#策略研究 #量化交易 #邢不行B圈量化 #Python学习 经过较为充实的一个半月，我通过[[邢不行B圈量化课程]]学习了Python基础、pandas基础以及选股框架的使用，在选股框架下跑出了一些回测，甚至还跑出了不小的超额收益。但正如我在[[有交易框架，也要自己从头把轮子造一遍]]中所提到的那样： ![[有交易框架，也要自己从头把轮子造一遍#^275955]] 我还没有入门，只是学会了某种路径依赖下的某种工具而已。起码在当时是这样的。我自己关于策略的构想，对于代码的应用在那个时候远远称不上入门，也没有实践。在随后的路上，我的主要工作还会是依赖于框架这一点我是坚信的。但是自己的基础夯实也是刻不容缓的。 因此，我坚定的朝造自己的轮子这一方向而努力。[[长时间的深入思考，才有可能灵光一闪]]中有具体阐述。经过自己创造出的脚本，目前实现了从数据获取、数据整理、交易所API通信、ta指标计算、条件下单的完整小模型，已实现最小化运行。甚至可以说是一个小的择时框架。 在此基础上，可以添加任意指标（现阶段已实现开高收低量计算出的一系列指标），可以加入多时间框架，下一步写通回测代码之后，还可以基于历史数据进行策略的回测。或者结合选股框架，选出符合筛选条件的投资标的后转入择时则略，通过买卖条件执行交易。 宏观的讲，选币框架有了，择时策略的框子搭出来了，下下功夫就可以写出一个可以实盘运行的策略了。基础设置的搭建算是有了方向，仍需精进努力。我的目标，是把编程和框架应用熟悉到毫不费力就能写出自己的策略的程度，现在还远远不够。 下一步，一是完善这个脚本，使用布林带和RSI，在1倍杠杆的情况下，对选定币种进行交易。需要完善移动止损、订单追踪和平仓功能。目前还是一种下单就丢的状态，或者可以下止盈止损订单，但是下过之后没有更改滚动的功能。二是在其中加入adx、atr等指标进行过滤，减少交易风险。三是编写完成后利用纯代码而不是框架进行回测，要实现基本的盈利。四是最终投入服务器实盘运行，没有别的重大因素的干扰，保持长期运行。五是根据系统自己下单订单进行跟踪复盘，为下一步构建自己能长期稳定运行的策略打好基础。 对于多时间框架中，趋势、K线形态的分析，在这个脚本部署之后进行重点研究。研究完成后，对现有策略进行更新，使其更加结合趋势或区间进行交易。 再之后，对backtrader框架进行研究，读读说明文档，看看社区，提升自己利用框架进行交易的能力，最终我想要的是一种随心所欲，这是现阶段邢不行课程的选股框架给不了我的。 代码如下： ```python import time import pandas as pd import ccxt from datetime import timedelta import pandas_ta import talib # ==================================================================================================== # =====格式设置 # ==================================================================================================== pd.set_option('display.max_rows', 1000) pd.set_option('expand_frame_repr', False) # 当列太多时不换行 # 设置命令行输出时的列对齐功能 pd.set_option('display.unicode.ambiguous_as_wide', True) pd.set_option('display.unicode.east_asian_width', True) # ==================================================================================================== # =====创建ccxt交易所 # ==================================================================================================== BINANCE_CONFIG = { 'apiKey': '', 'secret': '', 'proxies': {'http': '127.0.0.1:33210', 'https': '127.0.0.1:33210'} } exchange = ccxt.binance(BINANCE_CONFIG) # list = ['DOGEUSDT', 'ETHUSDT', 'BTCUSDT'] # # # for symbol in list: symbol = 'ETHUSDT' time_interval = '1m' # 其他可以尝试的值：'1m', '5m', '15m', '30m', '1h', '2h', '1d', '1w', '1M', '1y'，并不是每个交易所都支持 bar_num = 1000 # 获取K线的数量 params = {'symbol': symbol, # 交易币对 'interval': time_interval, # 时间间隔 'limit': bar_num} # 数据条数 # ==================================================================================================== # =====获取K线数据 # ==================================================================================================== response = exchange.fapiPublicGetKlines(params=params) k_lines = pd.DataFrame(response) # print(k_lines) # =====整理K线数据 df = pd.DataFrame(response, dtype=float) # 将数据转换为dataframe df.rename(columns={0: 'MTS', 1: 'Open', 2: 'High', 3: 'Low', 4: 'Close', 5: 'Volume'}, inplace=True) # 重命名 df['candle_begin_time'] = pd.to_datetime(df['MTS'], unit='ms') # 整理时间 df['candle_begin_time_GMT8'] = df['candle_begin_time'] + timedelta(hours=8) # 北京时间 df = df[['candle_begin_time_GMT8', 'Open', 'High', 'Low', 'Close', 'Volume']] # 整理列的顺序 # ==================================================================================================== # =====获取币对的最新价格 # ==================================================================================================== data = exchange.fapiPublicGetTickerPrice(params={'symbol': "ETHUSDT"}) price_ETH = data['price'] # ==================================================================================================== # =====通过pandas-ta计算指标并加入相关指标计算列 # ==================================================================================================== df.ta.sma(length=5, append=True, col_names="SMA_5") # 计算SM5指标 # 计算14日相对强弱指数（RSI） df.ta.rsi(length=14, append=True, col_names="RSI_14") # [4,5](@ref) # 计算MACD（12/26/9周期） df.ta.macd(fast=12, slow=26, signal=9, append=True) # 默认列名：MACD_12_26_9, MACDs_12_26_9, MACDh_12_26_9 [2,7](@ref) # 计算布林带（20日，2倍标准差） df.ta.bbands(length=20, std=2, append=True) # 默认列名：BBL_20_2.0, BBM_20_2.0, BBU_20_2.0 [5,8](@ref) # ==================================================================================================== # =====设置下单条件并执行 # ==================================================================================================== # if float(price_ETH) > float(df['Close'].iloc[-2]): # print('价格上升') # else: # print('价格下降') # # print(price_ETH) # print(df['Close'].iloc[-2]) # print(df['RSI_14'].iloc[-2] > 30) # 以上为dataframe取数格式的测试，目前使用还不太熟练 ## 调整杠杆倍率 params = {'symbol': 'ETHUSDT', # 交易币对 'leverage': 1, 'timestamp': int(time.time() * 1000)} leverage = exchange.fapiPrivatePostLeverage(params=params) print('调整开仓杠杆\n', leverage, '\n') ## 下单操作 num = 0 max_num = 2 # 使用变量来控制下单次数 params = {'side': 'BUY', 'symbol': 'ETHUSDT', # 交易币对 'type': 'LIMIT', 'price': price_ETH, # 下单价格,在限价单的时候启用，将type换成LIMIT # 此处用变量取代了课程中的数值。以后下单的价格可能需要复杂计算再储存在变量中，做测试。 'quantity': 0.01, # 下单数量 'timestamp': int(time.time() * 1000), 'timeInForce': 'GTC'} # https://academy.binance.com/zh/articles/understanding-the-different-order-types while True: if df['RSI_14'].iloc[-2] > 30 and df['RSI_14'].iloc[-1] < 30: print('向下穿越rsi30，执行买入') response = exchange.fapiPrivatePostOrder(params=params) order_info = pd.DataFrame(response, index=['symbol']) order_id = order_info['orderId'].iloc[0] print('下单\n', order_info, '\n') num += 1 # 此后这里还可以多个条件，组合多个指标的值 # RSI的使用作为一个参考 # 通过现有数据（开高收低量），已经可以计算出不少指标了。 else: print('不符合交易条件，监控中') time.sleep(5) if num >= max_num: break ```