分享
我来回答
入驻注册
一对一
首发回答
Hello，大家好呀，欢迎大家观看QMT量化交易教程，我会用7天时间带领大家熟悉QMT，今天我们来看下QMT量化交易教程第二课：网格交易策略。
大家想学习QMT的话可以加我联系方式，然后找我要一个QMT的测试账号。登录测试账号，照着视频里的代码自己敲一遍，这样学习效果比较好。我这里也有现成的代码，如果有需要的话也可以找我。
本次教学的内容主要分为两个部分。上半部分，我会从投资中经常碰到的三个问题出发。引出我们今天要重点讲解的交易策略，也就是网格交易策略，然后介绍网格交易策略的基本原理。下半部分，我会带大家看一下网格交易策略如何在QMT平台上实现。上个视频我们已经讲完上半部分，今天我们来讲下半部分，如何用QMT实现网格交易策略。
首先用我给的测试账号登录系统，登录进去以后，这里有一个我已经写好的网格交易策略。
第一步还是先导入numpy和pandas库。
import numpy as np
import pandas as pd
接下来看看init函数，通过ContextInfo.stockcode来获取主图代码，加上市场后，赋值给tradestock，然后通过set_universe函数来订阅股票。
def init(ContextInfo):
#设置主图股票代码为买卖标的
ContextInfo.tradestock = ContextInfo.stockcode "." ContextInfo.market
ContextInfo.set_universe([ContextInfo.tradestock])
接下来设置网格交易初始初始建仓的资金比例，根据之前的策略，初始仓位是60%，接着我们设置网格交易的步长，这里设置为基准价的0.5%。
# 设置建仓资金比例
ContextInfo.weight = 0.60
# 设置网格的步长，以基准价的百分比表示
ContextInfo.step = 0.005 #步长设置参数
接下来设置网格线，这里我们用基准价的百分比来设置。我这里用一个数组来代表网格线，另外我们用一个很小的数和一个很大的数，来代表网格的上下极限值。我们把数组打印出来看看。我们可以看到，基准是1，然后是0.997，代表基准价的0.997倍，接下来是0.994一直到0.985，代表5个网格线，最上面一个是0.182，这个用来控制持仓上下限。
然后是资金帐号，这里可以设置为我们实盘的资金帐号。
# 设置网格线的价格，以基准价的百分比表示
ContextInfo.band = pd.Series([0.2,1,1,1,1,1,1,1,1,1,1,1,10])
pd.Series([-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6])*ContextInfo.step
print(ContextInfo.band)
ContextInfo.accountid='1011328'
ContextInfo.short代表短期均线长度，设置为5，middle代表中期均线长度，设置为20，long代表长期均线长度，设置为40。这三个参数主要用于利用均线多头排列来建仓的。
ContextInfo.short=5
ContextInfo.middle=20
ContextInfo.long=40
Price变量，代表基准价。
ContextInfo.price=0
Holdings_list是一个列表，用于记录持仓数量，我们主要用到的还是第一个数，也即是开仓时的数量。
ContextInfo.holdings_list=[]
接下来是目标仓位，上一个视频讲过，在同一区间内，买入和卖出在同一个价格区间内的目标仓位是不同的，卖出的时候比买入的时候多一个网格交易的数量的股票，因此这里我们使用Buy_Lable和Sell_Lable两个列表来代表买入和卖出的目标仓位，-1代表卖出一个单位的股票，这里的一个单位，代表初始持仓的10%。
#对应区间的目标仓位，买入和卖出在同一价格区间的目标仓位不一致，需分别列出，以相对底仓的变动表示
ContextInfo.Buy_Lable=pd.Series([5,4,3,2,1,0,-1,-2,-3,-4,-5,-5])
ContextInfo.Sell_Lable=pd.Series([5,5,4,3,2,1,0,-1,-2,-3,-4,-5])
接下来两个变量number_plus和number_down代表买入的次数和卖出的次数。
ContextInfo.number_plus = 0
ContextInfo.number_down = 0
初始化变量以后，我们来看下handlebar函数。这个函数放了我们的策略逻辑，然后系统会根据回测周期重复的调用，每个时间间隔运行一次。比如默认周期设置为3分钟，则handlebar会根据这个3分钟周期频率运行一次。另外系统最低支持tick级别的回测，大家可以选择分笔线，这个就代表tick级频率。交易也可以选择tick级别的交易
然后进入到网格交易策略handlebar主函数里面，前三行，这里不是策略的主要内容，主要是用于显示目前回测运行到哪个时间点了，方便我们进行问题排查。大家可以直接把这三行代码复制到自己的策略里。
def handlebar(ContextInfo):
index = ContextInfo.barpos
timetag = ContextInfo.get_bar_timetag(index)
print(timetag_to_datetime(timetag, '%Y%m%d %H:%M:%S'))
接下来是获取持仓，调用get_holdings函数，这是一个我们自定义的函数，传入的参数是accountid和’STOCK’，我们来看下这个函数。首先定义了一个空字典，这个字典用来存储股票持仓。接下来我们继续调用get_trade_detail_data函数，这是一个获取账户信息的函数，传入资金帐号，datatype是账户的类别，这里穿的是’STOCK’，代表股票账户，然后再传一个’POSITION’，代表获取持仓。把返回结果赋值给resultlist，这是一个列表，列表里存的是POSITION持仓对象，我们可以通过文档来看这个POSITION对象，里面有很多字段，我们只需要股票代码和数量这两个最关键的字段。这里用一个for循环展开所有的POSITION对象，holdinglist这个字典的键设置为股票代码m_strInstrumentID加市场m_strExchangeID，比如000001.SZ，值设置为持仓量m_nVolume，除以100的意思是把多少股转化为多少手。最终把字典返回。把返回的结果赋值给holdings。
#获取持仓信息{code.market:手数}
def get_holdings(accountid,datatype):
holdinglist={}
resultlist=get_trade_detail_data(accountid,datatype,"POSITION")
for obj in resultlist:
holdinglist[obj.m_strInstrumentID "." obj.m_strExchangeID]=obj.m_nVolume/100
#返回{code.market:持仓手数}
return holdinglist
接下来用get_totalvalue函数获取总资产，这个函数第一课已讲过，这里我们不再赘述。这两个获取持仓和获取资金的函数，大家可以直接复制，用在后面自己的策略中，减少工作量。
#=============建仓=======================
holdings=get_holdings(ContextInfo.accountid,'STOCK')
totalvalue=get_totalvalue(ContextInfo.accountid,'STOCK')
接下来，我们去判定当前是否有持仓，if not holdings，假设没有持仓，需要进行建仓操作。这几行代码是用来计算移动均线的，首先去获取历史行情，调用get_history_data函数获取历史行情，第一个参数是K线的数量，最大40日均线，因此传41，然后我们策略是3分钟频率的策略，因此传’3m’，’m’代表分钟，’close’代表收盘价，历史收盘行情赋值给’h’。接下来用np.mean来计算5日，20日，40日均线，分别复制给ma5，ma20，ma40。当满足ma20大于ma40，ma5大于ma20，也就是均线多头排列时，调用order_target_value开仓，之前我们也讲过，开仓时用60%的资金开仓，因此第二个参数设置为
ContextInfo.weight*totalvalue，weight是0.6，totalvalue是总的资金。把开仓时的价格，也就是基准价赋值给price。然后打印出来。
if not holdings:
h=ContextInfo.get_history_data(41,'3m','close')
ma5=np.mean(h[ContextInfo.tradestock][-ContextInfo.short-1:-1])
ma20=np.mean(h[ContextInfo.tradestock][-ContextInfo.middle-1:-1])
ma40=np.mean(h[ContextInfo.tradestock][-ContextInfo.long-1:-1])
if ma20>ma40 and ma5>ma20:
order_target_value(ContextInfo.tradestock,ContextInfo.weight*totalvalue,
ContextInfo,ContextInfo.accountid)
ContextInfo.price=h[ContextInfo.tradestock][-1]
一旦我们有了底仓之后，接下来就去进行的网格交易操作，这个if holdings就是我们有底仓就开始进行网格交易操作。
首先将当前持仓保存在holdings_list这个列表里，然后去获取底仓，底仓就是我们通过均线多头排列开仓的数量。
#=============网格交易====================
if holdings:
#print(111)
ContextInfo.holdings_list.append(holdings[ContextInfo.tradestock])
#底仓为仓位记录的首位
basic_holdings= ContextInfo.holdings_list[0]
接下来计算网格线的具体价格，band是百分比，乘以基准价后，就变成具体网格线的价格。这里我们打印出来看下，第一个非常小，最后一个数非常大，用这两个数来作为持仓上下限的控制条件，因为价格一般不会突破这两个值，因此最多卖出50%的股票，最多买入50%的股票。
#网格线的具体价格
Limit_price = np.array(ContextInfo.band)*ContextInfo.price
print(Limit_price)
用get_history_data获取最近2根K线的价格，为什么是2根，因为我们要去判断价格上涨还是下跌。
Con_close= ContextInfo.get_history_data(2,'3m','close')[ContextInfo.tradestock]
然后利用pandas的cut函数，来当前价格在哪个网格区间。
#获取当前价格对应的区间
lable=pd.cut(Con_close[-1],Limit_price,labels=False)
然后计算每次固定的交易数量，这里用了int强制类型转换，目的是为了使得买卖数量为100的整数倍。
#固定的交易量
trade_volume = int(0.1*basic_holdings/100)*100
然后计算买入和卖出的目标仓位，注意买入和卖出的时候目标仓位是不同的，卖出的目标仓位要比买入的时候多一个固定交易数量。
Buy_aim_Position= basic_holdings pd.Series(ContextInfo.Buy_Lable*trade_volume)
Sell_aim_Position= basic_holdings pd.Series(ContextInfo.Sell_Lable*trade_volume)
d，获取当前索引，用于计算下面的p，p是当前净值。
d = ContextInfo.barpos #当前K线索引号
p = ContextInfo.get_net_value(d)
接下来，判断股价上涨还是下跌，当股价上涨时，需要卖出股票，这里我们要用到卖出的目标仓位Sell_aim_Position，用当前仓位减去卖出仓位，就得到了需要调仓的数量Sell_volume，当调仓数量大于0的时候，意思是股价向上突破格值，需要 卖出股票。这里我们调用order_shares函数，这个函数是按照数量下单的函数，然后卖出次数number_down加1，打印出来。
#价格上涨部分卖出
if Con_close[1]>Con_close[0]:
Sell_volume = holdings[ContextInfo.tradestock]-Sell_aim_Position[lable]
#print(Sell_volume)
#过滤掉无效的价格波动
if Sell_volume >0:
ContextInfo.draw_text(1>0,p 0.01*p,"S")
order_shares(ContextInfo.tradestock,-Sell_volume*100,'fix',Limit_price[lable],ContextInfo,ContextInfo.accountid)
ContextInfo.number_down =1
print('down',ContextInfo.number_down)
价格下跌也是相同的处理，先计算买入调仓数量Buy_volume，然后画出标记，买入股票，买入次数加1，打印。
#价格下跌部分买入
if Con_close[1]Buy_volume = Buy_aim_Position[lable]-holdings[ContextInfo.tradestock]
#过滤掉无效的价格波动
if Buy_volume>0:
ContextInfo.draw_text(1>0,p 0.01*p,"B")
order_shares(ContextInfo.tradestock,Buy_volume *100,'fix',Limit_price[lable 1],ContextInfo,ContextInfo.accountid)
ContextInfo.number_plus =1
print('plus',ContextInfo.number_plus)
大家想学习QMT的话可以加我联系方式，然后找我要一个QMT的测试账号。登录测试账号，照着视频里的代码自己敲一遍，这样学习效果比较好。我这里也有现成的代码，如果有需要的话也可以找我。
本次教学的内容主要分为两个部分。上半部分，我会从投资中经常碰到的三个问题出发。引出我们今天要重点讲解的交易策略，也就是网格交易策略，然后介绍网格交易策略的基本原理。下半部分，我会带大家看一下网格交易策略如何在QMT平台上实现。上个视频我们已经讲完上半部分，今天我们来讲下半部分，如何用QMT实现网格交易策略。
首先用我给的测试账号登录系统，登录进去以后，这里有一个我已经写好的网格交易策略。
第一步还是先导入numpy和pandas库。
import numpy as np
import pandas as pd
接下来看看init函数，通过ContextInfo.stockcode来获取主图代码，加上市场后，赋值给tradestock，然后通过set_universe函数来订阅股票。
def init(ContextInfo):
#设置主图股票代码为买卖标的
ContextInfo.tradestock = ContextInfo.stockcode "." ContextInfo.market
ContextInfo.set_universe([ContextInfo.tradestock])
接下来设置网格交易初始初始建仓的资金比例，根据之前的策略，初始仓位是60%，接着我们设置网格交易的步长，这里设置为基准价的0.5%。
# 设置建仓资金比例
ContextInfo.weight = 0.60
# 设置网格的步长，以基准价的百分比表示
ContextInfo.step = 0.005 #步长设置参数
接下来设置网格线，这里我们用基准价的百分比来设置。我这里用一个数组来代表网格线，另外我们用一个很小的数和一个很大的数，来代表网格的上下极限值。我们把数组打印出来看看。我们可以看到，基准是1，然后是0.997，代表基准价的0.997倍，接下来是0.994一直到0.985，代表5个网格线，最上面一个是0.182，这个用来控制持仓上下限。
然后是资金帐号，这里可以设置为我们实盘的资金帐号。
# 设置网格线的价格，以基准价的百分比表示
ContextInfo.band = pd.Series([0.2,1,1,1,1,1,1,1,1,1,1,1,10])
pd.Series([-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6])*ContextInfo.step
print(ContextInfo.band)
ContextInfo.accountid='1011328'
ContextInfo.short代表短期均线长度，设置为5，middle代表中期均线长度，设置为20，long代表长期均线长度，设置为40。这三个参数主要用于利用均线多头排列来建仓的。
ContextInfo.short=5
ContextInfo.middle=20
ContextInfo.long=40
Price变量，代表基准价。
ContextInfo.price=0
Holdings_list是一个列表，用于记录持仓数量，我们主要用到的还是第一个数，也即是开仓时的数量。
ContextInfo.holdings_list=[]
接下来是目标仓位，上一个视频讲过，在同一区间内，买入和卖出在同一个价格区间内的目标仓位是不同的，卖出的时候比买入的时候多一个网格交易的数量的股票，因此这里我们使用Buy_Lable和Sell_Lable两个列表来代表买入和卖出的目标仓位，-1代表卖出一个单位的股票，这里的一个单位，代表初始持仓的10%。
#对应区间的目标仓位，买入和卖出在同一价格区间的目标仓位不一致，需分别列出，以相对底仓的变动表示
ContextInfo.Buy_Lable=pd.Series([5,4,3,2,1,0,-1,-2,-3,-4,-5,-5])
ContextInfo.Sell_Lable=pd.Series([5,5,4,3,2,1,0,-1,-2,-3,-4,-5])
接下来两个变量number_plus和number_down代表买入的次数和卖出的次数。
ContextInfo.number_plus = 0
ContextInfo.number_down = 0
初始化变量以后，我们来看下handlebar函数。这个函数放了我们的策略逻辑，然后系统会根据回测周期重复的调用，每个时间间隔运行一次。比如默认周期设置为3分钟，则handlebar会根据这个3分钟周期频率运行一次。另外系统最低支持tick级别的回测，大家可以选择分笔线，这个就代表tick级频率。交易也可以选择tick级别的交易
然后进入到网格交易策略handlebar主函数里面，前三行，这里不是策略的主要内容，主要是用于显示目前回测运行到哪个时间点了，方便我们进行问题排查。大家可以直接把这三行代码复制到自己的策略里。
def handlebar(ContextInfo):
index = ContextInfo.barpos
timetag = ContextInfo.get_bar_timetag(index)
print(timetag_to_datetime(timetag, '%Y%m%d %H:%M:%S'))
接下来是获取持仓，调用get_holdings函数，这是一个我们自定义的函数，传入的参数是accountid和’STOCK’，我们来看下这个函数。首先定义了一个空字典，这个字典用来存储股票持仓。接下来我们继续调用get_trade_detail_data函数，这是一个获取账户信息的函数，传入资金帐号，datatype是账户的类别，这里穿的是’STOCK’，代表股票账户，然后再传一个’POSITION’，代表获取持仓。把返回结果赋值给resultlist，这是一个列表，列表里存的是POSITION持仓对象，我们可以通过文档来看这个POSITION对象，里面有很多字段，我们只需要股票代码和数量这两个最关键的字段。这里用一个for循环展开所有的POSITION对象，holdinglist这个字典的键设置为股票代码m_strInstrumentID加市场m_strExchangeID，比如000001.SZ，值设置为持仓量m_nVolume，除以100的意思是把多少股转化为多少手。最终把字典返回。把返回的结果赋值给holdings。
#获取持仓信息{code.market:手数}
def get_holdings(accountid,datatype):
holdinglist={}
resultlist=get_trade_detail_data(accountid,datatype,"POSITION")
for obj in resultlist:
holdinglist[obj.m_strInstrumentID "." obj.m_strExchangeID]=obj.m_nVolume/100
#返回{code.market:持仓手数}
return holdinglist
接下来用get_totalvalue函数获取总资产，这个函数第一课已讲过，这里我们不再赘述。这两个获取持仓和获取资金的函数，大家可以直接复制，用在后面自己的策略中，减少工作量。
#=============建仓=======================
holdings=get_holdings(ContextInfo.accountid,'STOCK')
totalvalue=get_totalvalue(ContextInfo.accountid,'STOCK')
接下来，我们去判定当前是否有持仓，if not holdings，假设没有持仓，需要进行建仓操作。这几行代码是用来计算移动均线的，首先去获取历史行情，调用get_history_data函数获取历史行情，第一个参数是K线的数量，最大40日均线，因此传41，然后我们策略是3分钟频率的策略，因此传’3m’，’m’代表分钟，’close’代表收盘价，历史收盘行情赋值给’h’。接下来用np.mean来计算5日，20日，40日均线，分别复制给ma5，ma20，ma40。当满足ma20大于ma40，ma5大于ma20，也就是均线多头排列时，调用order_target_value开仓，之前我们也讲过，开仓时用60%的资金开仓，因此第二个参数设置为
ContextInfo.weight*totalvalue，weight是0.6，totalvalue是总的资金。把开仓时的价格，也就是基准价赋值给price。然后打印出来。
if not holdings:
h=ContextInfo.get_history_data(41,'3m','close')
ma5=np.mean(h[ContextInfo.tradestock][-ContextInfo.short-1:-1])
ma20=np.mean(h[ContextInfo.tradestock][-ContextInfo.middle-1:-1])
ma40=np.mean(h[ContextInfo.tradestock][-ContextInfo.long-1:-1])
if ma20>ma40 and ma5>ma20:
order_target_value(ContextInfo.tradestock,ContextInfo.weight*totalvalue,
ContextInfo,ContextInfo.accountid)
ContextInfo.price=h[ContextInfo.tradestock][-1]
一旦我们有了底仓之后，接下来就去进行的网格交易操作，这个if holdings就是我们有底仓就开始进行网格交易操作。
首先将当前持仓保存在holdings_list这个列表里，然后去获取底仓，底仓就是我们通过均线多头排列开仓的数量。
#=============网格交易====================
if holdings:
#print(111)
ContextInfo.holdings_list.append(holdings[ContextInfo.tradestock])
#底仓为仓位记录的首位
basic_holdings= ContextInfo.holdings_list[0]
接下来计算网格线的具体价格，band是百分比，乘以基准价后，就变成具体网格线的价格。这里我们打印出来看下，第一个非常小，最后一个数非常大，用这两个数来作为持仓上下限的控制条件，因为价格一般不会突破这两个值，因此最多卖出50%的股票，最多买入50%的股票。
#网格线的具体价格
Limit_price = np.array(ContextInfo.band)*ContextInfo.price
print(Limit_price)
用get_history_data获取最近2根K线的价格，为什么是2根，因为我们要去判断价格上涨还是下跌。
Con_close= ContextInfo.get_history_data(2,'3m','close')[ContextInfo.tradestock]
然后利用pandas的cut函数，来当前价格在哪个网格区间。
#获取当前价格对应的区间
lable=pd.cut(Con_close[-1],Limit_price,labels=False)
然后计算每次固定的交易数量，这里用了int强制类型转换，目的是为了使得买卖数量为100的整数倍。
#固定的交易量
trade_volume = int(0.1*basic_holdings/100)*100
然后计算买入和卖出的目标仓位，注意买入和卖出的时候目标仓位是不同的，卖出的目标仓位要比买入的时候多一个固定交易数量。
Buy_aim_Position= basic_holdings pd.Series(ContextInfo.Buy_Lable*trade_volume)
Sell_aim_Position= basic_holdings pd.Series(ContextInfo.Sell_Lable*trade_volume)
d，获取当前索引，用于计算下面的p，p是当前净值。
d = ContextInfo.barpos #当前K线索引号
p = ContextInfo.get_net_value(d)
接下来，判断股价上涨还是下跌，当股价上涨时，需要卖出股票，这里我们要用到卖出的目标仓位Sell_aim_Position，用当前仓位减去卖出仓位，就得到了需要调仓的数量Sell_volume，当调仓数量大于0的时候，意思是股价向上突破格值，需要 卖出股票。这里我们调用order_shares函数，这个函数是按照数量下单的函数，然后卖出次数number_down加1，打印出来。
#价格上涨部分卖出
if Con_close[1]>Con_close[0]:
Sell_volume = holdings[ContextInfo.tradestock]-Sell_aim_Position[lable]
#print(Sell_volume)
#过滤掉无效的价格波动
if Sell_volume >0:
ContextInfo.draw_text(1>0,p 0.01*p,"S")
order_shares(ContextInfo.tradestock,-Sell_volume*100,'fix',Limit_price[lable],ContextInfo,ContextInfo.accountid)
ContextInfo.number_down =1
print('down',ContextInfo.number_down)
价格下跌也是相同的处理，先计算买入调仓数量Buy_volume，然后画出标记，买入股票，买入次数加1，打印。
#价格下跌部分买入
if Con_close[1]Buy_volume = Buy_aim_Position[lable]-holdings[ContextInfo.tradestock]
#过滤掉无效的价格波动
if Buy_volume>0:
ContextInfo.draw_text(1>0,p 0.01*p,"B")
order_shares(ContextInfo.tradestock,Buy_volume *100,'fix',Limit_price[lable 1],ContextInfo,ContextInfo.accountid)
ContextInfo.number_plus =1
print('plus',ContextInfo.number_plus)
编辑完策略代码以后，我们就可以点击左上角“回测”这个按钮，就能得到回测结果。
发布于2023-1-3 15:49 常州
当前我在线
直接联系我
秒答
更多
分享
追问
收藏
举报
咨询TA
19162777832 
叩富问财官方评定为
搜索更多类似问题 >
6830万+ 
电话咨询
+微信
咨询
