开源量化框架Catalyst中文教程（3）——双均线策略

GitHub：https://github.com/enigmampc/catalyst
官方文档：https://enigma.co/catalyst/index.html
参考视频：网易云课堂《从零搭建数字货币量化交易系统》
系统环境：macOS High Sierra 10.13.6

这篇我们在Catalyst的官方示例dual_moving_average.py的基础上研究双均线策略。

一. 策略要点

1. 短期移动均线上穿长期移动均线，买入

2. 短期移动均线下穿长期移动均线，卖出

如图所示（注意：绿涨红跌，这是国际惯例）：

3. 买入和卖出的时机（交易逻辑）

如图所示：第一根K线的短周期均线在长周期均线下方，第二根K线的短周期均线上穿长周期均线，当且仅当第二根K线结束我们才能确认这个买点形成，在catalyst中，我们可以在第二根K线结束时买入。

二. 代码详解

1. 常数设置和程序初始化

这里我们用bitfinex交易所的BCH/USD交易对，注意：BCH在bitfinex交易所的名称是BAB，所以symbol是bab_usd

NAMESPACE = 'dual_moving_average'
log = Logger(NAMESPACE)
SIGNAL_BUY = 'buy'  # 买入信号
SIGNAL_SELL = 'sell'  # 卖出信号
SIGNAL_INIT = ''  # 观望信号
SHORT_WIN = 5  # 短周期窗口
LONG_WIN = 20  # 长周期窗口


def initialize(context):
    """
        初始化
    """
    context.i = 0  # 经历过的交易周期
    context.asset = symbol('bab_usd')  # 交易对
    context.base_price = None  # 初始价格
    context.signal = SIGNAL_INIT  # 交易信号

2. 策略实现

def handle_data(context, data):
    # 经历过的交易周期大于长周期均线窗口才开始计算
    context.i += 1
    if context.i < LONG_WIN + 1:
        return

    # 获取历史数据，返回series
    history_data = data.history(context.asset,
                                'close',
                                bar_count=LONG_WIN + 1,
                                frequency="1D",
                                )

    # 获取当前持仓数量
    pos_amount = context.portfolio.positions[context.asset].amount

    # 计算双均线
    """
        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()

    # 策略逻辑
    # 短期均线上穿长期均线，买入
    if (short_avgs[-2]) < (long_avgs[-2]) and (short_avgs[-1]) >= (long_avgs[-1]) and pos_amount == 0:
        # target买入百分比，1代表买入100%，0.5代表买入50%，0代表卖出
        order_target_percent(asset=context.asset, target=1)
        # 设置交易信号为买入
        context.signal = SIGNAL_BUY

    # 短期均线下穿长期均线，卖出
    if (short_avgs[-2] > long_avgs[-2]) and (short_avgs[-1]) <= (long_avgs[-1]) and pos_amount > 0:
        # target买入百分比，1代表买入100%，0.5代表买入50%，0代表卖出
        order_target_percent(asset=context.asset, target=0)
        # 设置交易信号为卖出
        context.signal = SIGNAL_SELL

    # 获取当前价格
    price = data.current(context.asset, 'price')

    # 如果初始价格没设置，把当前的价格设置为初始价格
    if context.base_price is None:
        context.base_price = price

    # 计算价格变化百分比，作为基准
    price_change = (price - context.base_price) / context.base_price

    # 记录每个交易周期的信息
    record(price=price,  # 价格
           cash=context.portfolio.cash,  # 现金
           price_change=price_change,  # 价格变化率
           short_mavg=short_avgs[-1],  # 短期均线
           long_mavg=long_avgs[-1],  # 长期均线
           signal=context.signal)  # 交易信号

    # 输出信息
    print('日期：{}, 价格：{:.4f}, 资产：{:.2f}, 持仓量：{:.8f}, {}'.format(
        data.current_dt, price, context.portfolio.portfolio_value, pos_amount, context.signal
    ))

    # 重置交易信号
    context.signal = SIGNAL_INIT

3. 策略分析和可视化

def analyze(context, perf):
    # 保存交易记录
    perf.to_csv('performance.csv')

    # 获取计价货币（USDT）
    exchange = list(context.exchanges.values())[0]
    quote_currency = exchange.quote_currency.upper()

    # 图1：输出资产值
    ax1 = plt.subplot(411)
    perf.loc[:, ['portfolio_value']].plot(ax=ax1)
    # ax1.legend_.remove()
    # 设置y轴
    ax1.set_ylabel('Portfolio Value\n({})'.format(quote_currency))
    # 设置区间
    start, end = ax1.get_ylim()
    # 设置刻度
    ax1.yaxis.set_ticks(np.arange(start, end, (end - start) / 5))

    # 图2：输出资产货币价格、移动均线和买卖点
    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))

    # 提取交易时间点
    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，买入点
        sell_df = transaction_df[transaction_df['amount'] < 0]  # 取到amount<0，卖出点
        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=''
        )

    # 图3：比较价格变化率和资产变化率（即比较策略收益率和基准收益率）
    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))

    # 图4：现金数量
    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. 主函数

因为BCH是在2018年11月13日上币的，所以开始时间选择这天。

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. 运行程序

首先导入数据：

catalyst ingest-exchange -x bitfinex -i bab_usd -f daily

运行程序：

可以看到，在2018年12月20日有买入信号，就是前文给出买点的那个图。

6. 输出图像

第一个图是持有BCH资产的价值走势
第二个图中绿色三角形代表买入点，红色三角形代表卖出点
第三个图是策略收益与基准收益的对比
第四个图是现金变动情况