,
    learning_rate=0.1,
    max_bins=1023,
    feature_fraction=1,
    m_lazy_run=False
)

m9 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2015-01-01'),
    end_date=T.live_run_param('trading_date', '2017-01-01'),
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m17 = M.general_feature_extractor.v7(
    instruments=m9.data,
    features=m3.data,
    start_date='',
    end_date='',
    before_start_days=0
)

m18 = M.derived_feature_extractor.v3(
    input_data=m17.data,
    features=m3.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m14 = M.dropnan.v1(
    input_data=m18.data
)

m8 = M.stock_ranker_predict.v5(
    model=m6.model,
    data=m14.data,
    m_lazy_run=False
)

m4 = M.trade.v4(
    instruments=m9.data,
    options_data=m8.predictions,
    start_date='',
    end_date='',
    handle_data=m4_handle_data_bigquant_run,
    prepare=m4_prepare_bigquant_run,
    initialize=m4_initialize_bigquant_run,
    volume_limit=0.025,
    order_price_field_buy='open',
    order_price_field_sell='close',
    capital_base=1000000,
    auto_cancel_non_tradable_orders=True,
    data_frequency='daily',
    price_type='後復權',
    product_type='股票',
    plot_charts=True,
    backtest_only=False,
    benchmark='000300.SHA'
)