# 使用交易策略类，创建更复杂的自定义策略 `qteasy`是一个完全本地化部署和运行的量化交易分析工具包，[Github地址在这里](https://github.com/shepherdpp/qteasy)，并且可以[通过pip安装](https://blog.csdn.net/Shepherdppz/article/details/136075222?spm=1001.2014.3001.5501)： ```bash $ pip install qteasy -U ``` `qteasy`具备以下功能： - 金融数据的获取、清洗、存储以及处理、可视化、使用 - 量化交易策略的创建，并提供大量内置基本交易策略 - 向量化的高速交易策略回测及交易结果评价 - 交易策略参数的优化以及评价 - 交易策略的部署、实盘运行 通过本系列教程，您将会通过一系列的实际示例，充分了解`qteasy`的主要功能以及使用方法。 ## 开始前的准备工作 在开始本节教程前，请先确保您已经掌握了下面的内容： - **安装、配置`qteasy`** —— [QTEASY教程1](1-get-started.md) - **设置了一个本地数据源**，并已经将足够的历史数据下载到本地——[QTEASY教程2](2-get-data.md) - **学会创建交易员对象，使用内置交易策略**，——[QTEASY教程3](3-start-first-strategy.md) - **学会使用混合器，将多个简单策略混合成较为复杂的交易策略**——[QTEASY教程4](4-build-in-strategies.md) - **了解如何自定义交易策略**——[QTEASY教程5](5-first-self-defined-strategy.md)[QTEASY教程6](6-more-self-defined-strategies.md) 在[QTEASY文档](https://qteasy.readthedocs.io/zh/latest/)中，还能找到更多关于使用内置交易策略、创建自定义策略等等相关内容。对`qteasy`的基本使用方法还不熟悉的同学，可以移步那里查看更多详细说明。 `qteasy`的内核被设计为一个兼顾高速执行以及足够的灵活性的框架，理论上您可以实现您所设想的任何类型的交易策略。 同时，`qteasy`的回测框架也做了相当多的特殊设计，可以完全避免您无意中在交易策略中导入"未来函数"，确保您的交易策略在回测时完全基于过去的数据，同时也使用了很多预处理技术以及JIT技术对内核关键函数进行了编译，以实现不亚于C语言的运行速度。 不过，为了实现理论上无限可能的交易策略，仅仅使用内置交易策略以及策略混合就不一定够用了，一些特定的交易策略，或者一些特别复杂的交易策略是无法通过内置策略混合而成的，这就需要我们使用`qteasy`提供的`Strategy`基类，基于一定的规则创建一个自定义交易策略了。 ## 本节的目标 在本节中，我们将介绍`qteasy`的交易策略基类，通过一个具体的例子详细讲解如何基于这几个基类，创建一个只属于您自己的交易策略。为了说明 ## 继承Strategy类，创建一个复杂的多因子选股策略 在这个例子中，我们使用 ```python import qteasy as qt import numpy as np def market_value_weighted(stock_return, mv, mv_cat, bp_cat, mv_target, bp_target): """ 根据mv_target和bp_target计算市值加权收益率，在策略中调用此函数计算加权收益率 """ sel = (mv_cat == mv_target) & (bp_cat == bp_target) mv_total = np.nansum(mv[sel]) mv_weight = mv / mv_total return_total = np.nansum(stock_return[sel] * mv_weight[sel]) return return_total class MultiFactors(qt.FactorSorter): """ 开始定义交易策略 """ def __init__(self, pars: tuple = (0.5, 0.3, 0.7)): """交易策略的初始化参数""" super().__init__( pars=pars, par_count=3, # 策略的可调参数有三个 par_types=['float', 'float', 'float'], # 参数1:大小市值分类界限，参数2:小/中bp分界线，参数3，中/大bp分界线 par_range=[(0.01, 0.99), (0.01, 0.49), (0.50, 0.99)], name='MultiFactor', description='根据Fama-French三因子回归模型估算HS300成分股的alpha值选股', strategy_run_timing='close', # 在周期结束（收盘）时运行 strategy_run_freq='m', # 每月执行一次选股（每周或每天都可以） strategy_data_types='pb, total_mv, close', # 执行选股需要用到的股票数据 data_freq='d', # 数据频率（包括股票数据和参考数据） window_length=20, # 回测时的视窗长度为20天 use_latest_data_cycle=True, # 设置使用最新的数据 reference_data_types='close-000300.SH', # 选股需要用到市场收益率，使用沪深300指数的收盘价计算，因此设置HS300指数的收盘价作为参考数据传入 max_sel_count=10, # 最多选出10支股票 sort_ascending=True, # 选择因子最小的股票 condition='less', # 仅选择因子小于某个值的股票 lbound=0, # 仅选择因子小于0的股票 ubound=0, # 仅选择因子小于0的股票 ) def realize(self, h, **kwargs): """ 策略的选股逻辑在realize()函数中定义 """ size_gate_percentile, bp_small_percentile, bp_large_percentile = self.pars # 读取投资组合的数据PB和total_MV的最新值 pb = h[:, -1, 0] # 当前所有股票的PB值 mv = h[:, -1, 1] # 当前所有股票的市值 pre_close = h[:, -2, 2] # 当前所有股票的前收盘价 close = h[:, -1, 2] # 当前所有股票的最新收盘价 # 读取参考数据(r) market_pre_close = r[-2, 0] # HS300的昨收价 market_close = r[-1, 0] # HS300的收盘价 # 计算账面市值比，为pb的倒数 bp = pb ** -1 # 计算市值的50%的分位点,用于后面的分类 size_gate = np.nanquantile(mv, size_gate_percentile) # 计算账面市值比的30%和70%分位点,用于后面的分类 bm_30_gate = np.nanquantile(bp, bp_small_percentile) bm_70_gate = np.nanquantile(bp, bp_large_percentile) # 计算每只股票的当日收益率 stock_return = pre_close / close - 1 # 根据每只股票的账面市值比和市值，给它们分配bp分类和mv分类 # 市值小于size_gate的cat为1，否则为2 mv_cat = np.ones_like(mv) mv_cat += (mv > size_gate).astype('float') # bp小于30%的cat为1，30%～70%之间为2，大于70%为3 bp_cat = np.ones_like(bp) bp_cat += (bp > bm_30_gate).astype('float') bp_cat += (bp > bm_70_gate).astype('float') # 获取小市值组合的市值加权组合收益率 smb_s = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 1) + market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 2) + market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 3)) / 3 # 获取大市值组合的市值加权组合收益率 smb_b = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 1) + market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 2) + market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 3)) / 3 smb = smb_s - smb_b # 获取大账面市值比组合的市值加权组合收益率 hml_b = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 3) + market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 3)) / 2 # 获取小账面市值比组合的市值加权组合收益率 hml_s = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 1) + market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 1)) / 2 hml = hml_b - hml_s # 计算市场收益率 market_return = market_pre_close / market_close - 1 coff_pool = [] # 对每只股票进行回归获取其alpha值 for rtn in stock_return: x = np.array([[market_return, smb, hml, 1.0]]) y = np.array([[rtn]]) # OLS估计系数 coff = np.linalg.lstsq(x, y)[0][3][0] coff_pool.append(coff) # 以alpha值为股票组合的选股因子执行选股 factors = np.array(coff_pool) return factors ``` ### 策略和回测参数配置，并开始回测 定义好上面的策略之后，就可以开始进行回测了，我们需要在`qteasy`中创建一个交易员对象，操作前面创建的策略： ```python shares = qt.filter_stock_codes(index='000300.SH', date='20190501') # 选择股票池，包括2019年5月以来所有沪深300指数成分股 # 设置回测的运行参数 qt.config(mode=1, # mode=1表示回测模式 invest_start='20160405', # 回测开始日期 invest_end='20210201', # 回测结束日期 asset_type='E', # 投资品种为股票 asset_pool=shares, # shares包含同期沪深300指数的成份股 trade_batch_size=100, # 买入批量为100股 sell_batch_size=1, # 卖出批量为整数股 trade_log=True, # 生成交易记录 ) # 开始策略的回测 alpha = MultiFactors() # 生成一个交易策略的实例，名为alpha op = qt.Operator(alpha, signal_type='PT') # 生成交易员对象，操作alpha策略，交易信号的类型为‘PT'，意思是生成的信号代表持仓比例，例如1代表100%持有股票，0.35表示持有股票占资产的35% op.op_type = 'stepwise' # 运行模式为步进模式 op.set_blender('1.0*s0', "close") # 交易策略混合方式，只有一个策略，不需要混合 op.run() # 开始运行 ``` 运行结果如下： ```bash ==================================== | | | BACK TESTING RESULT | | | ==================================== qteasy running mode: 1 - History back testing time consumption for operate signal creation: 0.0 ms time consumption for operation back looping: 8 sec 335.0 ms investment starts on 2016-04-05 00:00:00 ends on 2021-02-01 00:00:00 Total looped periods: 4.8 years. -------------operation summary:------------ Only non-empty shares are displayed, call "loop_result["oper_count"]" for complete operation summary Sell Cnt Buy Cnt Total Long pct Short pct Empty pct 000063.SZ 2 2 4 3.4% 0.0% 96.6% 000100.SZ 3 3 6 5.2% 0.0% 94.8% 000157.SZ 1 1 2 1.8% 0.0% 98.2% 000333.SZ 2 2 4 3.4% 0.0% 96.6% 000338.SZ 1 1 2 1.7% 0.0% 98.3% 000413.SZ 2 2 4 3.6% 0.0% 96.4% 000596.SZ 1 1 2 1.8% 0.0% 98.2% 000625.SZ 3 3 6 5.3% 0.0% 94.7% 000629.SZ 1 1 2 1.7% 0.0% 98.3% 000651.SZ 1 1 2 1.7% 0.0% 98.3% ... ... ... ... ... ... ... 688005.SH 1 2 3 3.3% 0.0% 96.7% 000733.SZ 1 1 2 1.8% 0.0% 98.2% 002180.SZ 1 1 2 1.7% 0.0% 98.3% 600039.SH 1 1 2 1.7% 0.0% 98.3% 600803.SH 1 1 2 1.7% 0.0% 98.3% 601615.SH 1 1 2 1.8% 0.0% 98.2% 000983.SZ 2 2 4 3.3% 0.0% 96.7% 600732.SH 3 4 7 6.7% 0.0% 93.3% 600754.SH 1 1 2 1.8% 0.0% 98.2% 601699.SH 1 1 2 1.7% 0.0% 98.3% Total operation fee: ¥ 7,063.30 total investment amount: ¥ 100,000.00 final value: ¥ 584,928.02 Total return: 484.93% Avg Yearly return: 44.15% Skewness: -0.14 Kurtosis: 2.77 Benchmark return: 65.96% Benchmark Yearly return: 11.06% ------strategy loop_results indicators------ alpha: 0.428 Beta: 0.371 Sharp ratio: 1.376 Info ratio: 0.076 250 day volatility: 0.287 Max drawdown: 35.84% peak / valley: 2018-06-12 / 2019-01-02 recovered on: 2019-03-05 ===========END OF REPORT============= ``` ![png](img/output_4_4.png) ## 本节回顾 在本节中，我们通过一个具体的例子，详细讲解了如何基于`qteasy`的交易策略基类，创建一个只属于您自己的交易策略。通过这个例子，您可以看到，`qteasy`的交易策略基类提供了足够的灵活性，可以实现您所设想的任何类型的交易策略。 从下一个教程开始，我们将会介绍`qteasy`交易策略优化方法，通过多种优化算法，找到最优的交易策略参数，以及评价交易策略的性能。