当前位置：首页 > article >正文

量化交易系统开发-实时行情自动化交易-8.9.通达信平台

article 2024/12/4 6:10:36

19年创业做过一年的量化交易但没有成功，作为交易系统的开发人员积累了一些经验，最近想重新研究交易系统，一边整理一边写出来一些思考供大家参考，也希望跟做量化的朋友有更多的交流和合作。

接下来会对于通达信平台介绍。

通达信是一款广泛使用的行情分析和交易平台，其强大的定制公式编写和量化交易功能，适合投资者开发和测试量化策略。以下是基于通达信平台的一个完整开发实例，涵盖策略设计、回测与优化的全过程。

1. 实例背景：基于均线交叉的交易策略

策略逻辑
均线交叉策略是一种经典的趋势跟随策略，依赖短周期均线和长周期均线的交叉来生成买卖信号：

当短周期均线向上穿过长周期均线时，生成买入信号（Golden Cross）。
当短周期均线向下穿过长周期均线时，生成卖出信号（Death Cross）。

适用市场
适用于A股市场和基金、ETF等趋势性品种。

2. 数据准备与公式编辑

在通达信中，量化策略通常通过编写自定义指标公式实现。首先，创建一个新公式以计算均线并生成交易信号。

（1）公式代码实现

以下是策略的指标公式代码，计算5日和20日均线及交易信号：

{均线计算}
MA_SHORT := MA(CLOSE, 5);  {5日均线}
MA_LONG := MA(CLOSE, 20);  {20日均线}

{信号生成}
BUY_SIGNAL := CROSS(MA_SHORT, MA_LONG);  {买入信号：短期均线上穿长期均线}
SELL_SIGNAL := CROSS(MA_LONG, MA_SHORT);  {卖出信号：短期均线下穿长期均线}

{输出}
DRAWLINE(BUY_SIGNAL, LOW, SELL_SIGNAL, HIGH, RGB(255, 0, 0));  {信号标注}
MA_SHORT, COLORRED;  {5日均线显示为红色}
MA_LONG, COLORBLUE;  {20日均线显示为蓝色}

步骤说明

创建新公式：打开通达信公式编辑器，选择“新建”，将上述代码粘贴到公式中。
保存并应用：命名为“均线交叉策略”，保存后可直接加载到K线图中查看。

（2）回测数据准备

在通达信“数据管理”功能中，选择目标股票或指数。
下载并导入历史数据，确保数据完整性。

3. 回测实现

通达信不支持复杂的回测逻辑，但可通过“条件选股”功能模拟策略表现。

条件选股公式

编写选股公式以筛选符合策略的交易信号。

{条件选股公式：买入信号}
CROSS(MA(CLOSE, 5), MA(CLOSE, 20));  {短期均线向上穿过长期均线}

回测流程

加载公式：在“条件选股”中选择上述公式。
设置筛选范围：选择股票池（如沪深300或全市场），设置时间范围（如最近一年）。
运行选股：执行筛选，输出符合条件的股票。

4. 使用Python实现高级回测

通达信原生回测功能较为简单，以下用Python实现更精细的回测分析。

数据导出

在通达信中，导出目标股票的历史数据为CSV文件。使用Python加载并进行回测。

回测代码

import pandas as pd
import matplotlib.pyplot as plt

# 加载数据
data = pd.read_csv('example_stock.csv')  # 替换为实际导出的文件
data['datetime'] = pd.to_datetime(data['datetime'])
data = data.sort_values('datetime')

# 计算均线
data['MA_SHORT'] = data['close'].rolling(window=5).mean()
data['MA_LONG'] = data['close'].rolling(window=20).mean()

# 生成信号
data['signal'] = 0
data.loc[data['MA_SHORT'] > data['MA_LONG'], 'signal'] = 1  # 买入信号
data.loc[data['MA_SHORT'] <= data['MA_LONG'], 'signal'] = -1  # 卖出信号
data['position'] = data['signal'].shift(1)  # 次日开盘执行信号

# 策略收益计算
data['daily_return'] = data['close'].pct_change()  # 每日收益率
data['strategy_return'] = data['position'] * data['daily_return']  # 策略收益
data['cumulative_return'] = (1 + data['strategy_return']).cumprod()  # 策略累计收益
data['benchmark_return'] = (1 + data['daily_return']).cumprod()  # 基准累计收益

# 回测结果
print("策略最终收益率:", data['cumulative_return'].iloc[-1] - 1)
print("基准最终收益率:", data['benchmark_return'].iloc[-1] - 1)

# 可视化表现
plt.figure(figsize=(12, 6))
plt.plot(data['datetime'], data['cumulative_return'], label='Strategy', color='blue')
plt.plot(data['datetime'], data['benchmark_return'], label='Benchmark', color='gray')
plt.legend()
plt.title('Cumulative Returns')
plt.show()

5. 回测结果分析

总收益率：策略和基准的收益率对比。
最大回撤：评估风险，通过data['cumulative_return'] / data['cumulative_return'].cummax() - 1计算。
胜率：统计信号正确的比例。
交易频率：评估策略的执行效率。

6. 优化与扩展

参数优化

通过网格搜索优化短期和长期均线的参数组合。

short_windows = range(5, 15)
long_windows = range(20, 50)
best_params = None
best_performance = -float('inf')

for short in short_windows:
    for long in long_windows:
        if short >= long:
            continue
        data['MA_SHORT'] = data['close'].rolling(window=short).mean()
        data['MA_LONG'] = data['close'].rolling(window=long).mean()
        data['signal'] = 0
        data.loc[data['MA_SHORT'] > data['MA_LONG'], 'signal'] = 1
        data.loc[data['MA_SHORT'] <= data['MA_LONG'], 'signal'] = -1
        data['position'] = data['signal'].shift(1)
        data['strategy_return'] = data['position'] * data['daily_return']
        cumulative_return = (1 + data['strategy_return']).cumprod().iloc[-1]
        if cumulative_return > best_performance:
            best_performance = cumulative_return
            best_params = (short, long)

print("最佳参数:", best_params)