标签：param 输出 api 输入 value EDA 发送 级别 available
# 根据缺口的模式选股买股票
‘‘‘
--------------------------------------------
1、总体回测前要做的事情
initialize(context)
1.1、设置策略参数 ----> 全局常量
1.2、设置中间变量 ----> 全局变量
1.3、设置回测条件 ----> JoinQuant额外需要的
2、每天开盘前选股策略 （下面策略，发现这种股，不容错过）
2.1、设置手续费
2.2、设置可行股票池，比如过滤当日停牌股票
2.3、筛选上市满一年的全部A股
2.4、筛选上市发生向上缺口的时点
定义为:今日最低价>昨日最高价，删除涨停的个股
涨幅>5%
2.5、筛选前期盘整阶段，比如20-30个交易日，最高价-最低价/最低价<15%或者标准差较少的
2.6、缺口当日成交量 > 前20个交易日平均成交量的50%,也就是15倍以上。
3、每天交易时
3.1、买入/卖出信号判断
3.2、执行买入/卖出的操作
4、每天收盘
无
--------------------------------------------
关于什么时候卖？
策略有三，第一个就是设置止盈位。也就是不需要追求最高点卖出。
比如你设置一个从最近高点下滑3%（比例自调）的位置作为卖出点。
第二个就是利用技术分析，看重要的压力位，一方面是均线系统的压力，
要看的是日线，周线月线，周期越大，压力越强，其次是前期的高点，
密集成交区，这个区域是深度套牢区，因此可以暂时止盈。
还有就是识技术指标的图，比如看MACD顶背离，这个比较准，KDJ超卖等等。
建议多去分析大盘，80%的股票和大盘会保存一样走势，大盘触顶，个股一般也好不到哪去。
第三就是关注基本面，同行对比，分析当前的股价的PE，以及与同行业的公司来看，
比如营业总收入排第几，净利润排第几，收入增速排第几，它的总市值排在第几。
如果基本面排在行业第10，但是市值排在第一，这就表示高估了。可以择机止盈。
‘‘‘
#
import jqdata
import pandas as pd
import datetime as dt
import time
‘‘‘
================================================================================
总体回测前
================================================================================
‘‘‘
# 初始化函数，设定基准等等
def initialize(context):
print ‘初始化方法‘
set_params() # 设置策略常量
set_variables() # 设置中间变量
set_backtest() # 设置回测条件
print ‘--------------------------------------‘
#1
#设置策略参数
def set_params():
print ‘设置策略参数‘
g.tc = 15 # 调仓天数
g.num_stocks = 10 # 每次调仓选取的最大股票数量
#2
#设置中间变量
def set_variables():
print ‘设置中间变量‘
g.t = 0 # 记录回测运行的天数
g.if_trade = False # 当天是否交易
#3
#设置回测条件
def set_backtest():
print ‘设置回测条件‘
# 设定沪深300作为基准，就是基准收益
set_benchmark(‘000300.XSHG‘)
# 开启动态复权模式(真实价格)
set_option(‘use_real_price‘, True)
# 输出内容到日志 log.info()
log.info(‘初始函数开始运行且全局只运行一次‘)
# 过滤掉order系列API产生的比error级别低的log
# log.set_level(‘order‘, ‘error‘)
### 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=‘every_bar‘, reference_security=‘000300.XSHG‘)
# 收盘后运行
run_daily(after_market_close, time=‘after_close‘, reference_security=‘000300.XSHG‘)
log.set_level(‘order‘,‘error‘) # 设置报错等级
‘‘‘
================================================================================
每天开盘前
================================================================================
2、每天开盘前选股策略 （下面策略，发现这种股，不容错过）
2.1、设置手续费
2.2、设置可行股票池，比如过滤当日停牌股票
2.3、筛选上市满一年的全部A股
2.4、筛选上市发生向上缺口的时点
定义为:今日最低价>昨日最高价，删除涨停的个股
涨幅>5%
2.5、筛选前期盘整阶段，比如20-30个交易日，最高价-最低价/最低价<15%或者标准差较少的
2.6、缺口当日成交量 > 前20个交易日平均成交量的50%,也就是15倍以上。
‘‘‘
## 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()))
print ‘----每天开盘前要做的事情----‘
set_slip_fee(context) # 设置滑点与手续费
# g.stocks=get_index_stocks(‘000300.XSHG‘) # 设置沪深300为初始股票池
g.stocks=get_index_stocks(‘000002.XSHG‘) # 设置000002.XSHG全部上市A股
# 设置可行股票池
g.feasible_stocks = set_feasible_stocks(g.stocks,context)
# 给微信发送消息（添加模拟交易，并绑定微信生效）
# send_message(‘美好的一天~‘)
# 要操作的股票：平安银行（g.为全局变量）
# g.security = ‘000001.XSHE‘
#
# 设置可行股票池：过滤掉当日停牌的股票
# 输入：initial_stocks为list类型,表示初始股票池； context（见API）
# 输出：unsuspened_stocks为list类型，表示当日未停牌的股票池，即：可行股票池
def set_feasible_stocks(initial_stocks,context):
# 判断初始股票池的股票是否停牌，返回list
# print ‘设置可行股票池：过滤掉当日停牌的股票‘,context.current_dt.day
# print ‘当前时期%10s‘ %(context.current_dt.strftime("%Y-%m-%d"))
paused_info = []# 存储对应股票是否停牌的信息数组
liste_Date_info = []# 存储对应的上市时间
# 在股票基本信息表 - STK_STOCKINFO能找到
stock_info = get_all_securities([‘stock‘]);
# get_current_data ♠ - 获取当前时间数据
current_data = get_current_data()
print ‘打印--‘,initial_stocks
print ‘再打印--当前时间数据对象返回是空的‘,current_data
for i in initial_stocks:
# i是遍历出来的每个股票的代码
# 然后paused是判断这个股票是否停牌，False表示没有停牌
paused_info.append(current_data[i].paused)
# print ‘获取所有股票数据‘,stock_info[i].start_date
# 如何获取上市满一年的股票
# 先获取所有股票数据 .start_data
# print ‘当前时期：%10s--股票上市时期：%10s‘ %(context.current_dt.strftime("%Y-%m-%d"),stock_info.at[i,‘start_date‘])
# print ‘当前时期：%10s--股票上市时期‘ %((stock_info.at[i,‘start_date‘]-context.current_dt).days)
# 存储上市时间是否满一年，如果满一年为YES
isGoPublicOneYear = calculate_goPublick_OneYear(context.current_dt.strftime("%Y-%m-%d"),str(stock_info.at[i,‘start_date‘]))
liste_Date_info.append(isGoPublicOneYear)
if isGoPublicOneYear == False:
print ‘上市不满一年的股票%10s:%10s‘ %(i,stock_info.at[i,‘display_name‘])
df_paused_public_info = pd.DataFrame({‘paused_info‘:paused_info,‘liste_Date_info‘:liste_Date_info},index = initial_stocks)
# print ‘df_paused_public_info:\n‘,df_paused_public_info
unsuspened_stocks = list(df_paused_public_info.index[(df_paused_public_info.paused_info == False) and (df_paused_public_info.liste_Date_info == True)])
# print ‘最后获得的index‘,unsuspened_stocks
return unsuspened_stocks
# 计算当天交易时间是否为上市时间满一年
def calculate_goPublick_OneYear(currentTime,goPublicTime):
currentTimeDate = time.strptime(currentTime,"%Y-%m-%d")
y,m,d = currentTimeDate[0:3]
goPublicTimeDate = time.strptime(goPublicTime,"%Y-%m-%d")
y2,m2,d2 = goPublicTimeDate[0:3]
# print (dt.datetime(y,m,d)-dt.datetime(y2,m2,d2)).days
if ((dt.datetime(y,m,d)-dt.datetime(y2,m2,d2)).days)>366:
return True
else:
return False
#5
# 根据不同的时间段设置滑点与手续费
# 输入：context（见API）
# 输出：none
def set_slip_fee(context):
print ‘根据不同的时间段设置滑点与手续费‘
# 将滑点设置为0
set_slippage(FixedSlippage(0))
# 根据不同的时间段设置手续费
print ‘根据不同的时间段设置手续费‘
dt=context.current_dt
if dt>datetime.datetime(2013,1, 1):
set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
elif dt>datetime.datetime(2011,1, 1):
set_commission(PerTrade(buy_cost=0.001, sell_cost=0.002, min_cost=5))
elif dt>datetime.datetime(2009,1, 1):
set_commission(PerTrade(buy_cost=0.002, sell_cost=0.003, min_cost=5))
else:
set_commission(PerTrade(buy_cost=0.003, sell_cost=0.004, min_cost=5))
‘‘‘
================================================================================
每天交易时
================================================================================
‘‘‘
## 开盘时运行函数
def market_open(context):
log.info(‘函数运行时间(market_open):‘+str(context.current_dt.time()))
security = g.security
# 获取股票的收盘价
close_data = attribute_history(security, 5, ‘1d‘, [‘close‘])
# 取得过去五天的平均价格
MA5 = close_data[‘close‘].mean()
# 取得上一时间点价格
current_price = close_data[‘close‘][-1]
# 取得当前的现金
cash = context.portfolio.available_cash
# 如果上一时间点价格高出五天平均价1%, 则全仓买入
if current_price > 1.01*MA5:
# 记录这次买入
log.info("价格高于均价 1%%, 买入 %s" % (security))
# 用所有 cash 买入股票
# order_value(security, cash)
# 如果上一时间点价格低于五天平均价, 则空仓卖出
elif current_price < MA5 and context.portfolio.positions[security].closeable_amount > 0:
# 记录这次卖出
log.info("价格低于均价, 卖出 %s" % (security))
# 卖出所有股票,使这只股票的最终持有量为0
# order_target(security, 0)
‘‘‘
================================================================================
每天收盘后
================================================================================
‘‘‘
## 收盘后运行函数
def after_market_close(context):
log.info(str(‘函数运行时间(after_market_close):‘+str(context.current_dt.time())))
#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))
log.info(‘一天结束‘)
log.info(‘##############################################################‘)
标签：param 输出 api 输入 value EDA 发送 级别 available
原文地址：https://www.cnblogs.com/medik/p/11108627.html
