Python数字货币量化交易

在数字货币量化领域的资料实在是太少了，我总结了一下我的经验（以火币交易所为例）以供小白参考

第一步：申请api key和secret，

第二步：查看交易所的api文档（https://huobiapi.github.io/docs/spot/v1/cn/#185368440e）

第三步：这里其实是困扰很多小白的一部，就是拿到了api不知道该怎么用，首先火币提供了不同语言版本的sdk，可以利用这些sdk中提供的方法来查询历史k线，盘口情况，实时价格以及常用的各种信息，当然也可以选择一些封装好的第三方库比如ccxt，来实现上述数据的获取。一般来说ccxt这种库会对数据格式进行进一步处理，使用起来方便，而火币原生的sdk只是提供方法，后面的数据处理得自己实现，就比如原生sdk获取的历史k线是按时间降序排序的，你计算ma的时候还要自己重新排序，但如果想要实现一个量化系统的话还是建议使用sdk好一点，自己写轮子方便调用

第四步：就是把自己的交易逻辑用代码实现，比如使用双均线策略，

huobipro = ccxt.huobipro({
    'apiKey': '',
    'secret': '',
})

先使用ccxt获取交易所的实例，然后获取历史k线，得到的数据使用dataframe格式接受

huobipro.fetch_ohlcv(symbol=symbol, limit=limit_num, timeframe=timeframe)

然后利用pandas提供的函数计算MA，

df['median_short'] = df['close'].rolling(n_short, min_periods=1).mean()

df['median_long'] = df['close'].rolling(n_long, min_periods=1).mean()

然后再找出买入卖出信号，

# 找出买入信号
condition1 = df['median_short'] > df['median_long']  # 短均线上穿长均线
condition2 = df['median_short'].shift(1) <= df['median_long'].shift(1)
df.loc[condition1 & condition2, 'signal'] = 1  # 产生买入信号的k线标记为1
# 找出卖出信号
condition1 = df['median_short'] < df['median_long']  # 短均线上穿长均线
condition2 = df['median_short'].shift(1) >= df['median_long'].shift(1)
df.loc[condition1 & condition2, 'signal'] = 0  # 产生卖出信号的k线标记为0

有了交易信号，就可以获取信号，再判断进行下单（huobipro.create_limit_buy/sell_order（）了）

第五步：其实第四步就可以交易了，第五步是回测，一般来说先回测再根据回测结果选用策略，最后才进行实盘

回测分析的相关有很多种，在这方面我也不是很懂，目前我还是习惯用累计利润来进行分析，

# 由signal计算出实际的每天持仓
df['pos'] = df['signal'].shift()
df['pos'].fillna(method='ffill', inplace=True)
df['pos'].fillna(value=0, inplace=True)

到这里持仓信号就有了，就可以根据持仓和历史k线的价格计算累计利润了，

df['change'] = df['close'].pct_change(1)  # 根据收盘价计算涨跌幅
df['by_at_open_change'] = df['close'] / df['open'] - 1  # 开盘买入到收盘的涨跌幅
df['sell_next_open_change'] = df['open'].shift(-1) / df['close'] - 1  # 这根收盘到下根开盘的涨跌幅
df.at[len(df) - 1, 'sell_next_open_change'] = 0  # 补全空值 df.at[4, 'B']
# 选取开仓条件
condition1 = df['pos'] == 1
condition2 = df['pos'] != df['pos'].shift(1)
open_pos_condition = condition1 & condition2
# 选取平仓条件
condition1 = df['pos'] == 0
condition2 = df['pos'] != df['pos'].shift(1)
close_pos_condition = condition1 & condition2
# 对每次交易进行分组
df.loc[open_pos_condition, 'start_time'] = df['open_time']
df['start_time'].fillna(method='ffill', inplace=True)
df.loc[df['pos'] == 0, 'start_time'] = pd.NaT
init_cash = 1000  # 初始资金
# 计算仓位变动
# 开仓时仓位
df.loc[open_pos_condition, 'position'] = init_cash * (1 + df['by_at_open_change'])
group_num = len(df.groupby('start_time'))
if group_num > 1:
    temp = df.groupby('start_time').apply(lambda x: x['close'] / x.iloc[0]['close'] * x.iloc[0]['position'])
    temp = temp.reset_index(level=[0])
    df['position'] = temp['close']
df['position_max'] = df['position'] * df['high'] / df['close']
df['position_min'] = df['position'] * df['low'] / df['close']
# #平仓时的仓位
# df.loc[close_pos_condition,'position']*=(1+df.loc[close_pos_condition,'sell_next_open_change'])
# 计算持仓利润
df['porfit'] = (df['position'] - init_cash) * df['pos']  # 持仓利润或亏损
# df.loc[df['pos']==1,'porfit_min']=(df['position_min']-init_cash)*df['pos'] #最小持仓盈利或亏损
# df.loc[df['pos']==0,'porfit_max']=(df['position_max']-init_cash)*df['pos']
# 计算实际资金量
df['cash'] = init_cash + df['porfit']  # 实际资金
# 计算资金曲线
df['equity_change'] = df['cash'].pct_change()
# 开仓日收益率
df.loc[open_pos_condition, 'equity_change'] = df.loc[open_pos_condition, 'cash'] / init_cash - 1
df['equity_change'].fillna(value=0, inplace=True)
df['equity_curve'] = (1 + df['equity_change']).cumprod()
df['equity_curve'] = df['equity_curve'] * init_cash

从回测结果来看，双均线策略比较吃单边行情，震荡行情的话基本就是送手续费，而且比较适合大周期，日线级别啥的，不适合高频交易，以bsv为例，bsv是回测结果比较好的

实际走势：

以投入1000u为例，不考虑手续费的情况下，每天的资金情况如回测结果所示，最小640，最大10521，十倍，基本算是约等于bsv的最大涨幅，但还有很多小波段没吃到，而且周期算是比较长的，btc回测也有3倍左右，最惨的是山寨，基本都是亏损

嗯，先写这么多，后面有想法了再更，可能是可视化回测方面的

可以看到其自上线最低价为49.17，最高价为455.55，最大涨幅为9.26倍．如果2018年12月6号91买入，现价192.5，持仓到现在利润约为2.11倍，而该系统的收益为8.43倍．也就是说该系统的双均线策略远远领先不操作的收益．但是也应该看到该币种最大涨幅为9.26倍，该策略尚未领先其最大涨幅，

可以看到其自上线最低价为49.17，最高价为455.55，最大涨幅为9.26倍．如果2018年12月6号91买入，现价192.5，持仓到现在利润约为2.11倍，而该系统的收益为8.43倍．也就是说该系统的双均线策略远远领先不操作的收益．但是也应该看到该币种最大涨幅为9.26倍，该策略尚未领先其最大涨幅，