AmazingQuant——智能投资Lab，为交易而生。包含策略组合研究服务、量化数据服务、指标计算服务、绩效分析服务四大功能模块。
1.1 策略组合研究服务
四大类策略模型组合的研究体系
（1）选股模型
单因子检测，因子合成，组合权重优化
（2）风险预警模型
事件风险等建立黑白名单模型
（3）择时模型
仓位控制、基差择时、行业风格轮动
（4）T+0模型
满足回测与实盘的策略无缝对接
1.2 量化数据服务
1.2.1 历史数据存储
存储到服务器的mongoDB作为数据服务器，并保存到本地的HDF5，满足策略需求。
（1）基础行情数据
tick、1min、5min、日线等周期的股票、指数、期货行情数据
（2）基本面数据
财务数据
股本数据
（3）行情衍生数据
龙虎榜数据
指数成分股数据
行业板块成分股数据
行业指数日线行情数据
1.2.1 实时行情对接
（1）股票、指数、期货的tick数据实时全推行情
（2）重采样为1min、5min、日线等三个周期数据
1.3 指标计算服务
历史指标计算满足策略研究，实时指标计算满足实盘交易
（1）日线、周线、月线、年线周期等低频指标的历史数据计算，固定存储为HDF5格式，
（2）分钟、tick周期等高频数据指标计算，历史数据计算和实时指标计算两部分
1.4 绩效分析服务
回测数据格式对接，满足策略研究的评价；实盘数据格式对接，满足实盘运行的监控。
1.4.1 净值数据分析
（1）年化波动率,日收益波动率,月收益波动率，该值表明因子对收益率贡献的波动程度
（2）日收益率分布,月收益率分布,正收益天数,负收益天数,日胜率,月胜率,峰度,偏度
（3）最大回撤
（4）夏普比率,calmar比率,特雷诺比率,索提诺比率
（5）beta,跟踪误差,信息比率
1.4.2 交易数据分析
（1）也针对回测的：滑点损失
（2）总交易次数、日均交易次数、胜率（个股从建仓到完全平仓）、平均持仓周期、换手率、交易费用、总交易金额
（3）分每只股票统计，交易数量、金额、时间
1.4.3 持仓数据分析
（1）持仓行业市值、占比
（2）持仓PE，PB等
1.4.4 绩效归因
（1）多因子归因
投资收益分为每个风格（行业）因子收益、特殊收益、日内调仓收益
（2）brinson归因
投资收益分为基准收益和超额收益，其中超额收益分为：资产配置收益、个股选择收益和交互收益
（3）收益分解
市场中性策略,基本分解公式为：总收益=交易收益+选股收益+择时收益+基差收益+交易成本
纯股票策略,基本分解公式为：总收益=交易收益+选股收益+择时收益+基准收益+交易成本
下图是总体框架架构。
- data_center
- to_mongoDB 存放行情、财务等各种数据到MongoDB的存储模块
- get_data 策略中从数据库中取数据的接口模块
- trade_center
- mossion_engine 包含下单任务（event_order）和风控（event_risk_management）两部分的engine，分别完成下单前的检查和风控
- broker_engine 分为回测时的simulate的broker（主要是event_deal）撮合成交和连接实盘交易CTP、xSpeed等接口两部分
- strategy_center
- bar_engine 在回测或者交易模式下，用
逐K线的方式执行每一根bar的交易逻辑，可在日线、分钟线、分笔下运行
- bar_engine 在回测或者交易模式下，用
- analysis_center
- analysis_engine 对回测形成的交易记录进行分析和可视化，净值、年化收益、alpha、beta、回撤等指标，brison、Fama等经典模型的实现
- MongoDB 3.4
建议使用shard，配置启动项示例 - pymongo
python调用MongoDB - talib
技术指标计算库 - anaconda
python 3.5 的版本，如果大于3.5的版本，ctp的接口暂时不能用，因为编译问题，后续可以解决 - Linux Ubuntu
开发环境是ubuntu，当然也可以在windows下用，但是数据库的配置和ctp等交易接口需要重新做 - 安装AmazingQuant pip install AmazingQuant 直接安装
#-*- coding: utf-8 -*-
# ------------------------------
# @Time : 2019/11/14
# @Author : gao
# @File : example_strategy.py.py
# @Project : AmazingQuant
# ------------------------------
import time
from AmazingQuant.utils.performance_test import Timer
# import strategy基类
from AmazingQuant.strategy_center.strategy import *
# 取各种数据
from AmazingQuant.data_center.api_data.get_index_member import GetIndexMember
from AmazingQuant.indicator_center.save_get_indicator import SaveGetIndicator
from AmazingQuant.utils.logger import Logger
from AmazingQuant.environment import Environment
# 继承strategy基类
class MaStrategy(StrategyBase):
def __init__(self, strategy_name='ma_strategy'):
"""
用户定义类变量
取本地数据
:param strategy_name:
"""
super().__init__(strategy_name=strategy_name)
# 取指数成分股实例
self.index_member_obj = GetIndexMember()
# 取K线数据实例
self.data_class = GetKlineData()
# 取指标实例
self.indicator = SaveGetIndicator()
# 取指标数据
self.ma5 = self.indicator.get_indicator('ma5')
self.ma10 = self.indicator.get_indicator('ma10')
self.now = time.time()
Environment.logger = Logger(strategy_name)
def initialize(self):
# 设置运行模式，回测或者交易
self.run_mode = RunMode.BACKTESTING.value
# 设置回测资金账号
self.account = ['test0']
# 设置回测资金账号资金量
self.capital = {'test0': 2000000}
# 设置回测基准
self.benchmark = '000300.SH'
# 设置复权方式
self.rights_adjustment = RightsAdjustment.FROWARD.value
# 设置回测起止时间
self.start = datetime(2018, 1, 1)
self.end = datetime(2019, 1, 1)
# 设置运行周期
self.period = 'daily'
self.index_member_obj.get_all_index_members()
_, index_members_all = self.index_member_obj.get_index_members('000300.SH')
self.universe = index_members_all
# 设置在运行前是否缓存日线，分钟线等各个周期数据
self.daily_data_cache = True
Environment.logger.info(self.universe)
# 回测滑点设置，按固定值0.01,20-0.01 = 19.99;百分比0.01,20*(1-0.01) = 19.98;平仓时用'+'
self.set_slippage(stock_type=StockType.STOCK.value, slippage_type=SlippageType.SLIPPAGE_FIX.value, value=0.01)
# 回测股票手续费和印花税，卖出印花税，千分之一；开仓手续费，万分之三；平仓手续费，万分之三，最低手续费，５元
# 沪市，卖出有万分之二的过户费，加入到卖出手续费
self.set_commission(stock_type=StockType.STOCK_SH.value, tax=0.001, open_commission=0.0003,
close_commission=0.00032,
close_today_commission=0, min_commission=5)
# 深市不加过户费
self.set_commission(stock_type=StockType.STOCK_SZ.value, tax=0.001, open_commission=0.0003,
close_commission=0.0003,
close_today_commission=0, min_commission=5)
def handle_bar(self, event):
Environment.logger.info('self.time_tag', self.time_tag, datetime.now(), (time.time() - self.now) * 1000)
Environment.logger.debug(len(Environment.bar_position_data_list))
# 取当前bar的持仓情况
with Timer(True):
available_position_dict = {}
for position in Environment.bar_position_data_list:
available_position_dict[
position.instrument + '.' + position.exchange] = position.position - position.frozen
index_member_list = self.index_member_obj.get_index_member_in_date(self.time_tag)
close_price_all = self.data_class.get_market_data(Environment.daily_data, stock_code=index_member_list,
field=['close'],
start=self.time_tag, end=self.time_tag)
# 循环遍历股票池
for stock in index_member_list:
# 取当前股票的收盘价
close_price = close_price_all['close'][stock]
if close_price:
ma5 = self.ma5[stock][self.time_tag]
ma20 = self.ma10[stock][self.time_tag]
if ma5 and ma20:
# 如果5日均线突破20日均线，并且没有持仓，则买入这只股票100股，以收盘价为指定价交易
if ma5 > ma20 and stock not in available_position_dict.keys() and stock in index_member_list:
self.trade.order_shares(stock_code=stock, shares=100, price_type='fix',
order_price=close_price,
account_id=self.account[0])
Environment.logger.info('buy', stock, -1, 'fix', close_price, self.account)
# 如果20日均线突破5日均线，并且有持仓，则卖出这只股票100股，以收盘价为指定价交易
elif ma5 < ma20 and stock in available_position_dict.keys():
self.trade.order_shares(stock_code=stock, shares=-100, price_type='fix',
order_price=close_price,
account_id=self.account[0])
Environment.logger.info('sell', stock, -1, 'fix', close_price, self.account)
for stock in available_position_dict.keys():
if stock not in index_member_list:
Trade(self).order_shares(stock_code=stock, shares=-100, price_type='fix',
order_price=close_price,
account_id=self.account[0])
Environment.logger.info('sell not in index_member_list', stock, -1, 'fix', close_price,
self.account)
self.now = time.time()
if __name__ == '__main__':
# 测试运行完整个策略所需时间，沪深300动态股票池，一年数据，均线策略,10s完成,10S绩效分析
with Timer(True):
# 运行策略，设置是否保存委托，成交，资金，持仓
ma_strategy = MaStrategy()
ma_strategy.run(save_trade_record=True)
- 已实现
- 数据库搭建
- 读取数据
- 策略运行回测
- 回测交易记录的保存和分析
- 实盘CTP接口的封装
- 即将实现
- 各种数据的对接
例如股票的分钟数据、股票财务数据、股票板块成分股、期货分钟数据、日线数据等 - CTP等交易接口与broker_engine对接
CTP、xSpeed等 - 对回测区间的每一根bar的交易和持仓情况可视化
- 回测分析模块的丰富
增加brison、FAMA等各种绩效归因模型的分析和可视化
- 各种数据的对接
欢迎加qq群讨论: 788279189 qq群链接
我的qq：37475036