Jack-Cui基于RSRS的量化代码

‘’’
策略思路：
选股：财务指标选股
择时：RSRS择时
持仓：有开仓信号时持有10只股票，不满足时保持空仓

‘’’

导入函数库

import statsmodels.api as sm
from pandas.stats.api import ols

初始化函数，设定基准等等

def initialize(context):
# 开启动态复权模式(真实价格)
set_option(‘use_real_price’, True)
# 过滤掉order系列API产生的比error级别低的log
# log.set_level(‘order’, ‘error’)
set_parameter(context)
### 股票相关设定 ###
# 股票类每笔交易时的手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱
set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5),
type=’stock’)

## 运行函数（reference_security为运行时间的参考标的；传入的标的只做种类区分，因此传入'000300.XSHG'或'510300.XSHG'是一样的）
# 开盘前运行
run_daily(before_market_open, time='before_open', reference_security='000300.XSHG')
# 开盘时运行
run_daily(market_open, time='open', reference_security='000300.XSHG')
# 收盘后运行
# run_daily(after_market_close, time='after_close', reference_security='000300.XSHG')

‘’’
==============================参数设置部分================================
‘’’

def set_parameter(context):
# 设置RSRS指标中N, M的值
# 统计周期
g.N = 18
# 统计样本长度
g.M = 1100
# 首次运行判断
g.init = True
# 持仓股票数
g.stock_num = 10
# 风险参考基准
g.security = ‘000300.XSHG’
# 设定策略运行基准
set_benchmark(g.security)
# 记录策略运行天数
g.days = 0
# set_benchmark(g.stock)
# 买入阈值
g.buy = 0.7
g.sell = -0.7
# 用于记录回归后的beta值，即斜率
g.ans = []
# 用于计算被决定系数加权修正后的贝塔值
g.ans_rightdev = []

# 计算2005年1月5日至回测开始日期的RSRS斜率指标
prices = get_price(g.security, '2005-01-05', context.previous_date, '1d', ['high', 'low'])
highs = prices.high
lows = prices.low
g.ans = []
for i in range(len(highs))[g.N:]:
    data_high = highs.iloc[i - g.N + 1:i + 1]
    data_low = lows.iloc[i - g.N + 1:i + 1]
    X = sm.add_constant(data_low)
    model = sm.OLS(data_high, X)
    results = model.fit()
    g.ans.append(results.params[1])
    # 计算r2
    g.ans_rightdev.append(results.rsquared)

开盘前运行函数

def before_market_open(context):
# 输出运行时间
# log.info(‘函数运行时间(before_market_open)：’+str(context.current_dt.time()))
g.days += 1
# 给微信发送消息（添加模拟交易，并绑定微信生效）
send_message(‘策略正常，运行第%s天~’ % g.days)

开盘时运行函数

def market_open(context):
security = g.security
# 填入各个日期的RSRS斜率值
beta = 0
r2 = 0
if g.init:
g.init = False
else:
# RSRS斜率指标定义
prices = attribute_history(security, g.N, ‘1d’, [‘high’, ‘low’])
highs = prices.high
lows = prices.low
X = sm.add_constant(lows)
model = sm.OLS(highs, X)
beta = model.fit().params[1]
g.ans.append(beta)
# 计算r2
r2 = model.fit().rsquared
g.ans_rightdev.append(r2)

# 计算标准化的RSRS指标
# 计算均值序列
section = g.ans[-g.M:]
# 计算均值序列
mu = np.mean(section)
# 计算标准化RSRS指标序列
sigma = np.std(section)
zscore = (section[-1] - mu) / sigma
# 计算右偏RSRS标准分
zscore_rightdev = zscore * beta * r2

# 如果上一时间点的RSRS斜率大于买入阈值, 则全仓买入
if zscore_rightdev > g.buy:
    # 记录这次买入
    log.info("市场风险在合理范围")
    # 满足条件运行交易
    trade_func(context)
# 如果上一时间点的RSRS斜率小于卖出阈值, 则空仓卖出
elif (zscore_rightdev < g.sell) and (len(context.portfolio.positions.keys()) > 0):
    # 记录这次卖出
    log.info("市场风险过大，保持空仓状态")
    # 卖出所有股票,使这只股票的最终持有量为0
    for s in context.portfolio.positions.keys():
        order_target(s, 0)

策略选股买卖部分

def trade_func(context):
# 获取股票池
df = get_fundamentals(query(valuation.code, valuation.pb_ratio, indicator.roe))
# 进行pb,roe大于0筛选
df = df[(df[‘roe’] > 0) & (df[‘pb_ratio’] > 0)].sort(‘pb_ratio’)
# 以股票名词作为index
df.index = df[‘code’].values
# 取roe倒数
df[‘1/roe’] = 1 / df[‘roe’]
# 获取综合得分
df[‘point’] = df[[‘pb_ratio’, ‘1/roe’]].rank().T.apply(f_sum)
# 按得分进行排序，取指定数量的股票
df = df.sort(‘point’)[:g.stock_num]
pool = df.index
log.info(‘总共选出%s只股票’ % len(pool))
# 得到每只股票应该分配的资金
cash = context.portfolio.total_value / len(pool)
# 获取已经持仓列表
hold_stock = context.portfolio.positions.keys()
# 卖出不在持仓中的股票
for s in hold_stock:
if s not in pool:
order_target(s, 0)
# 买入股票
for s in pool:
order_target_value(s, cash)

打分工具

def f_sum(x):
return sum(x)

收盘后运行函数

def after_market_close(context):
# 得到当天所有成交记录
trades = get_trades()
for _trade in trades.values():
log.info(‘成交记录：’ + str(_trade))
# 打印账户总资产
log.info(‘今日账户总资产：%s’ % round(context.portfolio.total_value, 2))
# log.info(‘##############################################################’)