WeQuant交易策略—EMA指标

策略名称:EMA指标策略
关键词:指数移动平均、双均线、动态止损。
方法:
1)用快慢两条指数移动平均线的交叉作为买入卖出信号;
2)快线自下而上穿过慢线,买入;自上而下穿过慢线,卖出;
3)持仓期间计算净值的回撤,当回撤大于预设值时,全仓卖出止损,等待下一次入场信号

# !/usr/bin/env python
# -*- coding: utf-8 -*-

# 策略代码总共分为三大部分,1)PARAMS变量 2)initialize函数 3)handle_data函数
# 请根据指示阅读。或者直接点击运行回测按钮,进行测试,查看策略效果。

# 策略名称:EMA指标策略
# 关键词:指数移动平均、双均线、动态止损。
# 方法:
# 1)用快慢两条指数移动平均线的交叉作为买入卖出信号;
# 2)快线自下而上穿过慢线,买入;自上而下穿过慢线,卖出;
# 3)持仓期间计算净值的回撤,当回撤大于预设值时,全仓卖出止损,等待下一次入场信号

import talib

# 阅读1,首次阅读可跳过:
# PARAMS用于设定程序参数,回测的起始时间、结束时间、滑点误差、初始资金和持仓。
# 可以仿照格式修改,基本都能运行。如果想了解详情请参考新手学堂的API文档。
PARAMS = {
    "start_time": "2017-02-01 00:00:00",
    "end_time": "2017-08-01 00:00:00",
    "slippage": 0.003,  # 此处“slippage"包含佣金(千二)+交易滑点(千一)
    "account_initial": {"huobi_cny_cash": 100000,
                      "huobi_cny_btc": 0},
}

# 阅读2,遇到不明白的变量可以跳过,需要的时候回来查阅:
# initialize函数是两大核心函数之一(另一个是handle_data),用于初始化策略变量。
# 策略变量包含:必填变量,以及非必填(用户自己方便使用)的变量
def initialize(context):
    # 设置回测频率, 可选:‘1m‘, ‘5m‘, ‘15m‘, ‘30m‘, ‘60m‘, ‘1d‘, ‘1w‘, ‘1M‘, ‘1y‘
    context.frequency = "15m"
    # 设置回测基准, 比特币:‘huobi_cny_btc‘, 莱特币:‘huobi_cny_ltc‘, 以太坊:‘huobi_cny_eth‘
    context.benchmark = "huobi_cny_btc"
    # 设置回测标的, 比特币:‘huobi_cny_btc‘, 莱特币:‘huobi_cny_ltc‘, 以太坊:‘huobi_cny_eth‘
    context.security = "huobi_cny_btc"

    # EMA快线回看时间
    context.user_data.ema_fast_window = 5
    # EMA慢线回看时间
    context.user_data.ema_slow_window = 20
    # 设置回撤止损线 (%)。 如设置为5,则当回撤大于等于5%时,止损退出
    context.user_data.stop_loss_line = 10

    # 记录净值的最大值,用于计算持仓的回撤,判断是否应该止损。每次止损或者全仓卖出后,会被设置为None,重新计算
    context.user_data.max_net = None

# 阅读3,策略核心逻辑:
# handle_data函数定义了策略的执行逻辑,按照frequency生成的bar依次读取并执行策略逻辑,直至程序结束。
# handle_data和bar的详细说明,请参考新手学堂的解释文档。
def handle_data(context):
    # 买入信号
    long_signal_triggered = False
    # 卖出信号
    short_signal_triggered = False
    # 止损信号
    stop_loss_signal_triggered = False

    # 更新净值最大值
    if context.user_data.max_net is None:
        context.user_data.max_net = context.account.huobi_cny_net
    else:
        if context.user_data.max_net < context.account.huobi_cny_net:
            context.user_data.max_net = context.account.huobi_cny_net
    # 计算当前回撤
    current_draw_down = (1 - context.account.huobi_cny_net / context.user_data.max_net) * 100
    context.log.info("当前回撤为 %.2f%%, 止损线为 %.2f%%" % (current_draw_down, context.user_data.stop_loss_line))
    # 当前回撤大于止损线,则产生卖出止损信号
    if current_draw_down > context.user_data.stop_loss_line:
        context.log.info("已经触发止损线,全仓卖出止损,等待下一次买入信号")
        stop_loss_signal_triggered = True

    # 获取历史数据
    hist = context.data.get_price(context.security, count=context.user_data.ema_slow_window+1, frequency=context.frequency)
    if len(hist.index) < context.user_data.ema_slow_window:
        context.log.warn("bar的数量不足, 等待下一根bar...")
        return
    # 收盘价
    close_prices = hist["close"].values

    # 计算EMA值
    ema_fast = talib.EMA(close_prices, context.user_data.ema_fast_window)
    ema_slow = talib.EMA(close_prices, context.user_data.ema_slow_window)

    # 当前快线EMA
    current_ema_fast = ema_fast[-1]
    # 当前慢线EMA
    current_ema_slow = ema_slow[-1]
    # 前一个bar的快线EMA
    pre_ema_fast = ema_fast[-2]
    # 前一个bar的慢线EMA
    pre_ema_slow = ema_slow[-2]

    context.log.info("当前EMA 快线 = %.2f, 慢线 = %.2f; 前一个bar EMA 快线 = %.2f, 慢线 = %.2f" % (current_ema_fast, current_ema_slow, pre_ema_fast, pre_ema_slow))

    # EMA快线从下向上穿过EMA慢线时,产生买入信号
    if pre_ema_fast <= pre_ema_slow and current_ema_fast > current_ema_slow:
        context.log.info("EMA快线从下向上穿过EMA慢线时,产生买入信号")
        long_signal_triggered = True
    # EMA快线从上向下穿过EMA慢线时,产生卖出信号
    elif pre_ema_fast >= pre_ema_slow and current_ema_fast < current_ema_slow:
        context.log.info("EMA快线从上向下穿过EMA慢线时,产生卖出信号")
        short_signal_triggered = True

    # 有卖出信号,且持有仓位,则市价单全仓卖出
    if short_signal_triggered or stop_loss_signal_triggered:
        if context.account.huobi_cny_btc >= HUOBI_CNY_BTC_MIN_ORDER_QUANTITY:
            context.user_data.max_net = None
            # 卖出信号,且不是空仓,则市价单全仓清空
            context.log.info("正在卖出 %s" % context.security)
            context.log.info("卖出数量为 %s" % context.account.huobi_cny_btc)
            context.order.sell(context.security, quantity=str(context.account.huobi_cny_btc))
        else:
            context.log.info("仓位不足,无法卖出")
    # 有买入信号,且持有现金,则市价单全仓买入
    elif long_signal_triggered:
        if context.account.huobi_cny_cash >= HUOBI_CNY_BTC_MIN_ORDER_CASH_AMOUNT:
            # 买入信号,且持有现金,则市价单全仓买入
            context.log.info("正在买入 %s" % context.security)
            context.log.info("下单金额为 %s 元" % context.account.huobi_cny_cash)
            context.order.buy(context.security, cash_amount=str(context.account.huobi_cny_cash))
        else:
            context.log.info("现金不足,无法下单")
    else:
        context.log.info("无交易信号,进入下一根bar")

15m

30m

60m

exception?

4h

1d

时间: 2024-10-28 20:14:58

WeQuant交易策略—EMA指标的相关文章

WeQuant交易策略—KDJ

KDJ随机指标策略 策略介绍KDJ指标又叫随机指标,是一种相当新颖.实用的技术分析指标,它起先用于期货市场的分析,后被广泛用于股市的中短期趋势分析,是期货和股票市场上最常用的技术分析工具. 随机指标KDJ一般是用于股票分析的统计体系,根据统计学原理,通过一个特定的周期(常为9日.9周等)内出现过的最高价.最低价及最后一个计算周期的收盘价及这三者之间的比例关系,来计算最后一个计算周期的未成熟随机值RSV,然后根据平滑移动平均线的方法来计算K值.D值与J值,并绘成曲线图来研判股票走势.适合趋势分析.

WeQuant交易策略—ATR

ATR(真实波幅均值)策略 策略介绍 ATR(average true range,真实波幅均值),是用来衡量一段时间内价格的真实的平均波动范围,ATR不是一个领先指标,但是它测量最重要的市场参数之一--价格波动. ATR主要应用于了解股价的震荡幅度和节奏,在窄幅整理行情中用于寻找突破时机.通常情况下股价的波动幅度会保持在一定常态下,但是如果有主力资金进出时,股价波幅往往会加剧.另外,在股价横盘整理.波幅减少到极点时,也往往会产生变盘行情.真实波幅(ATR)正是基于这种原理而设计的指标. 计算方

WeQuant交易策略—NATR

策略名称:NATR策略关键词:规范真实波幅.价格突破. NATR,是对ATR指标进行了标准化.主要应用于了解价格的震荡幅度和节奏,在窄幅整理行情中用于寻找突破时机.本策略在当前价格高于之前价格一定倍数NATR时全仓买入,低于一定倍数NATR时全仓卖出.方法:1)利用规范化的真实波幅来构造上下轨:2)价格突破上轨买入:3)价格突破下轨卖出. 代码 # !/usr/bin/env python # -*- coding: utf-8 -*- # 策略代码总共分为三大部分,1)PARAMS变量 2)i

WeQuant交易策略—简单均线

简单双均线策略(Simple Moving Average) 策略介绍简单双均线策略,通过一短一长(一快一慢)两个回看时间窗口收盘价的简单移动平均绘制两条均线,利用均线的交叉来跟踪价格的趋势.这里说的简单是指在求平均值的时候采用的是算术平均数(就是求和再除以总数),有些更为复杂的求平均值得方法,如加权移动平均,指数加权移动平均等等.我们这个策略只使用最基本的算术平均.移动平均线是股票趋势策略中最常见技术手段. 计算方法(以日频率举例)N日移动平均(MA)的计算:MA(N) = 最近N天的收盘价之

WeQuant交易策略—5日均线

简单的价格突破策略.当前价格超过最近5个收盘价的均价,则全仓买入:低于均价,则全仓卖出 代码 # 简单的价格突破策略.当前价格超过最近5个收盘价的均价,则全仓买入:低于均价,则全仓卖出 # PARAMS用于设定程序参数,回测的起始时间.结束时间.滑点误差.初始资金和持仓. PARAMS = { "start_time": "2017-02-01 00:00:00", # 回测起始时间 "end_time": "2017-08-01 00

智汇神–最专业的交易策略服务提供商fo

智汇神–最专业的交易策略服务提供商 为您提供最完美的智能交易解决方案   智汇神交易策略服务平台是什么?     智汇神交易策略平台是智汇神开发团队历经多年实战经验并结合世界最先进的交易技术和管理理念,最终研发出的一款真正为从事金融衍生品交易的个人及团队提供最全面的交易策略及管理工具的智能化服务平台.     智汇神交易策略平台适用于外汇.期货.指数等多个金融交易产品,无论您是个人投资者.机构投资者还是市场运营商,我们的策略平台都可以为您提供最及时的产品及服务,其中包括:智能交易系统.智能分析系

用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果(含量化验证交易策略代码)

在用python的matplotlib和numpy库绘制股票K线均线的整合效果(含从网络接口爬取数据和验证交易策略代码)一文里,我讲述了通过爬虫接口得到股票数据并绘制出K线均线图形的方式,在本文里,将在此基础上再引入成交量效果图,并结合量价理论,给出并验证一些交易策略. 1 成交量对量化分析的意义 美国的股市分析家葛兰碧(Joe Granville)在他所著的<股票市场指标>一书里提出著名的“量价理论”.“量价理论”的核心思想是,任何对股价的分析,如果离开了对成交量的分析,都将是无本之木,无水

“1,2,3”买入法——赢面65%的交易策略

此交易策略特征如下:    1."123"图形是指:价格突破近期的趋势线(股海藏经楼趋势跟踪系统:这里的趋势线可以用ATR通道上轨替代),然后回落,当它再次走向与原来趋势相反的方向时,就形成了123图形.    下图代表的是一个买入图形,图中在A点价格突破了前期的明显下降趋势,当价格上升至B点,然后又回落至低点C,并再次开始上升时,即为"123"买入图形.    2.从2到3的回落空间必须至少达到1至2点的0.382倍幅度以上(股海藏经楼趋势跟踪系统:回落到ATR通

程序化交易策略开发:第1个策略

学习程序化交易策略开发是一个很简单的事,也就是学习1门简单脚本语言或甚至是一个插件使用那么简单.难的是开发出一个能赚钱的策略,但程序员这么多,也许你能通过程序化交易找到适合你的发展方向呢.下面通过几个简单步骤开发一个交易策略. 1.选择开发平台,国内的有开拓交易者(期货),国外的MiultiCharts(期货),还有MT4(外汇),这里以开拓交易者(简称TB)为例. 2.下载.注册与登录,按提示操作即可 3.进入后关闭默认图表后的界面 4.点击左侧的“超级图表”,默认的投资标的不对,需要更换,图