|
|
游量AI常见的策略结构
常见的策略结构主要包括 3 类，如下图所示。用户可以根据策略需求选择相应的策略结构，具体可以参考经典策略。 [size=0.85em]#定时任务示例以下代码的内容是：在每个交易日的 14：50：00 市价买入 200 股浦发银行股票： # coding=utf-8from __future__ import print_function, absolute_importfrom gm.api import *def init(context): # 每天14:50 定时执行algo任务, # algo执行定时任务函数，只能传context参数 # date_rule执行频率，目前暂时支持1d、1w、1m，其中1w、1m仅用于回测，实时模式1d以上的频率，需要在algo判断日期 # time_rule执行时间， 注意多个定时任务设置同一个时间点，前面的定时任务会被后面的覆盖 schedule(schedule_func=algo, date_rule='1d', time_rule='14:50:00')def algo(context): # 以市价购买200股浦发银行股票， price在市价类型不生效 order_volume(symbol='SHSE.600000', volume=200, side=OrderSide_Buy, order_type=OrderType_Market, position_effect=PositionEffect_Open, price=0)# 查看最终的回测结果def on_backtest_finished(context, indicator): print(indicator)if __name__ == '__main__': ''' strategy_id策略ID, 由系统生成 filename文件名, 请与本文件名保持一致 mode运行模式, 实时模式:MODE_LIVE回测模式:MODE_BACKTEST token绑定计算机的ID, 可在系统设置-密钥管理中生成 backtest_start_time回测开始时间 backtest_end_time回测结束时间 backtest_adjust股票复权方式, 不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST backtest_initial_cash回测初始资金 backtest_commission_ratio回测佣金比例 backtest_slippage_ratio回测滑点比例 ''' run(strategy_id='strategy_id', filename='main.py', mode=MODE_BACKTEST, token='token_id', backtest_start_time='2020-11-01 08:00:00', backtest_end_time='2020-11-10 16:00:00', backtest_adjust=ADJUST_PREV, backtest_initial_cash=10000000, backtest_commission_ratio=0.0001, backtest_slippage_ratio=0.0001) [size=0.85] 复制成功
整个策略需要三步: 2、配置任务, 到点会执行该任务 3、执行策略
[size=0.85em]#数据事件驱动示例在用 subscribe()接口订阅标的后，后台会返回 tick 数据或 bar 数据。每产生一个或一组数据，就会自动触发 on_tick()或 on_bar()里面的内容执行。比如以下范例代码片段，订阅浦发银行频率为 1 天和 60s 的 bar 数据，每产生一次 bar，就会自动触发 on_bar()调用，打印获取的 bar 信息： # coding=utf-8from __future__ import print_function, absolute_importfrom gm.api import *def init(context): # 订阅浦发银行, bar频率为一天和一分钟 # 订阅订阅多个频率的数据，可多次调用subscribe subscribe(symbols='SHSE.600000', frequency='1d') subscribe(symbols='SHSE.600000', frequency='60s')def on_bar(context, bars): # 打印bar数据 print(bars)if __name__ == '__main__': ''' strategy_id策略ID, 由系统生成 filename文件名, 请与本文件名保持一致 mode运行模式, 实时模式:MODE_LIVE回测模式:MODE_BACKTEST token绑定计算机的ID, 可在系统设置-密钥管理中生成 backtest_start_time回测开始时间 backtest_end_time回测结束时间 backtest_adjust股票复权方式, 不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST backtest_initial_cash回测初始资金 backtest_commission_ratio回测佣金比例 backtest_slippage_ratio回测滑点比例 ''' run(strategy_id='strategy_id', filename='main.py', mode=MODE_BACKTEST, token='token_id', backtest_start_time='2020-11-01 08:00:00', backtest_end_time='2020-11-10 16:00:00', backtest_adjust=ADJUST_PREV, backtest_initial_cash=10000000, backtest_commission_ratio=0.0001, backtest_slippage_ratio=0.0001) [size=0.85] 复制成功
整个策略需要三步: 1、设置初始化函数: init, 使用 subscribe 函数进行数据订阅 2、实现一个函数: on_bar, 来根据数据推送进行逻辑处理 3、执行策略
[size=0.85em]#时间序列数据事件驱动示例策略订阅代码时指定数据窗口大小与周期, 平台创建数据滑动窗口, 加载初始数据, 并在新的 bar 到来时自动刷新数据。 on_bar 事件触发时, 策略可以通过 context.data 取到订阅代码的准备好的时间序列数据。 以下的范例代码片段是一个非常简单的例子， 订阅浦发银行的日线和分钟 bar, bar 数据的更新会自动触发 on_bar 的调用, 每次调用context.data来获取最新的 50 条分钟 bar 信息： # coding=utf-8from __future__ import print_function, absolute_importfrom gm.api import *def init(context): # 订阅浦发银行, bar频率为一天和一分钟 # 指定数据窗口大小为50 # 订阅订阅多个频率的数据，可多次调用subscribe subscribe(symbols='SHSE.600000', frequency='1d', count=50, format='df', fields='symbol, close, eob') subscribe(symbols='SHSE.600000', frequency='60s', count=50, format='df', fields='symbol, close, eob')def on_bar(context, bars): # context.data提取缓存的数据滑窗, 可用于计算指标 # 注意：context.data里的count要小于或者等于subscribe里的count,fields需要在subscribe的fields范围内 data = context.data(symbol=bars[0['symbol', frequency='60s', count=50, fields='close,eob') # 计算均线 data['ma5' = data['close'.rolling(window=5).mean() # 打印最后5条bar数据（最后一条是最新的bar） print(data.tail())if __name__ == '__main__': ''' strategy_id策略ID, 由系统生成 filename文件名, 请与本文件名保持一致 mode运行模式, 实时模式:MODE_LIVE回测模式:MODE_BACKTEST token绑定计算机的ID, 可在系统设置-密钥管理中生成 backtest_start_time回测开始时间 backtest_end_time回测结束时间 backtest_adjust股票复权方式, 不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST backtest_initial_cash回测初始资金 backtest_commission_ratio回测佣金比例 backtest_slippage_ratio回测滑点比例 ''' run(strategy_id='strategy_id', filename='main.py', mode=MODE_BACKTEST, token='token_id', backtest_start_time='2020-11-01 08:00:00', backtest_end_time='2020-11-10 16:00:00', backtest_adjust=ADJUST_PREV, backtest_initial_cash=10000000, backtest_commission_ratio=0.0001, backtest_slippage_ratio=0.0001) [size=0.85] 复制成功
整个策略需要三步: 2、实现一个函数: on_bar , 来根据数据推送进行逻辑处理, 通过 context.data 获取数据滑窗 3、执行策略
[size=0.85em]#选择回测模式/实时模式运行示例掘金 3 策略只有两种模式, 回测模式(backtest)与实时模式(live)。在加载策略时指定 mode 参数。 # coding=utf-8from __future__ import print_function, absolute_importfrom gm.api import *def init(context): # 订阅浦发银行的tick subscribe(symbols='SHSE.600000', frequency='60s')def on_bar(context, bars): # 打印当前获取的bar信息 print(bars)if __name__ == '__main__': # 在终端仿真交易和实盘交易的启动策略按钮默认是实时模式，运行回测默认是回测模式，在外部IDE里运行策略需要修改成对应的运行模式 # mode=MODE_LIVE 实时模式, 回测模式的相关参数不生效 # mode=MODE_BACKTEST 回测模式 ''' strategy_id策略ID, 由系统生成 filename文件名, 请与本文件名保持一致 mode运行模式, 实时模式:MODE_LIVE回测模式:MODE_BACKTEST token绑定计算机的ID, 可在系统设置-密钥管理中生成 backtest_start_time回测开始时间 backtest_end_time回测结束时间 backtest_adjust股票复权方式, 不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST backtest_initial_cash回测初始资金 backtest_commission_ratio回测佣金比例 backtest_slippage_ratio回测滑点比例 ''' run(strategy_id='strategy_id', filename='main.py', mode=MODE_LIVE, token='token_id', backtest_start_time='2020-11-01 08:00:00', backtest_end_time='2020-11-10 16:00:00', backtest_adjust=ADJUST_PREV, backtest_initial_cash=10000000, backtest_commission_ratio=0.0001, backtest_slippage_ratio=0.0001) [size=0.85] 复制成功
整个策略需要三步: 2、实现一个函数: on_bar , 来根据数据推送进行逻辑处理 3、选择对应模式，执行策略
[size=0.85em]#提取数据研究示例如果只想提取数据，无需实时数据驱动策略, 无需交易下单可以直接通过数据查询函数来进行查询。 # coding=utf-8from __future__ import print_function, absolute_importfrom gm.api import *# 可以直接提取数据，掘金终端需要打开，接口取数是通过网络请求的方式，效率一般，行情数据可通过subscribe订阅方式# 设置token， 查看已有token ID,在用户-密钥管理里获取set_token('your token_id')# 查询历史行情, 采用定点复权的方式， adjust指定前复权，adjust_end_time指定复权时间点data = history(symbol='SHSE.600000', frequency='1d', start_time='2020-01-01 09:00:00', end_time='2020-12-31 16:00:00', fields='open,high,low,close', adjust=ADJUST_PREV, adjust_end_time='2020-12-31', df=True)print(data) [size=0.85] 复制成功
整个过程只需要两步: 1、set_token 设置用户 token， 如果 token 不正确, 函数调用会抛出异常 2、调用数据查询函数， 直接进行数据查询
[size=0.85em]#回测模式下高速处理数据示例本示例提供一种在 init 中预先取全集数据，规整后索引调用的高效数据处理方式，能够避免反复调用服务器接口导致的低效率问题，可根据该示例思路，应用到其他数据接口以提高效率. # coding=utf-8from __future__ import print_function, absolute_importfrom gm.api import *def init(context): # 在init中一次性拿到所有需要的instruments信息 instruments = get_history_symbol(symbol='SZSE.000001', start_date=context.backtest_start_time,end_date=context.backtest_end_time) # 将信息按symbol,date作为key存入字典 context.ins_dict = {(i.symbol, i.trade_date.date()): i for i in instruments} subscribe(symbols='SZSE.000001', frequency='1d')def on_bar(context, bars): print(context.ins_dict[(bars[0.symbol, bars[0.eob.date()))if __name__ == '__main__': ''' strategy_id策略ID, 由系统生成 filename文件名, 请与本文件名保持一致 mode运行模式, 实时模式:MODE_LIVE回测模式:MODE_BACKTEST token绑定计算机的ID, 可在系统设置-密钥管理中生成 backtest_start_time回测开始时间 backtest_end_time回测结束时间 backtest_adjust股票复权方式, 不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST backtest_initial_cash回测初始资金 backtest_commission_ratio回测佣金比例 backtest_slippage_ratio回测滑点比例 ''' run(strategy_id='strategy_id', filename='main.py', mode=MODE_BACKTEST, token='token_id', backtest_start_time='2020-11-01 08:00:00', backtest_end_time='2020-11-10 16:00:00', backtest_adjust=ADJUST_PREV, backtest_initial_cash=10000000, backtest_commission_ratio=0.0001, backtest_slippage_ratio=0.0001) [size=0.85] 复制成功
整个策略需要三步: 1、设置初始化函数: init , 一次性拿到所有需要的 instruments 信息， 将信息按 symbol,date 作为 key 存入字典， 使用 subscribe 函数进行数据订阅代码 2、实现一个函数: on_bar , 来根据数据推送进行逻辑处理 3、执行策略
[size=0.85em]#实时模式下动态参数示例本示例提供一种通过策略设置动态参数，可在终端界面显示和修改，在不停止策略的情况下手动修改参数传入策略方法. # coding=utf-8from __future__ import print_function, absolute_import, unicode_literalsfrom gm.api import *import numpy as npimport pandas as pd'''动态参数，是指在不终止策略的情况下，掘金终端UI界面和策略变量做交互， 通过add_parameter在策略代码里设置动态参数，终端UI界面会显示对应参数'''def init(context): # log日志函数，只支持实时模式，在仿真交易和实盘交易界面查看，重启终端log日志会被清除，需要记录到本地可以使用logging库 log(level='info', msg='平安银行信号触发', source='strategy') # 设置k值阀值作为动态参数 context.k_value = 23 # add_parameter设置动态参数函数，只支持实时模式，在仿真交易和实盘交易界面查看，重启终端动态参数会被清除，重新运行策略会重新设置 add_parameter(key='k_value', value=context.k_value, min=0, max=100, name='k值阀值', intro='设置k值阀值', group='1', readonly=False) # 设置d值阀值作为动态参数 context.d_value = 20 add_parameter(key='d_value', value=context.d_value, min=0, max=100, name='d值阀值', intro='设置d值阀值', group='2', readonly=False) print('当前的动态参数有', context.parameters) # 订阅行情 subscribe(symbols='SZSE.002400', frequency='60s', count=120)def on_bar(context, bars): data = context.data(symbol=bars[0['symbol', frequency='60s', count=100) kdj = KDJ(data, 9, 3, 3) k_value = kdj['kdj_k'.values d_value = kdj['kdj_d'.values if k_value[-1 > context.k_value and d_value[-1 < context.d_value: order_percent(symbol=bars[0['symbol', percent=0.01, side=OrderSide_Buy, order_type=OrderType_Market, position_effect=PositionEffect_Open) print('{}下单买入， k值为{}'.format(bars[0['symbol', context.k_value))# 计算KDJdef KDJ(data, N, M1, M2): lowList= data['low'.rolling(N).min() lowList.fillna(value=data['low'.expanding().min(), inplace=True) highList = data['high'.rolling(N).max() highList.fillna(value=data['high'.expanding().max(), inplace=True) rsv = (data['close' - lowList) / (highList - lowList) * 100 data['kdj_k' = rsv.ewm(alpha=1/M1).mean() data['kdj_d' = data['kdj_k'.ewm(alpha=1/M2).mean() data['kdj_j' = 3.0 * data['kdj_k' - 2.0 * data['kdj_d' return data# 动态参数变更事件def on_parameter(context, parameter): # print(parameter) if parameter['name' == 'k值阀值': # 通过全局变量把动态参数值传入别的事件里 context.k_value = parameter['value' print('{}已经修改为{}'.format(parameter['name', context.k_value)) if parameter['name' == 'd值阀值': context.d_value = parameter['value' print('{}已经修改为{}'.format(parameter['name', context.d_value))def on_account_status(context, account): print(account)if __name__ == '__main__': ''' strategy_id策略ID,由系统生成 filename文件名,请与本文件名保持一致 mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST token绑定计算机的ID,可在系统设置-密钥管理中生成 backtest_start_time回测开始时间 backtest_end_time回测结束时间 backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST backtest_initial_cash回测初始资金 backtest_commission_ratio回测佣金比例 backtest_slippage_ratio回测滑点比例 ''' run(strategy_id='07c08563-a4a8-11ea-a682-7085c223669d', filename='main.py', mode=MODE_LIVE, token='2c4e3c59cde776ebc268bf6d7b4c457f204482b3', backtest_start_time='2020-09-01 08:00:00', backtest_end_time='2020-10-01 16:00:00', backtest_adjust=ADJUST_PREV, backtest_initial_cash=500000, backtest_commission_ratio=0.0001, backtest_slippage_ratio=0.0001) [size=0.85] 复制成功
[size=0.85em]#level2 数据驱动事件示例本示例提供 level2 行情的订阅， 包括逐笔成交、逐笔委托、委托队列 仅券商托管版本支持 # coding=utf-8from __future__ import print_function, absolute_importfrom gm.api import *def init(context): # 查询历史L2 Tick行情 history_l2tick=get_history_l2ticks('SHSE.600519', '2020-11-23 14:00:00', '2020-11-23 15:00:00', fields=None, skip_suspended=True, fill_missing=None, adjust=ADJUST_NONE, adjust_end_time='', df=False) print(history_l2tick[0) # 查询历史L2 Bar行情 history_l2bar=get_history_l2bars('SHSE.600000', '60s', '2020-11-23 14:00:00', '2020-11-23 15:00:00', fields=None, skip_suspended=True, fill_missing=None, adjust=ADJUST_NONE, adjust_end_time='', df=False) print(history_l2bar[0) # 查询历史L2 逐笔成交 history_transactions = get_history_l2transactions('SHSE.600000', '2020-11-23 14:00:00', '2020-11-23 15:00:00', fields=None, df=False) print(history_transactions[0) # 查询历史L2 逐笔委托 history_order=get_history_l2orders('SZSE.000001', '2020-11-23 14:00:00', '2020-11-23 15:00:00', fields=None, df=False) print(history_order[0) # 订阅浦发银行的逐笔成交数据 subscribe(symbols='SHSE.600000', frequency='l2transaction') # 订阅平安银行的逐笔委托数据 subscribe(symbols='SZSE.000001', frequency='l2order')def on_l2order(context, order): # 打印逐笔成交数据 print(order)def on_l2transaction(context, transition): # 打印逐笔委托数据 print(transition)if __name__ == '__main__': ''' strategy_id策略ID, 由系统生成 filename文件名, 请与本文件名保持一致 mode运行模式, 实时模式:MODE_LIVE回测模式:MODE_BACKTEST token绑定计算机的ID, 可在系统设置-密钥管理中生成 backtest_start_time回测开始时间 backtest_end_time回测结束时间 backtest_adjust股票复权方式, 不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST backtest_initial_cash回测初始资金 backtest_commission_ratio回测佣金比例 backtest_slippage_ratio回测滑点比例 ''' run(strategy_id='strategy_id', filename='main.py', mode=MODE_BACKTEST, token='token_id', backtest_start_time='2020-11-01 08:00:00', backtest_end_time='2020-11-10 16:00:00', backtest_adjust=ADJUST_PREV, backtest_initial_cash=10000000, backtest_commission_ratio=0.0001, backtest_slippage_ratio=0.0001) [size=0.85] 复制成功
[size=0.85em]#可转债数据获取/交易示例本示例提供可转债数据获取、可转债交易 # coding=utf-8from __future__ import print_function, absolute_importfrom gm.api import *def init(context): # 获取可转债基本信息，输入可转债代码即可 infos = get_symbol_infos(sec_type1=1030, symbols='SHSE.113038', df=True) # 输入可转债标的代码，可以获取到历史行情 history_data = history(symbol='SHSE.113038', frequency='60s', start_time='2021-02-24 14:50:00', end_time='2021-02-24 15:30:30', adjust=ADJUST_PREV, df=True) # 可转债回售、转股、转股撤销，需要券商实盘环境，仿真回测不可用。 # bond_convertible_call('SHSE.110051', 100, 0) # bond_convertible_put('SHSE.183350', 100, 0) # bond_convertible_put_cancel('SHSE.183350', 100) # 可转债下单，仅将symbol替换为可转债标的代码即可 order_volume(symbol='SZSE.128041', volume=100, side=OrderSide_Buy, order_type=OrderType_Limit, position_effect=PositionEffect_Open, price=340) # 直接获取委托，可以看到相应的可转债委托，普通买卖通过标的体现可转债交易，转股、回售、回售撤销通过order_business字段的枚举值不同来体现。 order_list = get_orders() # 订阅可转债行情。与股票无异 subscribe(symbols='SHSE.113038', frequency='tick', count=2)def on_tick(context, tick): # 打印频率为tick，可转债最新tick print(tick)if __name__ == '__main__': run(strategy_id='strategy_id', filename='main.py', mode=MODE_LIVE, token='token_id', backtest_start_time='2020-12-16 09:00:00', backtest_end_time='2020-12-16 09:15:00', backtest_adjust=ADJUST_PREV, backtest_initial_cash=10000000, backtest_commission_ratio=0.0001, backtest_slippage_ratio=0.0001 )
|
|
琼 ICP 备 2025055451 号 -8 )
发表于 2026-4-30 11:08:11
