自己做量化交易软件(43)小白量化实战16--利用小白量化金融模块在恒生PTrade交易系统(交易端)上仿大智慧指标回测及实战交易设计

自己做量化交易软件(43)小白量化实战16–利用小白量化金融模块在恒生PTrade交易系统(交易端)上仿大智慧指标回测及实战交易设计

量化产品PTrade(Personalise Trade)交易系统采用事件驱动式回测平台，与聚宽量化平台类似的量化框架，内置Ta-lib金融模块，除了Ta-lib提供的金融指标外，用户无法直接使用仿大智慧自编公式，需要采用类似C++的算法来实现指标策略。
众所周知，Python如何使用C++的程序算法流程，包含大量嵌套循环，效率极其低下。以此方法实现的自编策略，回测1个月，可能需要数小时才能完成。因此在做设计策略时，尽量依赖C++的Python模块开发的numpy和pandas库实现，同样的回测工作，数十秒完成。
小白量化金融模块仿大智慧指标系统，主要依赖numpy库和pandas库，因此计算速度很快。此外后期版本将一些numpy库和pandas库没有的大智慧和通达信函数都转化为C++的Python模块，提高仿大智慧和仿通达信自编指标回测速度，也可以实现因子矩阵自编公式运算。目前是个别函数以Python代码实现的，使用这些函数调用，将降低回测速度，例如SMA(),WMA()，ZIG()等函数，这些是用纯Python代码实现的，因使用了嵌套循环计算，所以速度比较慢。后期计划都转化为C++的Python模块，达到与numpy库和pandas库一样的计算速度。
其他不多说了，下面直接给出PTrade(Personalise Trade)交易系统上自编公式MACD交易策略的实现代码，读者可以仿造此程序，替换为自己的自编指标公式，在PTrade上实现仿大智慧和仿通达信自编指标回测和实战交易。

import pandas as pd  
import numpy  as npglobal CLOSE,LOW,HIGH,OPEN,VOL
global C,L,H,O,V
##从小白量化公式函数库中复制.
## 函数来源 HP_formula
def ABS(Series):  #绝对值 return abs(Series)def SUM(Series, N):if N<=0:N=len(Series)sum_=pd.Series.rolling(Series, N).sum()return pd.Series(sum_,name='sums')def EMA(Series, N):return pd.Series.ewm(Series, span=N, min_periods=N - 1, adjust=True).mean()def HHV(Series, N):if N==0:return Series.cummax()else:return pd.Series(Series).rolling(N).max()def LLV(Series, N):if N==0:return Series.cummin()else:return pd.Series(Series).rolling(N).min()def CROSS(A, B):A2=np.array(A)var = np.where(A2<B, 1, 0)return (pd.Series(var, index=A.index).diff()<0).apply(int)def IF(COND, V1, V2):var = np.where(COND, V1, V2)return pd.Series(var)def REF(Series, N,sign=0):#sign=1表示保留数据,并延长序列if sign==1:for i in range(N):Series=Series.append(pd.Series([0],index=[len(Series)+1]))return Series.shift(N)#来源于网上自编指标公式，或股票软件中公式源代码
#MACD 指数平滑移动平均线
def MACD(SHORT=12, LONG=26, M=9):"""MACD 指数平滑移动平均线"""DIFF = EMA(CLOSE, SHORT) - EMA(CLOSE, LONG)DEA = EMA(DIFF, M)MACD = (DIFF - DEA) * 2return DIFF,DEA,MACD#Ptrade交易策略编写
def initialize(context):# 初始化此策略# 设置我们要操作的股票池, 这里我们只操作一支股票g.security = '600519.SS'set_universe(g.security)#当五日均线高于十日均线时买入，当五日均线低于十日均线时卖出
def handle_data(context, data):global CLOSE,LOW,HIGH,OPEN,VOLsecurity = g.security# 得到十日前的历史价格mydf= get_price(g.security, count=300, frequency='1d',fields=['open','close','low','high','volume'])#小白量化数据规格化mydf['date']=mydf.indexmydf=mydf.reset_index(level=None, drop=True ,col_level=0, col_fill='')  CLOSE=mydf['close']LOW=mydf['low']HIGH=mydf['high']OPEN=mydf['open']VOL=mydf['volume']#计算MACD指标diff,dea,macd=MACD()mydf['diff']=diffmydf['dea']=deamydf['macd']=macd#交易策略,仅供演示#买点:MACD指标diff上穿dea数值，并且diff小于0mydf['B']=CROSS(mydf['diff'],mydf['dea'])*IF(mydf['diff']<0,1,0)#卖点:MACD指标diff下穿dea数值mydf['S']=CROSS(mydf['dea'],mydf['diff'])# 取得昨天收盘价price = data[security]['close']# 得到当前资金余额cash = context.portfolio.cash# 如果出现买点if mydf['B'].iloc[-1] > 0:# 用所有 cash 买入股票order_value(security, cash)# 记录这次买入log.info("Buying %s" % (security))# 如果出现卖点elif mydf['S'].iloc[-1]>0 and get_position(security).amount > 0:# 全部卖出order_target(security, 0)# 记录这次卖出log.info("Selling %s" % (security))