11. 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，并且可以通过pip安装：
$ 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。
11.1. 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
学会创建交易员对象，使用内置交易策略，——QTEASY教程3
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
在QTEASY文档中，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。
11.2. 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
11.3. 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
>>> import qteasy as qt
>>> import numpy as np
>>> from qteasy import Parameter, StgData
>>> 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, par_values: tuple = (0.5, 0.3, 0.7)):
... """交易策略的初始化参数"""
... super().__init__(
... pars=[Parameter((0.01, 0.99), par_type='float', name='size_gate', value=0.5), # 参数1:大小市值分类界限
... Parameter((0.01, 0.49), par_type='float', name='bp_s_gate', value=0.3), # 参数2:小/中bp分界线
... Parameter((0.50, 0.99), par_type='float', name='bp_l_gate', value=0.7)], # 参数3，中/大bp分界线
... 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',
... data_types=[StgData('pb', freq='d', asset_type='E', window_length=20, use_latest_data_cycle=True), # 执行选股需要用到的股票数据
... StgData('total_mv', freq='d', asset_type='E', window_length=20, use_latest_data_cycle=True),
... StgData('close', freq='d', asset_type='E', window_length=20, use_latest_data_cycle=True),
... StgData('close-000300.SH', freq='d', asset_type='IDX', window_length=20, use_latest_data_cycle=True)], # 选股需要用到市场收益率，使用沪深300指数的收盘价计算
... 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):
... """ 策略的选股逻辑在realize()函数中定义
... """
...
... size_gate_percentile, bp_small_percentile, bp_large_percentile = self.get_pars('size_gate', 'bp_s_gate', 'bp_l_gate')
... # 读取投资组合的数据PB和total_MV的最新值
... pb = self.get_data('pb_E_d')[-1] # 当前所有股票的PB值
... mv = self.get_data('total_mv_E_d')[-1] # 当前所有股票的市值
... pre_close = self.get_data('close_E_d')[-1] # 当前所有股票的前收盘价
... close = self.get_data('close_E_d')[-2] # 当前所有股票的最新收盘价
...
... market_pre_close = self.get_data('close-000300.SH_IDX_d')[-2] # HS300的昨收价
... market_close = self.get_data('close-000300.SH_IDX_d')[-1] # 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：
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
# 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',
run_timing='close', # 在周期结束（收盘）时运行
run_freq='M', # 每月执行一次选股（每周或每天都可以）
) # 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%
# 设置回测参数，并开始回测
>>> qt.run(op=op,
... mode=1, # 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
... ) # 开始运行
运行结果如下：
====================================
| |
| BACKTEST REPORT |
| |
====================================
qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 197.5 ms
time consumption for operation back testing: 315.2 ms
investment starts on 2016-04-05 15:00:00
ends on 2021-01-29 15:00:00
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
000413.SZ 3 3 6 5.4% -0.0% 94.6%
000415.SZ 1 1 2 2.0% -0.0% 98.0%
000625.SZ 1 1 2 2.0% -0.0% 98.0%
000629.SZ 1 1 2 1.5% -0.0% 98.5%
000656.SZ 1 1 2 1.8% -0.0% 98.2%
000723.SZ 5 5 10 8.2% -0.0% 91.8%
000725.SZ 1 1 2 1.9% -0.0% 98.1%
000728.SZ 1 1 2 1.9% -0.0% 98.1%
000783.SZ 1 1 2 1.8% -0.0% 98.2%
000898.SZ 4 4 8 7.1% -0.0% 92.9%
... ... ... ... ... ... ...
001965.SZ 1 1 2 1.9% -0.0% 98.1%
300418.SZ 2 2 4 3.8% -0.0% 96.2%
300442.SZ 1 1 2 1.8% -0.0% 98.2%
600026.SH 1 1 2 1.8% -0.0% 98.2%
000975.SZ 1 1 2 1.8% -0.0% 98.2%
300394.SZ 1 1 2 1.5% -0.0% 98.5%
600160.SH 3 3 6 5.0% -0.0% 95.0%
601127.SH 1 2 3 1.7% -0.0% 98.3%
601058.SH 2 2 4 3.6% -0.0% 96.4%
302132.SZ 1 1 2 2.0% -0.0% 98.0%
Total operation fee: ¥ 3,227.95
total investment amount: ¥ 100,000.00
final value: ¥ 153,592.75
Total return: 53.59%
Avg Yearly return: 9.31%
Skewness: 0.09
Kurtosis: 6.81
Benchmark return: 63.94%
Benchmark Yearly return: 10.80%
------strategy loop_results indicators------
alpha: 0.026
Beta: 0.702
Sharp ratio: 0.295
Info ratio: -0.008
250 day volatility: 0.161
Max drawdown: 30.41%
peak / valley: 2016-11-22 / 2018-10-16
recovered on: 2019-03-07
trade log is stored in: /Users/jackie/Projects/qteasy_logs/trade_log_none_20260309_152544.csv
trade summary is stored in: /Users/jackie/Projects/qteasy_logs/trade_summary_none_20260309_152544.csv
value curve (complete values) is stored in: /Users/jackie/Projects/qteasy_logs/value_curve_none_20260309_152544.csv
==================END OF REPORT===================
11.4. 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。