GitHub:https://github.com/enigmampc/catalyst
官方文檔:https://enigma.co/catalyst/index.html
參考視頻:網易雲課堂《從零搭建數字貨幣量化交易系統》
系統環境:macOS High Sierra 10.13.6
這篇我們在Catalyst的官方示例dual_moving_average.py的基礎上研究雙均線策略。
一. 策略要點
1. 短期移動均線上穿長期移動均線,買入
2. 短期移動均線下穿長期移動均線,賣出
如圖所示(注意:綠漲紅跌,這是國際慣例):
3. 買入和賣出的時機(交易邏輯)
如圖所示:第一根K線的短週期均線在長週期均線下方,第二根K線的短週期均線上穿長週期均線,當且僅當第二根K線結束我們才能確認這個買點形成,在catalyst中,我們可以在第二根K線結束時買入。
二. 代碼詳解
1. 常數設置和程序初始化
這裏我們用bitfinex
交易所的BCH/USD交易對,注意:BCH在bitfinex
交易所的名稱是BAB,所以symbol是bab_usd
NAMESPACE = 'dual_moving_average'
log = Logger(NAMESPACE)
SIGNAL_BUY = 'buy' # 買入信號
SIGNAL_SELL = 'sell' # 賣出信號
SIGNAL_INIT = '' # 觀望信號
SHORT_WIN = 5 # 短週期窗口
LONG_WIN = 20 # 長週期窗口
def initialize(context):
"""
初始化
"""
context.i = 0 # 經歷過的交易週期
context.asset = symbol('bab_usd') # 交易對
context.base_price = None # 初始價格
context.signal = SIGNAL_INIT # 交易信號
2. 策略實現
def handle_data(context, data):
# 經歷過的交易週期大於長週期均線窗口才開始計算
context.i += 1
if context.i < LONG_WIN + 1:
return
# 獲取歷史數據,返回series
history_data = data.history(context.asset,
'close',
bar_count=LONG_WIN + 1,
frequency="1D",
)
# 獲取當前持倉數量
pos_amount = context.portfolio.positions[context.asset].amount
# 計算雙均線
"""
pandas.Series.mean: Return the mean of the values for the requested axis.
scalar or Series (if level specified)
pandas.Rolling.mean: Calculate the rolling mean of the values.
Returned object type is determined by the caller of the rolling calculation.
"""
short_avgs = history_data.rolling(window=SHORT_WIN).mean()
long_avgs = history_data.rolling(window=LONG_WIN).mean()
# 策略邏輯
# 短期均線上穿長期均線,買入
if (short_avgs[-2]) < (long_avgs[-2]) and (short_avgs[-1]) >= (long_avgs[-1]) and pos_amount == 0:
# target買入百分比,1代表買入100%,0.5代表買入50%,0代表賣出
order_target_percent(asset=context.asset, target=1)
# 設置交易信號爲買入
context.signal = SIGNAL_BUY
# 短期均線下穿長期均線,賣出
if (short_avgs[-2] > long_avgs[-2]) and (short_avgs[-1]) <= (long_avgs[-1]) and pos_amount > 0:
# target買入百分比,1代表買入100%,0.5代表買入50%,0代表賣出
order_target_percent(asset=context.asset, target=0)
# 設置交易信號爲賣出
context.signal = SIGNAL_SELL
# 獲取當前價格
price = data.current(context.asset, 'price')
# 如果初始價格沒設置,把當前的價格設置爲初始價格
if context.base_price is None:
context.base_price = price
# 計算價格變化百分比,作爲基準
price_change = (price - context.base_price) / context.base_price
# 記錄每個交易週期的信息
record(price=price, # 價格
cash=context.portfolio.cash, # 現金
price_change=price_change, # 價格變化率
short_mavg=short_avgs[-1], # 短期均線
long_mavg=long_avgs[-1], # 長期均線
signal=context.signal) # 交易信號
# 輸出信息
print('日期:{}, 價格:{:.4f}, 資產:{:.2f}, 持倉量:{:.8f}, {}'.format(
data.current_dt, price, context.portfolio.portfolio_value, pos_amount, context.signal
))
# 重置交易信號
context.signal = SIGNAL_INIT
3. 策略分析和可視化
def analyze(context, perf):
# 保存交易記錄
perf.to_csv('performance.csv')
# 獲取計價貨幣(USDT)
exchange = list(context.exchanges.values())[0]
quote_currency = exchange.quote_currency.upper()
# 圖1:輸出資產值
ax1 = plt.subplot(411)
perf.loc[:, ['portfolio_value']].plot(ax=ax1)
# ax1.legend_.remove()
# 設置y軸
ax1.set_ylabel('Portfolio Value\n({})'.format(quote_currency))
# 設置區間
start, end = ax1.get_ylim()
# 設置刻度
ax1.yaxis.set_ticks(np.arange(start, end, (end - start) / 5))
# 圖2:輸出資產貨幣價格、移動均線和買賣點
ax2 = plt.subplot(412, sharex=ax1)
# perf[['price', 'short_mavg', 'long_mavg']].plot(ax=ax2)
perf.loc[:, ['price', 'short_mavg', 'long_mavg']].plot(ax=ax2)
# ax2.legend_.remove()
ax2.set_ylabel('{asset}\n({quote})'.format(
asset=context.asset.symbol,
quote=quote_currency
))
start, end = ax2.get_ylim()
ax2.yaxis.set_ticks(np.arange(start, end, (end - start) / 5))
# 提取交易時間點
transaction_df = extract_transactions(perf) # 交易dataframe
if not transaction_df.empty:
buy_df = transaction_df[transaction_df['amount'] > 0] # 取到amount>0,買入點
sell_df = transaction_df[transaction_df['amount'] < 0] # 取到amount<0,賣出點
ax2.scatter(
buy_df.index.to_pydatetime(),
perf.loc[buy_df.index, 'price'], # 找到index
marker='^',
s=100,
c='green',
label=''
)
ax2.scatter(
sell_df.index.to_pydatetime(),
perf.loc[sell_df.index, 'price'],
marker='v',
s=100,
c='red',
label=''
)
# 圖3:比較價格變化率和資產變化率(即比較策略收益率和基準收益率)
ax3 = plt.subplot(413, sharex=ax1)
perf.loc[:, ['algorithm_period_return', 'price_change']].plot(ax=ax3)
# ax3.legend_.remove()
ax3.set_ylabel('Percent Change')
start, end = ax3.get_ylim()
ax3.yaxis.set_ticks(np.arange(start, end, (end - start) / 5))
# 圖4:現金數量
ax4 = plt.subplot(414, sharex=ax1)
perf.cash.plot(ax=ax4)
ax4.set_ylabel('Cash\n({})'.format(quote_currency))
start, end = ax4.get_ylim()
ax4.yaxis.set_ticks(np.arange(0, end, end / 5))
plt.show()
4. 主函數
因爲BCH是在2018年11月13日上幣的,所以開始時間選擇這天。
if __name__ == '__main__':
run_algorithm(
capital_base=1000,
data_frequency='daily',
initialize=initialize,
handle_data=handle_data,
analyze=analyze,
exchange_name='bitfinex',
algo_namespace=NAMESPACE,
quote_currency='usd',
start=pd.to_datetime('2018-11-13', utc=True),
end=pd.to_datetime('2019-10-16', utc=True),
)
5. 運行程序
首先導入數據:
catalyst ingest-exchange -x bitfinex -i bab_usd -f daily
運行程序:
可以看到,在2018年12月20日有買入信號,就是前文給出買點的那個圖。
6. 輸出圖像
第一個圖是持有BCH資產的價值走勢
第二個圖中綠色三角形代表買入點,紅色三角形代表賣出點
第三個圖是策略收益與基準收益的對比
第四個圖是現金變動情況