【宽客学院】多个策略组合

宽客学院
多策略组合
标签: #<Tag:0x00007f5bf98a7990> #<Tag:0x00007f5bf98a7828>

(iQuant) #1
作者:bigquant
阅读时间:8分钟
本文由BigQuant宽客学院推出,难度标签:☆☆☆

导语:市场没有圣杯,专业投资机构长期生存下来的秘诀就是:通过相关性较低的策略构造组合获取更为平滑的资金曲线。

做过策略的朋友都知道,开发一个收益稳定、回撤较小的策略非常不容易。 很多策略单独拎出来看表现不好,但多个策略如果组合起来,组合净值曲线可能非常漂亮。什么是策略组合呢?如果你本金3000元,目前开发出3个策略,分别为A、B、C,你每个策略配置1000元,三个策略就形成一个策略组合。通常,组合策略的波动性比本金全部配置在一个策略上波动性更小。组合效果受策略相关性直接影响,策略相关性都是在-1到1之间,策略相关性越低,组合效果越好。

那如何查看多个策略组合起来的效果呢?这正是本文的目的所在,帮助文档为:多策略组合分析

目前一共有三个策略,策略A为趋势跟踪策略,策略B为多因子选股策略,策略C为AI策略。我们尝试将三个策略组合在一起,最终发现,组合后的结果策略波动性介于三个策略的波动性之间,处于中间水平。

克隆策略

1. 策略A

  • 股票池:上证50
  • 策略名称:双均线策略
  • 策略类型:趋势跟踪策略
In [6]:
# 开始时间
start_date = '2016-10-16'  
# 结束时间
end_date = '2017-07-18'

instruments = D.instruments(start_date, end_date)
df = D.history_data(instruments, start_date, end_date, fields=['in_sse50'])
instruments = list(set(df[df['in_sse50'] == 1].instrument))

# 初始化账户
def initialize(context):
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5)) # 设置手续费,买入成本为万分之三,卖出为千分之1.3
    context.short_period = 5 # 短期均线
    context.long_period = 50 # 长期均线 
    context.ins = context.instruments
    context.weights = 1/len(context.instruments)

def handle_data(context, data):
    
    # 长期均线值要有意义,需要在50根k线之后
    if context.trading_day_index <  context.long_period:   
        return
    for k in context.instruments:
        sid = context.symbol(k) # 将标的转化为equity格式
        price = data.current(sid, 'price') # 最新价格
 
        short_mavg = data.history(sid, 'price',context.short_period, '1d').mean() # 短期均线值
        long_mavg = data.history(sid, 'price',context.long_period, '1d').mean() # 长期均线值

        cash = context.portfolio.portfolio_value  # 现金
        cur_position = context.portfolio.positions[sid].amount # 持仓
    
        # 交易逻辑
        # 如果短期均线大于长期均线形成金叉,并且没有持仓,并且该股票可以交易
        if short_mavg > long_mavg and cur_position == 0 and data.can_trade(sid):  
            context.order_target_percent(sid, context.weights) # 买入
            
        # 如果短期均线小于长期均线形成死叉,并且有持仓,并且该股票可以交易
        elif short_mavg < long_mavg and cur_position > 0 and data.can_trade(sid):  
            context.order_target_percent(sid, 0) # 全部卖出
            
strategy_a = M.trade.v2(
    instruments=instruments,
    start_date=start_date,
    end_date=end_date,
    initialize=initialize,
    handle_data=handle_data,
    order_price_field_buy='open', # 以开盘价买入
    order_price_field_sell='open', # 以开盘价卖出
    capital_base=1000000, # 本金
    )
[2017-08-10 09:19:32.866121] INFO: bigquant: backtest.v7 start ..
[2017-08-10 09:20:00.028089] INFO: Performance: Simulated 186 trading days out of 186.
[2017-08-10 09:20:00.029293] INFO: Performance: first open: 2016-10-17 13:30:00+00:00
[2017-08-10 09:20:00.030466] INFO: Performance: last close: 2017-07-18 19:00:00+00:00
  • 收益率6.71%
  • 年化收益率9.2%
  • 基准收益率10.93%
  • 阿尔法0.01
  • 贝塔0.31
  • 夏普比率0.96
  • 收益波动率4.95%
  • 信息比率-0.76
  • 最大回撤2.67%
[2017-08-10 09:20:01.033306] INFO: bigquant: backtest.v7 end [28.167172s].

2.策略B

  • 股票池:全市场
  • 策略名:市净率因子选股策略
  • 策略类型:多因子选股策略
In [7]:
# 获取股票代码
instruments = D.instruments()
# 确定起始时间
start_date = '2016-10-16'  
# 结束时间
end_date = '2017-07-18'
# 获取股票总市值数据,返回DataFrame数据格式
market_cap_data = D.history_data(instruments,start_date,end_date,
              fields=['pb_lf','amount'])
# 获取每日按小市值排序 (从低到高)的前三十只股票
daily_buy_stock = market_cap_data.groupby('date').apply(lambda df:df[(df['amount'] > 0)].sort_values('pb_lf')[:30])

# 回测参数设置,initialize函数只运行一次
def initialize(context):
    # 手续费设置
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5)) 
    # 调仓规则(每月的第一天调仓)
    context.schedule_function(rebalance, date_rule=date_rules.month_start(days_offset=0)) 
    # 传入 整理好的调仓股票数据
    context.daily_buy_stock = daily_buy_stock

# handle_data函数会每天运行一次
def handle_data(context,data):
    pass

# 换仓函数
def rebalance(context, data):
    # 当前的日期
    date = data.current_dt.strftime('%Y-%m-%d')
    # 根据日期获取调仓需要买入的股票的列表
    stock_to_buy = list(context.daily_buy_stock.ix[date].instrument)
    # 通过positions对象,使用列表生成式的方法获取目前持仓的股票列表
    stock_hold_now = [equity.symbol for equity in context.portfolio.positions]
    # 继续持有的股票:调仓时,如果买入的股票已经存在于目前的持仓里,那么应继续持有
    no_need_to_sell = [i for i in stock_hold_now if i in stock_to_buy]
    # 需要卖出的股票
    stock_to_sell = [i for i in stock_hold_now if i not in no_need_to_sell]
  
    # 卖出
    for stock in stock_to_sell:
        # 如果该股票停牌,则没法成交。因此需要用can_trade方法检查下该股票的状态
        # 如果返回真值,则可以正常下单,否则会出错
        # 因为stock是字符串格式,我们用symbol方法将其转化成平台可以接受的形式:Equity格式

        if data.can_trade(context.symbol(stock)):
            # order_target_percent是平台的一个下单接口,表明下单使得该股票的权重为0,
            #   即卖出全部股票,可参考回测文档
            context.order_target_percent(context.symbol(stock), 0)
    
    # 如果当天没有买入的股票,就返回
    if len(stock_to_buy) == 0:
        return

    # 等权重买入 
    weight =  1 / len(stock_to_buy)
    
    # 买入
    for stock in stock_to_buy:
        if data.can_trade(context.symbol(stock)):
            # 下单使得某只股票的持仓权重达到weight,因为
            # weight大于0,因此是等权重买入
            context.order_target_percent(context.symbol(stock), weight)
            
strategy_b = M.trade.v2( 
    instruments=instruments,
    start_date=start_date, 
    end_date=end_date,
    # 必须传入initialize,只在第一天运行
    initialize=initialize,
    #  必须传入handle_data,每个交易日都会运行
    handle_data=handle_data,
    # 买入以开盘价成交
    order_price_field_buy='open',
    # 卖出也以开盘价成交
    order_price_field_sell='open',
    # 策略本金
    capital_base=1000000,
    # 比较基准:沪深300
    benchmark='000300.INDX',
)
[2017-08-10 09:20:03.805450] INFO: bigquant: backtest.v7 start ..
[2017-08-10 09:20:03.808086] INFO: bigquant: hit cache
  • 收益率13.03%
  • 年化收益率18.05%
  • 基准收益率10.93%
  • 阿尔法0.05
  • 贝塔0.82
  • 夏普比率1.15
  • 收益波动率11.8%
  • 信息比率0.34
  • 最大回撤11.74%
[2017-08-10 09:20:04.504971] INFO: bigquant: backtest.v7 end [0.699509s].

3.策略C

  • 股票池:全市场
  • 策略名:AI策略
  • 策略类型:人工智能选股策略
In [8]:
# 基础参数配置
class conf:
    start_date = '2012-01-01'
    end_date='2017-07-18'
    # split_date 之前的数据用于训练,之后的数据用作效果评估
    split_date = '2016-10-16'
    # D.instruments: https://bigquant.com/docs/data_instruments.html
    instruments = D.instruments(start_date, split_date)

    # 机器学习目标标注函数
    # 如下标注函数等价于 min(max((持有期间的收益 * 100), -20), 20) + 20 (后面的M.fast_auto_labeler会做取整操作)
    # 说明:max/min这里将标注分数限定在区间[-20, 20],+20将分数变为非负数 (StockRanker要求标注分数非负整数)
    label_expr = ['return * 100', 'where(label > {0}, {0}, where(label < -{0}, -{0}, label)) + {0}'.format(20)]
    # 持有天数,用于计算label_expr中的return值(收益)
    hold_days = 5

    # 特征 https://bigquant.com/docs/data_features.html,你可以通过表达式构造任何特征
    features = [
        'rank_pb_lf_0',
    ]

# 给数据做标注:给每一行数据(样本)打分,一般分数越高表示越好
m1 = M.fast_auto_labeler.v8(
    instruments=conf.instruments, start_date=conf.start_date, end_date=conf.split_date,
    label_expr=conf.label_expr, hold_days=conf.hold_days,
    benchmark='000300.SHA', sell_at='open', buy_at='open')
# 计算特征数据
m2 = M.general_feature_extractor.v5(
    instruments=conf.instruments, start_date=conf.start_date, end_date=conf.split_date,
    features=conf.features)
# 数据预处理:缺失数据处理,数据规范化,T.get_stock_ranker_default_transforms为StockRanker模型做数据预处理
m3 = M.transform.v2(
    data=m2.data, transforms=T.get_stock_ranker_default_transforms(),
    drop_null=True, astype='int32', except_columns=['date', 'instrument'],
    clip_lower=0, clip_upper=200000000)
# 合并标注和特征数据
m4 = M.join.v2(data1=m1.data, data2=m3.data, on=['date', 'instrument'], sort=True)
# StockRanker机器学习训练
m5 = M.stock_ranker_train.v3(training_ds=m4.data, features=conf.features)


## 量化回测 https://bigquant.com/docs/module_trade.html
# 回测引擎:准备数据,只执行一次
def prepare(context):
    # context.start_date / end_date,回测的时候,为trader传入参数;在实盘运行的时候,由系统替换为实盘日期
    n1 = M.general_feature_extractor.v5(
        instruments=D.instruments(),
        start_date=context.start_date, end_date=context.end_date,
        model_id=context.options['model_id'])
    n2 = M.transform.v2(
        data=n1.data, transforms=T.get_stock_ranker_default_transforms(),
        drop_null=True, astype='int32', except_columns=['date', 'instrument'],
        clip_lower=0, clip_upper=200000000)
    n3 = M.stock_ranker_predict.v2(model_id=context.options['model_id'], data=n2.data)
    context.instruments = n3.instruments
    context.options['predictions'] = n3.predictions

# 回测引擎:初始化函数,只执行一次
def initialize(context):
    # 加载预测数据
    context.ranker_prediction = context.options['predictions'].read_df()

    # 系统已经设置了默认的交易手续费和滑点,要修改手续费可使用如下函数
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
    # 预测数据,通过options传入进来,使用 read_df 函数,加载到内存 (DataFrame)
    # 设置买入的股票数量,这里买入预测股票列表排名靠前的5只
    stock_count = 5
    # 每只的股票的权重,如下的权重分配会使得靠前的股票分配多一点的资金,[0.339160, 0.213986, 0.169580, ..]
    context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 0.2

# 回测引擎:每日数据处理函数,每天执行一次
def handle_data(context, data):
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.ranker_prediction[
        context.ranker_prediction.date == data.current_dt.strftime('%Y-%m-%d')]

    # 1. 资金分配
    # 平均持仓时间是hold_days,每日都将买入股票,每日预期使用 1/hold_days 的资金
    # 实际操作中,会存在一定的买入误差,所以在前hold_days天,等量使用资金;之后,尽量使用剩余资金(这里设置最多用等量的1.5倍)
    is_staging = context.trading_day_index < context.options['hold_days'] # 是否在建仓期间(前 hold_days 天)
    cash_avg = context.portfolio.portfolio_value / context.options['hold_days']
    cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
    cash_for_sell = cash_avg - (context.portfolio.cash - cash_for_buy)
    positions = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.perf_tracker.position_tracker.positions.items()}

    # 2. 生成卖出订单:hold_days天之后才开始卖出;对持仓的股票,按StockRanker预测的排序末位淘汰
    if not is_staging and cash_for_sell > 0:
        equities = {e.symbol: e for e, p in context.perf_tracker.position_tracker.positions.items()}
        instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
                lambda x: x in equities and not context.has_unfinished_sell_order(equities[x]))])))
        # print('rank order for sell %s' % instruments)
        for instrument in instruments:
            context.order_target(context.symbol(instrument), 0)
            cash_for_sell -= positions[instrument]
            if cash_for_sell <= 0:
                break

    # 3. 生成买入订单:按StockRanker预测的排序,买入前面的stock_count只股票
    buy_cash_weights = context.stock_weights
    buy_instruments = list(ranker_prediction.instrument[:len(buy_cash_weights)])
    max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument
    for i, instrument in enumerate(buy_instruments):
        cash = cash_for_buy * buy_cash_weights[i]
        if cash > max_cash_per_instrument - positions.get(instrument, 0):
            # 确保股票持仓量不会超过每次股票最大的占用资金量
            cash = max_cash_per_instrument - positions.get(instrument, 0)
        if cash > 0:
            context.order_value(context.symbol(instrument), cash)


# 调用交易引擎
strategy_c = M.trade.v2(
    instruments=None,
    start_date=conf.split_date,
    end_date=conf.end_date,
    prepare=prepare,
    initialize=initialize,
    handle_data=handle_data,
    order_price_field_buy='open',       # 表示 开盘 时买入
    order_price_field_sell='close',     # 表示 收盘 前卖出
    capital_base=1000000,               # 初始资金
    benchmark='000300.SHA',             # 比较基准,不影响回测结果
    # 通过 options 参数传递预测数据和参数给回测引擎
    options={'hold_days': conf.hold_days, 'model_id': m5.model_id}
)
[2017-08-10 09:20:05.119294] INFO: bigquant: fast_auto_labeler.v8 start ..
[2017-08-10 09:20:05.123075] INFO: bigquant: hit cache
[2017-08-10 09:20:05.128997] INFO: bigquant: fast_auto_labeler.v8 end [0.009682s].
[2017-08-10 09:20:05.137461] INFO: bigquant: general_feature_extractor.v5 start ..
[2017-08-10 09:20:05.140071] INFO: bigquant: hit cache
[2017-08-10 09:20:05.141087] INFO: bigquant: general_feature_extractor.v5 end [0.003661s].
[2017-08-10 09:20:05.152243] INFO: bigquant: transform.v2 start ..
[2017-08-10 09:20:05.154545] INFO: bigquant: hit cache
[2017-08-10 09:20:05.156115] INFO: bigquant: transform.v2 end [0.00387s].
[2017-08-10 09:20:05.164646] INFO: bigquant: join.v2 start ..
[2017-08-10 09:20:05.167050] INFO: bigquant: hit cache
[2017-08-10 09:20:05.168100] INFO: bigquant: join.v2 end [0.003423s].
[2017-08-10 09:20:05.176580] INFO: bigquant: stock_ranker_train.v3 start ..
[2017-08-10 09:20:05.179024] INFO: bigquant: hit cache
[2017-08-10 09:20:05.180318] INFO: bigquant: stock_ranker_train.v3 end [0.003707s].
[2017-08-10 09:20:05.202929] INFO: bigquant: backtest.v7 start ..
[2017-08-10 09:20:05.205228] INFO: bigquant: hit cache
  • 收益率14.01%
  • 年化收益率19.44%
  • 基准收益率10.93%
  • 阿尔法0.09
  • 贝塔0.61
  • 夏普比率1.53
  • 收益波动率9.82%
  • 信息比率0.5
  • 最大回撤10.84%
[2017-08-10 09:20:05.850093] INFO: bigquant: backtest.v7 end [0.647145s].

4. 模块M.multi_strategy_analysis介绍

关于策略组合的相关模块 M.multi_strategy_analysis 的详细信息,可以参考:代码补全和文档帮助

5.将A、B、C策略组合起来

In [9]:
m = M.multi_strategy_analysis.v1(
    raw_perfs=[strategy_a.raw_perf, strategy_b.raw_perf, strategy_c.raw_perf],
    weights=[1/3, 1/3, 1/3]
)
[2017-08-10 09:20:06.036258] INFO: bigquant: backtest.v6 start ..
[2017-08-10 09:20:07.031711] INFO: Performance: Simulated 186 trading days out of 186.
[2017-08-10 09:20:07.033511] INFO: Performance: first open: 2016-10-17 13:30:00+00:00
[2017-08-10 09:20:07.034646] INFO: Performance: last close: 2017-07-18 19:00:00+00:00
  • 收益率11.25%
  • 年化收益率15.54%
  • 基准收益率10.93%
  • 阿尔法0.05
  • 贝塔0.58
  • 夏普比率1.47
  • 收益波动率7.57%
  • 信息比率0.07
  • 最大回撤8.08%
[2017-08-10 09:20:07.693976] INFO: bigquant: backtest.v6 end [1.657758s].

小结: 将不同类型策略进行组合,可以有效的帮助我们降低风险,提升策略的稳定性,为我们获得更加长久的收益提供保障。


   本文由BigQuant宽客学院推出,版权归BigQuant所有,转载请注明出处。


怎么实现多个策略组合实盘交易