在本教程中,我们假设 RQAlpha 已经正确安装在您的系统中,并且已经完成了相应回测数据的同步,如果有任何安装相关的问题,请首先查看 intro-install
我们从 intro-examples
中选取 intro-examples-buy-and-hold
来进行回测。
在进行回测的过程中需要明确以下几个回测要素:
- 数据源路径
- 策略文件路径
- 回测起始时间
- 回测结束时间
- 起始资金
- Benchmark
假如我们的策略存放在了 ./rqalpha/examples/buy_and_hold.py
路径下, 数据源存放在 ./rqalpha/bundle/
路径下,回测的起始时间为 2016-06-01
, 结束时间为 2016-12-01
,我们给策略分配的起始资金为 100000
, Benchmark 设置为 000300.XSHG
那么我们通过如下命令来运行回测
rqalpha run -f ./rqalpha/examples/buy_and_hold.py -d ./rqalpha/bundle/ -s 2016-06-01 -e 2016-12-01 --stock-starting-cash 100000 --benchmark 000300.XSHG
如果我们想要以图形的方式查看回测的结果, 则增加 --plot
参数
rqalpha run -f ./rqalpha/examples/buy_and_hold.py -d ./rqalpha/bundle/ -s 2016-06-01 -e 2016-12-01 --stock-starting-cash 100000 --benchmark 000300.XSHG --plot
如果想把回测的数据保存下来,可以通过 -o
参数将结果保存成 pkl
文件。
rqalpha run -f ./rqalpha/examples/buy_and_hold.py -d ./rqalpha/bundle/ -s 2016-06-01 -e 2016-12-01 --stock-starting-cash 100000 --benchmark 000300.XSHG --plot -o result.pkl
等回测结束后可以通过 pandas.read_pickle
函数来读取数据进行之后的数据分析。
import pandas as pd
result_dict = pd.read_pickle('result.pkl')
result_dict.keys()
# [out]dict_keys(['total_portfolios', 'summary', 'benchmark_portfolios', 'benchmark_positions', 'stock_positions', 'trades', 'stock_portfolios'])
更多参数配置请查看 api-config
RQAlpha 抽离了策略框架的所有技术细节,以API的方式提供给策略研发者用于编写策略,从而避免陷入过多的技术细节,而非金融程序建模本身。
RQAlpha 的 API 主要分为三类:约定函数、数据查询和交易接口。
- 约定函数: 作为 API 的入口函数,用户必须实现对应的约定函数才可以正确的使用RQAlpha
init
: 初始化方法,会在程序启动的时候执行handle_bar
: bar数据更新时会自动触发调用before_trading
: 会在每天策略交易开始前调用after_trading
: 会在每天交易结束后调用
# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
# 在context中保存全局变量
context.s1 = "000001.XSHE"
# 实时打印日志
logger.info("RunInfo: {}".format(context.run_info))
# before_trading此函数会在每天策略交易开始前被调用,当天只会被调用一次
def before_trading(context):
logger.info("开盘前执行before_trading函数")
# 你选择的证券的数据更新将会触发此段逻辑,例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
logger.info("每一个Bar执行")
logger.info("打印Bar数据:")
logger.info(bar_dict[context.s1])
# after_trading函数会在每天交易结束后被调用,当天只会被调用一次
def after_trading(context):
logger.info("收盘后执行after_trading函数")
至此,我们写出了一个“完整”的策略,但是该策略实际上什么也没有做。
接下来,我们需要获取数据,根据数据来确定我们的仓位逻辑,因此会使用到数据查询的 API 接口。
- 数据查询
all_instruments
: 获取所有合约基础信息数据instruments
: 获取合约详细数据history_bars
: 获取某一合约的历史数据current_snapshot
: 获取当前快照数据get_future_contracts
: 获取期货可以交易合约列表get_trading_dates
: 获取交易日列表get_previous_trading_date
: 获取上一日交易日get_next_trading_date
: 获取下一个交易日get_yield_curve
: 获取收益率曲线is_suspended
: 判断某股票当天是否停牌is_st_stock
: 判断某股票是否为 *st
Ricequant 金融、财务、合约历史数据等数据接口请查看 api-extend-api
- bar_dict: 在
handle_bar
中我们可以使用 bar_dict 来获取相应的Bar
数据,`bar_dict` 是一个字典类型变量,直接通过传 key 的方式就可以获取到对应的Bar
数据。 - 我们可以引用第三方库来帮我们生成相应的指标序列,比如使用 TA-Lib 来获取移动平均线序列。TA-Lib 的安装可以参考
intro-detail-install-talib
相应文档。
import talib
# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
# 在context中保存全局变量
context.s1 = "000001.XSHE"
# 实时打印日志
logger.info("RunInfo: {}".format(context.run_info))
# 设置这个策略当中会用到的参数,在策略中可以随时调用,这个策略使用长短均线,我们在这里设定长线和短线的区间,在调试寻找最佳区间的时候只需要在这里进行数值改动
context.SHORTPERIOD = 20
context.LONGPERIOD = 120
# before_trading此函数会在每天策略交易开始前被调用,当天只会被调用一次
def before_trading(context):
logger.info("开盘前执行before_trading函数")
# 你选择的证券的数据更新将会触发此段逻辑,例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
logger.info("每一个Bar执行")
logger.info("打印Bar数据:")
logger.info(bar_dict[context.s1])
# 因为策略需要用到均线,所以需要读取历史数据
prices = history_bars(context.s1, context.LONGPERIOD+1, '1d', 'close')
# 使用talib计算长短两根均线,均线以array的格式表达
short_avg = talib.SMA(prices, context.SHORTPERIOD)
long_avg = talib.SMA(prices, context.LONGPERIOD)
plot("short avg", short_avg[-1])
plot("long avg", long_avg[-1])
# 计算现在portfolio中股票的仓位
cur_position = context.portfolio.positions[context.s1].quantity
# 计算现在portfolio中的现金可以购买多少股票
shares = context.portfolio.cash/bar_dict[context.s1].close
# 如果短均线从上往下跌破长均线,也就是在目前的bar短线平均值低于长线平均值,而上一个bar的短线平均值高于长线平均值
if short_avg[-1] - long_avg[-1] < 0 and short_avg[-2] - long_avg[-2] > 0 and cur_position > 0:
# 进行清仓
logger.info("进行清仓")
# 如果短均线从下往上突破长均线,为入场信号
if short_avg[-1] - long_avg[-1] > 0 and short_avg[-2] - long_avg[-2] < 0:
# 满仓入股
logger.info("满仓入股")
# after_trading函数会在每天交易结束后被调用,当天只会被调用一次
def after_trading(context):
logger.info("开盘前执行after_trading函数")
至此,我们已经获取到了开仓和平仓的信号,那么接下来就需要调用交易接口来进行交易了。
- 交易接口: 我们提供了多种交易接口,以方便不同的使用需求
order_shares
: 【股票专用】指定股数交易order_lots
: 【股票专用】指定手数交易order_value
: 【股票专用】指定价值交易order_percent
:【股票专用】 一定比例下单order_target_value
: 【股票专用】按照目标价值下单order_target_percent
: 【股票专用】按照目标比例下单buy_open
: 【期货专用】买开sell_close
:【期货专用】 平买仓sell_opem
: 【期货专用】卖开buy_close
: 【期货专用】平卖仓cancel_order
: 撤单get_open_orders
: 获取未成交订单数据
我们分别使用 order_target_value
和 order_shares
进行平仓和开仓的操作,顺便把日志相关的代码删除,就是一个完整的 intro-examples-golden-cross
了。
import talib
# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
# 在context中保存全局变量
context.s1 = "000001.XSHE"
# 设置这个策略当中会用到的参数,在策略中可以随时调用,这个策略使用长短均线,我们在这里设定长线和短线的区间,在调试寻找最佳区间的时候只需要在这里进行数值改动
context.SHORTPERIOD = 20
context.LONGPERIOD = 120
# before_trading此函数会在每天策略交易开始前被调用,当天只会被调用一次
def before_trading(context):
pass
# 你选择的证券的数据更新将会触发此段逻辑,例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
# 因为策略需要用到均线,所以需要读取历史数据
prices = history_bars(context.s1, context.LONGPERIOD+1, '1d', 'close')
# 使用talib计算长短两根均线,均线以array的格式表达
short_avg = talib.SMA(prices, context.SHORTPERIOD)
long_avg = talib.SMA(prices, context.LONGPERIOD)
plot("short avg", short_avg[-1])
plot("long avg", long_avg[-1])
# 计算现在portfolio中股票的仓位
cur_position = context.portfolio.positions[context.s1].quantity
# 计算现在portfolio中的现金可以购买多少股票
shares = context.portfolio.cash/bar_dict[context.s1].close
# 如果短均线从上往下跌破长均线,也就是在目前的bar短线平均值低于长线平均值,而上一个bar的短线平均值高于长线平均值
if short_avg[-1] - long_avg[-1] < 0 and short_avg[-2] - long_avg[-2] > 0 and cur_position > 0:
# 进行清仓
order_target_value(context.s1, 0)
# 如果短均线从下往上突破长均线,为入场信号
if short_avg[-1] - long_avg[-1] > 0 and short_avg[-2] - long_avg[-2] < 0:
# 满仓入股
order_shares(context.s1, shares)
# after_trading函数会在每天交易结束后被调用,当天只会被调用一次
def after_trading(context):
pass
可以看到,我们使用 plot 函数绘制内容,也出现在了输出的结果中。
$ rqalpha run -s 2014-01-01 -e 2016-01-01 -f rqalpha/examples/golden_cross.py -sc 100000 -p -bm 000001.XSHE