内置交易策略

qteasy提供了70多种内置交易策略，用户可以很容易地直接使用这些交易策略，同时，qteasy提供了一套交易策略组合机制，用户可以将多个简单的交易策略组合成一个比较复杂的交易策略，策略的组合方式是可以灵活设定的。将多个简单交易策略组合成一个复杂的策略后，同样可以使用策略优化工具搜索整个复杂策略的最佳参数。

在这篇教程中，您将了解如何使用内置交易策略，如何组合策略，如何设定组合规则实现复杂策略，以及如何优化策略。

内置交易策略的使用

`qt.get_built_in_strategy(id)`

`qt.built_in_list(stg_id=None)`

上面三个方法的输出是一样的，都用一个dict列出所有的内置交易策略，dict的key是交易策略的ID，value是交易策略对象。如果给出stg_id，则打印出指定的交易策略的详细信息。例如：

# 获取内置交易策略的清单
stg_list = qt.built_ins('dma')

打印如下信息：

DMA择时策略

策略参数：
    s, int, 短均线周期
    l, int, 长均线周期
    d, int, DMA周期
信号类型：
    PS型：百分比买卖交易信号
信号规则：
    在下面情况下产生买入信号：
    1， DMA在AMA上方时，多头区间，即DMA线自下而上穿越AMA线后，输出为1
    2， DMA在AMA下方时，空头区间，即DMA线自上而下穿越AMA线后，输出为0
    3， DMA与股价发生背离时的交叉信号，可信度较高

策略属性缺省值：
默认参数：(12, 26, 9)
数据类型：close 收盘价，单数据输入
采样频率：天
窗口长度：270
参数范围：[(10, 250), (10, 250), (8, 250)]
策略不支持参考数据，不支持交易数据

在qteasy中，可以直接使用策略的ID获取内置交易策略

除了使用qt.get_built_in_strategy()获取交易策略以外，在创建Operator对象的时候，将内置交易策略的ID作为参数传入，也可以直接创建交易策略。

# 获取内置交易策略的ID
strategy_ids = qt.built_ins().keys()
print(list(strategy_ids)[:10])

['crossline', 'macd', 'dma', 'trix', 'cdl', 'bband', 's-bband', 'sarext', 'ssma', 'sdema']

# 使用策略ID获取交易策略
stg = qt.get_built_in_strategy('trix')
# 显示策略的相关信息
stg.info()

Strategy_type:      RuleIterator
Strategy name:      TRIX
Description:        TRIX strategy, determine long/short position according to triple exponential weighted moving average prices
Strategy Parameter: (25, 125)

Strategy Properties     Property Value
---------------------------------------
Parameter count         2
Parameter types         ['int', 'int']
Parameter range         [(2, 50), (3, 150)]
Data frequency          d
Sample frequency        d
Window length           270
Data types              ['close']

# 通过策略ID直接生成Operator
op = qt.Operator(strategies='dma, macd')
# 通过op.get_stg或op[]获取交易策略
stg_dma = op.get_stg('dma')
stg_macd = op['macd']

# 查看两个交易策略的相关信息
stg_dma.info()
stg_macd.info()

Strategy_type:      RuleIterator
Strategy name:      DMA
Description:        Quick DMA strategy, determine long/short position according to differences of moving average prices with simple timing strategy
Strategy Parameter: (12, 26, 9)

Strategy Properties     Property Value
---------------------------------------
Parameter count         3
Parameter types         ['int', 'int', 'int']
Parameter range         [(10, 250), (10, 250), (10, 250)]
Data frequency          d
Sample frequency        d
Window length           270
Data types              ['close']

Strategy_type:      RuleIterator
Strategy name:      MACD
Description:        MACD strategy, determine long/short position according to differences of exponential weighted moving average prices
Strategy Parameter: (12, 26, 9)

Strategy Properties     Property Value
---------------------------------------
Parameter count         3
Parameter types         ['int', 'int', 'int']
Parameter range         [(10, 250), (10, 250), (10, 250)]
Data frequency          d
Sample frequency        d
Window length           270
Data types              ['close']

目前qteasy支持的内置交易策略如下：

ID	策略名称	说明
crossline	`TimingCrossline`	crossline择时策略类，利用长短均线的交叉确定多空状态 1，当短均线位于长均线上方，且距离大于lm%时，设置仓位目标为1 2，当短均线位于长均线下方，且距离大于lm%时，设置仓位目标为-1 3，当长短均线之间的距离不大于l*m%时，设置仓位目标为0
macd	`TimingMACD`	MACD择时策略类，运用MACD均线策略，生成目标仓位百分比: 1，当MACD值大于0时，设置仓位目标为1 2，当MACD值小于0时，设置仓位目标为0
dma	`TimingDMA`	DMA择时策略 1， DMA在AMA上方时，多头区间，即DMA线自下而上穿越AMA线后，输出为1 2， DMA在AMA下方时，空头区间，即DMA线自上而下穿越AMA线后，输出为0
trix	`TimingTRIX`	TRIX择时策略，使用股票价格的三重平滑指数移动平均价格进行多空判断: 计算价格的三重平滑指数移动平均价TRIX，再计算M日TRIX的移动平均： 1， TRIX位于MATRIX上方时，设置仓位目标为1 2， TRIX位于MATRIX下方时，设置仓位目标位-1
cdl	`TimingCDL`	CDL择时策略，在K线图中找到符合要求的cdldoji模式搜索历史数据窗口内出现的cdldoji模式（匹配度0～100之间），加总后/100，计算等效cdldoji匹配数量，以匹配数量为交易信号。
bband	TimingBBand	布林带线交易策略，根据股价与布林带上轨和布林带下轨之间的关系确定多空，在价格上穿或下穿布林带线上下轨时产生交易信号。布林带线的均线类型不可选 1，当价格上穿上轨时，产生全仓买入信号 2，当价格下穿下轨时，产生全仓卖出信号
s-bband	SoftBBand	布林带线渐进交易策略，根据股价与布林带上轨和布林带下轨之间的关系确定多空，交易信号不是一次性产生的，而是逐步渐进买入和卖出。计算BBAND，检查价格是否超过BBAND的上轨或下轨： 1，当价格大于上轨后，每天产生10%的比例买入交易信号 2，当价格低于下轨后，每天产生33%的比例卖出交易信号
sarext	`TimingSAREXT`	扩展抛物线SAR策略，当指标大于0时发出买入信号，当指标小于0时发出卖出信号
ssma	`SCRSSMA`	单均线交叉策略——SMA均线(简单移动平均线)：根据股价与SMA均线的相对位置设定持仓比例
sdema	`SCRSDEMA`	单均线交叉策略——DEMA均线(双重指数平滑移动平均线)：根据股价与DEMA均线的相对位置设定持仓比例
sema	`SCRSEMA`	单均线交叉策略——EMA均线(指数平滑移动均线)：根据股价与EMA均线的相对位置设定持仓比例
sht	`SCRSHT`	单均线交叉策略——HT(希尔伯特变换瞬时趋势线)：根据股价与HT线的相对位置设定持仓比例
skama	`SCRSKAMA`	单均线交叉策略——KAMA均线(考夫曼自适应移动均线)：根据股价与KAMA均线的相对位置设定持仓比例
smama	`SCRSMAMA`	单均线交叉策略——MAMA均线(MESA自适应移动平均线)：根据股价与MAMA均线的相对位置设定持仓比例
st3	`SCRST3`	单均线交叉策略——T3均线(三重指数平滑移动平均线)：根据股价与T3均线的相对位置设定持仓比例
stema	`SCRSTEMA`	单均线交叉策略——TEMA均线(三重指数平滑移动平均线)：根据股价与TEMA均线的相对位置设定持仓比例
strima	`SCRSTRIMA`	单均线交叉策略——TRIMA均线(三重指数平滑移动平均线)：根据股价与TRIMA均线的相对位置设定持仓比例
swma	`SCRSWMA`	单均线交叉策略——WMA均线(加权移动平均线)：根据股价与WMA均线的相对位置设定持仓比例
dsma	`DCRSSMA`	双均线交叉策略——SMA均线(简单移动平均线)：基于SMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
ddema	`DCRSDEMA`	双均线交叉策略——SMA均线(简单移动平均线)：基于DEMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
dema	`DCRSEMA`	双均线交叉策略——SMA均线(简单移动平均线)：基于EMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
dkama	`DCRSKAMA`	双均线交叉策略——SMA均线(简单移动平均线)：基于KAMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
dmama	`DCRSMAMA`	双均线交叉策略——SMA均线(简单移动平均线)：基于MAMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
dt3	`DCRST3`	双均线交叉策略——SMA均线(简单移动平均线)：基于T3均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
dtema	`DCRSTEMA`	双均线交叉策略——SMA均线(简单移动平均线)：基于TEMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
dtrima	`DCRSTRIMA`	双均线交叉策略——SMA均线(简单移动平均线)：基于TRIMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
dwma	`DCRSWMA`	双均线交叉策略——SMA均线(简单移动平均线)：基于WMA均线计算规则生成快慢两根均线，根据快与慢两根均线的相对位置设定持仓比例
slsma	`SLPSMA`	均线斜率交易策略——SMA均线(简单移动平均线)：基于SMA计算规则生成移动均线，根据均线的斜率设定持仓比例目标
sldema	`SLPDEMA`	均线斜率交易策略——DEMA均线(双重指数平滑移动平均线)：基于DEMA计算规则生成移动均线，根据均线的斜率设定持仓比例目标
slema	`SLPEMA`	均线斜率交易策略——EMA均线(指数平滑移动平均线)：基于EMA计算规则生成移动均线，根据均线的斜率设定持仓比例目标
slht	`SLPHT`	均线斜率交易策略——HT均线(希尔伯特变换——瞬时趋势线线)：基于HT计算规则生成移动均线，根据均线的斜率设定持仓比例目标
slkama	`SLPKAMA`	均线斜率交易策略——KAMA均线(考夫曼自适应移动平均线)：基于KAMA计算规则生成移动均线，根据均线的斜率设定持仓比例目标
slmama	`SLPMAMA`	均线斜率交易策略——MAMA均线(MESA自适应移动平均线)：基于MAMA计算规则生成移动均线，根据均线的斜率设定持仓比例目标
slt3	`SLPT3`	均线斜率交易策略——T3均线(三重指数平滑移动平均线)：基于T3计算规则生成移动均线，根据均线的斜率设定持仓比例目标
sltema	`SLPTEMA`	均线斜率交易策略——TEMA均线(三重指数平滑移动平均线)：基于TEMA计算规则生成移动均线，根据均线的斜率设定持仓比例目标
sltrima	`SLPTRIMA`	均线斜率交易策略——TRIMA均线(三重指数平滑移动平均线)：基于TRIMA计算规则生成移动均线，根据均线的斜率设定持仓比例目标
slwma	`SLPWMA`	均线斜率交易策略——WMA均线(加权移动平均线)：基于WMA计算规则生成移动均线，根据均线的斜率设定持仓比例目标
adx	`ADX`	ADX指标（平均定向运动指数）选股策略：基于ADX指标判断当前趋势的强度，从而根据趋势强度产生交易信号 1, 当ADX大于25时，判断趋势向上，设定持仓比例为1 2, 当ADX介于20到25之间时，判断为中性趋势，设定持仓比例为0 3, 当ADX小于20时，判断趋势向下，设定持仓比例为-1
apo	`APO`	APO指标（绝对价格震荡指标）选股策略：基于APO指标判断当前股价变动的牛熊趋势，从而根据趋势产生交易信号 1, 当APO大于0时，判断为牛市趋势，设定持仓比例为1 2, 当ADX小于0时，判断为熊市趋势，设定持仓比例为-1
aroon	`AROON`	AROON指标选股策略：通过计算AROON指标趋势的强弱程度输出强多/空头和弱多/空头 1, 当UP在DOWN的上方时，输出弱多头 2, 当UP位于DOWN下方时，输出弱空头 3, 当UP大于70且DOWN小于30时，输出强多头 4, 当UP小于30且DOWN大于70时，输出强空头
aroonosc	`AROONOSC`	AROON Oscillator (AROON震荡指标) 选股策略：当AROONOSC大于0时表示价格趋势向上，反之趋势向下，绝对值大于50时表示强烈的趋势 1, 当AROONOSC大于0时，输出弱多头 2, 当AROONOSC小于0时，输出弱空头 3, 当AROONOSC大于50时，输出强多头 4, 当AROONOSC小于-50时，输出强空头
cci	`CCI`	CCI (Commodity Channel Index商品渠道指数) 选股策略： CCI商品渠道指数被用来判断当前股价位于超卖还是超买区间，本策略使用这个指标生成投资仓位目标 1, 当CCI大于0时，输出弱多头 2, 当CCI小于0时，输出弱空头 3, 当CCI大于50时，输出强多头 4, 当CCI小于-50时，输出强空头
cmo	`CMO`	CMO (Chande Momentum Oscillator 钱德动量振荡器) 选股策略： CMO 是一个在-100到100之间波动的动量指标，它被用来判断当前股价位于超卖还是超买区间，本策略使用这个指标生成投资仓位目标 1, 当CMO大于0时，输出弱多头 2, 当CMO小于0时，输出弱空头 3, 当CMO大于50时，输出强多头 4, 当CMO小于-50时，输出强空头
macdext	`MACDEXT`	MACDEXT (Extendec MACD 扩展MACD指数) 选股策略：本策略使用MACD指标生成持仓目标，但是与标准的MACD不同，MACDEXT的快、慢、及信号均线的类型均可选 1, 当hist>0时输出多头 2, 当hist<0时输出空头
mfi	`MFI`	MFI (Money Flow Index 货币流向指数) 交易策略： MFI指数用于判断股价属于超买还是超卖状态，本策略使用MFI指标生成交易信号 1, 当MFI>20时，持续不断产生10%买入交易信号 2, 当MFI>80时，持续不断产生30%卖出交易信号，持续卖出持仓股票
di	`DI`	DI (Directory Indicator 方向指标) 交易策略： DI 指标包含负方向指标与正方向指标，它们分别表示价格上行和下行的趋势强度，本策略使用±DI指标生成交易信号 1, 当+DI > -DI时，设置持仓目标为1 2, 当+DI < -DI时，设置持仓目标为-1
dm	`DM`	DM (Directional Movement 方向运动指标) 交易策略： DM 指标包含负方向运动指标(Negative Directional Movement)与正方向运动指标(Positive Directional Movement)，它们分别表示价格上行和下行的趋势，本策略使用±DM指标生成交易信号 1, 当+DM > -DM时，设置持仓目标为1 2, 当+DM < -DM时，设置持仓目标为-1 3, 其余情况设置持仓目标为0
mom	`MOM`	MOM (momentum indicator 动量指标) 交易策略： MOM 指标可以用于识别价格的上行或下行趋势的强度，当前价格高于N日前价格时，MOM为正，反之为负。 1, 当MOM > 0时，设置持仓目标为1 2, 当MOM < 0时，设置持仓目标为-1 3, 其余情况设置持仓目标为0
ppo	`PPO`	PO (Percentage Price Oscillator 百分比价格振荡器) 交易策略： PPO 指标表示快慢两根移动均线之间的百分比差值，用于判断价格的变化趋势。长短均线的计算周期和均线类型均为策略参数。 1, 当PPO > 0时，设置持仓目标为1 2, 当PPO < 0时，设置持仓目标为-1 3, 其余情况设置持仓目标为0
rsi	`RSI`	RSI (Relative Strength Index 相对强度指数) 交易策略： RSI 指标度量最近价格变化的幅度，从而判断目前股票属于超卖还是超买状态 1, 当RSI > ulim时，设置持仓目标为1 2, 当RSI < llim时，设置持仓目标为-1 3, 其余情况设置持仓目标为0
stoch	`STOCH`	STOCH (Stochastic Indicator 随机指数) 交易策略： STOCH 指标度量价格变化的动量，并且动量的大小判断价格趋势，并生成比例买卖交易信号。 1, 当k > 80时，产生逐步卖出信号，每周期卖出持有份额的30% 2, 当k < 20时，产生逐步买入信号，每周期买入总投资额的10%
stochf	`STOCHF`	STOCHF (Stochastic Fast Indicator 快速随机指标) 交易策略： STOCHF 指标度量价格变化的动量，与STOCH策略类似，使用快速随机指标判断价格趋势，并生成比例买卖交易信号。 1, 当k > 80时，产生逐步卖出信号，每周期卖出持有份额的30% 2, 当k < 20时，产生逐步买入信号，每周期买入总投资额的10%
stochrsi	`STOCHRSI`	STOCHRSI (Stochastic Relative Strength Index 随机相对强弱指标) 交易策略： STOCHRSI 指标度量价格变化的动量，该指标在0～1之间波动，表示相对的价格趋势强弱程度，并生成比例买卖交易信号 1, 当k > 0.8时，产生逐步卖出信号，每周期卖出持有份额的30% 2, 当k < 0.2时，产生逐步买入信号，每周期买入总投资额的10%
ultosc	`ULTOSC`	ULTOSC (Ultimate Oscillator Indicator 终极振荡器指标) 交易策略： ULTOSC 指标通过三个不同的时间跨度计算价格动量，并根据多种不同动量之间的偏离值生成交易信号。 1, 当ULTOSC > u时，产生逐步卖出信号，每周期卖出持有份额的30% 2, 当ULTOSC < l时，产生逐步买入信号，每周期买入总投资额的10%
willr	`WILLR`	WILLR (William’s %R 威廉姆斯百分比) 交易策略： WILLR 指标被用于计算股价当前处于超买还是超卖区间，并用于生成交易信号 1, 当WILLR > -l时，产生逐步卖出信号，每周期卖出持有份额的30% 2, 当WILLR < -u时，产生逐步买入信号，每周期买入总投资额的10%
signal_none	`SignalNone`	空交易信号策略：不生成任何交易信号的策略
sellrate	`SellRate`	变化率卖出信号策略：当价格的变化率超过阈值时，产生卖出信号 1，当change > 0，且day日涨幅大于change时，产生-1卖出信号 2，当change < 0，且day日跌幅大于change时，产生-1卖出信号
buyrate	`BuyRate`	变化率买入信号策略：当价格的变化率超过阈值时，产生买入信号 1，当change > 0，且day日涨幅大于change时，产生1买入信号 2，当change < 0，且day日跌幅大于change时，产生1买入信号
long	`TimingLong`	简单择时策略，整个历史周期上固定保持多头全仓状态
short	`TimingShort`	简单择时策略，整个历史周期上固定保持空头全仓状态
zero	`TimingZero`	简单择时策略，整个历史周期上固定保持空仓状态
all	`SelectingAll`	保持历史股票池中的所有股票都被选中，投资比例平均分配
select_none	`SelectingNone`	保持历史股票池中的所有股票都不被选中，投资仓位为0
random	`SelectingRandom`	在每个历史分段中，按照指定的比例（p<1时）随机抽取若干股票，或随机抽取指定数量（p>=1）的股票进入投资组合，投资比例平均分配
finance	`SelectingAvgIndicator`	以股票过去一段时间内的财务指标的平均值作为选股因子选股，基础选股策略：以股票的历史指标的平均值作为选股因子，因子排序参数可以作为策略参数传入，改变策略数据类型，根据不同的历史数据选股，选股参数可以通过pars传入
ndaylast	`SelectingNDayLast`	以股票N天前的价格或数据指标作为选股因子选股
ndayavg	`SelectingNDayAvg`	以股票过去N天的价格或数据指标的平均值作为选股因子选股
ndayrate	`SelectingNDayRateChange`	以股票过去N天的价格或数据指标的变动比例作为选股因子选股
ndaychg	`SelectingNDayChange`	以股票过去N天的价格或数据指标的变动值作为选股因子选股
ndayvol	`SelectingNDayVolatility`	根据股票以前N天的股价波动率作为选股因子

如果需要查看每一个内置交易策略的详细解释，例如策略参数的含义、信号生成规则，可以查看每一个交易策略的Doc-string：

例如：

qt.built_ins('Crossline')

可以看到

Init signature: qt.built_in.TimingCrossline(pars:tuple=(35, 120, 0.02))
Docstring:     
crossline择时策略类，利用长短均线的交叉确定多空状态

策略参数：
    s: int, 短均线计算日期；
    l: int, 长均线计算日期；
    m: float, 均线边界宽度（百分比）；
信号类型：
    PT型：目标仓位百分比
信号规则：
    1，当短均线位于长均线上方，且距离大于l*m%时，设置仓位目标为1
    2，当短均线位于长均线下方，且距离大于l*mM时，设置仓位目标为-1
    3，当长短均线之间的距离不大于l*m%时，设置仓位目标为0

策略属性缺省值：
默认参数：(35, 120, 0.02)
数据类型：close 收盘价，单数据输入
采样频率：天
窗口长度：270
参数范围：[(10, 250), (10, 250), (0, 1)]
策略不支持参考数据，不支持交易数据
File:           ~/Library/CloudStorage/OneDrive-Personal/Projects/PycharmProjects/qteasy/qteasy/built_in.py
Type:           type
Subclasses:     

在ipython等交互式python环境中，也可以使用?来显示内置交易策略的详细信息，例如：

>>> qt.built_in.SelectingNDayRateChange?

可以看到：

Init signature: qt.built_in.SelectingNDayRateChange(pars=(14,))
Docstring:     
基础选股策略：根据股票以前n天的股价变动比例作为选股因子

策略参数：
    n: int, 股票历史数据的选择期
信号类型：
    PT型：百分比持仓比例信号
信号规则：
    在每个选股周期使用以前n天的股价变动比例作为选股因子进行选股
    通过以下策略属性控制选股方法：
    *max_sel_count:     float,  选股限额，表示最多选出的股票的数量，默认值：0.5，表示选中50%的股票
    *condition:         str ,   确定股票的筛选条件，默认值'any'
                                'any'        :默认值，选择所有可用股票
                                'greater'    :筛选出因子大于ubound的股票
                                'less'       :筛选出因子小于lbound的股票
                                'between'    :筛选出因子介于lbound与ubound之间的股票
                                'not_between':筛选出因子不在lbound与ubound之间的股票
    *lbound:            float,  执行条件筛选时的指标下界, 默认值np.-inf
    *ubound:            float,  执行条件筛选时的指标上界, 默认值np.inf
    *sort_ascending:    bool,   排序方法，默认值: False,
                                True: 优先选择因子最小的股票,
                                False, 优先选择因子最大的股票
    *weighting:         str ,   确定如何分配选中股票的权重
                                默认值: 'even'
                                'even'       :所有被选中的股票都获得同样的权重
                                'linear'     :权重根据因子排序线性分配
                                'distance'   :股票的权重与他们的指标与最低之间的差值（距离）成比例
                                'proportion' :权重与股票的因子分值成正比

策略属性缺省值：
默认参数：(14,)
数据类型：close 收盘价，单数据输入
采样频率：月
窗口长度：150
参数范围：[(2, 150)]
策略不支持参考数据，不支持交易数据
File:           ~/Library/CloudStorage/OneDrive-Personal/Projects/PycharmProjects/qteasy/qteasy/built_in.py
Type:           type
Subclasses:    

多重策略以及策略组合

在qteasy中，一个Operator交易员对象可以同时运行多个交易策略。这些交易策略在运行的时候，都会分别提取各自所需的历史数据，独立生成不同的交易信号，这些交易信号会被组合成一组交易信号，统一执行。

利用这种特性，用户可以在一个交易员对象中同时运行多个各有侧重的交易策略，例如，一个交易策略监控个股的股价，根据股价产生择信号，第二个交易策略专门负责监控大盘走势，通过大盘走势决定整体仓位。第三个交易策略专门负责止盈止损，在特定时刻止损。最终的交易信号以第一个交易策略为主，但受到第二个策略的节制，必要时会被第三个策略完全控制。

或者，用户也可以很容易地制定出一个“委员会”策略，在一个综合性策略中由多个策略独立地做出交易决策，最终的交易信号由所有子策略组成的”委员会“投票决定，投票的方式可以是简单多数、绝对多数、加权投票结果等等。

上述交易策略组合中，每一个独立的交易策略都很简单，很容易定义，而将他们组合起来，又能发挥更大的作用。同时每一个子策略都是独立的，可以自由组合出复杂的综合性交易策略。这样可以避免不断地重复开发策略，只需要对子策略重新排列组合，重新定义组合方式，就可以快速地搭建一系列的复杂综合性交易策略。相信这样能够极大地提高交易策略的搭建效率，缩短周期。时间就是金钱。

不过，在一个Operator对象中，不同策略生成的交易信号可能运行的交易价格是不同的，例如，某些策略生成开盘价交易信号，而另一些策略生成的是收盘价交易策略，那么不同的交易价格信号当然不应该混合。但除此之外，只要是交易价格相同的信号，都应该全部混合。

交易信号的混合即交易信号的各种运算或函数，从简单的逻辑运算、加减运算一直到复杂的自定义函数，只要能够应用于一个ndarray的函数，理论上都可以用于混合交易信号，只要最终输出的交易信号有意义即可。

定义策略组合方式`blender`

qteasy中的组合策略是由blender实现的。在一个Operator中，如果策略的数量多于1个，就必须定义一个blender。如果没有明确定义blender，而策略的数量超过1个时，qteasy会在运行Operator的时候创建一个默认的blender，但是为了让多重策略正确运行，用户需要自行定义blender。

blender expression是用户自行定义的一个组合表达式，用户使用这个表达式确定不同交易策略的组合方式。这个组合表达式使用四则运算符、逻辑运算符、函数等符号规定策略信号是如何组合的。blender表达式中可以包括以下元素：

blender表达式中支持的函数如下：

元素	示例	说明
策略序号	`s1`	以s开头，数字结尾的字符串，数字为`Operator`中的策略的序号，代表这个策略生成的交易信号
数字	`-1.35`	任何合法的数字，参与表达式运算的数字
运算符	`+`	包括`'+-*/^'`等四则运算符
逻辑运算符	`and`	支持`’&
函数	`sum()`	支持的函数参见后表
括号	`()`	组合运算

`blender`示例

当一个Operator对象中有三个交易策略时（其序号分别为0/1/2），按照以下方式定义的blender都是合法可用的，同时使用Operator.set_blender()来设置blender：

使用四则运算符定义blender表达式

's0 + s1 + s2'

此时三个交易策略生成的交易信号会被加起来，成为最终的交易信号，如果策略0的结果为买入10%，策略1结果为买入10%，策略2结果为买入30%，则最终的结果为买入50%

使用逻辑运算符定义blender表达式：

's0 and s1 and s2'

表示只有当交易策略1、2、3都出现交易信号的时候，才会最终形成交易信号。如策略1的结果为买入，策略2结果为买入，而策略3没有交易信号，则最终的结果为没有交易信号。

blender表达式中还可以包含括号和一些函数：

'max(s0, s1) + s2'

表示策略1、2的结果中最大值与策略3的结果相加，成为最终交易信号。如果策略1的结果为买入10%，策略2结果为买入20%，策略3结果为买入30%，最终的结果为买入50%

blender 表达式中每个策略可以出现不止一次，也可以出现纯数字：

'(0.5 * s0 + 1.0 * s1 + 1.5 * s2) / 3 * min(s0, s1, s2)'

上面的blender表达式表示：首先计算三个策略信号的加权平均（权重分别为0.5、1.0、1.5），然后再乘以三个信号的最小值

blender 表达式中函数的操作参数在函数名中定义：

'clip_-0.5_0.5(s0 + s1 + s2) + pos_2_0.2(s0, s1, s2)'

上面的blender表达式定义了两种不同的函数操作，分别得到结果后相加得到最终结果。第一个函数是范围剪切，将三组策略信号相加后，剪切掉小于-0.5的信号值以及大于0.5的信号值，得到计算结果；第二个函数是仓位判断函数，统计三组信号中持仓大于0.2的时间段，将其定义为“多头”，然后再统计每一个时间段三个策略中持多头建议的数量，如果超过两个策略持多头建议，则输出满仓多头，否则输出空仓。

blender表达式中支持的函数如下：

函数	表达式	说明
abs	`abs(*signals)`	绝对值函数计算所有交易信号的绝对值输入信号的数量不限
avg	`avg(*signals)`	平均值函数计算所有交易信号的平均值输入信号的数量不限
avgpos	`avgpos_N_T(*signals)`	平均值累计函数当交易信号为持仓目标信号时，统计同一时间产生非空仓信号（输出信号绝对值>T）的个数，当空头/多头信号的数量大于N时，输出所有空头/多头信号的平均值，否则输出0. 输入信号的数量不限
ceil	`ceil(signal)`	向上取整函数交易信号向上取整只能输入一个交易信号
clip	`clip_U_L(signal)`	范围剪切函数剪切超过范围的信号值，剪切上下范围在函数名中定义只能输入一个交易信号
combo	`combo(*signals)`	组合值函数输出所有交易信号加总的值输入信号的数量不限
committee	`cmt_N_T(*signals)`	委员会函数（等同于累计持仓函数））当交易信号为持仓目标信号时，统计同一时间产生非空仓信号（输出信号绝对值>T）的个数数，当多头/空头信号的数量大于N时，输出-1/1，否则输出0. 输入信号的数量不限
exp	`exp(signal)`	exp函数计算e的信号次幂只能输入一个交易信号
floor	`floor(signal)`	向下取整函数交易信号向下取整只能输入一个交易信号
log	`log(signal)`	对数函数计算以e为底的对数值只能输入一个交易信号
log10	`log10(signal)`	以10为底的对数函数计算以10为底的对数值只能输入一个交易信号
max	`max(*signals)`	最大值函数计算所有交易信号的最大值输入信号的数量不限
min	`min(*signals)`	最小值函数计算所有交易信号的最小值输入信号的数量不限
pos	`pos_N_T(*signals)`	累计持仓函数当交易信号为持仓目标信号时，统计同一时间产生非空仓信号（输出信号绝对值>T）的个数数，当多头/空头信号的数量大于N时，输出-1/1，否则输出0. 输入信号的数量不限
position	`position_N_T(*signals)`	累计持仓函数当交易信号为持仓目标信号时，统计同一时间产生非空仓信号（输出信号绝对值>T）的个数数，当多头/空头信号的数量大于N时，输出-1/1，否则输出0. 输入信号的数量不限
pow	`pow(*signals)`	幂函数计算第一个交易信号的第二个信号次幂即sig0^sig1 输入信号的数量只能为两个
power	`power(*signals)`	幂函数计算第一个交易信号的第二个信号次幂即sig0^sig1 输入信号的数量只能为两个
sqrt	`sqrt(signal)`	平方根函数交易信号的平方根只能输入一个交易信号
str	`str_T(*signals)`	强度累计函数将所有交易信号加总，当信号强度超过T时，输出1，否则输出0 输入信号的数量不限
strength	`strength_T(*signals)`	强度累计函数将所有交易信号加总，当信号强度超过T时，输出1，否则输出0 输入信号的数量不限
sum	`sum(*signals)`	组合值函数输出所有交易信号加总的值输入信号的数量不限
unify	`unify(signal)`	均一化函数均一化交易信号，等比缩放同一行的交易信号使每一行的总和为1 只能输入一个交易信号
vote	`vote_N_T(*signals)`	委员会投票函数（等同于累计持仓函数）当交易信号为持仓目标信号时，统计同一时间产生非空仓信号（输出信号绝对值>T）的个数数，当多头/空头信号的数量大于N时，输出-1/1，否则输出0. 输入信号的数量不限

以下方法可以被用来设置或获取策略的blender

`operator.set_blender(blender=None, price_type=None)`

设置blender，直接传入一个表达式，这个表达式会被自动解析后用于组合交易策略。

`operator.view_blender()`

查看blender

`blender`使用示例

下面使用一个例子来演示blender的工作方式：

# 创建一个交易员对象，同时运行五个相同的dma交易策略，这些交易策略运行方式相同，但是设置不同的参数后，会产生不同的交易信号。我们通过不同的策略组合方式，得到不同的回测结果
op = qt.Operator('dma, dma, dma, dma, dma')
# 分别给五个不同的交易策略设置不同的策略参数，使他们产生不同的交易信号
op.set_parameter(stg_id=0, pars=(132, 200, 24))
op.set_parameter(stg_id=1, pars=(124, 187, 51))
op.set_parameter(stg_id=2, pars=(103, 81, 16))
op.set_parameter(stg_id=3, pars=(48, 111, 148))
op.set_parameter(stg_id=4, pars=(104, 127, 58))

# 第一种组合方式：加权平均方式：分别给每一个不同的策略设置不同的权重：
# s0: 权重0.8
# s0: 权重1.2
# s0: 权重2.0
# s0: 权重0.5
# s0: 权重1.5
# 将五个交易策略生成的交易信号加权平均后得到最终的交易信号
op.set_blender('(0.8*s0+1.2*s1+2*s2+0.5*s3+1.5*s4)/5')

# 运行策略
res = qt.run(op, mode=1)
# 得到结果如下：年化收益12.19，夏普率1.053

     ====================================
     |                                  |
     |       BACK TESTING RESULT        |
     |                                  |
     ====================================

qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 130.5ms
time consumption for operation back looping:  523.8ms

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:------------

          Sell Cnt Buy Cnt Total Long pct Short pct Empty pct
000300.SH   478      421    899   89.7%      0.0%     10.3%   

Total operation fee:     ¥    2,615.40
total investment amount: ¥  100,000.00
final value:              ¥  174,263.46
Total return:                    74.26% 
Avg Yearly return:               12.19%
Skewness:                         -0.31
Kurtosis:                         10.31
Benchmark return:                65.96% 
Benchmark Yearly return:         11.06%

------strategy loop_results indicators------ 
alpha:                            0.007
Beta:                             1.408
Sharp ratio:                      1.053
Info ratio:                       0.000
250 day volatility:               0.111
Max drawdown:                    12.26% 
    peak / valley:        2019-04-19 / 2020-02-03
    recovered on:         2020-07-06
===========END OF REPORT=============

png

# 第二种组合方式：将五个交易策略看成一个“委员会”，最终的持仓仓位由委员会投票决定：
# 当同一时间累计五个策略中至少三个输出多头满仓使，输出多头满仓，否则空仓
op.set_blender('pos_3_0(s0, s1, s2, s3, s4)')
# 运行策略
res = qt.run(op, mode=1)
# 得到结果如下：年化收益13.39，夏普率1.075

     ====================================
     |                                  |
     |       BACK TESTING RESULT        |
     |                                  |
     ====================================

qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 540.1ms
time consumption for operation back looping:  435.8ms

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:------------

          Sell Cnt Buy Cnt Total Long pct Short pct Empty pct
000300.SH    11       10     21   55.4%      0.0%     44.6%   

Total operation fee:     ¥      585.88
total investment amount: ¥  100,000.00
final value:              ¥  183,485.41
Total return:                    83.49% 
Avg Yearly return:               13.39%
Skewness:                         -0.43
Kurtosis:                         14.75
Benchmark return:                65.96% 
Benchmark Yearly return:         11.06%

------strategy loop_results indicators------ 
alpha:                            0.046
Beta:                             1.003
Sharp ratio:                      1.075
Info ratio:                       0.006
250 day volatility:               0.124
Max drawdown:                    15.71% 
    peak / valley:        2019-04-19 / 2020-02-03
    recovered on:         2020-07-31
===========END OF REPORT=============

png

# 第三种组合方式：同样是委员会策略，但输出满仓多头的投票门槛变为2票，即只要有两个策略认为输出多头即可
op.set_blender('pos_2_0(s0, s1, s2, s3, s4)')
# 运行策略
res = qt.run(op, mode=1)
# 得到结果如下：年化收益12.88，夏普率0.824

     ====================================
     |                                  |
     |       BACK TESTING RESULT        |
     |                                  |
     ====================================

qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 133.8ms
time consumption for operation back looping:  500.0ms

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:------------

          Sell Cnt Buy Cnt Total Long pct Short pct Empty pct
000300.SH    15       14     29   71.4%      0.0%     28.6%   

Total operation fee:     ¥      707.30
total investment amount: ¥  100,000.00
final value:              ¥  179,532.76
Total return:                    79.53% 
Avg Yearly return:               12.88%
Skewness:                         -0.45
Kurtosis:                         10.45
Benchmark return:                65.96% 
Benchmark Yearly return:         11.06%

------strategy loop_results indicators------ 
alpha:                            0.029
Beta:                             1.000
Sharp ratio:                      0.824
Info ratio:                       0.007
250 day volatility:               0.144
Max drawdown:                    15.94% 
    peak / valley:        2018-01-24 / 2019-01-03
    recovered on:         2019-02-25
===========END OF REPORT=============

png

内置交易策略