-
Notifications
You must be signed in to change notification settings - Fork 645
技术指标
QuantDigger中技术指标的使用方法是在策略函数 on_init 中初始化，然后在其它策略函数中使用它。技术指标有两种运行方式，
逐步执行和向量执行。逐步执行是针对实盘数据的，只对最新的数据运行，由于目前无法实盘，不展开讨论。向量运行用在回测中，特点是一次计算所有的
值，然后逐步引用它，优点是效率高。技术指标分为两类： 单值指标 ，如移动平均线； 多值指标 ，如布林带。所有的技术指标都继承 TechnicalBase 类。
注意：无论是逐步还是向量方式运行, 针对的都是指标，策略函数都是逐步运行的，因为很难以向量运行的方式写策略。
一个移动平均线指标为例子。
class MA(TechnicalBase):
""" 移动平均线指标。 """
@tech_init
def __init__(self, data, n, name='MA',
color='y', lw=1, style="line"):
super(MA, self).__init__(data, n, name)
# 必须的函数参数
self._args = [data, n]
def _rolling_algo(self, data, n, i):
""" 逐步运行函数。"""
return (talib.SMA(data, n)[i], )
def _vector_algo(self, data, n):
"""向量化运行, 必须对self.values赋值。"""
self.values = talib.SMA(data, n)
def plot(self, widget):
""" 绘图，参数可由UI调整。 """
self.widget = widget
self.plot_line(self.values, self.color, self.lw, self.style)@tech_init 函数修饰器会把传递给类实例构造函数 __init__ 的参数构建为类的成员变量, 并触发向量计算，从而简化代码。所以以下代码会为类构建成员变量： self.data, self.n, self.name, self.color, self.lw, self.style 。
参数 data 是类型为 np.ndarray 的数据， n 表计算窗口的长度， name 表指标的名称。 其它是指标的绘图参数。
self._args 是传递给指标的逐步函数和向量函数的参数, 是必须有的。
@tech_init
def __init__(self, data, n, name='MA',
color='y', lw=1, style="line"):
super(MA, self).__init__(data, n, name)
# 必须的函数参数
self._args = [data, n]_rolling_algo 是指标的逐步计算函数， _vector_algo 是指标的向量计算函数。它们都会被指标父类 TechnicalBase 调用，参数对用于
self._args ，其中逐步函数多了一个 i, 表示当前所在步数，即在数组中的索引，虽然是逐步运行，但是参数 data 的大小也是预分配好的, 这样可以提示效率。 self.values 存放向量计算的结果，也是必须有的。
def _rolling_algo(self, data, n, i):
""" 逐步运行函数。"""
return (talib.SMA(data, n)[i], )
def _vector_algo(self, data, n):
"""向量化运行, 必须对self.values赋值。"""
self.values = talib.SMA(data, n)布林带指标例子。多值指标和单指指标的定义大同小异，主要的不同是多值指标的计算结果有多个返回值。因此，多值指标的逐步计算 返回一个元组，它的向量计算放回一个字典，对应于不同的返回值。
class BOLL(TechnicalBase):
""" 布林带指标。 """
@tech_init
def __init__(self, data, n, name='BOLL', colors=('y', 'b', 'g'), lw=1, style="line"):
super(BOLL, self).__init__(name)
self._args = [data, n, 2, 2]
def _rolling_algo(self, data, n, a1, a2, i):
""" 逐步运行函数。"""
upper, middle, lower = talib.BBANDS(data, n, a1, a2)
return (upper[i], middle[i], lower[i])
def _vector_algo(self, data, n, a1, a2):
"""向量化运行"""
u, m, l = talib.BBANDS(data, n, a1, a2)
self.values = {
'upper': u,
'middler': m,
'lower': l
}
def plot(self, widget):
""" 绘图，参数可由UI调整。 """
self.widget = widget
self.plot_line(self.values['upper'], self.colors[0], self.lw, self.style)
self.plot_line(self.values['middler'], self.colors[1], self.lw, self.style)
self.plot_line(self.values['lower'], self.colors[2], self.lw, self.style)单值指标变量和时序变量类似，都可通过索引取到前面的值。如 ctx.ma10[1] 表示前面一根bar上 ctx.ma10 的值。
多值指标返回的是字典， key 是指标名称， value 是时序变量。因此字典的值也可回溯引用。
def on_init(self, ctx):
"""初始化数据"""
ctx.ma10 = MA(ctx.close, 10)
ctx.boll = BOLL(ctx.close, 10)
def on_symbol(self, ctx):
print ctx.ma10
print ctx.ma10[1]
print boll['upper'], boll['middler'], boll['lower']
print boll['upper'][1], boll['middler'][1], boll['lower'][1]技术指标的绘制是基本需求。指标父类 TechnicalBase 继承了绘图类 PlotInterface, PlotInterface 定义了很多绘图函数，比如 plot_line, 并负责和QuantDigger的UI框架互动。其中 plot 函数是绘图的入口, self.widget = widget 是必须的。如果用户不关心移动平均线的绘制，那么无需定义 plot 函数。
关于界面的详情见 [UI 。
def plot(self, widget):
""" 绘图，参数可由UI调整。 """
self.widget = widget
self.plot_line(self.values, self.color, self.lw, self.style)指标类的使用和绘制并不是必须与QuantDigger的其它模块强耦合，用户可以根据自己的风格使用和绘制指标，就像如下代码，脱离QuantDigger的UI, 绘制两条移动平均线。详细代码见demo/plot_ma.py
# 创建画布
fig, ax = plt.subplots()
# 加载数据
price_data = pd.read_csv("./work/IF000.SHFE-10.Minute.csv",
index_col=0, parse_dates=True)
# 创建平均线
ma10 = MA(price_data.close, 10, 'MA10', 'y', 2)
ma20 = MA(price_data.close, 60, 'MA10', 'b', 2)
# 绘制指标
ma10.plot(ax)
ma20.plot(ax)
plt.show()绘图指标和技术指标类似，只不过它不存在逐步和向量计算之分，绘制所需的数据直接在构造函数赋值，并且只能做绘图，无法被 策略函数使用。比如下面的资金曲线绘制, 它能很好的和系统的UI结合, 见demo/plot_strategy.py
class EquityCurve(PlotInterface):
""" 资金曲线 """
@plot_init
def __init__(self, data, name='EquityCurve', color='black', lw=1, style='line'):
super(EquityCurve, self).__init__(name, None)
self.values = data
def plot(self, widget):
self.widget = widget
self.plot_line(self.values, self.color, self.lw, self.style)